[发明专利]一种自适应参数更新的贝叶斯图像反卷积恢复方法

摘要

本发明属于图像处理技术领域，公开了一种自适应参数更新的贝叶斯图像反卷积恢复方法，包括：观测模型建模；图像先验建模；求观测模型的下界：利用优化最小化方法获得观测模型的下界函数；求图像先验模型的下界：利用优化最小化方法获得图像先验模型的下界函数；利用最大化后验概率迭代更新观测模型超参数、图像先验超参数和图像；本发明提供的自适应参数更新的贝叶斯图像反卷积恢复方法自适应更新能力好，计算代价低，恢复效果显著，具有去除高斯噪声和椒盐噪声的能力，可应用于在高斯噪声或椒盐噪声污染情形下且受高斯模糊退化图像的恢复。

主权项

1.一种自适应参数更新的贝叶斯图像反卷积恢复方法，其特征在于，所述方法包括如下步骤：步骤1，获取观测图像y，所述观测图像包含高斯噪声和高斯模糊，或者所述观测图像包含椒盐噪声和高斯模糊；所述观测图像y＝Nimp(Hx)+n，其中n表示高斯噪声，Nimp表示椒盐噪声，H表示模糊核函数矩阵，x是待恢复的清晰图像，y是观测图像；步骤2，采用零均值的广义高斯分布对观测图像y中的噪声进行建模，从而得到观测图像y的条件概率分布函数p(y|β,x)，β为多变量广义高斯观测模型的超参数，β服从均匀分布；步骤3，对所述待恢复的清晰图像x进行先验建模，得到待恢复的清晰图像x的先验概率分布函数p(x|α)，α为图像先验模型超参数，α服从均匀分布；步骤4，在分层贝叶斯模型下，构建联合全局概率分布p(α,β,x,y)：p(α,β,x,y)＝p(α)p(β)p(y|β,x)p(x|α)步骤5，计算观测图像y的条件概率分布函数p(y|β,x)的下界M1(β,x,y)：p(y|β,x)≥M1(β,x,y)；计算待恢复的清晰图像x的先验概率分布函数p(x|α)的下界M2(α,x)：p(x|α)≥M2(α,x)；步骤6，根据观测图像y的条件概率分布函数p(y|β,x)的下界、待恢复的清晰图像x的先验概率分布函数p(x|α)的下界，得到所述联合全局概率分布p(α,β,x,y)的下界p(α)p(β)M1(β,x,y)M2(α,x)：p(α,β,x,y)＝p(α)p(β)p(y|β,x)p(x|α)≥p(α)p(β)M1(β,x,y)M2(α,x)步骤7，求解后验分布p(α,β,x|y)＝p(α,β,x,y)/p(y)的下界，得到关于图像先验模型超参数α、多变量广义高斯观测模型的超参数β、待恢复的清晰图像x的泛函；步骤8，迭代求解关于图像先验模型超参数α、多变量广义高斯观测模型的超参数β、待恢复的清晰图像x的泛函，直到满足迭代停止条件，并将最后一次迭代得到的待恢复的清晰图像作为反卷积恢复的清晰图像。