[发明专利]基于凹凸混合正则先验的图像盲去卷积方法

摘要

本发明公开了基于凹凸混合正则先验的图像盲去卷积方法，该方法是一种针对相机摄像头的散焦、抖动等原因造成的图像模糊进行去卷积的方法。主要分三步执行，即：输入降质的模糊图像，求解图像的凹凸混合广义全变差最小化泛函，迭代估计中间清晰图像。利用给定的模糊核尺寸以及上述清晰图像的梯度信息，求解模糊核的凹凸混合弹性网正则化最小化泛函，迭代估计中间模糊核。利用上述两步骤交替迭代结束后的最终模糊核以及倒基尼系数稀疏正则的图像非盲去卷积方法，迭代估计最终去卷积图像。

主权项

1.一种基于凹凸混合正则先验的图像盲去卷积方法，包括如下步骤：步骤1 输入模糊图像y，设待估计的最终清晰图像和模糊核分别为f和k，且模糊核的尺寸为Z×Z，设水平、垂直方向的一阶导数算子分别为步骤2 计算对应模糊图像y的梯度域图像为d∈Λ,Λ＝{h,v}，其中代表线性卷积算子，设待估计最终清晰图像的梯度域图像为步骤3 采用以下交替迭代方法估计模糊核k和中间清晰图像u，其中，交替迭代总次数设为I；步骤3‑1 初始迭代序号i设为1，模糊核的初始迭代值设为k⁽⁰⁾；步骤3‑2 根据以下最小化泛函求解待估计的中间清晰图像：其中，u⁽ⁱ⁾表示第i次求解上述泛函所得的中间清晰图像，argmin_u表示目标泛函取最小值时u所取的值，k^(i‑1)表示第i‑1次迭代后模糊核的估计值，代表2‑范数，c_u为小于1的正参数，为c_u的i次幂，η为大于0的平衡参数，且为凹凸混合广义全变差模型，定义如下：其中，z_h,z_v,z_hh,z_hv,z_vv为待估计辅助变量，α＝(α₀,α₁)为正则化参数常向量，为中间清晰图像的梯度域图像，分别代表1‑范数和0‑范数；步骤3‑3 根据步骤3‑2估计的中间清晰图像，利用中间清晰图像的梯度域图像求解以下最小化泛函估计模糊核：其中，k⁽ⁱ⁾表示待估计模糊核的第i次迭代结果，β＝(β₀,β₁)为正则化参数常向量，argmin_k表示目标泛函取最小值时k所取的值，c_k为小于1的正参数，为c_k的i次幂，为中间清晰图像u(i)的梯度域图像，k(ⁱ)≥0表示k(ⁱ)中的所有分量都不小于0，且为凹凸混合弹性网正则化模型，定义如下：步骤3‑4 令i＝i+1，重复步骤3‑2、步骤3‑3共I次，得到模糊核估计结果k^(I)和中间清晰图像估计结果u(^I)；步骤4 为了考虑大尺度模糊核的估计，进一步采用多尺度估计策略：设尺度总数为S且各相邻尺度间模糊核的尺寸比例为对应最小尺度s＝1时的模糊核k₍₁₎的尺寸为3×3，且k₍₁₎＝[0,0,0；0,1,0；0,0,0]，利用MATLAB中的imresize函数输出模糊图像y及其梯度图像y_d在各尺度下的插值图像y^(s)和步骤4‑1 将模糊核k₍₁₎作为第1尺度时的初始模糊核将带入上述步骤3‑1至步骤3‑4，估计输出第1尺度下的模糊核与中间清晰图像步骤4‑2 利用MATLAB中的imresize函数，在水平、垂直方向上分别将放大倍，作为第2尺度下模糊核的初始值并将带入上述步骤3‑1至步骤3‑4，估计输出第2尺度下的模糊核与中间清晰图像步骤4‑3 依次类推，直至最终估计输出第S尺度下的模糊核记为步骤5 利用模糊图像y和上述估计出的基于以下倒基尼系数稀疏正则的图像非盲去卷积泛函，最终获得去模糊图像f：其中，argmin_f表示目标泛函取最小值时f所取的值，λ为正则化参数，表示清晰图像的梯度域图像f_d的向量化表示，表示的基尼系数，定义如下：其中，L为的维数，为对序列由小到大排序后的第l个取值。