[发明专利]基于可察觉特征的人脸图像去模糊方法

说明书

技术领域

本发明属计算机图像处理领域，可用于人脸图像去模糊等相关领域。

背景技术

目前，在针对人脸图像去模糊过程中，模糊核估计结果对人脸图像去模糊效果发挥着至关重要的作用。目前已经证明，模糊核估计方法包括：对模糊核进行简单的参数假设，但不能处理复杂模糊核情形；基于稀疏表示方法，但当模糊图像含有的纹理较少时，去模糊效果较差；基于识别的方法，但该方法不适用复杂的人脸图像。

为了优化上述算法，Pan等人提出了基于人脸轮廓结构提取的去模糊方法(Jinshan Pan,Zhe Hu,Zhixun Su,Ming-Hsuan Yang.Deblurring face images with exemplars[C].ECCV,2014:47～62.)，所利用的数据源来自于事先建立的“pan人脸库数据库”，而该pan人脸库数据库中的数据是实拍的人脸图像，在提取人脸轮廓是过程中，只提取下颚、嘴、眼睛等人脸的轮廓，在获得清晰图像边缘梯度后，通过估计模糊核实现去模糊。但该方法并没有考虑人脸图像的不同轮廓处的模糊程度，则很容易造成轮廓提取失败，导致模糊核估计结果错误，最后得到较差的去模糊结果。

发明内容

针对目前人脸图像去模糊算法不能解决复杂模糊核及轮廓提取不准确的问题，在研究如何提取模糊核的基础上，基于人脸轮廓结构提取，提出了改进的人脸去模糊方法——基于可察觉特征的人脸图像去模糊方法。通过可察觉特征提取人脸轮廓，不仅能提升轮廓提取的准确性，还能解决现有方法不能有效处理人脸图像中有多于一个人脸的情形。仿真实验表明，基于可察觉特征的人脸去模糊方法不仅能获得好的去模糊结果，而且提升了运算速度。

为了解决上述技术问题，本发明提出的一种基于可察觉特征的人脸图像去模糊方法，包括以下步骤：

步骤1、字典训练：给定有n个图像信号的集合其中，每个图像信号y_i用稀疏的字典原子表示，利用下式学习一个过完备字典D，

式(1)中，D是过完备字典，捕获所有稀疏的字典原子信息；x_i是重构图像信号y_i的系数，k是一个用来限制x_i的稀疏性的常数，k的最大值设定为5；

用标准差σ＝2的高斯核对1000幅图像进行模糊处理，然后在模糊后的1000幅图像中随机选取超过100000个图像块对过完备字典D进行训练，每个图像块大小为8×8且随机分割；

步骤2、清晰特征和可觉察模糊特征识别：步骤1中选取的所有图像块中，每个图像块具有清晰特征或可察觉特征，对所有图像块的清晰特征或可察觉特征进行识别，包括：

用过完备字典D将图像信号y_i分解成字典原子

式(2)中，ε是常数，令_ε为0.07；

步骤3、构建稀疏特征f_α，用重构图像信号y_i的系数x_i中一系列非零元素表示

f_α＝||x_i||₀ (3)

步骤4、模糊强度估计：在步骤1模糊处理前的1000幅图像中随机获取200幅图像，用标准差σ取值为{0.3，0.4，0.5，…，1.9，2.0}的高斯核依次对所获取的200幅图像进行模糊处理，然后在模糊后的200幅图像中随机选取超过5000000个图像块，通过统计得出下列回归函数：

式(3)中，a,b,c,d均为常数，分别为39.49，4.535，-3.538,18.53；σ取值为{0.3，0.4，0.5，…，1.9，2.0}；

步骤5、构建图像库：首先，利用步骤4得到的回归函数对CMU PIE人脸图像库和HELEN人脸图像库中的每幅人脸图像进行模糊强度估计，根据估计结果手工提取每幅人脸图像的下颚、嘴、眼睛轮廓结构；然后，使用导向滤波器优化所提取出的每幅人脸图像中下颚、嘴、眼睛轮廓结构图像T，从而形成一图像库；

步骤6、将要去模糊的图像B与图像库中的图像T进行匹配：

模糊图像B的数学模型表示为

B＝K*I+n (4)

式(4)中，I为清晰图像，K是模糊核，n为随机加性噪声；

使用基于梯度的归一化互相关函数的最大响应确定最佳候选的轮廓结构图像T；

步骤7、模糊核估计：

在获得图像T的图像梯度后，通过交替求解以下两式估计模糊核K