[发明专利]一种模糊图像非盲复原方法

说明书

技术领域

本发明涉及计算机图像处理技术，特别涉及一种基于泊松概率模型和高斯尺度混合型马尔科夫专家场的图像去模糊方法。

背景技术

在日常摄影中，经常会遇到拍摄出的图像模糊不清，细节难以分辨的情况。这主要是由于在拍摄过程中照明条件较差，因此需要提高相机的ISO或延长曝光时间以使成像器件获得充足的曝光量。然而提高相机的ISO会使所得图像中包含大量噪声，影响图像的感观效果，而延长曝光时间，则容易造成相机和所拍摄景物之间的相对运动，产生图像模糊。

解决图像模糊的方法多种多样，最常见的是采用稳像设备，如三脚架或镜头稳像器等，但是稳像设备通常较笨重或价格昂贵。除此之外，图像复原的另一条途径是采用数学方法，又称为图像反卷积方法，它能够避免稳像设备的诸多缺点，具有很高的应用价值。

理论上，图像模糊可以表述为清晰图像与模糊核的卷积，同时由于电子器件等外界因素的影响，所得模糊图像中会或多或少的包含噪声。图像复原是图像模糊的逆过程，从模糊图像的形成原理可知，模糊核是图像复原的一个关键因素，在某些情况下，可通过刃边法等测量手段获得近似的模糊核，此时的图像复原称为非盲复原，其数学形式较为简单，但它却是一个典型的病态问题，若采用直接复原方法，即使很少量的噪声，也会使复原结果中出现大量的噪声和振铃，大幅偏离真实情况。解决病态问题的方法称为正则化方法，其原理是对原问题进行修正，增加一些约束条件，使修正后的问题的解尽可能的接近真实情况。

实施正则化方法的途径有很多种，通常的方法是在贝叶斯后验概率框架下对图像复原问题进行重新建模，并将其转化为最大后验估计问题。问题修正过程中，需要对噪声发生的概率分布和复原图像的先验概率分布分别进行建模，常用的噪声概率模型有高斯概率模型和泊松概率模型，由于高斯噪声是二次的，便于优化求解，因此其应用范围远超过泊松概率模型，而本专利则采用了泊松概率模型对噪声进行建模，目的是证明采用该模型，通过适当的建模和优化过程，同样能够获得高质量的复原效果。复原图像的先验概率模型则相当于正则项，即约束条件，其选择的优劣直接关系到复原效果的好坏，常用的先验概率模型有高斯模型、稀疏模型等等，本专利选择了一种高斯尺度混合型马尔科夫专家场，该模型是采用自然图像数据库，利用特定的优化算法训练得到的，较传统模型相比，能够更加准确的描述图像的概率分布特征。

最大后验问题的优化方法同样对图像复原效果有着至关重要的影响。目前，基于噪声的高斯概率模型的图像复原问题的求解方法已经较为成熟，而基于泊松概率模型的图像复原问题的求解还有待研究，虽然常用的优化迭代方法如RL算法、One-Step-Late方法可以用于求解这类问题，但优化过程的收敛性难以保证，特别是对于复杂的正则项，其鲁棒性较差，很难得到令人满意的复原效果。

发明内容

本发明解决的技术问题是提供一种能够在已知模糊图像和模糊核的情况下，去除图像模糊，提高图像对比度和清晰度，同时增加图像细节，复原效果好的模糊图像复原算法。

为了解决上述技术问题，本发明公开了一种基于泊松概率模型和高斯尺度混合型马尔科夫专家场的图像去模糊方法，其实施步骤如下：

1)用泊松概率模型对模糊图像中由成像器件引入的噪声进行建模；

2)用高斯尺度混合型马尔科夫专家场对复原图像进行建模；

3)将上述两个模型相乘，得到模糊图像非盲复原的贝叶斯后验概率模型，经过负自然对数运算，将其转化为最大后验估计问题；

4)采用嵌套式二次惩罚函数法对步骤3)中的最大后验估计问题求解。

所述步骤1)中的泊松概率模型的表达式为：