專利名稱:一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種有噪運(yùn)動模糊圖像復(fù)原方法。
背景技術(shù):
有噪模糊圖像復(fù)原的研究和應(yīng)用領(lǐng)域非常廣泛,如違章或肇事車牌高速運(yùn)動模糊復(fù)原、突發(fā)嫌犯抓拍散焦或運(yùn)動模糊復(fù)原、罪案現(xiàn)場痕跡模糊復(fù)原、錄像監(jiān)控特定幀模糊復(fù)原等。一般是由于成像過程中的散焦模糊、成像設(shè)備與物體的相對高速運(yùn)動、設(shè)備器材的固有缺陷、拍攝抖動及外部噪聲干擾等導(dǎo)致成像退化。其中,尤以孤立單幅局部非勻速運(yùn)動有噪模糊圖像的清晰化復(fù)原技術(shù)難度最大,其原因在于這類圖像的模糊成因復(fù)雜、圖像損傷較大且無前后相關(guān)序列幀供參考。
目前,對運(yùn)動模糊圖像的復(fù)原研究已成為國內(nèi)外關(guān)注的熱點問題之一,運(yùn)動模糊圖像復(fù)原的關(guān)鍵問題在于確定點擴(kuò)散函數(shù)(point spreadfunction,PSF)。對于單幅運(yùn)動模糊圖像則必須從模糊圖像本身中估計出未知的PSF參數(shù),常見的PSF估計方法是通過觀察模糊圖像的頻譜圖進(jìn)而提取出模糊方向和模糊長度,這類方法需人工干預(yù)無法實現(xiàn)自動鑒別。國內(nèi)外學(xué)者近年來也提出了一些其他的自動鑒別算法,但在有噪聲干擾的情況下,噪聲將導(dǎo)致這些方法失效或嚴(yán)重影響其鑒別精度。所以,在運(yùn)動模糊圖像的PSF估計和復(fù)原之前應(yīng)當(dāng)先消除噪聲干擾,然而當(dāng)前很多消噪濾波算法要么計算復(fù)雜度高,要么導(dǎo)致圖像的部分重要高頻信息丟失,這必然會大大降低運(yùn)動模糊圖像復(fù)原的效果。
現(xiàn)有的有噪運(yùn)動模糊圖像復(fù)原方法存在的缺點有(1)、無法實現(xiàn)自動鑒別、鑒別精度低;(2)、去噪濾波算法中,計算復(fù)雜度高;(3)、去噪過程導(dǎo)致圖像重要高頻信息丟失,降低運(yùn)動模糊圖像復(fù)原的效果。
發(fā)明內(nèi)容
為了克服已有的有噪運(yùn)動模糊圖像復(fù)原方法的無法實現(xiàn)自動鑒別、計算復(fù)雜度高、復(fù)原效果不理想的不足,本發(fā)明提供了一種能夠?qū)崿F(xiàn)自動鑒別、計算復(fù)雜度低、復(fù)原效果好的基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,該復(fù)原方法包括以下步驟(1)、定義有噪運(yùn)動模糊圖像為y(m,n),先用二維均值濾波器對有噪運(yùn)動模糊圖像y(m,n)生成相應(yīng)的低通濾波后的平滑圖像,計算式為s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>式(1)中,2K+1表示濾波窗口的大小,且保證窗口在兩個方向上的大小為奇數(shù),以保證圖像不產(chǎn)生偏移,i表示第i行,j表示第j列;(2)、計算有噪運(yùn)動模糊圖像y(m,n)與低通濾波后的平滑圖像s(m,n)之間的誤差圖像e(m,n)=y(tǒng)(m,n)-s(m,n);(3)、用Canny算子(一種最優(yōu)邊緣檢測算子,具有低誤判率、高定位精度、擬制虛假邊緣等特點)進(jìn)行邊緣檢測,以估算y(m,n)的梯度f′(m,n);
(4)、根據(jù)f′(m,n)的大小來計算每個像素的正則化參數(shù)λ(m,n),計算式為λ(m,n)=Ae-a|f′(m,n)|. (2)式(2)中,A和a是常數(shù),A=qσ2,q是一個比例常量,記λ(m,n)的最小值和|f′(m,n)|的最大值分別為λmin和f′max,則a=log(qσ2/λmin)f′max;]]>再參照誤差圖像e(m,n)通過徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像fλ(m,n),每個像素點帶λ(m,n)的fλ(m,n)的計算式為fλ(m,n)(m,n)=[(VV)(ΛΛ)](m-1)N+n□(ΛΛ+λ(m,n)I)-1□(VTVT)y; (3)式(3)中,[(VV)(ΛΛ)](m-1)N+n代表了所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列;(5)、通過將插值圖像fλ(m,n)疊加到低通濾波后的平滑圖像s(m,n),得到去噪后的運(yùn)動模糊圖像f(m,n)f(m,n)=fλ(m,n)+s(m,n) (4);(6)、自動鑒別運(yùn)動模糊圖像f(m,n)的運(yùn)動模糊方向以及運(yùn)動模糊長度,得到二維模糊圖像的寬為HL,高為VL,并利用圖像復(fù)原算法得到復(fù)原圖像。
作為優(yōu)選的一種方案在所述的步驟(1)中,對有噪運(yùn)動模糊圖像進(jìn)行局部運(yùn)動模糊對象提取后,再對局部運(yùn)動模糊對象y(m,n)進(jìn)行低通濾波,針對目標(biāo)物體與背景灰度值區(qū)別比較明顯的單幅圖像,所述提取的步驟為(1.1)、用合適的灰度閾值對有噪運(yùn)動圖像進(jìn)行截取分割;(1.2)、根據(jù)該圖像的大小按設(shè)定比例生成合適的矩形匹配模板;(1.3)、由生成的矩形模板對分割好的圖像進(jìn)行數(shù)學(xué)形態(tài)閉合運(yùn)算,以抽取其中較大的矩形狀,然后進(jìn)行數(shù)學(xué)形態(tài)開啟運(yùn)算,以刪除圖像中某些較小的物體對象。
或者是在所述的步驟(1)中,對有噪運(yùn)動模糊圖像進(jìn)行局部運(yùn)動模糊對象提取后,再對局部運(yùn)動模糊對象y(m,n)進(jìn)行低通濾波,針對目標(biāo)物體與背景灰度值較為接近的單幅圖像,所述提取的步驟為(1.1)、對有噪運(yùn)動模糊圖像綜合運(yùn)用Prewitt算子和Canny算子邏輯與運(yùn)算進(jìn)行邊緣檢測;(1.2)、對二值邊緣圖像用Radon變換來檢測所有長度大于Lmin的線段,保存它們的起點、終點和與水平方向之間的夾角;(1.3)、將所述直線按角度歸類,角度差的絕對值小于θmin且距離相差大于Lmin的線段兩兩匹配;(1.4)、對匹配的兩線段分別用八鄰域連通法檢測它們的起點和終點間是否有線段相連,若有,則將兩線段的四個頂點圍成的矩形區(qū)域分割提取并另存為局部運(yùn)動模糊目標(biāo)對象的新圖像,若無,繼續(xù)檢測直到不存在這樣的匹配線段。
作為優(yōu)選的另一種方案在所述的步驟(4)中,設(shè)定一個閾值R,當(dāng)|f′(m,n)|值小于R時,將該像素點的正則化參數(shù)固定為|f′(m,n)|=0時的λ(m,n)值,當(dāng)大于R時仍則按式(2)計算。
作為優(yōu)選的再一種方案所述的步驟(6)中,在α∈[-90°,90°]范圍內(nèi)按設(shè)定步長取α值,自動鑒別運(yùn)動模糊方向的步驟為(6.1)、用雙三次C樣條插值方法,在坐標(biāo)(i,j)上分別對行和列進(jìn)行三次C樣條插值,得到圖像的方向微分圖像Δf(i,j)α=f(i′,j′)-f(i,j)(5)式(5)中,α是進(jìn)行方向微分時的方向角,f(i′,j′)的值由模糊圖像f(i,j)插值獲得,其中 □r是進(jìn)行方向微分時的微分長度;(6.2)、對方向微分圖像Δf(i,j)α的灰度值的絕對值加權(quán)求和,計算式為 式(6)中,灰度級為Δf出現(xiàn)的頻率p(Δf)作為加權(quán)系數(shù);(6.3)、求出其中的最小值min(I(Δf)α),其對應(yīng)的α角度值即為運(yùn)動模糊圖像中運(yùn)動模糊方向與水平軸的夾角,即 進(jìn)一步,所述的步驟(6)中,完成了對運(yùn)動模糊方向的自動鑒別后,將運(yùn)動模糊圖像反向旋轉(zhuǎn)至水平方向,自動鑒別運(yùn)動模糊長度的步驟為(6.4)、運(yùn)動模糊圖像傅立葉變換后的圖像為F(u,v),計算log(|F(u,v)|),參數(shù)移位使u=0位于頻譜圖的中心位置;(6.5)、計算S(u)=Σv=0midlog(|F(u,v)|),]]>分別求出中心左側(cè)從 開始向左搜索的第k(k>1)個極小值點的u值uLk和中心右側(cè)從 開始向右搜索的第k個極小值點的u值uRk;(6.6)、計算得到任意角度運(yùn)動模糊圖像f(x,y)的模糊長度,計算式為L≈Round(2k*N/|uLk-uRk|) (7)。
再進(jìn)一步,所述的步驟(6)中,完成了對運(yùn)動模糊方向和長度的自動鑒別后,計算得到二維模糊圖像寬為HL,高為VL,用最優(yōu)窗法維納濾波依照最優(yōu)窗區(qū)域范圍及該區(qū)域內(nèi)元素取值的對應(yīng)關(guān)系進(jìn)行圖像復(fù)原。
所述的有噪運(yùn)動模糊圖像為黑白圖像或彩色圖像。
本發(fā)明的技術(shù)構(gòu)思為設(shè)運(yùn)動模糊圖像f(m,n)在圖像的獲取和傳輸過程中因噪聲干擾而退化為有噪運(yùn)動模糊圖像y(m,n),它們之間存在關(guān)系式y(tǒng)(m,n)=f(m,n)+ε(m,n),其中ε(m,n)是方差為σ2的加性高斯白噪聲。利用徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)的普遍近似特性,并根據(jù)圖像局部特征在各像素點選用與噪聲成比例的可變正則化參數(shù)λ,從而達(dá)到在不破壞重要的圖像信息前提下有效地抑制噪聲的目的。選用徑向基函數(shù)(RBF)的中心x(m-1)N+n作為當(dāng)前像素的位置(m,n),并用RBF的輸出值y(n-1)N+m作為該像素的值。通過此對應(yīng)關(guān)系,則可應(yīng)用RBFN方法得到有噪 運(yùn)動模糊圖像y(m,n)消除噪聲后的運(yùn)動模糊圖像f(m,n),該方法主要涉及兩方面RBFN以代價函數(shù)H[f]=Σi=1L(yi-f(xi))2+λS[f]]]>最小化為目標(biāo),生成插值圖像fλ□(fλ(x1),fλ(x2),…fλ(xL))T=Gc=G(G+λI)-1y(8)代價函數(shù)中的第一項表示原始數(shù)據(jù)與期望值之間的偏差,第二項則是與平滑程度有關(guān)的代價度量,這兩項間的平衡由參數(shù)λ確定。算法對每個像素點(m,n)的正則化參數(shù)λ都根據(jù)|f′(m,n)|的大小進(jìn)行自動調(diào)整,其選取方法由式(2)確定λ(m,n)=Ae-a|f′(m,n)|(2)其中A和a是常數(shù),A=qσ2(q是一個比例常量),記λ(m,n)的最小值和|f′(m,n)|的最大值分別為λmin和f′max,則a=log(qσ2/λmin)f′max]]>可以求出。
若直接用式(8)來求RBFN則計算量很大,所以有必要用克羅內(nèi)克(kronecker)積的特性來實現(xiàn)RBFN插值圖像的快速輸出。根據(jù)噪聲的高斯分布規(guī)律,矩陣G可以表示為G=GsGs=(VΛVT)(VΛVT) (9)其中Λ=diag(μ1,μ2,…,μN(yùn)),V=(v1,v2,…,vN)已知,μi和vi分別是Gs的特征值和特征向量。代入式(8)并化簡得fλ=G(G+λI)-1y=(VV)(ΛΛ)(ΛΛ+λI)-1(VTVT)y(10)這樣從有噪運(yùn)動模糊圖像y中計算出RBFN輸出向量fλ的時間復(fù)雜度便由O(N6)降到了O(N3)。在式(4)所得出結(jié)論的基礎(chǔ)上,每個像素點帶λ(m,n)的RBFN值可以這樣計算fλ(m,n)(m,n)=[(VV)(ΛΛ)](m-1)N+n□(ΛΛ+λ(m,n)I)-1□(VTVT)y (3)其中[(VV)(ΛΛ)](m-1)N+n代表了所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列??梢钥吹綄τ诿總€像素計算帶可變正則化參數(shù)λ(m,n)的RBFN值的時間復(fù)雜度是O(N4),高于固定正則化參數(shù)的RBFN計算。因此考慮用|f′(m,n)|的分布特點來降低計算量,由于|f′(m,n)|的灰度直方圖中大多數(shù)值都集中在0附近,因此設(shè)定一個閾值R,當(dāng)|f′(m,n)|值小于R時將這些像素點的正則化參數(shù)固定為|f′(m,n)|=0時的λ(m,n)值,而大于R時仍則按式(2)計算。經(jīng)過這樣的優(yōu)化,即使對每個像素點求帶可變正則化參數(shù)的RBFN輸出值,時間復(fù)雜度仍保持在O(N3)的數(shù)量級上。
雖然通過低通濾波可以有效去除平緩區(qū)域中含噪聲的那部分信息,但隨著齒狀邊緣變得平滑,重要的邊緣信息也隨之丟失(如圖1(a)和圖1(b)所示)。因此,先將此過程中產(chǎn)生的誤差保存在e(n)中,RBFN要通過噪聲誤差圖像e(n)來提取丟失的邊緣信息(如圖1(c)所示);接著,在邊緣附近內(nèi)選取較小的正則化參數(shù)以產(chǎn)生與e(n)一致的插值圖像fλ(n),并在平緩的區(qū)域選取較大的正則化參數(shù)來使fλ(n)變得平滑(如圖1(c)和圖1(d)所示);最后再通過fλ(n)+s(n)來得到去噪后的圖像。
日常生活中常有這樣的情況,運(yùn)動物體相對于成像設(shè)備高速運(yùn)動而導(dǎo)致運(yùn)動模糊,但背景卻相對靜止,或多個成像目標(biāo)散向非勻速運(yùn)動。對于這種局部運(yùn)動模糊的情況若仍對圖像進(jìn)行全局處理,不僅可能導(dǎo)致原本清晰的背景圖像人為的模糊化,而且,局部非勻速模糊圖像不具備或不明顯具備普通運(yùn)動模糊圖像的全局特性,這將導(dǎo)致目前所提出的常規(guī)運(yùn)動模糊參數(shù)的自動鑒別方法大部分失效,從而無法實現(xiàn)對其清晰有效的復(fù)原。
當(dāng)對其中的局部運(yùn)動模糊對象進(jìn)行提取時發(fā)現(xiàn),在新生成的僅包含模糊對象范圍的圖像中明顯呈現(xiàn)出普通運(yùn)動模糊圖像的特征,完全可以通過自動鑒別圖像復(fù)原方法對其有效復(fù)原。
對于單幅局部運(yùn)動模糊圖像的復(fù)原,關(guān)鍵的問題就是要在單幀圖像缺乏相關(guān)序列幀參考信息的情況下提取出運(yùn)動模糊對象。如以單幀多車道路況監(jiān)控系統(tǒng)視頻圖像為例,如圖7所示,可以考慮用先驗知識對問題進(jìn)行簡化,應(yīng)用中所要提取的對象主要是各車道內(nèi)高速運(yùn)動的汽車,且汽車的形狀接近于斜方矩形,據(jù)此,可以在空域中提取出運(yùn)動模糊對象。
對運(yùn)動模糊方向的自動鑒別主要基于如下原理原圖像可以看作是各向同性的一階馬爾科夫(Markov)過程,即原圖像的自相關(guān)及其功率譜是各向同性的。運(yùn)動模糊降低了運(yùn)動方向上圖像的高頻成分,而對于其它方向上圖像的高頻成分影響較小,方向偏離越大影響越小,對于垂直于運(yùn)動方向上的圖像高頻成分幾乎沒有影響。因此,若對運(yùn)動模糊圖像進(jìn)行方向性的高通濾波(即方向微分),當(dāng)濾波方向恰好為運(yùn)動模糊的方向時,由于此方向模糊圖像對應(yīng)的高頻成分最少,高通濾波將使模糊圖像的能量損失最大,得到的微分圖像灰度值的絕對值之和必然為最小。所以,當(dāng)特定方向性的高通濾波通過方向微分得到的圖像灰度值的絕對值之和最小時所對應(yīng)的方向即為運(yùn)動模糊圖像的模糊方向。
在完成了對方向的自動鑒別后,便可將運(yùn)動模糊圖像反向旋轉(zhuǎn)至水平方向以便自動鑒別其運(yùn)動模糊長度。長度自動鑒別的主要原理是基于運(yùn)動模糊圖像在頻域中會出現(xiàn)特定間隔的黑帶現(xiàn)象,尤其對于去噪后的勻速運(yùn)動圖像可以在頻域上根據(jù)等距間隔黑的位置精確估計出其運(yùn)動模糊長度。
對二維模糊圖像(寬為HL,高為VL)用最優(yōu)窗法維納濾波[25]進(jìn)行復(fù)原可有效去除因圖像邊界的平均強(qiáng)度不同而造成的復(fù)原誤差,從而抑制振鈴現(xiàn)象。
選擇用帶可變正則化參數(shù)的徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)方法來消除噪聲的影響,RBFN算法能夠在不破壞重要圖像信息的前提下有效地抑制噪聲,并且通過克羅內(nèi)克(kronecker)積的特性來進(jìn)行變換處理,可以實現(xiàn)對每個像素點求帶可變正則化參數(shù)的RBFN插值輸出,同時又能保持O(N3)的較低時間復(fù)雜度。
本發(fā)明的有益效果主要表現(xiàn)在1、能夠?qū)崿F(xiàn)自動鑒別圖像;2、復(fù)雜度低;3、復(fù)原效果好;4、鑒別精度高;5、不僅對單幅圖像的PSF參數(shù)具有很高的自動鑒別精度,并且還考慮了局部非勻速運(yùn)動模糊及噪聲干擾等現(xiàn)實復(fù)雜成像情況。
圖1是用帶可變正則化參數(shù)的RBFN方法去噪的基本原理示意圖,其中,(a)原始圖像;(b)低通濾波后的平滑圖像;(c)誤差圖像;(d)插值圖像。
圖2是對圖片cameraman用帶可變正則化參數(shù)的RBFN方法去噪的示意圖,其中,(a)有噪運(yùn)動模糊圖像;(b)低通濾波后的平滑圖像;(c)誤差圖像;(d)插值圖像;(e)去噪后運(yùn)動模糊圖像;(f)圖2(e)的頻譜圖。
圖3是對圖片lena用帶可變正則化參數(shù)的RBFN方法去噪示意圖,其中,(a)有噪運(yùn)動模糊圖像;(b)低通濾波后的平滑圖像;(c)誤差圖像;(d)插值圖像;e)去噪后運(yùn)動模糊圖像;(f)圖2(e)的頻譜4為最優(yōu)窗區(qū)域范圍及該區(qū)域內(nèi)元素取值的對應(yīng)關(guān)系示意圖。
圖5是有噪運(yùn)動模糊圖像復(fù)原過程及去噪前后鑒別精度和復(fù)原效果對比示意圖。
圖6是去噪后的運(yùn)動模糊圖像的復(fù)原結(jié)果示意圖,其中,(a)對圖2(e)的復(fù)原結(jié)果;(b)對圖3(e)的復(fù)原結(jié)果。
圖7是局部運(yùn)動模糊圖像的復(fù)原示意圖,其中,(a)原模糊圖像;(b)圖7(a)的的頻譜圖;(c)閾值分割圖像;(d)主體提取圖像;(e)僅含模糊主體的圖像;(f)圖7(e)的頻譜圖;(g)圖7(e)的復(fù)原效果圖。
圖8是PSF參數(shù)自動鑒別結(jié)果對比圖,其中,(a)模糊長度固定時用三種不同方法對模糊方向自動鑒別的對比;(b)模方向固定時用三種不同方法對模糊長度自動鑒別的對比。
具體實施例方式
下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。
實施例1參照圖1~圖6、圖8,一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,該復(fù)原方法包括以下步驟(1)、定義有噪運(yùn)動模糊圖像為y(m,n),先用二維中值濾波器對有噪運(yùn)動模糊圖像y(m,n)生成相應(yīng)的低通濾波后的平滑圖像,計算式為s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>式(1)中,2K+1表示濾波窗口的大小,且保證窗口在兩個方向上的大小為奇數(shù),以保證圖像不產(chǎn)生偏移,i表示第i行,j表示第j列;(2)、計算有噪運(yùn)動模糊圖像y(m,n)與低通濾波后的平滑圖像s(m,n)之間的誤差圖像e(m,n)=y(tǒng)(m,n)-s(m,n);(3)、用Canny算子(一種最優(yōu)邊緣檢測算子,具有低誤判率、高定位精度、擬制虛假邊緣等特點)進(jìn)行邊緣檢測,以估算y(m,n)的梯度f′(m,n);(4)、根據(jù)f′(m,n)的大小來計算每個像素的正則化參數(shù)λ(m,n),計算式為λ(m,n)=Ae-a|f′(m,n)|. (2)式(2)中,A和a是常數(shù),A=qσ2,q是一個比例常量,記λ(m,n)的最小值和|f′(m,n)|的最大值分別為λmin和f′max,則a=log(qσ2/λmin)f′max;]]>再參照誤差圖像e(m,n)通過徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像fλ(m,n),每個像素點帶λ(m,n)的fλ(m,n)的計算式為fλ(m,n)(m,n)=[(VV)(ΛΛ)](m-1)N+n□(ΛΛ+λ(m,n)I)-1□(VTVT)y;(3)
式(3)中,[(VV)(ΛΛ)](m-1)N+n代表了所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列;(5)、通過將插值圖像fλ(m,n)疊加到低通濾波后的平滑圖像s(m,n),最終得到去噪后的運(yùn)動模糊圖像f(m,n)f(m,n)=fλ(m,n)+s(m,n) (4);(6)、自動鑒別運(yùn)動模糊圖像f(m,n)的運(yùn)動模糊方向以及運(yùn)動模糊長度,得到二維模糊圖像的寬為HL,高為VL,并利用圖像復(fù)原算法得到復(fù)原圖像。
通過低通濾波可以有效去除平緩區(qū)域中含噪聲的那部分信息,但隨著齒狀邊緣變得平滑,重要的邊緣信息也隨之丟失(如圖1(a)和圖1(b)所示)。因此,先將此過程中產(chǎn)生的誤差保存在e(n)中,RBFN要通過噪聲誤差圖像e(n)來提取丟失的邊緣信息(如圖1(c)所示);接著,在邊緣附近內(nèi)選取較小的正則化參數(shù)以產(chǎn)生與e(n)一致的插值圖像fλ(n),并在平緩的區(qū)域選取較大的正則化參數(shù)來使fλ(n)變得平滑(如圖1(c)和圖1(d)所示);最后再通過fλ(n)+s(n)來得到去噪后的圖像。具體實現(xiàn)由算法1給出算法1.帶可變正則化參數(shù)的RBFN去噪算法.
Step1.先用二維均值濾波器對有噪運(yùn)動模糊圖像y(m,n)生成相應(yīng)的低通濾波后的平滑圖像s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>Step2.計算有噪運(yùn)動模糊圖像y(m,n)與低通濾波后的平滑圖像s(m,n)之間的誤差圖像e(m,n)=y(tǒng)(m,n)-s(m,n);Step3.用Canny算子進(jìn)行邊緣檢測以估計y(m,n)的梯度f′(m,n);Step4.根據(jù)f′(m,n)的大小來計算每個像素的正則化參數(shù),再參照誤差圖像e(m,n)通過RBFN生成插值圖像fλ(m,n);
Step5.通過將插值圖像fλ(m,n)疊加到低通濾波后的平滑圖像s(m,n),最終得到去噪后的運(yùn)動模糊圖像f(m,n)。
利用算法1的去噪過程如圖2所示(以圖像cameraman為例)。其中,圖2(a)為加了方差σ2=400的高斯白噪聲干擾的運(yùn)動模糊圖像y(m,n),圖2(b)為經(jīng)過5×5中值低通濾波后的平滑圖像s(m,n),圖2(c)為有噪模糊圖像y(m,n)與低通濾波后的平滑圖像s(m,n)之間的誤差圖像e(m,n),圖2(d)為通過帶可變正則化參數(shù)的RBFN方法生成的逼近誤差圖像e(m,n)的插值圖像fλ(m,n),圖2(e)為通過插值圖像fλ(m,n)與低通濾波后的平滑圖像s(m,n)疊加產(chǎn)生的去噪后的運(yùn)動模糊圖像f(m,n),圖2(f)為f(m,n)的頻譜分析圖(可以看出去噪后的頻譜圖明顯呈現(xiàn)了運(yùn)動模糊圖像的方向和長度特征)。
本實施例中提出的去噪方法同樣也適用于彩色圖像,去噪過程及原理與圖2相同,圖3以Lena為例。
運(yùn)動模糊方向的自動鑒別采用雙三次C樣條插值,即在坐標(biāo)(i,j)上分別對行和列進(jìn)行三次C樣條插值。在hk=xk+1-xk=1的條件下,取邊界條件s〃(x0)=m0=0,s〃(xN)=mN=0,由C樣條插值定義可得插值系數(shù)為sk,0=gk;sk,1=dk-13mk-16mk+1;sk,2=12mk;sk,3=16mk+1-16mk---(11)]]>插值函數(shù)為sk(x)=((sk,3v+sk,2)v+sk,1)v+sk,0(12)其中v=x-xk(xk≤x≤xk+1)。
在插值過程中,對方向微分圖像的灰度值做加權(quán)平均調(diào)整(具體見算法2描述),由于運(yùn)動模糊圖像中絕大部分為低頻成分,若令某灰度級x出現(xiàn)的頻率p(x)作為其系數(shù),可以使低灰度區(qū)的像素成為影響插值微分圖像的重要因素。方向自動鑒別的具體實現(xiàn)由算法2給出算法2.運(yùn)動模糊方向自動鑒別算法.
在α∈[-90°,90°]范圍內(nèi)按一定步長(如1°)取α值,對每個α值運(yùn)行Step1和Step2Step1.用雙三次C樣條插值方法獲得圖像的方向微分圖像Δf(i,j)α=f(i′,j′)-f(i,j),其中α是進(jìn)行方向微分時的方向角,f(i′,j′)的值由模糊圖像f(i,j)插值獲得, □r是進(jìn)行方向微分時的微分長度;Step2.對方向微分圖像Δf(i,j)α的灰度值的絕對值加權(quán)求和有 式中灰度級為Δf出現(xiàn)的頻率p(Δf)作為加權(quán)系數(shù);Step3.求出其中的最小值min(I(Δf)α),其對應(yīng)的α角度值即為運(yùn)動模糊圖像中運(yùn)動模糊方向與水平軸的夾角,即 在完成了對方向的自動鑒別后,便可將運(yùn)動模糊圖像反向旋轉(zhuǎn)至水平方向以便自動鑒別其運(yùn)動模糊長度。長度自動鑒別的主要原理是基于運(yùn)動模糊圖像在頻域中會出現(xiàn)特定間隔的黑帶現(xiàn)象,尤其對于去噪后的勻速運(yùn)動圖像可以在頻域上根據(jù)等距間隔黑的位置精確估計出其運(yùn)動模糊長度,具體實現(xiàn)由算法3給出算法3.運(yùn)動模糊長度自動鑒別算法.
Step1.運(yùn)動模糊圖像傅立葉變換后的圖像為F(u,v),計算log(|F(u,v)|),參數(shù)移位使u=0位于頻譜圖的中心位置;Step2.計算S(u)=Σv=0midlog(|F(u,v)|),]]>分別求出中心左側(cè)從 開始向左搜索的第k(k>1)個極小值點的u值uLk和中心右側(cè)從 開始向右搜索的第k個極小值點的u值uRk;Step3.計算得到任意角度運(yùn)動模糊圖像f(x,y)的模糊長度L≈Round(2k*N/|uLk-uRk|)。
該方法采用k(k>1)個極小值點的u投影求和,利用了整列統(tǒng)計信息,減少了原圖像的隨機(jī)性干擾,較好的避免了計算誤差,其中,極小值點對應(yīng)于黑帶位置,即對應(yīng)于u=Round(kN/a),也可以通過自動搜索獲得,如通過左右相鄰各2個象素的比較,自動計算模糊長度。
對二維模糊圖像(寬為HL,高為VL)用最優(yōu)窗法維納濾波[25]進(jìn)行復(fù)原可有效去除因圖像邊界的平均強(qiáng)度不同而造成的復(fù)原誤差,從而抑制振鈴現(xiàn)象。將圖像平面分為9個區(qū)域,區(qū)域范圍及該區(qū)域內(nèi)最優(yōu)窗元素取值的對應(yīng)關(guān)系如圖4所示。
對于上述的運(yùn)動模糊方向、長度的自動鑒別算法和最優(yōu)窗法維納濾波圖像復(fù)原抑制振鈴算法,本實施例通過對一幅原始清晰的圖像進(jìn)行人工模糊和加噪處理來驗證其復(fù)原過程,并對未去噪的常規(guī)復(fù)原方法和本實施例中提出的RBFN去噪復(fù)原方法進(jìn)行鑒別精度和復(fù)原效果的對比,如圖5所示。
應(yīng)用本實施例提出的基于運(yùn)動模糊方向和長度自動鑒別的圖像復(fù)原算法,分別對圖2(e)和圖3(e)去噪后的運(yùn)動模糊圖像進(jìn)行復(fù)原,實驗結(jié)果如圖6所示。
在PC機(jī)Windows開發(fā)平臺及MATLAB 7.0環(huán)境下,用cameraman圖像對本實施例所提出的基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原模型進(jìn)行測試,結(jié)果如圖8所示。
圖8(a)為模糊長度固定為30像素時對方向自動鑒別的比較,圖8(b)為模糊方向固定為45°時對方向自動鑒別的比較。從圖中可以看出,通過本實施例提出的帶可變正則化參數(shù)的RBFN插值方法去噪后的鑒別精度明顯高于普通未考慮去噪處理的復(fù)原方法和一般濾波器處理后的PSF參數(shù)鑒別精度。
經(jīng)過對圖8的對比分析,還發(fā)現(xiàn)未考慮去噪處理的自動鑒別方法可能導(dǎo)致參數(shù)的鑒別結(jié)果很不穩(wěn)定,在方向鑒別的估計值上呈現(xiàn)出一種階梯性的結(jié)果,即在某固定區(qū)間內(nèi)結(jié)果趨向于同一方向值,且隨著噪聲干擾程度的加大,該區(qū)間逐步擴(kuò)大至整個區(qū)域,鑒別出的結(jié)果在整個區(qū)間上幾乎都趨于45°,導(dǎo)致鑒別結(jié)果完全失信;而在長度鑒別對比圖上,未考慮去噪處理的自動鑒別估計值則呈現(xiàn)出和標(biāo)準(zhǔn)值的偏差幅度較大、波動明顯的結(jié)果;對于用一般濾波器處理的鑒別結(jié)果,由于失去了部分高頻信息而導(dǎo)致重要的邊緣信息缺失,使得鑒別結(jié)果雖然相對于前者的誤差振動幅度有所改善,但誤差仍然很大,鑒別精度較低,遠(yuǎn)不如采用本實施例的方法得到的鑒別估計值精確。
實施例2參照圖1~圖8,本實施例中,當(dāng)對其中的局部運(yùn)動模糊對象進(jìn)行提取時發(fā)現(xiàn),在新生成的僅包含模糊對象范圍的圖像中明顯呈現(xiàn)出普通運(yùn)動模糊圖像的特征,完全可以通過實施例1提出的自動鑒別圖像復(fù)原方法對其有效復(fù)原。
對于單幅局部運(yùn)動模糊圖像的復(fù)原,關(guān)鍵的問題就是要在單幀圖像缺乏相關(guān)序列幀參考信息的情況下提取出運(yùn)動模糊對象。如以單幀多車道路況監(jiān)控系統(tǒng)視頻圖像為例,如圖7所示,可以考慮用先驗知識對問題進(jìn)行簡化,應(yīng)用中所要提取的對象主要是各車道內(nèi)高速運(yùn)動的汽車,且汽車的形狀接近于斜方矩形,據(jù)此,可以在空域中提取出運(yùn)動模糊對象,具體過程由算法4給出算法4.局部運(yùn)動模糊對象提取算法.
Step1.用合適的灰度閾值對圖像進(jìn)行截取分割;Step2.根據(jù)該圖像的大小按一定比例生成合適的矩形匹配模板;Step3.由生成的矩形模板對分割好的圖像進(jìn)行數(shù)學(xué)形態(tài)閉合運(yùn)算,以抽取其中較大的矩形狀汽車,然后進(jìn)行數(shù)學(xué)形態(tài)開啟運(yùn)算,以刪除圖像中某些較小的物體對象。
圖7為針對一幅實際多車道路況監(jiān)控系統(tǒng)攝錄的單幀模糊圖像采用算法4進(jìn)行運(yùn)動模糊對象的提取和復(fù)原過程的實驗結(jié)果展示。圖7(a)為原單幅運(yùn)動模糊圖像,圖7(b)為圖7(a)的頻譜分析圖。用算法4對模糊對象提取的過程如圖7(c)和7(d)所示,圖7(c)為用合適的灰度閾值對圖像進(jìn)行截取分割后的結(jié)果,圖7(d)為在分割基礎(chǔ)上通過模板匹配和數(shù)學(xué)形態(tài)操作后提取出的圖像的各個主體輪廓,過濾去像素范圍過小的主體,并新生成一個僅包含模糊對象范圍的圖像,如圖7(e)所示,圖7(f)為圖7(e)的頻譜分析圖。對其用本實施例上述的自動鑒別算法和復(fù)原方法(算法2、算法3)進(jìn)行復(fù)原后的效果如圖7(g)所示。
本實施例的自動鑒別圖像復(fù)原方法以及工作原理與實施例1相同。
實施例3參照圖1~圖8,本實施例中采用另外一種目標(biāo)對象提取方法,實施例2的算法的運(yùn)算量小,實現(xiàn)起來快速方便,主要應(yīng)用于目標(biāo)物體與背景灰度值區(qū)別比較明顯的單幅圖像,對于一些灰度值較為接近的單幅圖像,用灰度閾值截取分割可能導(dǎo)致區(qū)域誤差較大,考慮用算法5來實現(xiàn)此類模糊圖像的目標(biāo)對象提取算法5.局部運(yùn)動模糊對象提取算法.
Step1.對運(yùn)動模糊圖像綜合運(yùn)用Prewitt算子和Canny算子邏輯與運(yùn)算進(jìn)行邊緣檢測(精確度高,可檢測出弱邊緣);Step2.對二值邊緣圖像用Radon變換來檢測所有長度大于Lmin的線段,保存它們的起點、終點和與水平方向之間的夾角(可以克服傳統(tǒng)Hough變換受中間點干擾大、計算速度慢的缺點);Step3.將這些直線按角度歸類,角度相近(差的絕對值小于θmin)且距離相差大于Lmin的線段兩兩匹配;Step4.對匹配的兩線段分別用八鄰域連通法檢測它們的起點和終點間是否有線段相連(這里允許一定像素的間斷誤差),若有,則將兩線段的四個頂點圍成的矩形區(qū)域分割提取并另存為局部運(yùn)動模糊目標(biāo)對象的新圖像,若無則繼續(xù)檢測直到不存在這樣的匹配線段。
若是復(fù)雜背景下的序列幀視頻流多目標(biāo)對象提取,則可以考慮采用統(tǒng)計算法與特征匹配相結(jié)合的方法,可以有效定位目標(biāo)對象,并將大部分背景去除,其基本原理為若攝像機(jī)位置保持不變,則在一個很短時間段內(nèi),所拍攝到的背景圖像基本保持不變,假設(shè)對于一個圖像序列,在時間軸上提取某個圖像位置的像素過程滿足某一特定的高斯分布,就可得到圖像序列的統(tǒng)計信息,估計出所有像素過程的分布均值和方差,從而估計出背景;并在估計的背景圖像基礎(chǔ)上,利用特征匹配方法,實現(xiàn)背景圖像與待識別目標(biāo)對象的特征匹配,將匹配區(qū)域視為背景,從待識別對象中去除,最后得到前景圖像;由于特征匹配是基于區(qū)域的,因此,得到的前景圖像比直接利用差分得到的前景圖像更精確;最后,再根據(jù)連通區(qū)域,去除一部分誤匹配區(qū)域;從而可以將待識別目標(biāo)對象分割后進(jìn)行后續(xù)處理。
本實施例的其他步驟和工作原理與實施例2相同。
權(quán)利要求
1.一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,該復(fù)原方法包括以下步驟(1)、定義有噪運(yùn)動模糊圖像為y(m,n),先用二維均值濾波器對有噪運(yùn)動模糊圖像y(m,n)生成相應(yīng)的低通濾波后的平滑圖像,計算式為s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>式(1)中,2K+1表示濾波窗口的大小,且保證窗口在兩個方向上的大小為奇數(shù),以保證圖像不產(chǎn)生偏移,i表示第i行,j表示第j列;(2)、計算有噪運(yùn)動模糊圖像y(m,n)與低通濾波后的平滑圖像s(m,n)之間的誤差圖像e(m,n)=y(tǒng)(m,n)-s(m,n);(3)、用Canny算子(一種最優(yōu)邊緣檢測算子,具有低誤判率、高定位精度、擬制虛假邊緣等特點)進(jìn)行邊緣檢測,以估算y(m,n)的梯度f′(m,n);(4)、根據(jù)f′(m,n)的大小來計算每個像素的正則化參數(shù)λ(m,n),計算式為λ(m,n)=Ae-a|f′(m,n)|. (2)式(2)中,A和a是常數(shù),A=qσ2,q是一個比例常量,記λ(m,n)的最小值和|f′(m,n)|的最大值分別為λmin和f′max,則a=log(qσ2/λmin)f′max;]]>再參照誤差圖像e(m,n)通過徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像fλ(m,n),每個像素點帶λ(m,n)的fλ(m,n)的計算式為 式(3)中,[(VV)(ΛΛ)](m-1)N+n代表所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列;(5)、通過將插值圖像fλ(m,n)疊加到低通濾波后的平滑圖像s(m,n),得到去噪后的運(yùn)動模糊圖像f(m,n)f(m,n)=fλ(m,n)+s(m,n) (4);(6)、自動鑒別運(yùn)動模糊圖像f(m,n)的運(yùn)動模糊方向以及運(yùn)動模糊長度,得到二維模糊圖像的寬為HL,高為VL,并利用圖像復(fù)原算法得到復(fù)原圖像。
2.如權(quán)利要求1所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,其特征在于在所述的步驟(1)中,對有噪運(yùn)動模糊圖像進(jìn)行局部運(yùn)動模糊對象提取后,再對局部運(yùn)動模糊對象y(m,n)進(jìn)行低通濾波,針對目標(biāo)物體與背景灰度值區(qū)別比較明顯的單幅圖像,所述提取的步驟為(1.1)、用合適的灰度閾值對有噪運(yùn)動圖像進(jìn)行截取分割;(1.2)、根據(jù)該圖像的大小按設(shè)定比例生成合適的矩形匹配模板;(1.3)、由生成的矩形模板對分割好的圖像進(jìn)行數(shù)學(xué)形態(tài)閉合運(yùn)算,以抽取其中較大的矩形狀,然后進(jìn)行數(shù)學(xué)形態(tài)開啟運(yùn)算,以刪除圖像中某些較小的物體對象。
3.如權(quán)利要求1所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,其特征在于在所述的步驟(1)中,對有噪運(yùn)動模糊圖像進(jìn)行局部運(yùn)動模糊對象提取后,再對局部運(yùn)動模糊對象y(m,n)進(jìn)行低通濾波,針對目標(biāo)物體與背景灰度值較為接近的單幅圖像,所述提取的步驟為(1.1)、對有噪運(yùn)動模糊圖像綜合運(yùn)用Prewitt算子和Canny算子邏輯與運(yùn)算進(jìn)行邊緣檢測;(1.2)、對二值邊緣圖像用Radon變換來檢測所有長度大于Lmin的線段,保存它們的起點、終點和與水平方向之間的夾角;(1.3)、將所述直線按角度歸類,角度差的絕對值小于θmin且距離相差大于Lmin的線段兩兩匹配;(1.4)、對匹配的兩線段分別用八鄰域連通法檢測它們的起點和終點間是否有線段相連,若有,則將兩線段的四個頂點圍成的矩形區(qū)域分割提取并另存為局部運(yùn)動模糊目標(biāo)對象的新圖像,若無,繼續(xù)檢測直到不存在這樣的匹配線段。
4.如權(quán)利要求1-3之一所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,其特征在于在所述的步驟(4)中,設(shè)定一個閾值R,當(dāng)|f′(m,n)|值小于R時,將該像素點的正則化參數(shù)固定為|f′(m,n)|=0時的λ(m,n)值,當(dāng)大于R時仍則按式(2)計算。
5.如權(quán)利要求4所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,其特征在于所述的步驟(6)中,在α∈[-90°,90°]范圍內(nèi)按設(shè)定步長取α值,自動鑒別運(yùn)動模糊方向的步驟為(6.1)、用雙三次C樣條插值方法,在坐標(biāo)(i,j)上分別對行和列進(jìn)行三次C樣條插值,得到圖像的方向微分圖像Δf(i,j)α=f(i′,j′)-f(i,j) (5)式(5)中,α是進(jìn)行方向微分時的方向角,f(i′,j′)的值由模糊圖像f(i,j)插值獲得,其中 是進(jìn)行方向微分時的微分長度;(6.2)、對方向微分圖像Δf(i,j)α的灰度值的絕對值加權(quán)求和,計算式為 式(6)中,灰度級為Δf出現(xiàn)的頻率p(Δf)作為加權(quán)系數(shù);(6.3)、求出其中的最小值min(I(Δf)α),其對應(yīng)的α角度值即為運(yùn)動模糊圖像中運(yùn)動模糊方向與水平軸的夾角,即
6.如權(quán)利要求5所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,其特征在于所述的步驟(6)中,完成了對運(yùn)動模糊方向的自動鑒別后,將運(yùn)動模糊圖像反向旋轉(zhuǎn)至水平方向,自動鑒別運(yùn)動模糊長度的步驟為(6.4)、運(yùn)動模糊圖像傅立葉變換后的圖像為F(u,v),計算log(|F(u,v)|),參數(shù)移位使u=0位于頻譜圖的中心位置;(6.5)、計算S(u)=Σv=0midlog(|F(u,v)|),]]>分別求出中心左側(cè)從 開始向左搜索的第k(k>1)個極小值點的u值uLk和中心右側(cè)從 開始向右搜索的第k個極小值點的u值uRk;(6.6)、計算得到任意角度運(yùn)動模糊圖像f(x,y)的模糊長度,計算式為L≈Round(2k*N/|uLk-uRk|) (7)。
7.如權(quán)利要求6所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,其特征在于所述的步驟(6)中,完成了對運(yùn)動模糊方向和長度的自動鑒別后,計算得到二維模糊圖像寬為HL,高為VL,用最優(yōu)窗法維納濾波依照最優(yōu)窗區(qū)域范圍及該區(qū)域內(nèi)元素取值的對應(yīng)關(guān)系進(jìn)行圖像復(fù)原。
8.如權(quán)利要求7所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,其特征在于所述的有噪運(yùn)動模糊圖像為黑白圖像或彩色圖像。
全文摘要
一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動模糊圖像復(fù)原方法,包括以下步驟(1)、先用二維中值濾波器對有噪運(yùn)動模糊圖像y(m,n)生成相應(yīng)的低通濾波后的平滑圖像s(m,n);(2)、計算有噪運(yùn)動模糊圖像與平滑圖像之間的誤差圖像e(m,n)=y(tǒng)(m,n)-s(m,n);(3)、用Canny算子進(jìn)行邊緣檢測,以估算y(m,n)的梯度f′(m,n);(4)、根據(jù)f′(m,n)的大小來計算每個像素的正則化參數(shù)λ(m,n),再參照誤差圖像e(m,n)通過徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像f
文檔編號G06T5/00GK101079149SQ20061005346
公開日2007年11月28日 申請日期2006年9月8日 優(yōu)先權(quán)日2006年9月8日
發(fā)明者朱信忠, 趙建民, 徐慧英, 章琳 申請人:浙江師范大學(xué)