[发明专利]一种椒盐噪声下红外图像去模糊方法

说明书

本发明提出椒盐噪声下红外图像去模糊的新型正则化模型，以OGS‑ATV为正则项，保真项采用Lp范数；基于优化算法中的ADMM方法和MM方法的基本框架，引入了加速重启的步骤，提高了算法的求解效率；除此之外，在去模糊处理过程中，本发明还将差分算子视为卷积算子，从而利用卷积理论，将模型在频域中进行处理，从而避免了大规模的矩阵计算。

技术领域

本发明涉及图像处理领域，具体涉及一种椒盐噪声下红外图像去模糊方法。

背景技术

红外图像具有背景噪声和干扰大、分辨率低等特点。红外成像系统探测的目标往往处于大视场、复杂背景、信噪比低的条件下，探测距离远，目标在成像面上所占的像素很少，分辨率低导致缺少足够的信息如细节、形状、颜色特征，从而给目标的探测带来困难。所以，红外成像系统的图像增强，以及噪声的抑制技术，是目前红外图像处理领域的关键技术和难点。

探测器作为红外成像系统噪声的主要来源，其产生机理很复杂，是影响红外系统图像质量的主要因素。探测器本身的噪声是无法避免的，按照其产生机理可以分为热噪声、散粒噪声、光子噪声等。这些噪声对图像影响比较大的那部分可以等效为高斯白噪声和椒盐噪声。此外，图像捕获过程中，由于各种因素，如离焦、衍射、探测器与物体之间的相对运动、随机大气湍流和传感器的噪声等均能造成观察图像的退化。

图像复原就是对退化图像品质的提升，去除或减轻在获取数字图像过程中发生的图像质量下降，以达到图像在视觉上的改善。最典型的退化现象就是模糊和噪声，本发明主要讨论模糊图像的复原问题，即去模糊。

图像的模糊过程可以建模为清晰图像与模糊核的卷积，再加上噪声，即g＝h*f+n，其中*表示卷积算子，g表示观测到包含噪声的模糊图像，f表示原始图像，k是模糊核，又称点扩散函数(Point Spread Function,PSF)；n为噪声。模糊图像的逆处理过程称为图像去卷积，其目的是由模糊图像恢复出清晰的图像。根据PSF是否已知，将图像去卷积问题分为图像盲去卷积和图像非盲去卷积两类。

图像非盲去卷积是假设模糊图像和模糊核都已给出，估计清晰图像。在图像的恢复处理中，图像非盲去卷积是一个病态逆问题，常常采用正则化方法建模为如下能量函数最小化模型进行求解：

其中：第一项为数据保真项；第二项为正则项(或称约束项，正则化函数)；μ为正则化参数，用来控制保真项与正则项之间的加权比例。根据正则项的不同，产生了不同的正则化方法。最早的正则化方法是1977年Tikhonov等人提出的Tikhonov正则化方法，在图像去模糊问题中其正则项为该正则项可以有效地抑制噪声，但是易产生过平滑图像，使得处理结果仍然模糊。为了克服Tikhonov正则化方法过平滑的缺点，Rudin等人提出了总变分正则化(Total variation，TV)方法，在图像去模糊问题中其正则项为/TV正则化方法可以抑制噪声，保留图像的边缘，但其仅能有效逼近分片常数函数，所以在图像平滑区域易产生阶梯效应而降低图像的复原质量。为了减弱复原图片的阶梯效应并保留图像的边缘信息，Lysaker等提出了一种用二阶全变分正则化去取代原始全变分正则化项。Chan等提出一种混合的全变分方法，将一阶和二阶全变分混合使用。现有技术也有提出基于高阶TV正则项构建的图像复原模型，虽然能有效抑制阶梯效应，但在复原图像的细节信息和重要特征时易导致模糊不清的问题。Huang等通过引入辅助变量来代替真实图片而提出了一种快速全变分(Fast-TV)最小化方法。Bredies等人提出总广义变分(totalgeneralized variation,TGV)来替代常用的TV正则项，构建的图像复原模型可发挥TGV能有效逼近任意阶多项式函数的优势，在图像复原过程中能有效地抑制阶梯效应的产生，保护图像的重要细节信息，提高图像复原的质量。

但是但当图像受脉冲噪声影响时，前述模型因假设条件的改变无法从降质图像中恢复出重要信息。根据脉冲噪声的统计特征，基于L1数据保真项的TV模型(2)因此被提出用以解决此类含脉冲噪声的模糊图像复原问题。