技術特征：

1.一種基于稀疏特性的視頻圖像去模糊方法，其特征在于，

包括如下步驟：

建模步驟，建立加權全變差正則化約束的去模糊模型，表示為

$\hat{x}=\underset{\hat{x}}{\arg \min }\frac{1}{2}\left|\right|Bx-y|{|}_2^2+\mathrm{\μ}W|\left|Vx\right|{|}_1$

其中，表示還原的清晰圖像，B表示模糊核，y表示產(chǎn)生的模糊圖像，μ是一個可以調節(jié)的參數(shù)，W是對角的權重矩陣，Vx包括橫向、縱向還有斜向的一階差分；以及

求解步驟，通過交替迭代法求解得到更新像素權重，迭代多次，直到收斂。

2.據(jù)權利要求1所述的基于稀疏特性的視頻圖像去模糊方法，其特征在于，

所述建模步驟，具體包括如下步驟：

建立圖像模糊降質模型，表示為

$y=B\⊗x$

其中，x表示原始清晰圖像，B表示模糊核，表示卷積過程，y表示產(chǎn)生的模糊圖像；

建立去模糊模型，表示為

$\hat{x}=B{\⊗}^{-1}y$

其中，表示還原的清晰圖像，B表示模糊核，表示反卷積過程，y表示模糊圖像；以及

建立加權全變差正則化約束的去模糊模型，采用加權的全變差正則化約束方式對所述去模糊模型的還原結果進行約束，使所述還原結果不被噪聲干擾，且符合真實圖像的結果。

3.據(jù)權利要求2所述的基于稀疏特性的視頻圖像去模糊方法，其特征在于，

所述加權全變差正則化約束步驟具體包括：

在觀察到模糊圖像y的情況下，求一個清晰的圖像使其條件概率最大，表示為下式，

$\hat{x}=\underset{x}{\arg \max }\ln p\left(x\right|y);$

引入真實圖像的先驗對最終的結果進行重建；以及

采用加權的全變差正則化約束方式，對較大的一階差分項進行弱約束，對較小的一階差分項進行強約束。

4.根據(jù)權利要求3所述的基于稀疏特性的視頻圖像去模糊方法，其特征在于，

所述較大的一階差分項為強邊緣，所述較小的一階差分項為平滑區(qū)域。

5.據(jù)權利要求3所述的基于稀疏特性的視頻圖像去模糊方法，其特征在于，

所述加權的全變差正則化約束，權重的計算方式為

$w_{ij}^{k+1}=\frac{\mathrm{\α}}{\left|{\mathrm{Vx}}_{ij}^k\right|+\mathrm{\β}}$

其中，α和β為可以調節(jié)的參數(shù)，可以選擇不同的參數(shù)，為上一次迭代求得的最優(yōu)解x的一階差分的絕對值，i和j表示像素的坐標。

6.據(jù)權利要求3所述的基于稀疏特性的視頻圖像去模糊方法，其特征在于，

根據(jù)貝葉斯公式將所述改寫為

$\hat{x}=\underset{x}{\arg \min }-\ln p\left(y\right|x)-\ln p\left(x\right).$

7.根據(jù)權利要求6所述的基于稀疏特性的視頻圖像去模糊方法，其特征在于，

假設模糊圖像存在的噪聲為高斯噪聲，后驗概率部分表示為

$-\ln p\left(y\right|x)=C\left|\right|Bx-y|{|}_2^2$

其中，C為一常系數(shù)。

8.據(jù)權利要求5所述的基于稀疏特性的視頻圖像去模糊方法，其特征在于，

所述求解步驟包括以下步驟：

將所述加權全變差正則化約束的去模糊模型改寫為下式，并將W初始化為全1的對角矩陣，其中y為模糊的圖像；

$\hat{x}=\underset{x,z}{\arg \min }\frac{1}{2}\left|\right|Bx-y|{|}_2^2+\mathrm{\μ}W|\left|z\right|{|}_1+\frac{\mathrm{\ρ}}{2}\left|\right|Vx-z-y|{|}_2^2$

當求解完畢，將代入公式

以及

更新每個像素的權重，然后把權重代入所述改寫后的加權全變差正則化約束的去模糊模型，再次求解迭代多次，直到收斂。