[发明专利]一种DR模糊图像盲反卷积复原方法及系统

权利要求书

1.一种DR模糊图像盲反卷积复原方法，其特征在于，包括以下步骤：

步骤1：获取DR模糊图像B，构建图像盲反卷积模型；将DR模糊图像B输入至构建的图像盲反卷积模型，设定初始化模糊核K及尺寸，得到关于待复原的清晰图像变量I的目标函数一、待求解的模糊核变量K的目标函数二；

步骤2：基于给定的DR模糊图像B和初始化模糊核K的尺寸n，采用多尺度分层策略，生成不同尺度的模糊图像层B¹、B²...B^H，对应的输入模糊核为K¹、K²...K^H，模糊核尺寸为n¹、n²...n^H，设定每一模糊图像特征层的最大迭代次数N_max；

步骤3：基于模糊图像B¹，固定模糊核变量K¹，根据目标函数一获取辅助变量，通过快速傅里叶变换求解潜在清晰图像I¹；

步骤4：基于模糊图像B¹，固定潜在清晰图像I¹，利用固定潜在清晰图像I¹的梯度信息，通过加速共轭梯度法对模糊核变量K¹进行求解，得到模糊核K¹*，K¹*模糊核尺寸扩充至尺寸n²，赋值给K²；

步骤5；对模糊图像特征层B²至B^H，重复步骤3、步骤4，获取模糊核K^H*，做归一化处理得到K_e，基于给定的DR模糊图像B和模糊核K_e，利用R-L反卷积复原出最终清晰图像I_e。

2.根据权利要求1所述的一种DR模糊图像盲反卷积复原方法，其特征在于，所述的步骤1中获取DR模糊图像B，构建图像盲反卷积模型的具体步骤包括：

构建图像的模糊模型数学模型为：

式中I、B分别表示示清晰图像、模糊图像，K、N分别为模糊核和噪声，为卷积运算符，

获取图像像素区域极小值为：

i和j分别表示图像矩阵的行向量和列向量，R(I)表示图像I像素矩阵，Ω(I_ij)表示像素点的邻域，R_min(I_ij)表示此像素领域的最小值，

将L₂范数作为DR模糊图像梯度的先验条件，同时结合全变差正则化抑制图像噪声，在最大后验概率框架下构建图像盲反卷积模型：

式中，表示第一项求得最优解时I，K的结果，||R_min(I_ij)||₀统计像域极值非零值的个数，||·||₀为L0范数，||I||_TV表示二阶全变差，具体为L、W表示图像矩阵的长和宽，Z₁I、Z₂I分别在水平和竖直方向上求得的图像像素差分，表征图像的梯度，为L₂范数，表示图像梯度算子，分别表示竖直和垂直方向梯度算子，α、β、δ、η、λ分别为各约束项参数，用于保持正则化强度和保真程度之间的平衡，表示模糊核的先验条件。

3.根据权利要求2所述的一种DR模糊图像盲反卷积复原方法，其特征在于，所述步骤1中将DR模糊图像B输入至构建的图像盲反卷积模型，设定初始化模糊核K及尺寸，得到关于待复原的清晰图像变量I的目标函数一、待求解的模糊核变量K的目标函数二的步骤包括：

基于半二次分裂的交替最小化算法，将盲反卷积模型分解为两个均只含一个未知量的子问题，建立目标函数一：

并建立目标函数二：

在目标函数一中固定模糊核变量K，求解清晰图像I，求解得到清晰图像变量I后，固定清晰图像I再优化目标函数二，交替优化目标函数一和目标函数二直到收敛，求得图像盲反卷积模型的解I、K。