[发明专利]基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法

权利要求书

1.一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，包括：

S100.获取红外成像装置采集到的模糊图B与红外机芯内预存模糊核K，并将模糊图B和模糊核K作为算法输入；

S200.将模糊核K进行归一化处理，并将输入模糊图B进行镜像对称边界扩展，使卷积后的尺寸与原图一致；

S300.判断模糊核K的尺寸是否为奇数，如果为奇数，则进入S400迭代循环，反之则跳出循环；

S400.利用梯度信息权衡反卷积过程中先验项与数据项的比重，计算图像的自适应惩罚项权重α_i；

S500.通过半二次分裂法和快速傅里叶变换，计算潜在的清晰图像I；S500中，计算潜在的清晰图像I的方法为：

S501.利用半二次分裂法，引入辅助变量ω替换S100 公式中非凸项中的将算法模型公式变换为其中，β为半二次分裂权重，ω为辅助变量；

S502.将算法模型公式分离为两个独立的子公式，并通过交替迭代使其不断收敛，得到的两个独立的子公式为和

S503.对S502的两个独立的子公式进行求导后采用快速傅里叶变换，并转到频域中得到其闭环封闭解I；

S600.采用软阈值收缩法，通过S400中自适应惩罚项权重α_i与S500中潜在的清晰图像I计算辅助变量ω；

S700.将S500中半二次分裂权重β扩大两倍，使正则化项与总体模型间的权重平衡；

S800.判断半二次分裂权重β是否大于预设最大值β_max，如果大于，则将最后一次迭代的I最终反卷积结果输出，反之重新进行S400。

2.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S100中，算法模型为：

其中，B表示模糊图像；I为清晰图像；K表示模糊核；α表示自适应惩罚项权重；为梯度算子；表示关于的L1范数约束。

3.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S200中，将输入模糊图B进行镜像对称边界扩展，扩展尺寸为(size(K)-1)/2，其中size(K)为模糊核的尺寸，边界扩展后模糊图B作为第一次迭代的输入。

4.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S400中，图像的自适应惩罚项权重α在每次迭代过程中单独计算，对于第i次迭代时的惩罚项权重表示为α_i，计算图像的自适应惩罚项权重α_i公式为：

其中，表示的L_P范数约束，i表示第i次迭代。

5.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，对S502中的公式进行求导，求导公式为：

式中，T_K表示关于I的Toeplitz矩阵。

6.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，快速傅里叶变换，并转到频域中得到其闭环封闭解I的过程为：

对求导公式进行傅里叶变换得：

式中，表示x和y方向的一阶导数滤波器f_x＝[1,-1]，f_y＝[1,-1]^T；

以及表示傅里叶变换以及对应的共轭，通过反变换得到I的最有封闭解：

式中，表示逆向傅里叶变换。

7.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S600中，采用软阈值收缩法，计算辅助变量ω，ω的结果为：

其中，α_i表示自适应惩罚项权重，β表示半二次分裂权重。

8.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S700中，β初始值为0.02。

9.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S700中，β_max值为0.3。