[发明专利]针对运动模糊图像复原的模糊核计算方法

说明书

本发明公开了一种针对运动模糊图像复原的模糊核计算方法，本发明是基于稀疏特性、超拉普拉斯先验和集成BP神经网络的模糊核参数估计算法，首先，在图像灰度梯度符合超拉普拉斯分布的约束条件下，通过分析模糊图像的稀疏表示系数确定模糊图像的模糊角度；然后，将模糊图像傅里叶变换后获取的傅里叶系数幅值和作为输入，通过训练基于Bagging方法的集成BP神经网络模型，完成对模糊长度的估计；最后，通过一步已知模糊核的去模糊算法得到去模糊图像。本发明估计模糊核参数准确，运算速度快，耗时短，去模糊效果好，通过本发明恢复运动模糊图像，可以使恢复出的图像边缘更加清晰,振铃效应更少。

技术领域

本发明涉及图像信号处理，具体涉及一种针对运动模糊图像复原的模糊核计算方法。

背景技术

模糊图像通常是由于相机或物体的相对运动、大气湍流、相机失焦以及数据传输过程中的数据丢失等原因造成的。运动模糊图像的去模糊是图像复原中的重要课题之一。根据模糊核是否已知，可以把图像去模糊分为非盲和盲去模糊。当模糊核已知时，其称为非盲去模糊。从数学理论上来看，非盲图像去模糊的主要目的就是实现一个反卷积，并在求解过程中加入合适的约束条件。目前，非盲图像去模糊技术已经相当成熟并已经成功应用在多个科研领域中。另一方面，盲图像去模糊技术需要自动估计模糊核，在精确估计模糊核的过程中仍存在诸多的挑战。因此，在最近几十年，该技术获得了图像处理领域的更多关注，一些学者提出了基于正则化的方法，通过添加正则化约束条件，来解决去模糊过程中的不适定性问题。这些算法都是在最大后验概率体系下的应用，将图像的先验知识作为约束条件来解决去模糊问题的不适定性，即用先验知识的确定性来获得目标函数的最优解。但是，最大后验估计的主要缺点在于数据的过拟合问题，不能很好的处理某些异常数据，从而导致算法部分失效，图像去模糊效果不理想。基于贝叶斯估计的许多去模糊效果较好的算法相继出现，弥补了基于最大后验概率方法的不足。虽然该种方法可以比较鲁棒地估计出模糊核参数，但是普遍存在运算速度慢、耗时的缺点。减少由于运动造成的图像模糊问题的发生，也可以在硬件上进行改进，例如使用高动态性能的相机采集图像，并且通过改变环境硬件设施使环境因素对采集图像的影响降到最低。这种方案在一定程度上可以降低由于运动造成的图像模糊问题的发生，却增加了硬件的复杂性，提高了成本，不利于在实践中进行推广应用。

发明内容

发明目的：本发明的目的是提供一种针对运动模糊图像复原的模糊核计算方法，解决去模糊效果不理想，模糊核参数计算运算慢，耗时长的问题。

技术方案：本发明所述的针对运动模糊图像复原的模糊核计算方法，其特征在于，包括以下步骤：

(1)建立图像退化模型，模型处理过程为：

g(x,y)＝h(x,y)*I(x,y)+n(x,y) (式1)

其中，*表示卷积操作，n(x,y)表示加性噪声，g(x,y)表示模糊图像，I(x,y)表示清晰图像，h(x,y)表示的是由模糊角度和模糊长度两个参数确定的模糊核；

(2)根据模糊核的模糊角度参数和模糊图像稀疏表达系数之间的拟凸关系，利用图像灰度梯度符合超拉普拉斯分布的约束条件构建出如(式2)所示的约束优化问题。通过求解该约束优化问题得到模糊角度的估计值。

其中，s.t.是“Subject to”的缩写，表示“在……约束条件之下”。表示的是模糊角度，表示估计出的清晰图像，D是在清晰图像上学习得到的超完备字典，表示在图像中抽取第i个小块并列化为一个向量，α_i表示第i个图像小块的稀疏表达系数，i取值为i＝1,2,...，λ是控制似然项的权重因子,|·|^α表示作用于应用于I的一组滤波器f_j，...，f_j的输出值,α取值为并使用两个一阶导数滤波器f₁＝[1-1]和f₂＝[1-1]^T，h_θ是由模糊角度θ确定的模糊核。