[发明专利]基于Framelet l0

说明书

本发明涉及本发明基于Framelet l₀范数约束的模糊图像非盲复原方法，包括：对模糊图像的噪声进行建模；用清晰图像的Framelet多尺度分解系数的l₀范数对清晰图像进行建模；将两个模型进行加权求和，构建模糊图像复原问题模型；对模糊图像复原问题模型进行转化；采用实际的模糊图像对辅助变量的两第一变量进行初始化，采用与图像尺寸相同的全零矩阵对辅助变量的两第二变量进行初始化；采用基于变量分离策略的轮换迭代算法，对清晰图像、辅助变量的两第二变量以及两第一变量进行更新，实现对转化后的问题进行求解；得到复原图像。上述技术方案中提供的基于Framelet l₀范数约束的模糊图像非盲复原方法，能有效解决现有技术方案复原的清晰图像细节分辨能力较差的问题。

技术领域

本发明涉及计算机数字图像处理技术领域，具体涉及一种基于Framelet l₀范数约束的模糊图像非盲复原方法。

背景技术

在日常摄影或医学影像检测等应用领域中，由于外界振动等影响经常会使所得的图像发生模糊，而采用三脚架、悬浮镜片镜头等稳像设备来提升成像质量又会提升成本，并且携带不便。因此，通过数学方法设计软件，对模糊图像进行后期处理，提升其分辨率和对比度显得尤为重要。图像建模是数字图像处理领域重要的研究手段之一，常用的图像建模方法有基于贝叶斯概率框架的建模方法等。基于图像的Framelet分解对图像进行建模方法能够对图像进行多尺度分解，由于分解过程中使用的基是冗余的，因此会使分解系数产生稀疏特性，即图像分解后的系数绝大多数为零，仅有极少数的系数值非零；这种情况可以对清晰图像的概率分布特征进行准确建模，提升复原图像中的细节分辨能力。因此，本发明采用基于图像的Framelet分解方法提出一种新的模糊图像复原方法。

发明内容

本发明的目的是提供一种基于Framelet l₀范数约束的模糊图像非盲复原方法，能有效解决现有技术方案复原的清晰图像细节分辨能力较差的问题。

为解决上述技术问题，本发明采用了以下技术方案：

本发明基于Framelet l₀范数约束的模糊图像非盲复原方法，包括以下步骤：

1)用泊松概率分布模型对模糊图像的噪声进行建模，得到模糊图像噪声模型；

2)用清晰图像的Framelet多尺度分解系数的l₀范数对清晰图像进行建模，得到清晰图像模型；

3)将模糊图像噪声模型和清晰图像模型进行加权求和，构建模糊图像复原问题模型；

4)引入两组辅助变量，对模糊图像复原问题模型进行转化；

5)采用实际的模糊图像对辅助变量的两第一变量进行初始化，采用与图像尺寸相同的全零矩阵对辅助变量的两第二变量进行初始化；

6)采用基于变量分离策略的轮换迭代算法，对清晰图像、辅助变量的两第二变量以及两第一变量进行更新，实现对步骤4)转化后的问题进行求解；其中迭代停止时的清晰图像估值即为复原图像。

步骤1)中模糊图像噪声模型的表达式为：

其中，n表示图像中的像素总数，j表示像素索引；g表示模糊图像，o表示清晰图像，h表示点扩散函数，ho表示不带噪声的理想模糊图像，P(g|ho)为噪声发生的概率。

步骤2)中清晰图像模型的表达式为：

-lnP(o)∝||Do||₀

其中，D表示Framelet多尺度分解运算，||Do||₀表示清晰图像Framelet多尺度分解所得系数中非零元素的个数。