本發(fā)明涉及圖像復(fù)原技術(shù)領(lǐng)域，更具體地，涉及一種基于l0正則化和模糊核后處理的圖像盲去模糊的方法。

背景技術(shù)：

隨著社會的發(fā)展，圖像成為了一種重要的信息傳播和獲取途徑。然而，由于成像系統(tǒng)的限制，成像過程中空氣內(nèi)的塵埃，光照，天氣等因素都會對圖像的質(zhì)量造成負(fù)面影響，圖像質(zhì)量退化問題普遍存在。同時，圖像質(zhì)量退化會造成大量信息的丟失，質(zhì)量退化的圖片在實際使用中存在極大的不便，甚至不能直接使用。因此，從質(zhì)量退化的圖像中恢復(fù)出清晰的、高質(zhì)量的圖像具有重要的意義。

圖像盲去運(yùn)動模糊(圖像盲反卷積)作為圖像復(fù)原問題的重要分支之一，其目的是為了從模糊的運(yùn)動圖片中得到清晰的、內(nèi)容可辨的復(fù)原圖片。隨著科技的不斷發(fā)展和社會需求的不斷變化，圖像去模糊被應(yīng)用于軍事、城市管理、道路交通、刑事偵查、醫(yī)療衛(wèi)生等各個領(lǐng)域，同時圖像去模糊常被作為圖像預(yù)處理步驟，深刻的影響著后續(xù)的圖像檢測、識別、分類等操作的結(jié)果。

圖像盲去運(yùn)動模糊主要存在著兩個難點：第一個難點是如何準(zhǔn)確的估計出模糊核，由于模糊核和清晰圖片均未知，盲去模糊的過程具有較高的病態(tài)性，直接求解無法得到理想的結(jié)果，圖像復(fù)原效果差；第二個難點如何保證盲去模糊方法的魯棒性，使其適用于更廣的范圍。在圖像盲去運(yùn)動模糊領(lǐng)域，未解決以上的兩個難題，最典型的作法是在盲復(fù)原的最優(yōu)化模型中中引入不同形式的先驗信息從而解決盲復(fù)原的病態(tài)問題，采用金字塔模型分層復(fù)原模糊核增加方法的魯棒性，最后通過優(yōu)化方法實現(xiàn)快速的盲復(fù)原。現(xiàn)有的技術(shù)方法中，通常在最優(yōu)化模型中引入模糊核的l2正則項，這種方法可以快速求解，但是得出的模糊核較為稠密，不符合模糊核稀疏性的客觀特性，最終復(fù)原的圖像效果差。也有部分方法在最優(yōu)化模型中加入模糊核的l1正則項，但這樣會使模糊核包含較多噪聲，圖像復(fù)原效果也比較差。

技術(shù)實現(xiàn)要素：

本發(fā)明為克服上述現(xiàn)有技術(shù)所述的至少一種缺陷，提供一基于l0正則化和模糊核后處理的圖像盲去模糊的方法，是一種復(fù)原效果好，魯棒性高的圖像盲去運(yùn)動模糊的方法。

為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

一種基于l0正則化和模糊核后處理的圖像盲去模糊的方法，包括以下步驟：

s1：判斷輸入的原始模糊圖像是否為灰度圖像，若不是，則變換為灰度圖像；

s2：構(gòu)造最優(yōu)化模型求解模糊核，在模型中引入l0正則項，模型如公式(1)所示：

其中β、μ及λ為權(quán)重參數(shù)，x是模糊圖像，y是清晰圖像，k是模糊核，*

是卷積運(yùn)算符，表示梯度運(yùn)算；

s3：對步驟s2得到的模糊核進(jìn)行骨架提取，并根據(jù)各非零點到骨架的距離進(jìn)行加權(quán)，重新計算模糊核中各點大?。?/p>

s4：利用步驟s3得到的新的模糊核采用非盲去模糊方法，對原始模糊圖像中每個通道進(jìn)行復(fù)原，再將每個通道的復(fù)原結(jié)果進(jìn)行合成求得最終復(fù)原圖形。

在一種優(yōu)選的方案中，步驟s2中根據(jù)該最優(yōu)化模型結(jié)合金字塔算法，采用基于半二次分裂方法對公式(1)中模型進(jìn)行求解得到模糊核。

在一種優(yōu)選的方案中，在步驟s4中所述的非盲去模糊方法為基于全變差分的非盲去模糊方法。

在一種優(yōu)選的方案中，步驟s2中處理過程如下：

s2.1：根據(jù)人工輸入的模糊核大小k_size，下采樣因子，及規(guī)定的最小核尺寸k_min_size計算金字塔模型的層級數(shù)目；

s2.2：將公式(1)拆解為兩個子過程，如公式(2)(3)：

兩公式交替迭代計算，可求解公式(1)；

s2.3：采用半二次分裂算法，公式(2)變形為如公式(4)所示：

其中，u為引入輔助變量，σ為引入輔助參數(shù)，當(dāng)σ接近于無窮時，公式(2)與公式(4)求解得到的一致，x、u相互獨立，分別求解(初始化u＝0)；

s2.4：根據(jù)公式(4)求解u，如公式(5)所示：

由于公式(5)是像素層面的最小化問題，通過公式(6)直接求解：

s2.5：根據(jù)s2.4結(jié)果，公式(4)求解x過程變?yōu)榻庾钚《虇栴}，如(7)所示：

該問題可直接在頻域求解，求解過程如(8)：

其中f(·)和f^-1(·)分別代表傅里葉變換和反傅里葉變換，是f(·)的復(fù)共軛形式，和分別代表水平差分[1,-1]以及垂直差分[1,-1]^t，ux、uy分別為u經(jīng)過水平、垂直差分；

s2.6：調(diào)整σ＝2σ，若未超過限定的最大值1e⁵，則根據(jù)s2.5求得的x作為輸入，再次執(zhí)行s2.4，否則，執(zhí)行s2.7；

s2.7：采用半二次分裂算法，公式(3)變形為如公式(9)所示：

其中，a、b為引入輔助變量，α、γ為引入輔助參數(shù)，當(dāng)α、γ接近于無窮時，公式(3)與公式(9)求解得到的一致，k、a、b相互獨立，分別求解(初始化a＝0,b＝0)；

s2.8：根據(jù)公式(9)求解a、b，如公式(10)(11)所示：

由于公式(10)、(11)是像素層面的最小化問題，通過公式(12)(13)直接求解：

s2.9：根據(jù)s2.8結(jié)果，公式(9)求解k過程變?yōu)榻庾钚《虇栴}，如(14)所示：

該問題可直接在頻域求解，求解過程如(15)：

其中f(·)和f^-1(·)分別代表傅里葉變換和反傅里葉變換，是f(·)的復(fù)共軛形式，和分別代表垂直差分[1,-1]^t以及水平差分[1,-1]，bx、by分別為b經(jīng)過水平、垂直差分，對(15)規(guī)定閾值k_threshold，,若k像素值小于k_threshold則該點取0，最后對k歸一化；

s2.10：調(diào)整μ＝2μ、λ＝2λ，若未超過限定的最大值1e⁵，則根據(jù)s2.9求得的k作為輸入，再次執(zhí)行s2.8，否則，執(zhí)行s2.11；

s2.11：若金字塔模型中所有層次求解完成，則保留k，執(zhí)行s3，否則金字塔模型中未達(dá)到最大求解層次。金字塔模型當(dāng)前層求解完成：將y上采樣到金字塔模型中下一層級的對應(yīng)尺寸作為輸入，執(zhí)行s2.2，否則更新參數(shù)σ＝max{σ/1.1，1e^-4}，μ＝max{μ/1.1，1e^-4}，λ＝max{λ/1.1，1e^-4}，執(zhí)行s2.2；

在一種優(yōu)選的方案中，步驟s3中處理過程如下：

s3.1：檢測得到的k是否僅有一個連通域，若不是則連通各連通域；

s3.2：根據(jù)處理過的k，提取其骨架kbone；

s3.3：計算內(nèi)k各點到kbone距離d，根據(jù)公式(16)進(jìn)行加權(quán)重新計算k內(nèi)各非零像素點值：

p＝max{wp,0}(16)

其中p為k內(nèi)所有非零像素點，w為權(quán)值，與d有關(guān)。

s3.4：將重新計算得到的k保留，執(zhí)行s4。

與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：本發(fā)明提出一種基于l0正則化和模糊核后處理的圖像盲去模糊的方法，在圖像復(fù)原的最優(yōu)化模型中引入關(guān)于圖像梯度、模糊核像素以及模糊核梯度稀疏性的先驗信息，并以l0正則項的形式表現(xiàn)；其次，本發(fā)明對最優(yōu)化計算所得的模糊核根據(jù)其客觀特性進(jìn)行后處理，人為干預(yù)彌補(bǔ)最優(yōu)化模型帶來的不足，使復(fù)原所得的模糊核和中間圖像更符合現(xiàn)實，最終復(fù)原圖像質(zhì)量進(jìn)一步提高；最后，本發(fā)明采用半二次分裂方法求解最優(yōu)化模型，解法簡潔，減少計算量，同時結(jié)合金字塔模型分層計算，所以本發(fā)明具有較高的魯棒性，適用范圍廣。

附圖說明

圖1為本發(fā)明的步驟流程圖。

圖2為本發(fā)明實施例1使用的測試圖像復(fù)原過程及中間結(jié)果圖。

圖3為本發(fā)明實施例1使用的測試用的模糊圖像。

圖4為本發(fā)明實施例1使用的測試用的復(fù)原后的圖像。

具體實施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品的尺寸；

對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。

下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案做進(jìn)一步的說明。

實施例1

如圖1所示，一種基于l0正則化和模糊核后處理的圖像盲去模糊的方法，包括以下步驟：

s1：判斷輸入的原始模糊圖像是否為灰度圖像，若不是，則變換為灰度圖像；

s2：構(gòu)造最優(yōu)化模型求解模糊核，在模型中引入l0正則項，模型如公式(1)所示：

其中β、μ及λ為權(quán)重參數(shù)，x是模糊圖像，y是清晰圖像，k是模糊核，*

是卷積運(yùn)算符，表示梯度運(yùn)算；

s3：對步驟s2得到的模糊核進(jìn)行骨架提取，并根據(jù)各非零點到骨架的距離進(jìn)行加權(quán)，重新計算模糊核中各點大小；

s4：利用步驟s3得到的新的模糊核采用非盲去模糊方法，對原始模糊圖像中每個通道進(jìn)行復(fù)原，再將每個通道的復(fù)原結(jié)果進(jìn)行合成求得最終復(fù)原圖形。

在具體實施過程中，步驟s2中根據(jù)該最優(yōu)化模型結(jié)合金字塔算法，采用基于半二次分裂方法對公式(1)中模型進(jìn)行求解得到模糊核。

在具體實施過程中，在步驟s4中所述的非盲去模糊方法為基于全變差分的非盲去模糊方法。

在具體實施過程中，步驟s2中處理過程如下：

s2.1：根據(jù)人工輸入的模糊核大小k_size，下采樣因子及規(guī)定的最小核尺寸k_min_size確定金字塔模型的層級數(shù)目。本實施例中如圖2所示，人工輸入模糊核大小k_size＝99×99，規(guī)定的最小核尺寸k_min_size＝7×7，且模糊核尺寸為奇數(shù)×奇數(shù)形式，故核尺寸從小到大依次為：7×7，11×11，15×15，19×19，27×27，37×37，51×51,71×71,99×99，對應(yīng)的模糊圖像尺寸從小到大依次為：23×33，33×47,47×67,67×96,96×136,136×193,193×273,273×387,388×550故此金字塔模型中包含9個不同尺寸的層級，如圖2所示為對應(yīng)不同層級下復(fù)原的和估計出的模糊核變化過程；

s2.2：將公式(1)拆解為兩個子過程，如公式(2)(3)：

兩公式交替迭代計算，可求解公式(1)；

s2.3：采用半二次分裂算法，公式(2)變形為如公式(4)所示：

其中，u為引入輔助變量，σ為引入輔助參數(shù)，當(dāng)σ接近于無窮時，公式(2)與公式(4)求解得到的一致，x、u相互獨立，分別求解(初始化u＝0)；本實例中β＝6e^-3，σ＝2β；

s2.4：根據(jù)公式(4)求解u，如公式(5)所示：

由于公式(5)是像素層面的最小化問題，通過公式(6)直接求解：

s2.5：根據(jù)s2.4結(jié)果，公式(4)求解x過程變?yōu)榻庾钚《虇栴}，如(7)所示：

該問題可直接在頻域求解，求解過程如(8)：

其中f(·)和f^-1(·)分別代表傅里葉變換和反傅里葉變換，是f(·)的復(fù)共軛形式，和分別代表水平差分[1,-1]以及垂直差分[1,-1]^t，ux、uy分別為u經(jīng)過水平、垂直差分；

s2.6：調(diào)整σ＝2σ，若未超過限定的最大值1e⁵，則根據(jù)s2.5求得的x作為輸入，再次執(zhí)行s2.4，否則，執(zhí)行s2.7；

s2.7：采用半二次分裂算法，公式(3)變形為如公式(9)所示：

其中，a、b為引入輔助變量，α、γ為引入輔助參數(shù)，當(dāng)α、γ接近于無窮時，公式(3)與公式(9)求解得到的一致，k、a、b相互獨立，分別求解(初始化a＝0,b＝0)；在本例中，μ＝10e^-5，λ＝500μ，α＝2μ，γ＝2λ；

s2.8：根據(jù)公式(9)求解a、b，如公式(10)(11)所示：

由于公式(10)、(11)是像素層面的最小化問題，通過公式(12)(13)直接求解：

s2.9：根據(jù)s2.8結(jié)果，公式(9)求解k過程變?yōu)榻庾钚《虇栴}，如(14)所示：

該問題可直接在頻域求解，求解過程如(15)：

其中f(·)和f^-1(·)分別代表傅里葉變換和反傅里葉變換，是f(·)的復(fù)共軛形式，和分別代表垂直差分[1,-1]^t以及水平差分[1,-1]，bx、by分別為b經(jīng)過水平、垂直差分，對(15)規(guī)定閾值k_threshold，,若k像素值小于k_threshold則該點取0，最后對k歸一化；

s2.10：調(diào)整μ＝2μ、λ＝2λ，若未超過限定的最大值1e⁵，則根據(jù)s2.9求得的k作為輸入，再次執(zhí)行s2.8，否則，執(zhí)行s2.11；

s2.11：若金字塔模型中所有層次求解完成，則保留k，執(zhí)行s3，否則金字塔模型中未達(dá)到最大求解層次。金字塔模型當(dāng)前層求解完成：將y上采樣到金字塔模型中下一層級的對應(yīng)尺寸作為輸入，執(zhí)行s2.2，否則更新參數(shù)σ＝max{σ/1.1，1e^-4}，μ＝max{μ/1.1，1e^-4}，λ＝max{λ/1.1，1e^-4}，執(zhí)行s2.2；

在具體實施過程中，步驟s3中處理過程如下：

s3.1：檢測得到的k是否僅有一個連通域，若不是則連通各連通域；

s3.2：根據(jù)處理過的k，提取其骨架kbone；

s3.3：計算內(nèi)k各點到kbone距離d，根據(jù)公式(16)進(jìn)行加權(quán)重新計算k內(nèi)各非零像素點值：

p＝max{wp,0}(16)

其中p為k內(nèi)所有非零像素點，w為權(quán)值，與d有關(guān)。

s3.4：將重新計算得到的k保留，執(zhí)行s4。

如圖3所示，該基于l0正則化和模糊核后處理的自然圖像盲去運(yùn)動模糊方法的實驗效果。圖3為輸入的模糊圖像，圖4經(jīng)過本發(fā)明盲去運(yùn)動模糊之后得到的結(jié)果，從圖中可以看出復(fù)原效果明顯。

相同或相似的標(biāo)號對應(yīng)相同或相似的部件；

附圖中描述位置關(guān)系的用語僅用于示例性說明，不能理解為對本專利的限制；

顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對本發(fā)明的實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。