本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種基于模糊區(qū)域分割的圖像去模糊方法。

背景技術(shù)：

模糊圖像是圖像退化導(dǎo)致細(xì)節(jié)丟失的其中一種類型。造成圖像模糊的原因是在成像過程中，由于外部環(huán)境條件的限制和成像設(shè)備自身的物理局限等眾多因素的影響，不可避免地會導(dǎo)致拍攝得到的圖像出現(xiàn)模糊。運(yùn)動模糊圖像復(fù)原的關(guān)鍵是找到圖像的退化模型，并采取逆過程求解原始圖像，這個過程就稱為模糊圖像的去模糊過程。去模糊方法可以分為非盲源圖像去卷積方法和圖像盲反卷積方法。非盲源圖像去卷積方法是假設(shè)在模糊核已知的情況下，對模糊圖像進(jìn)行復(fù)原；圖像盲反卷積方法是假設(shè)模糊核未知的情況下，對模糊圖像進(jìn)行復(fù)原。

在模糊圖像去模糊方法的研究中，人們更經(jīng)常是直接解決圖像非盲源去卷積和盲反卷積問題，即人們直接明確地估計原始圖像和模糊核，從而復(fù)原圖像。模糊圖像往往僅僅存在局部模糊，將完整一幅圖像進(jìn)行圖像去模糊處理，必然會花費(fèi)更多的時間，不能做到時間和效率并行。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于模糊區(qū)域分割的圖像去模糊方法，以解決現(xiàn)有技術(shù)對局部模糊的圖像進(jìn)行去模糊處理需要花費(fèi)很多時間，效率低下的問題。

為了實現(xiàn)上述的目的，采用如下的技術(shù)方案。一種基于模糊區(qū)域分割的圖像去模糊方法，包括以下步驟：

s1為表征特征差異，采用尖峰措施區(qū)分模糊區(qū)域b和非模糊區(qū)域u；

s2利用graph-cut算法將模糊區(qū)域b和非模糊區(qū)域u分割；

s3對模糊區(qū)域b進(jìn)行原始圖像區(qū)域l的估計；

s4對模糊區(qū)域b進(jìn)行模糊核k的估計；

s5對模糊區(qū)域b進(jìn)行圖像反卷積，得到清晰區(qū)域；

s6將清晰區(qū)域與非模糊區(qū)域u重新融合，得到最后的去模糊結(jié)果。

步驟s1中，尖峰措施為采用kurtosis衡量尖峰分布：

式中，k(·)表示kurtosis分布，用來表示尖峰分布情況；a表示輸入數(shù)據(jù)向量；e(·)表示輸入數(shù)據(jù)a的期望值；

對于模糊圖像i，定義第一個特征為：

f1＝min(ln(k(ix)+3),ln(k(iy)+3))；

式中，f1即為求得的第一個特征值；ln(·)將特征映射到一個合適的范圍中；min(·)運(yùn)算符在x軸和y軸的值之間選擇一個更小的值；k(·)即為kurtosis尖峰分布求得的值；

對于kurtosis，模糊區(qū)域b對應(yīng)更小的值，非模糊區(qū)域u對應(yīng)更大的值，以此將模糊圖像i分割成模糊區(qū)域b和非模糊區(qū)域u。

步驟s3中，模糊區(qū)域b表示為模糊核k卷積原始圖像區(qū)域l后再加噪聲η，其數(shù)學(xué)模型為：

原始圖像區(qū)域l的能量函數(shù)為：

式中，表示使得后面對應(yīng)公式成立的l的最小值；表示不同方向和順序的偏導(dǎo)數(shù)，ω*∈{ω0,ω1,ω2}是對每一類偏導(dǎo)數(shù)的權(quán)重，λ是正則項的權(quán)重；

式中的第二項是一個正則項，正則項中的和可以通過下面的公式計算得到：

式中，根據(jù)經(jīng)驗，能夠使得公式達(dá)到最優(yōu)值；

為求解上面的公式，引入新的變量lxi和lyi：

式中，是對相應(yīng)項求偏導(dǎo)；

則最優(yōu)化能量函數(shù)后，根據(jù)parseval定理，由傅里葉變換可以得到原始圖像區(qū)域l的能量函數(shù)的最優(yōu)解：

式中，f(·)表示快速傅里葉變換；而f^-1(·)和分別表示快速傅里葉變換的逆變換和快速傅里葉變換的共軛取值；λ是正則項的權(quán)重；d由以下公式求得：

式中，f(·)和分別表示快速傅里葉變換和快速傅里葉變換的共軛取值；ω0，ω1，ω2分別表示每一項對應(yīng)的權(quán)重。步驟s3中，模糊區(qū)域b表示為模糊核k卷積原始圖像區(qū)域l后再加噪聲η，其數(shù)學(xué)模型為：

原始圖像區(qū)域l的能量函數(shù)為：

式中，表示使得后面對應(yīng)公式成立的l的最小值；表示不同方向和順序的偏導(dǎo)數(shù)，ω*∈{ω0,ω1,ω2}是對每一類偏導(dǎo)數(shù)的權(quán)重，λ是正則項的權(quán)重；

式中的第二項是一個正則項，正則項中的和可以通過下面的公式計算得到：

式中，根據(jù)經(jīng)驗，能夠使得公式達(dá)到最優(yōu)值；

為求解上面的公式，引入新的變量lxi和lyi：

式中，是對相應(yīng)項求偏導(dǎo)；

則最優(yōu)化能量函數(shù)后，根據(jù)parseval定理，由傅里葉變換可以得到原始圖像區(qū)域l的能量函數(shù)的最優(yōu)解：

式中，f(·)表示快速傅里葉變換；而f^-1(·)和分別表示快速傅里葉變換的逆變換和快速傅里葉變換的共軛取值；λ是正則項的權(quán)重；d由以下公式求得：

式中，f(·)和分別表示快速傅里葉變換和快速傅里葉變換的共軛取值；ω0，ω1，ω2分別表示每一項對應(yīng)的權(quán)重。

步驟s4中，由原始圖像區(qū)域l得到模糊核k的能量函數(shù)：

式中，表示使得后面對應(yīng)公式成立的k的最小值；表示x,y方向的偏導(dǎo)數(shù)算子；λ是正則項的權(quán)重；

由傅里葉變換得到模糊核k的能量函數(shù)的最優(yōu)解為：

式中，表示使得后面對應(yīng)公式成立的k的最小值；表示x,y方向的偏導(dǎo)數(shù)算子；λ是正則項的權(quán)重。

步驟s5中，由于自然圖像的梯度基本服從“重尾”分布，所以在反卷積過程中，采用l0.5為正則項的超拉普拉斯先驗算法進(jìn)行反卷積。

與現(xiàn)有技術(shù)相比，本發(fā)明先將一幅模糊圖像的模糊區(qū)域與非模糊區(qū)域進(jìn)行分割，對于模糊區(qū)域進(jìn)行原始圖像區(qū)域和模糊核的估計，然后再進(jìn)行圖像反卷積，從而將模糊區(qū)域去模糊得到清晰區(qū)域，再將清晰區(qū)域與之前的非模糊區(qū)域相結(jié)合，得到模糊圖像去模糊的最終結(jié)果，有效提高效率和縮短時間。

附圖說明

圖1為本發(fā)明的流程圖；

圖2為實施例選取的模糊圖像；

圖3為實施例利用尖峰措施得到的模糊區(qū)域和非模糊區(qū)域；

圖4為實施例利用graph-cut算法得到的分割圖像；

圖5為實施例模糊區(qū)域的模糊核；

圖6為實施例模糊圖像的去模糊結(jié)果。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步的描述。

本發(fā)明的流程如圖1所示，包括以下步驟：

s1為表征特征差異，采用尖峰措施區(qū)分模糊區(qū)域b和非模糊區(qū)域u；

s2利用graph-cut算法將模糊區(qū)域b和非模糊區(qū)域u分割；

s3對模糊區(qū)域b進(jìn)行原始圖像區(qū)域l的估計；

s4對模糊區(qū)域b進(jìn)行模糊核k的估計；

s5對模糊區(qū)域b進(jìn)行圖像反卷積，得到清晰區(qū)域；

s6將清晰區(qū)域與非模糊區(qū)域u重新融合，得到最后的去模糊結(jié)果。

實施例采用本發(fā)明對圖2進(jìn)行去模糊處理。

(1)自然圖像服從重尾分布。一般而言，模糊區(qū)域一般不包含尖銳邊緣，則其分布一般包含較小的值。因此，為表征特征差異，采用尖峰措施來區(qū)分模糊區(qū)域b和非模糊區(qū)域u。采用kurtosis來衡量尖峰分布：

式中，k(·)表示kurtosis分布，用來表示尖峰分布情況；a表示輸入數(shù)據(jù)向量；e(·)表示輸入數(shù)據(jù)a的期望值；

對于一幅模糊圖像i，假設(shè)它可以被分為模糊區(qū)域和非模糊區(qū)域，則定義第一個特征為：

f1＝min(ln(k(ix)+3),ln(k(iy)+3))；

式中，f1即為求得的第一個特征值；ln(·)將特征映射到一個合適的范圍中；min(·)運(yùn)算符在x軸和y軸的值之間選擇一個更小的值；k(·)即為kurtosis尖峰分布求得的值；

在上面的公式中，對于kurtosis而言，模糊區(qū)域?qū)?yīng)于更小的值，而非模糊區(qū)域?qū)?yīng)于更大的值。根據(jù)此來將模糊圖像i分割成模糊區(qū)域和非模糊區(qū)域。如圖3所示，圖3中的黑色部分表示非模糊區(qū)域，白色區(qū)域表示模糊區(qū)域。

(2)利用graph-cut算法將模糊區(qū)域b和非模糊區(qū)域u分割。利用graph-cut算法分割后的非模糊區(qū)域u如圖4所示。將非模糊區(qū)域u保留，將模糊區(qū)域b轉(zhuǎn)入到步驟(3)繼續(xù)處理。

(3)對模糊區(qū)域b進(jìn)行原始圖像區(qū)域l的估計。模糊區(qū)域b可以表示為模糊核k卷積原始圖像區(qū)域l后再加噪聲η，其數(shù)學(xué)模型為：

為了對模糊區(qū)域b去模糊，首先需要先求原始圖像區(qū)域l。原始圖像l的能量函數(shù)為：

式中，表示使得后面對應(yīng)公式成立的l的最小值；表示不同方向和順序的偏導(dǎo)數(shù)，ω*∈{ω0,ω1,ω2}是對每一類偏導(dǎo)數(shù)的權(quán)重，λ是正則項的權(quán)重；

式中的第二項是一個正則項，正則項中的和可以通過下面的公式計算得到：

式中，根據(jù)經(jīng)驗，能夠使得公式達(dá)到最優(yōu)值；

為了更好的求解上面的公式，引入新的變量lxi和lyi：

式中，是對相應(yīng)項求偏導(dǎo)；

則最優(yōu)化能量函數(shù)后，根據(jù)parseval定理，由傅里葉變換可以得到l的最優(yōu)解：

式中，f(·)表示快速傅里葉變換；而f^-1(·)和分別表示快速傅里葉變換的逆變換和快速傅里葉變換的共軛取值；λ是正則項的權(quán)重；d由以下公式求得：

式中，f(·)和分別表示快速傅里葉變換和快速傅里葉變換的共軛取值；ω0，ω1，ω2分別表示每一項對應(yīng)的權(quán)重。

(4)對模糊區(qū)域b進(jìn)行模糊核k的估計。得到l的最優(yōu)解后，對模糊核k進(jìn)行估計，其能量函數(shù)為：

式中，表示使得后面對應(yīng)公式成立的k的最小值；表示x,y方向的偏導(dǎo)數(shù)算子；λ是正則項的權(quán)重；

同樣，通過傅里葉變換后，最優(yōu)化上面的公式，可得

式中，表示使得后面對應(yīng)公式成立的k的最小值；表示x,y方向的偏導(dǎo)數(shù)算子；λ是正則項的權(quán)重。圖5展示的是兩幅不同模糊圖像的模糊區(qū)域分別得到的模糊核。

(5)對模糊區(qū)域b進(jìn)行圖像反卷積。由于自然圖像的梯度基本服從“重尾”分布，所以在反卷積過程中，將采用l0.5為正則項的超拉普拉斯先驗算法進(jìn)行反卷積。

(6)將模糊區(qū)域b處理后得到的清晰區(qū)域與非模糊區(qū)域u重新融合，得到最后的去模糊結(jié)果。圖6展示的是最后的去模糊結(jié)果。