[发明专利]一种基于轮廓加强策略的运动模糊修复方法

说明书

本发明公开了一种基于轮廓加强策略的运动模糊修复方法，涉及图像处理技术领域，该方法包括以下步骤：(1)将原始模糊图进行编码，经过修复网络的微调去除噪声信息，最后使用解码器将清晰的轮廓图恢复出来；使用Sober算子及Canny算子分别对图像进行轮廓提取，并与前述解码器恢复的轮廓组成序列，使用LSTM对图像轮廓进行进一步的修复提取，最终生成锐边；(2)将原始模糊图和锐边分别进行采样编码，将尺寸相同的图编码及锐边编码一一配对，输出图编码及锐边编码对；(3)使用多尺度修复框架进行潜在清晰图生成；本发明能够提取出存在较严重运动模糊图像中的锐边，使生成的锐边有效地辅助多尺度框架对运动模糊进行去除，有效地提高运动模糊去除的效率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于轮廓加强策略的运动模糊修复方法。

背景技术

在图像的模糊修复中存在边缘不清晰的问题，为了解决此问题，研究者们使用了各种方法，包含传统方法及深度学习方法。

在通过传统方法的恢复策略中，为了修复出带有清晰轮廓的图像，研究者们做了各种各样的尝试；Zhou Y，Komodakis N及Liang Chen等人基于最大后验估计对图像进行了修复；Liuge Yang，Hui Ji等人通过最大化变分期望对运动模糊进行边缘选择；Chang C，WuJ，Chen K等人通过轮廓还原及双边滤波的方法去除运动模糊；然而它们要么对于非高斯噪声修复效果欠佳，要么无法处理复杂轨迹运动模糊。另一些学者基于对模糊核的估计对图像进行修复，Cai C，Meng H，Zhu Q等人为了获得准确的模糊核，将图像的边缘信息分为强边缘及弱边缘，他们使用已有的边缘检测技术获取图像的强边缘，并用三滤波器的方法抑制噪声以处理弱边缘部分，但是该框架在非一致性模糊场景下效果较差；Yue T等人改进了模糊核功率谱估计方法，从而消除了结构图像边缘的负面影响，通过有效融合边缘和功率谱信息的混合核估计方法提高了模糊核估计的准确度，从而提高图像模糊修复的效果；然而，并不是所有的模糊核都是可逆的，因此，通过核估计的方法去除图像中的运动模糊效果不稳定。

随着深度学习的出现，一部分研究者们将神经网络应用于需要提升轮廓清晰的模糊修复场景并取得了较好的效果，一部分研究者在损失函数中加入与边缘锐化程度有关的惩罚，如梯度约束；然而，直接加入特定的损失函数又是会导致内容修复的不稳定，因为在训练网络是内容损失与边缘损失会相互影响，导致叠加的误差可能还不如单方面考虑的误差训练效果好，从而降低训练效果；为了解决这一问题，S.Zheng，Z.Zhu等人提出可以先对图像的轮廓进行修复，他们使用Canny算子和Sober算子从模糊图中提取轮廓，然后基于清晰图的轮廓对图像的边缘信息进行修复，虽然他们的框架在去除高斯噪声的场景下取得了极好的效果，但是在复杂轨迹运动模糊的场景下无法直接使用文中所提方法进行轮廓生成，因为轮廓信息与噪声信号混杂较为严重，所以直接使用现有的轮廓提取算子无法提取出足够的轮廓信息。

为解决上述问题，本发明提出一种改进了的去模糊框架，以恢复出具有较清晰轮廓的图像。

发明内容

本发明的目的在于：提供一种基于轮廓加强策略的运动模糊修复方法，能够提取出存在较严重运动模糊图像中的锐边，使生成的锐边有效地辅助多尺度框架对运动模糊进行去除，有效地提高运动模糊去除的效率。

本发明采用的技术方案如下：

为实现上述目的，本发明提供一种基于轮廓加强策略的运动模糊修复方法，包括以下步骤：

S1：锐边生成

将原始模糊图进行编码，经过修复网络的微调去除噪声信息，最后使用解码器将清晰的轮廓图恢复出来；

使用Sober算子及Canny算子分别对图像进行轮廓提取，并与前述解码器恢复的轮廓组成序列，使用LSTM对图像轮廓进行进一步的修复提取，最终生成锐边；

S2：多尺度图像锐边对生成