[发明专利]基于混合高斯模型与稀疏约束的PSF估计方法

说明书

本发明提供一种基于混合高斯模型与稀疏约束的PSF估计方法，涉及光学图像复原技术领域。该方法通过提取图像中成像质量较好的面状区域，利用高斯混合模型建立PSF拟合函数，求解模型参数得到初始的PSF模板，并将该模板作为稀疏约束复原模型的初始迭代PSF模板，最后迭代计算得到整幅图像的最终PSF模板。本发明方法的处理过程没有近似，并且主要操作在图像空间域内进行，无需反复迭代计算，因此可实现可靠、高效的PSF估计。

技术领域

本发明涉及光学图像复原技术领域，尤其涉及一种基于混合高斯模型与稀疏约束的PSF估计方法。

背景技术

根据地物成像特性估计图像的点扩散函数Point Spread Function(PSF)的方法可最佳的反映图像的降质特性，并能实现对整幅图像降质模型的最优估计。结合图像成像的降质特性，基于实际地物成像特点估计PSF的手段非常适合应用于图像处理中降质模型的估计问题，例如：基于PSF的图像滤波去噪和图像超分辨率重建、图像复原等。

相应的，基于光学图像中地物成像特点估计PSF的方法被陆续提出。Ruiz C P提出了一种利用SPOT图像中线状目标信息及逆滤波器估计PSF并进行图像复原的方法(参考：Ruiz CP，L6pez F J A.“Restoring SPOT images using PSF-derived deconvolutionfilters，”InternationalJournal ofRemote Sensing，vo1.12，no.23，pp.2379-2391.2002)，由于该方法通过图像中线状地物实际成像估计PSF，因此有好的效果，缺点是要求图像要具有比较高的信噪比。刘正军等人提出了利用图像中的特定线状目标结合拟合的方式估计PSF的方法(参考：刘正军，王长耀，骆成凤.“CBERS-1 PSF估计与图像复原”.遥感学报，第8卷第3期，pp.234-238.2004)，首先借助图像中的特定线状目标信息(如桥梁、堤坝等)，采用正交的线扩展函数Linear Spread Function(LSF)叉积经验拟合的方式提取图像中的点扩散函数，然后利用该点扩散函数，结合频域维纳滤波器求解去图像模糊的空域反卷积算子。该方法效果较好，但该方法是在假设点扩展函数是线性可分解，且相移引起的距离向和方位向的不对称性很小的条件下估计的，并没有考虑图像实际在距离向和方位向上点扩散函数是否对称。

上述的成像方法虽然有较好的效果，但都存在局限性，且都以线状地物为初始模型的估计条件。

发明内容

针对现有技术的缺陷，本发明提供一种基于混合高斯模型与稀疏约束的PSF估计方法，利用图像中的面状地物目标进行PSF估计，实现了从成像的列和行两个方向估计2D的PSF模板，并且方法求解效率高。

一种基于混合高斯模型与稀疏约束的PSF估计方法，包括如下步骤：

步骤S1：读取整幅图像，在图像中选取成像较好、周围没有过多干扰的面状目标区域，根据成像区域的大小，选择合适的窗口截取目标区域图像；

步骤S2：读取面状目标区域图像，提取其像素值；

步骤S3：建立初始二维高斯混合模型，拟合目标区域的像素值；

步骤S4：根据行方向和列方向的初步拟合结果，更新先验分布参数，包括高斯分量均值、标准差、权重和个数，再合并或分裂高斯分量，最终生成或删除高斯分量；

步骤S5：利用得到的二维高斯混合模型，建立图像的初始估计的PSF混合高斯模板；

步骤S6：将初始估计的PSF混合高斯模板代入已知的稀疏约束图像复原模型，进一步估计PSF混合高斯模板；