[发明专利]基于Split Bregman 迭代的全变差正则化图像盲复原方法

说明书

技术领域

本发明属于图像处理技术领域。

背景技术

图像是人们最主要的信息源之一，然而在图像的获取、传输等过程中，由于各种因素的干扰，会造成图像的退化降质。图像的退化会使大量的真实信息丢失，不仅会降低图像的科学价值，而且也会带来巨大的经济损失。因此，我们需要利用图像复原技术从退化的图像复原出原本面貌。目前，图像复原技术已应用到众多科学与技术领域，如天文观测、医学成像、多媒体、刑事侦察等。众多图像复原方法要求先验信息较多，或存在效果较差，算法复杂度高等缺点。至今，研究出有效、快速的图像复原方法仍是图像处理领域中最具有挑战性的难题之一。

图像复原技术的发展经历了约40年的历史，一些经典的复原方法假定造成图像模糊的点扩散函数(Point spread function, PSF)是已知的，如逆滤波、维纳滤波、R-L方法等等。但在实际中点扩散函数往往是未知的，因此图像的盲复原技术得到了大量研究。目前，盲复原方法有多种，按估计点扩散函数和图像的顺序可分为先验辨识法和联合辨识法。先验辨识法是首先估计出点扩散函数，然后根据所得到的PSF利用经典的非盲复原方法复原。先验辨识法只能针对一些较简单的模糊类型进行复原，且受噪声干扰较大。联合辨识法是采用迭代方式交替估计点扩散函数和图像，该方法又分为参数法和非参数法，参数法是把模糊过程看作具有一定参数的数学模型，通过估计模型中的参数得到复原图像。而非参数法不需要模糊过程的参数化模型。

为了克服图像复原这一逆过程的病态性，许多正则化方法引入到了复原方法中。其中两个著名的正则化方法是Tikhonov正则化和全变差(Total variation, TV)正则化。 Tikhonov正则化具有各向同性的特点，缺点是会使图像过度平滑，对图像细节的保护不够，而全变差正则化方法因弥补了Tikhonov正则化方法的不足而受到了众多研究者的关注。全变差正则化盲复原方法利用全变差正则化的特点，将全变差范数作为正则项引入所构造的代价函数中，使算法克服病态性，且使求解过程变得稳定以得到较好的复原结果。

传统的全变差方法采用固定点法迭代求代价函数的最优解，针对一些背景简单的图像有较好的复原效果，但对复杂的图像或针对复杂的模糊类型效果不佳。本发明通过建立盲复原代价函数，采用Split Bregman（译为分裂布雷格曼，一种L₁正则化代价函数的优化方法）迭代方法进行最优化求解，很好地克服了全变差正则化盲复原方法的缺点。基于Split Bregman迭代的全变差正则化盲复原方法是我们提出的新的盲复原方法。

发明内容

本发明的目的在于提出一种针对多种模糊类型的退化图像进行复原的有效、快速图像复原方法，力求从已知的退化图像恢复出原本面貌，使模糊的图像变得清晰，旨在改善图像的质量。

本发明是基于Split Bregman迭代的全变差正则化盲复原方法，克服传统全变差盲复原方法对复杂模糊类型或复杂图像复原效果不佳的缺点，并使复原方法对噪声具有很好的鲁棒性。具体内容为将算子分裂技术引入全变差正则化盲复原中，采用算子分裂的方法对代价函数中的算子进行替换，进而提出新的约束求解问题。然后运用惩罚项的方法将所提出的约束求解问题变成新的无约束的分裂代价函数。进一步运用提出的扩展的Split Bregman迭代方法对分裂的代价函数进行交替求解获得原始图像的估计，从而对退化图像进行有效、快速的复原。

该盲复原方法的实现步骤如下：

（1）定义TV正则化盲复原最小化代价函数，采用算子替换的方法将盲去卷积模型中的梯度算子进行替换：                                                ，，将最小化问题转化为约束优化问题；

（2）引入惩罚项对和进行惩罚，将步聚（1）中的约束问题转化为分裂的最小化代价函数；

（3）采用扩展的Split Bregman迭代最优化方法对步聚（2）中的分裂最小化代价函数进行最优化求解，通过迭代运算最终复原出原清晰图像u。

与现有技术相比，本发明的优点是：

（1）将算子分裂及惩罚技术引入TV正则化盲复原方法中，提出新的分裂的代价函数，克服了TV盲复原代价函数求解困难的问题。

（2）采用扩展的Split Bregman迭代优化方法，使最小化代价函数的求解过程稳定快速。

（3）本发明方法能够针对复杂模糊类型或具有复杂背景的图像进行复原。

附图说明

图1：本发明方法的基本框架图；