本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法。

背景技術(shù)：

在相機(jī)的曝光時(shí)間內(nèi)，相機(jī)與被拍攝物體之間的相對(duì)運(yùn)動(dòng)會(huì)造成圖像模糊，得到運(yùn)動(dòng)模糊圖像。運(yùn)動(dòng)模糊圖像在日常生活中普遍存在且毫無(wú)價(jià)值，給人們的生活帶來(lái)很多不便。如電子眼對(duì)交通路口車輛實(shí)施監(jiān)控時(shí)，需要記錄車牌號(hào)碼等信息，當(dāng)車體運(yùn)動(dòng)速度較快時(shí)，電子眼所攝取到的車牌號(hào)碼信息可能不清晰，影響車輛的檢測(cè)及事故調(diào)查。又如在很多隨著時(shí)間和空間不斷改變的拍攝場(chǎng)景中拍攝具有不可重復(fù)性，攝影者不能二次拍攝，若某一瞬間由于相機(jī)抖動(dòng)、未能設(shè)置合適焦距、攝像系統(tǒng)存在光學(xué)系統(tǒng)攝差、幾何失真等原因造成圖像模糊，攝影者將會(huì)失去這一珍貴的圖像信息。即便有些圖片能夠二次拍攝，但由于條件的限制，有些圖像二次拍攝的代價(jià)很大，給拍攝者造成一定的負(fù)擔(dān)。因此，運(yùn)動(dòng)模糊圖像的恢復(fù)在圖像恢復(fù)中占有重要的地位。

隨著科學(xué)技術(shù)的高速發(fā)展，運(yùn)動(dòng)模糊圖像的恢復(fù)廣泛應(yīng)用于天文、軍事、道路交通、醫(yī)學(xué)圖像、工業(yè)制造以及公安偵查等領(lǐng)域，具有重要的現(xiàn)實(shí)意義。目前，現(xiàn)有的運(yùn)動(dòng)模糊圖像恢復(fù)方法在恢復(fù)圖像時(shí)不能夠識(shí)別運(yùn)動(dòng)模糊圖像中的細(xì)節(jié)問題，進(jìn)而不能很好地恢復(fù)運(yùn)動(dòng)模糊圖像。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法，以解決現(xiàn)有運(yùn)動(dòng)模糊圖像恢復(fù)方法不能識(shí)別運(yùn)動(dòng)模糊圖像中細(xì)節(jié)問題的技術(shù)問題。

本發(fā)明提供一種單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法，所述方法包括：

建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型；

對(duì)所述運(yùn)動(dòng)模糊圖像進(jìn)行二維傅里葉變換，得到頻譜圖；

將所述頻譜圖進(jìn)行中心化處理，得到明暗相間條紋；

根據(jù)所述明暗相間條紋獲得模糊參數(shù)，所述模糊參數(shù)包括模糊長(zhǎng)度和模糊角度；

對(duì)所述運(yùn)動(dòng)模糊圖像的邊界處進(jìn)行最優(yōu)窗處理；

根據(jù)所述數(shù)學(xué)模型和所述模糊參數(shù)對(duì)最優(yōu)窗處理后的所述運(yùn)動(dòng)模糊圖像進(jìn)行維納濾波，得到復(fù)原后的所述運(yùn)動(dòng)模糊圖像。

優(yōu)選地，建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型包括：

建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型為：g(x,y)＝h(x,y)*f(x,y)+n(x,y)，其中，g(x,y)為退化后圖像，h(x,y)為退化函數(shù)，f(x,y)為原圖像，n(x,y)為外加噪聲。

優(yōu)選地，將所述頻譜圖進(jìn)行中心化處理，得到頻譜圖包括：

調(diào)整所述頻譜圖的頻率以所述頻譜圖的中心為原點(diǎn)由內(nèi)向外依次變大，形成明暗相間條紋。

優(yōu)選地，根據(jù)所述明暗相間條紋獲得模糊參數(shù)包括：

截取所述明暗相間條紋的明顯區(qū)域；

對(duì)明顯區(qū)域的所述明暗相間條紋進(jìn)行直方圖均衡化和二值化處理；

對(duì)二值化處理后的所述明暗相間條紋進(jìn)行canny邊界檢測(cè)和Hough變換；

根據(jù)經(jīng)所述Hough變換后的所述明暗相間條紋鑒別條紋的方向和數(shù)量，得到模糊長(zhǎng)度和模糊角度。

優(yōu)選地，對(duì)所述運(yùn)動(dòng)模糊圖像的邊界處進(jìn)行最優(yōu)窗處理包括：

根據(jù)PSF函數(shù)對(duì)所述運(yùn)動(dòng)模糊圖像的邊界進(jìn)行加權(quán)處理，以使所述運(yùn)動(dòng)模糊圖像邊界的像素值以所述運(yùn)動(dòng)模糊圖像中心為原點(diǎn)由外向內(nèi)過(guò)渡到零。

優(yōu)選地，根據(jù)所述數(shù)學(xué)模型和所述模糊參數(shù)對(duì)最優(yōu)窗處理后的所述運(yùn)動(dòng)模糊圖像進(jìn)行維納濾波，得到復(fù)原后的所述運(yùn)動(dòng)模糊圖像包括：

根據(jù)所述數(shù)學(xué)模型進(jìn)行傅里葉變換，得到其中，F(xiàn)(u,v)為原圖像，G(u,v)退化圖像的傅里葉變換，H(u,v)退化函數(shù)；

根據(jù)所述模糊參數(shù)及所述計(jì)算維納濾波參數(shù)，得到維納濾波公式；

所述維納濾波公式進(jìn)行反向傅里葉變換得到復(fù)原后的所述運(yùn)動(dòng)模糊圖像。

本發(fā)明的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：

本發(fā)明提供的單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法包括：建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型；對(duì)所述運(yùn)動(dòng)模糊圖像進(jìn)行二維傅里葉變換，得到頻譜圖；將所述頻譜圖進(jìn)行中心化處理，得到明暗相間條紋；根據(jù)所述明暗相間條紋獲得模糊參數(shù)，所述模糊參數(shù)包括模糊長(zhǎng)度和模糊角度；對(duì)所述運(yùn)動(dòng)模糊圖像的邊界處進(jìn)行最優(yōu)窗處理；根據(jù)所述數(shù)學(xué)模型和所述模糊參數(shù)對(duì)最優(yōu)窗處理后的所述運(yùn)動(dòng)模糊圖像進(jìn)行維納濾波，得到復(fù)原后的所述運(yùn)動(dòng)模糊圖像。本發(fā)明提供的單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法首先建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型，通過(guò)對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行二維傅里葉變換、頻譜圖中心化處理得到明暗相間條紋，進(jìn)而通過(guò)對(duì)明暗相間條紋的處理獲得模糊參數(shù)；通過(guò)對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行最優(yōu)窗處理而抑制振鈴效應(yīng)；最后通過(guò)數(shù)學(xué)模型和模糊參數(shù)對(duì)最優(yōu)窗處理后的運(yùn)動(dòng)模糊圖像進(jìn)行維納濾波得到清晰地復(fù)原圖像。本發(fā)明提供的單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法能夠有效識(shí)別運(yùn)動(dòng)模糊圖像中的細(xì)節(jié)問題，因而具有價(jià)高的精度和較好的復(fù)原性，能夠很好的應(yīng)用于不能重復(fù)拍攝的場(chǎng)景。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。

附圖說(shuō)明

此處的附圖被并入說(shuō)明書中并構(gòu)成本說(shuō)明書的一部分，示出了符合本發(fā)明的實(shí)施例，并與說(shuō)明書一起用于解釋本發(fā)明的原理。

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，對(duì)于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法流程圖；

圖2為本發(fā)明實(shí)施例提供的運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型；

圖3為本發(fā)明實(shí)施例提供的模糊參數(shù)獲得流程圖；

圖4為本發(fā)明實(shí)施例提供的模糊參數(shù)具體獲得實(shí)驗(yàn)圖；

圖5為本發(fā)明實(shí)施例提供的最優(yōu)窗區(qū)域劃分示意圖。

具體實(shí)施方式

這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說(shuō)明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本發(fā)明相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。

請(qǐng)參考附圖1，附圖1示出了本發(fā)明實(shí)施例提供的單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法流程圖，下述具體方法的描述均以附圖1為基礎(chǔ)。

本發(fā)明實(shí)施例提供了一種單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法，該方法包括：

S01：建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型；

S02：對(duì)所述運(yùn)動(dòng)模糊圖像進(jìn)行二維傅里葉變換，得到頻譜圖；

S03：將所述頻譜圖進(jìn)行中心化處理，得到明暗相間條紋；

S04：根據(jù)所述明暗相間條紋獲得模糊參數(shù)，所述模糊參數(shù)包括模糊長(zhǎng)度和模糊角度；

S05：對(duì)所述運(yùn)動(dòng)模糊圖像的邊界處進(jìn)行最優(yōu)窗處理；

S06：根據(jù)所述數(shù)學(xué)模型和所述模糊參數(shù)對(duì)最優(yōu)窗處理后的所述運(yùn)動(dòng)模糊圖像進(jìn)行維納濾波，得到復(fù)原后的所述運(yùn)動(dòng)模糊圖像。

具體的，

S01：建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型；

如附圖2所示，運(yùn)動(dòng)模糊圖像的產(chǎn)生過(guò)程可以使用線性移不變系統(tǒng)表示，因而將運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型建立為g(x,y)＝h(x,y)*f(x,y)+n(x,y)，其中，g(x,y)為退化后圖像，h(x,y)為退化函數(shù)，表示和原圖像的卷積之后形成模糊圖像的過(guò)程；f(x,y)為原圖像，n(x,y)為外加噪聲。運(yùn)動(dòng)模糊圖像退化的原因?yàn)樵瓐D像f(x,y)和退化函數(shù)h(x,y)的卷積。在上式中，h(x,y)由模糊參數(shù)確定，若已知h(x,y)和g(x,y)，則可反向求解f(x,y)，得到復(fù)原圖像。

S02：對(duì)所述運(yùn)動(dòng)模糊圖像進(jìn)行二維傅里葉變換，得到頻譜圖；

根據(jù)二維傅里葉變換公式對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行變換得到變換后的頻譜圖，其中，該頻譜圖被分解為四塊，且每一塊頻譜圖的頻率由內(nèi)向外都是由高頻過(guò)渡到低頻。

S03：將所述頻譜圖進(jìn)行中心化處理，得到明暗相間條紋；

調(diào)整頻譜圖的頻率以整個(gè)頻譜圖的中心為原點(diǎn)由內(nèi)向外依次變大，即左上子圖與右下子圖交換，右上子圖與左下子圖交換，從而形成明暗相間條紋。

S04：根據(jù)所述明暗相間條紋獲得模糊參數(shù)，所述模糊參數(shù)包括模糊長(zhǎng)度和模糊角度；

如附圖3和附圖4所示，截取明暗相間條紋的明顯區(qū)域；對(duì)明顯區(qū)域的明暗相間條紋進(jìn)行直方圖均衡化和二值化處理以增強(qiáng)圖像的對(duì)比度，從而很好的鑒別出直線，增加運(yùn)動(dòng)模糊圖像中細(xì)節(jié)的處理度；對(duì)二值化處理后的明暗相間條紋進(jìn)行canny邊界檢測(cè)，以使每條條紋的邊緣突出，進(jìn)一步對(duì)運(yùn)動(dòng)模糊圖像細(xì)致化處理；對(duì)canny邊界檢測(cè)后的明暗相間條紋進(jìn)行Hough變換，以使檢測(cè)直線更加準(zhǔn)確。明暗相間條紋經(jīng)過(guò)Hough變換后，當(dāng)模糊角度為0度時(shí)，條紋的數(shù)量和模糊長(zhǎng)度在數(shù)值上相差1，條紋的傾斜方向和模糊角度垂直；當(dāng)模糊角度不為0度時(shí)，可以得出模糊角度和條紋方向之間的關(guān)系與圖片的大小有關(guān)，從而得出模糊長(zhǎng)度和模糊角度。

S05：對(duì)所述運(yùn)動(dòng)模糊圖像的邊界處進(jìn)行最優(yōu)窗處理；

由于運(yùn)動(dòng)模糊圖像的邊界存在不連續(xù)性，因此在對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行復(fù)原時(shí)會(huì)產(chǎn)生振鈴效應(yīng)，從而影響運(yùn)動(dòng)模糊圖像的復(fù)原處理，這就需要對(duì)運(yùn)動(dòng)模糊圖像的邊界進(jìn)行連續(xù)性處理。如附圖5所示，將運(yùn)動(dòng)模糊圖像換分為九個(gè)區(qū)域，每個(gè)區(qū)域?qū)?yīng)不同的函數(shù)，根據(jù)附圖5所示的劃分，九個(gè)區(qū)域的函數(shù)為：

根據(jù)PSF函數(shù)(point-spread function，點(diǎn)擴(kuò)散函數(shù))對(duì)運(yùn)動(dòng)模糊圖像的邊界進(jìn)行加權(quán)處理，以使運(yùn)動(dòng)模糊圖像邊界的像素值以運(yùn)動(dòng)模糊圖像中心為原點(diǎn)由外向內(nèi)過(guò)渡到零，進(jìn)而使得該運(yùn)動(dòng)模糊圖像在邊界附近近似為完全卷積的圖像，以減緩振鈴效應(yīng)。

S06：根據(jù)所述數(shù)學(xué)模型和所述模糊參數(shù)對(duì)最優(yōu)窗處理后的所述運(yùn)動(dòng)模糊圖像進(jìn)行維納濾波，得到復(fù)原后的所述運(yùn)動(dòng)模糊圖像。

根據(jù)數(shù)學(xué)模型g(x,y)＝h(x,y)*f(x,y)+n(x,y)進(jìn)行傅里葉變換，得到其中，F(xiàn)(u,v)為原圖像，G(u,v)退化圖像的傅里葉變換，H(u,v)退化函數(shù)。由于維納濾波是在統(tǒng)計(jì)學(xué)中使原圖像和恢復(fù)圖像之間的均方誤差最小來(lái)求解復(fù)原圖像的，因此最小均方誤差函數(shù)定義為：E{[f(x,y)-g(x,y)]²}＝min。為抑制噪聲影響，因此根據(jù)模糊參數(shù)及可以得到滿足E{[f(x,y)-g(x,y)]²}＝min的維納濾波公式，該維納濾波公式為：其中，G(x,y)退化圖像的傅里葉變換，H(u,v)退化函數(shù)，P_n(u,v)噪聲的功率譜，P_f(u,v)原始圖像的功率譜?？闪顒tk值表示抑制噪聲的能力，根據(jù)噪聲大小適當(dāng)調(diào)整K值，一般取K在0.1到0.001之間。根據(jù)維納濾波公式進(jìn)行反向傅里葉變換就能得到復(fù)原后的運(yùn)動(dòng)模糊圖像。

本發(fā)明提供的單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法首先建立運(yùn)動(dòng)模糊圖像退化過(guò)程的數(shù)學(xué)模型，通過(guò)對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行二維傅里葉變換、頻譜圖中心化處理得到明暗相間條紋，進(jìn)而通過(guò)對(duì)明暗相間條紋進(jìn)行直方圖均衡化、二值化、canny邊界檢測(cè)以及Hough變換的處理，以對(duì)運(yùn)動(dòng)模糊圖像的細(xì)節(jié)進(jìn)行細(xì)致化處理，從而獲得模糊參數(shù)；通過(guò)對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行最優(yōu)窗處理而抑制振鈴效應(yīng)，從而減緩振鈴效應(yīng)對(duì)運(yùn)動(dòng)模糊圖像復(fù)原處理的影響；最后通過(guò)數(shù)學(xué)模型和模糊參數(shù)對(duì)最優(yōu)窗處理后的運(yùn)動(dòng)模糊圖像進(jìn)行維納濾波得到清晰地復(fù)原圖像。本發(fā)明提供的單幅運(yùn)動(dòng)模糊圖像恢復(fù)方法能夠有效識(shí)別運(yùn)動(dòng)模糊圖像中的細(xì)節(jié)問題，因而具有價(jià)高的精度和較好的復(fù)原性，能夠很好的應(yīng)用于不能重復(fù)拍攝的場(chǎng)景。

本領(lǐng)域技術(shù)人員在考慮說(shuō)明書及實(shí)踐這里發(fā)明的公開后，將容易想到本發(fā)明的其它實(shí)施方案。本申請(qǐng)旨在涵蓋本發(fā)明的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本發(fā)明的一般性原理并包括本發(fā)明未公開的本技術(shù)領(lǐng)域中的公知常識(shí)或慣用技術(shù)手段。說(shuō)明書和實(shí)施例僅被視為示例性的，本發(fā)明的真正范圍和精神由下面的權(quán)利要求指出。

應(yīng)當(dāng)理解的是，本發(fā)明并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本發(fā)明的范圍僅由所附的權(quán)利要求來(lái)限制。