[发明专利]一种DR模糊图像盲反卷积复原方法及系统

说明书

本发明涉及一种DR模糊图像盲反卷积复原方法及系统，所述方法步骤包括：根据DR图像灰度分布集中且连续采用图像区域极小值进行约束，结合L2范数表征梯度稀疏特性，全变差抑制图像噪声，在最大后验概率框架下建立盲反卷积数学模型，利用半二次分裂法则求解潜在清晰图像和模糊核，最后结合R‑L反卷积法复原出清晰图像。本发明针对DR模糊图像特性提出的盲反卷积方法，能有效去除DR图像模糊，复原图像的关键信息，实现DR模糊图像稳定且高质量的复原。与现有技术相比，本发明能有效去除DR图像模糊，复原图像的关键信息，实现DR模糊图像稳定且高质量的复原。

技术领域

本发明涉及图像处理领域，尤其是涉及一种DR模糊图像盲反卷积复原方法及系统。

背景技术

在数字射线检测技术(Digital RadiographB，DR)中，由于被检对象受环境影响会存在受迫振动的情况，与探测器形成相对运动，使得DR图像成像模糊。同时，图像在长期保存、传输过程中容易产生各种退化因素，也会造成DR图像含有噪声、模糊程度严重。因此去除运动模糊的影响以获得更高质量的图像是DR图像评判技术的前提需要用到图像复原技术。

目前，盲反卷积方法在图像去模糊研究中得到了广泛的关注。主要包括基于图像边缘估计、深度学习方法以及在最大后验概率框架下的盲反卷积方法。对于DR模糊图像来说，通常包含大量的单一背景区域，能够利用的边缘信息相对较少，而图像边缘估计方法需要强边缘特征，因此难以实施；得益于近年来神经网络的发展，深度学习方法也运用到图像去模糊研究中来，但这一方法需要大量的样本来训练，更重要的是不同场景下的DR模糊图像具备很强的特异性，需多种学习模型才能适配不同场景下的模糊情况，这无疑增加了方法难度和运算时间；基于最大后验概率框架的图像盲反卷积方法通过引入各种先验信息来克服图像复原的病态性，采用正则化项表征清晰图像梯度服从的重尾分布，可以有效去除图像模糊；但现有的方法并未充分考虑DR图像在灰度分布和噪声特点，无法有效提高复原质量。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种DR模糊图像盲反卷积复原方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种DR模糊图像盲反卷积复原方法，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；