[发明专利]基于高维空间几何信息学的模糊图像自适应复原方法

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于高维空间几何信息学的模糊图像自适应复原方法。

背景技术

图像是人类获取视觉信息的主要途径，清晰的图像在日常生活和科学研究中有着举足轻重的作用，有利于人工判读和机器解译。然而，在图像处理的过程中，包括采集、传输和记录等阶段都会受到诸多因素干扰而造成不同程度的品质下降，如光学系统的像差、大气扰动、运动、散焦、离散采样和系统噪声等，都会造成图像的模糊和变形。由模糊图像复原得到清晰图像尤为重要，其不仅具有重要的理论意义，而且在实际应用中也有迫切需要。

经典的图像恢复算法，如逆滤波算法，维纳滤波算法以及约束最小二乘算法等，都是以图像退化的某种先验知识(比如点扩散函数(PSF))已知为基础。然而，在许多实际情况下需要在点扩散函数未知或不确知的情况下，从观察到的退化图像中恢复出原始图像，进行图像的盲复原。

至今为止，在图像处理领域，已提出了诸多的图像盲复原方法，其中高维形象几何与仿生信息学理论备受关注，这是由中国科学院王守觉院士提出的一门全新的理论，该理论在模糊图像的盲复原应用中，以同类事物的连续性为基础，将图像从模糊到清晰的过程看作一个连续的渐变过程，当把这一渐变过程映射到高维空间时，便形成了一条连续的超曲线，这条超曲线没有明确的数学表达式，需要通过调试参数不断逼近，达到复原模糊图像的目的。在参数选取得当的情况下，基于高维空间几何信息学的模糊图像自适应复原方法可以取得更为优越的复原效果。如何选择合适的参数是关键，当前主要依赖经验手工选取，缺乏自适应性。

由于选择的参数对最终复原图像的效果影响很大，因此尝试利用优化算法，根据图像自身特点筛选出最优参数，从而使模糊图像复原效果最佳。粒子群优化(particle swarm optimization，PSO)算法由Eberhart和Kennedy于1995年提出，源于对鸟群捕食的行为研究。PSO同遗传算法类似，是一种基于迭代的优化算法，但避免了遗传算法复杂的交叉变异过程，是一种更为高效的并行搜索算法，已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他科学研究和工程应用领域。但是基本粒子群算法在搜索过程中容易早熟收敛、偏离全局最优解，此外还有进化后期收敛速度慢、精度低等不足。混沌粒子群优化算法(chaotic particle swarm optimization，CPSO)通过混沌扰动改善个体质量避免搜索过程陷入局部极值，加快提高搜索最优参数的速度，有更高的精确度。

应用混沌粒子群优化算法结合高维空间几何信息学（high-dimensional space geommetrical informatics，HDSGI)理论进行模糊图像复原，无需求解点扩散函数，且参数可以自适应达到最优，提供了复原模糊图像新的思路。专利检索及对国内外各种科技文献的最新检索表明，尚未有在高维空间结合混沌粒子群算法实现模糊图像盲复原的方法。该方法可以进一步推动图像自适应复原技术的发展。

发明内容

本发明所解决的技术问题是克服现有技术中模糊图像复原的问题，本发明提出的基于高维空间几何信息学的模糊图像自适应复原方法，利用混沌粒子群算法，选择基于高维空间几何的模糊图像复原算法，描述图像从模糊到清晰对应在高维空间中的分布曲线的最佳参数，有效实现了模糊图像的复原，无需人工调节参数，更加地智能和实用，具有良好的应用前景。

为了解决上述技术问题，本发明所采用的技术方案是：

一种基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于：根据HDSGI理论，模糊图像复原过程中从模糊到清晰连续的渐变过程映射到高维空间时会形成连续的超曲线，利用混沌粒子群算法自适应地选择最佳的超曲线，从而获得清晰的复原图像，包括以下步骤：

步骤（1），对原始模糊图像按照该模糊趋势进一步模糊，获得同源的两幅模糊图像；

步骤（2），初始化原始模糊图像的粒子群，粒子维数为2，包括两个表示粒子群分布曲线参数；

步骤（3），根据HDSGI理论，利用粒子群分布曲线参数、原始模糊图像、同源的两幅模糊图像，得到复原图像；

步骤（4），基于局部结构张量的无参考型图像质量评价方法评价复原图像的质量，得到各粒子的适应度值，并确定粒子群中各粒子适应度值最优的粒子位置；

步骤（5），根据粒子群优化理论，更新粒子群中各粒子速度和粒子位置；

步骤（6），将粒子群中所有粒子按适应度值从大到小排序，选择前20%的粒子为最优粒子；