[发明专利]一种基于稀疏性与非局部均值自相似性的图像复原方法

说明书

本发明提供了一种基于稀疏性与非局部均值自相似性的图像复原方法，属于图像复原技术领域。该方法首先根据输入的初始低分辨率图像利用比值稀疏约束算法得到假设的清晰图像；再根据初始低分辨率图像和假设清晰图像计算点扩散函数；然后根据初始清晰图像和点扩散函数估计组稀疏重建块，根据初始清晰图像估计非局部均值自相似特征重建块；最后根据组稀疏重建块和非局部均值自相似性特征重建块得到最终的清晰图像。该方法使用图像的非局部均值自相似性特征、组稀疏特征、点扩散函数相结合的策略，有效改善图像细节信息，可实现减少图像模糊和噪声、提升边缘细节信息的效果，达到提高图像质量的目的。

技术领域

本发明涉及图像复原的技术领域，尤其涉及一种基于稀疏性与非局部均值自相似性的图像复原方法。

背景技术

一种基于稀疏性与非局部均值自相似性的图像复原方法，可以很好地复原图像，该方法可应用于天文观测、遥感遥测、军事科学、医学影像、交通监控等领域中。

图像复原的过程就是从模糊图像中估计点扩散函数，并恢复原始清晰图像的过程。图像复原算法大致可以分为两类：一类是利用模糊图像的特征信息；另一类是利用图像块的结构信息。

基于特征信息来估计点扩散函数并恢复清晰图像的方法，主要包括利用图像特殊的点、图像梯度特征、图像的边缘、频域的零点等。2006年，Fergus等人针对相机抖动引起的图像模糊现象，根据相机运动的复杂路径在空间域上能够保留更显著的图像特征这一特性来对模糊图像进行复原。(参考：Fergus R,Singh B,Hertzmann A,et al.Removing camerashake from a single photograph[J].ACM Transactions on Graphics,2006,25(3):787-794.)但是该方法存在一定的缺陷，其复原后的图像会存在着振铃效应。2009年，Krishnan和Fergus在已知噪声水平的情况下，对图像复原方法进行研究，将超拉普拉斯模型作为正则化约束条件进行图像复原，取得一定的效果。(参考：Krishnan D,FergusR.Fast image deconvolution using hyper-Laplacian priors[C].Proceedings ofNeural Information Processing Systems 2009,Vancouver,British Columbia,Canada,DBLP,2009:1033-1041.)但是，该方法在计算过程中未对边界进行处理，只适用于大尺寸的图像。

2011年Dilip Krishnan等人提出了一种新的图像正则化方法，针对盲反褶积模型采用一个简单的成本公式，降低了真实清晰图像的正则化成本。该算法主要优点是快速和具有非常好的鲁棒性。(参考：Krishnan D,Tay T,Fergus R.Blind deconvolution usinga normalized sparsity measure[C]//CVPR 2011.IEEE,2011:233-240.)