[发明专利]一种基于L0和L1正则项的模糊核估计方法

权利要求书

1.一种基于L0和L1正则项的模糊核估计方法，其特征在于，包括：

S1、确立模糊核估计模型，输入初始模糊图像，对所述初始模糊图像进行下采样至图像金字塔的顶层，得到初始模糊核；

S2、根据所述模糊核估计模型、所述初始模糊图像和所述初始模糊核，得到中间清晰图像；

S3、根据所述模糊核估计模型、所述初始模糊图像和所述中间清晰图像，得到估计模糊核；

S4、判断是否达到所述图像金字塔的底层；若是，则得到最终模糊核；若否，则重复所述步骤S2和S3，对所述中间清晰图像和所述估计模糊核进行上采样至所述图像金字塔的下一层，直至达到所述图像金字塔的底层并得到所述最终模糊核；

S5、将所述最终模糊核用于图像非盲复原算法，复原出最终清晰图像；

其中，所述步骤S2中，选用L0正则项作为所述中间清晰图像的正则化约束条件；所述步骤S3中，选用L1正则项作为所述估计模糊核的正则化约束条件；所述步骤S4中，所述图像金字塔的底层的层数为指定迭代次数，所述指定迭代次数为所述步骤S1中输入所述初始模糊图像时设置的预设值。

2.根据权利要求1所述的一种基于L0和L1正则项的模糊核估计方法，其特征在于，所述步骤S1中，所述模糊核估计模型为：

其中，y为初始模糊图像，k为模糊核，*为卷积算子，x为中间清晰图像，p(x)为中间清晰图像的先验知识，p(k)为模糊核的先验知识，||k*x-y||为数据拟合项。

3.根据权利要求2所述的一种基于L0和L1正则项的模糊核估计方法，其特征在于，所述模糊核估计模型根据图像模糊模型和贝叶斯理论得到，所述图像模糊模型为y＝k*x+n，所述贝叶斯理论为p(x,k|y)∝p(y|x,k)p(x)p(k)；

其中，y为初始模糊图像，k为模糊核，*为卷积算子，x为中间清晰图像，p(x)为中间清晰图像的先验知识，p(k)为模糊核的先验知识。

4.根据权利要求1所述的一种基于L0和L1正则项的模糊核估计方法，其特征在于，所述步骤S5中，所述图像金字塔的底层值为：

N＝floor(2log(5/k_s)/log0.5)+1

其中，N为图像金字塔的底层值，k_s为模糊核的尺寸。

5.根据权利要求1所述的一种基于L0和L1正则项的模糊核估计方法，其特征在于，中间清晰图像的求解方程为：

其中，y为初始模糊图像，k为模糊核，*为卷积算子，x为中间清晰图像，为L₀正则项，λ为L₀正则项参数，||k*x-y||为数据拟合项。

6.根据权利要求5所述的一种基于L0和L1正则项的模糊核估计方法，其特征在于，中间清晰图像的方程基于二次分裂的方法求解，引入辅助变量g＝(g_h,g_v)^T，使得中间清晰图像的求解方程为：

其中，y为初始模糊图像，k为模糊核，*为卷积算子，x为中间清晰图像，为x的L₀正则项，λ为x的L₀正则项参数，||k*x-y||为数据拟合项，g为辅助变量，g＝(g_h,g_v)^T；

当g初始化为0时，中间清晰图像x的求解方程为：

其中，F^-1(·)、F(·)分别代表快速傅里叶反变换和快速傅里叶变换，为F(·)的复共轭算子，分别为水平微分算子和垂直微分算子。

当x确定时，通过逼近估计得到的g的解为:

其中，λ为x的L₀正则化参数。