本發(fā)明涉及數(shù)字圖像處理技術(shù)，尤其涉及一種基于先驗(yàn)約束和離群值抑制的圖像去模糊方法。

背景技術(shù)：

去模糊技術(shù)是圖像和視頻處理領(lǐng)域被廣泛研究的主題?；谙鄼C(jī)抖動(dòng)造成的模糊在一定意義上嚴(yán)重影響圖像的成像質(zhì)量和視覺觀感。作為圖像預(yù)處理領(lǐng)域一個(gè)極其重要的分支，去模糊技術(shù)的提升直接影響其他計(jì)算機(jī)視覺算法的性能，如前景分割、物體檢測、行為分析等；同時(shí)它也影響著圖像的編碼性能。因此，開發(fā)高性能的去模糊算法具有重要作用。

通常情況下可用卷積模型來解釋模糊成因，相機(jī)抖動(dòng)的過程可以映射為模糊核軌跡psf(pointspreadfunction)。在模糊核未知的情況下還原清晰圖像，這一問題屬于不適定(ill-posed)問題，所以，通常意義上需要先估計(jì)模糊核，再利用評(píng)估的模糊核進(jìn)行返卷積操作得到復(fù)原圖像。目前，常用算法包括基于map的em算法；原始的mapx,k(其中x表示清晰圖像，k表示模糊核)算法很多情況下會(huì)將模糊圖像作為非模糊解釋(no-blurexplanation)，這使得評(píng)估圖像和模糊核依次迭代過程的失??；之后的mapk(k表示模糊核)算法是mapx,k的改進(jìn)，它解決了非模糊解釋的問題，這一算法首先估計(jì)出模糊核，之后再利用非盲返卷積(non-blinddeconvolution)進(jìn)行圖像的復(fù)原。然而，以上算法都存在先驗(yàn)約束不足或不合適的問題，同時(shí)，評(píng)估的模糊核存在離群值這一問題也沒有得到很好的解決，這一細(xì)微的差別很可能會(huì)造成去模糊過程的失敗。

綜上所述，現(xiàn)有的去模糊算法存在的缺點(diǎn)包括：(一)先驗(yàn)假設(shè)不準(zhǔn)確；(二)先驗(yàn)約束不合適；(三)模糊核中存在的離群值未得到很好的抑制，這是由于相機(jī)抖動(dòng)的過程是連續(xù)的，這就決定了模糊核軌跡的連續(xù)性，因此，模糊核中存在的離群值一定會(huì)造成返卷積過程的失敗。

技術(shù)實(shí)現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于先驗(yàn)約束和離群值抑制的圖像去模糊方法，解決現(xiàn)有算法中存在的先驗(yàn)假設(shè)不準(zhǔn)確、先驗(yàn)約束不合適，以及模糊核中存在離群值的問題，通過解決以上這些問題，本發(fā)明能夠明顯提高模糊圖像的復(fù)原水平。

本發(fā)明的原理是：提出一種基于先驗(yàn)信息約束和離群值抑制的去模糊算法，旨在解決現(xiàn)有算法中存在的先驗(yàn)假設(shè)不準(zhǔn)確、先驗(yàn)約束不合適，以及模糊核中存在離群值的問題。具體是在mapk算法思想的基礎(chǔ)上，基于先驗(yàn)約束和離群值抑制，實(shí)現(xiàn)圖像去模糊；首先，利用l0范數(shù)約束以及重尾先驗(yàn)信息獲得模糊圖像中的顯著性結(jié)構(gòu)；其次，在顯著性結(jié)構(gòu)的基礎(chǔ)上，采用l0范數(shù)約束對(duì)模糊核進(jìn)行評(píng)估；然后，對(duì)評(píng)估的模糊核進(jìn)行離群值抑制；最后，采用非盲反卷積算法得到最終的復(fù)原圖像。本發(fā)明方法通過解決現(xiàn)有算法中存在的先驗(yàn)假設(shè)不準(zhǔn)確、先驗(yàn)約束不合適，以及模糊核中存在離群值的問題，能夠有效地提高模糊圖像的復(fù)原。

本發(fā)明提供的技術(shù)方案是：

一種基于先驗(yàn)約束和離群值抑制的圖像去模糊方法，采用卷積模型來擬合清晰圖像的模糊過程，包括模糊圖像顯著性結(jié)構(gòu)評(píng)估、模糊核估計(jì)及其離群值抑制、非忙反卷積模糊圖像復(fù)原過程；

1)模糊圖像顯著結(jié)構(gòu)評(píng)估過程，具體包括如下步驟：

11)采用式1的卷積模型來擬合清晰圖像的模糊過程：

其中，i表示模糊圖像，k表示模糊核，η表示噪聲(我們假設(shè)其分布為高斯噪聲)；

采用重尾效應(yīng)的先驗(yàn)約束作為模糊圖像顯著型結(jié)構(gòu)梯度的分布情況，見式2：

其中，s為模糊圖像的顯著性結(jié)構(gòu)(并不是待還原的圖像)，用來輔助評(píng)估模糊核k；式2的第一項(xiàng)可以看成是損失函數(shù)(雖然這樣會(huì)造成式2值變大，但本發(fā)明要評(píng)估的是使優(yōu)化方程達(dá)到最小的值s，所以不影響優(yōu)化過程)；式2的第二項(xiàng)是用超拉普拉斯來模擬重尾效應(yīng)；

12)評(píng)估模糊圖像顯著性結(jié)構(gòu)：

引入l0范數(shù)對(duì)模糊圖像的顯著性結(jié)構(gòu)s的紋理進(jìn)行約束，同時(shí)利用l2范數(shù)限制s中平滑區(qū)域的噪聲，更新后的公式如式3：

其中，m是對(duì)模糊圖像顯著性結(jié)構(gòu)s中紋理的二值標(biāo)定，(1-m)是對(duì)s中平滑區(qū)域的二值標(biāo)定；式3的后兩項(xiàng)(即第三項(xiàng)和最后一項(xiàng))用來進(jìn)行紋理約束，其中第三項(xiàng)對(duì)大尺寸細(xì)節(jié)進(jìn)的約束，最后一項(xiàng)是對(duì)平滑的約束；

我們用式4和式5對(duì)m進(jìn)行定義：

m＝h(r-τr)(式5)

式4中，x表示像素點(diǎn)的位置，y表示以像素點(diǎn)為中心，窗口大小為nh范圍內(nèi)的像素點(diǎn)，r(x)表示位置x處的像素點(diǎn)屬于紋理部分的程度；利用式4可以對(duì)s中的紋理做初步的劃分，r(x)的取值在(0，1)，r(x)越大，表示x屬于紋理部分的可能行越大；同時(shí)式4又限制了突變紋理的出現(xiàn)(因?yàn)楫?dāng)模糊核尺寸大于模糊圖像細(xì)節(jié)尺寸時(shí)，圖像復(fù)原失敗，因此需要限制突變紋理)。式5中m用heaviside階躍函數(shù)來求取，其中τr表示像素點(diǎn)屬于紋理部分的程度r(x)的閾值，它用來區(qū)分顯著性結(jié)構(gòu)s中的紋理區(qū)域和平滑區(qū)域，本發(fā)明中我們采用直方圖均衡的方法來獲取τr。

13)求解模糊圖像顯著性結(jié)構(gòu)，具體如下：

為求解式3，引入兩個(gè)替代變量u和w來選擇性替代并用迭代的方法來更新s，式3的變種如下:

我們用交替更新的方法獲得每一次迭代s，u和w的解；

變量u的求解：

變量w的求解：

我們采用相對(duì)全偏差rtv(relativetotalvariation)的方法來求解式9；

模糊圖像顯著性結(jié)構(gòu)變量s的求解如下：

基于帕斯瓦爾定理，將式10經(jīng)過傅里葉變換之后求得s：

其中，表示傅里葉變換，表示傅里葉逆變換。

2)模糊核估計(jì)及其離群值抑制過程，具體如下：

本發(fā)明采用梯度信息和顯著性結(jié)構(gòu)來估計(jì)模糊核，利用式14和15迭代更新得到模糊核軌跡，如圖6所示和圖8右圖和圖9(c)所示。

具體地，本發(fā)明利用評(píng)估的模糊圖像顯著性結(jié)構(gòu)s來進(jìn)行模糊核的估計(jì)，我們采用l0范數(shù)對(duì)模糊核中的離群值進(jìn)行限制，優(yōu)化方程如下：

s.t.k≥0,||k||1＝1(式12)

類似地，我們引入替換變量v進(jìn)行迭代更新，式12的變種如下：

對(duì)于以上兩個(gè)變量(v和k)求解如下：

3)模糊圖像復(fù)原過程，具體如下：

利用估計(jì)出的模糊核，采用非盲反卷積技術(shù)對(duì)模糊圖像進(jìn)行復(fù)原操作。

非盲反卷積可采用任何現(xiàn)有的非盲反卷積算法，本發(fā)明實(shí)施方案中采用文獻(xiàn)1(perrone,daniele,andpaolofavaro."totalvariationblinddeconvolution:thedevilisinthedetails."proceedingsoftheieeeconferenceoncomputervisionandpatternrecognition.2014)中記載的非盲反卷積方法。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明提出了一種基于先驗(yàn)約束和離群值抑制的圖像去模糊方法，利用l0范數(shù)約束以及重尾先驗(yàn)信息獲得模糊圖像中的顯著性結(jié)構(gòu)；在顯著性結(jié)構(gòu)的基礎(chǔ)上，采用l0范數(shù)約束對(duì)模糊核進(jìn)行評(píng)估；對(duì)評(píng)估的模糊核進(jìn)行離群值抑制；采用非盲反卷積算法得到最終的復(fù)原圖像。本發(fā)明能夠解決現(xiàn)有算法中存在的先驗(yàn)假設(shè)不準(zhǔn)確、先驗(yàn)約束不合適，以及模糊核中存在離群值的問題，通過解決以上這些問題，本發(fā)明能夠明顯提高模糊圖像的復(fù)原水平。

附圖說明

圖1是本發(fā)明具體實(shí)施的流程示意圖；

圖2是本發(fā)明方法的流程框圖；

其中，kⁿ表示最小尺寸圖像評(píng)估得到的模糊核，k⁰表示最終得到的評(píng)估模糊核。

圖3是本發(fā)明實(shí)施例中模糊圖像顯著性結(jié)構(gòu)的紋理圖；

其中，(a)為原始模糊圖像；(b)為原始模糊圖像梯度分布情況；(c)為梯度直方圖分布；(d)是用顏色信息表示的r值能量圖、即原始圖像r(x)的取值分布圖。

圖4是本發(fā)明實(shí)施例中模糊圖像的顯著性結(jié)構(gòu)示例圖。

圖5是本發(fā)明實(shí)施例中不同尺寸下模糊圖像的顯著性結(jié)構(gòu)；

其中，(a)～(d)為不同尺寸下模糊圖像。

圖6是本發(fā)明實(shí)施例迭代更新得到的模糊核。

圖7是本發(fā)明實(shí)施例模糊圖像復(fù)原后的圖像。

圖8是本發(fā)明實(shí)施例中模糊圖像及其復(fù)原圖像放大的對(duì)比圖。

圖9是本發(fā)明實(shí)施例中模糊圖像、顯著性結(jié)構(gòu)、復(fù)原圖的對(duì)比；

其中，圖(a)為原始模糊圖像；圖(b)為顯著性結(jié)構(gòu)；圖(c)為模糊復(fù)原圖像。

具體實(shí)施方式

下面結(jié)合附圖，通過實(shí)施例進(jìn)一步描述本發(fā)明，但不以任何方式限制本發(fā)明的范圍。

本發(fā)明提出的基于先驗(yàn)約束和離群值抑制的去模糊方法流程圖如圖2所示，圖中，kⁿ表示最小尺寸圖像評(píng)估得到的模糊核，k⁰表示最終得到的評(píng)估模糊核。本發(fā)明方法利用多次采樣的方式不斷迭代更新模糊核，并利用非忙反卷積算法獲得最終的復(fù)原圖象。

本發(fā)明方法具體步驟如下：

表1是以下步驟中采用的參數(shù)名稱及其相應(yīng)參數(shù)含義說明

表1參數(shù)列表

步驟1.模糊模型選擇：本發(fā)明采用式1模型，并假設(shè)噪聲服從高斯分布，得到如式2的優(yōu)化方程；

本發(fā)明采用卷積模型來擬合清晰圖像的模糊過程，如式1：

其中，i表示模糊圖像，k表示模糊核，η表示噪聲(我們假設(shè)其分布為高斯噪聲)。

采用重尾效應(yīng)的先驗(yàn)約束作為模糊圖像顯著型結(jié)構(gòu)梯度的分布情況，見式2：

其中，s為模糊圖像的顯著性結(jié)構(gòu)；

步驟2.模糊圖像顯著性結(jié)構(gòu)評(píng)估：

首先，利用式4和式5得到顯著性結(jié)構(gòu)的紋理標(biāo)定，如圖3(d)所示；圖3是實(shí)施例中模糊圖像顯著性結(jié)構(gòu)的紋理圖；其中，(a)為原始模糊圖像；(b)為原始模糊圖像梯度分布情況；(c)為梯度直方圖分布；(d)為原始圖像r(x)的取值分布。利用式4和式5得到顯著性結(jié)構(gòu)的紋理標(biāo)定具體如下：

我們引入l0范數(shù)對(duì)模糊圖像的顯著性結(jié)構(gòu)s的紋理進(jìn)行約束，同時(shí)利用l2范數(shù)限制s中平滑區(qū)域的噪聲，更新后的公式如式3：

其中，m是對(duì)模糊圖像顯著性結(jié)構(gòu)s中紋理的二值標(biāo)定，(1-m)是對(duì)s中平滑區(qū)域的二值標(biāo)定；我們用式4和式5對(duì)m進(jìn)行定義：

m＝h(r-τr)(式5)

式4中，x表示像素點(diǎn)的位置，y表示以像素點(diǎn)為中心，窗口大小為nh范圍內(nèi)的像素點(diǎn)，r(x)表示位置x處的像素點(diǎn)屬于紋理部分的程度；利用式4可以對(duì)s中的紋理做初步的劃分，r(x)的取值在(0，1)，r(x)越大，表示x屬于紋理部分的可能行越大；同時(shí)式4又限制了突變紋理的出現(xiàn)(因?yàn)楫?dāng)模糊核尺寸大于模糊圖像細(xì)節(jié)尺寸時(shí)，圖像復(fù)原失敗，因此需要限制突變紋理)。式5中m用heaviside階躍函數(shù)來求取，其中τr表示r的閾值，它用來區(qū)分顯著性結(jié)構(gòu)s中的紋理區(qū)域和平滑區(qū)域，本發(fā)明中我們采用直方圖均衡的方法來獲取τr。

其次，利用式8，9，11迭代更新得到模糊圖像顯著性結(jié)構(gòu)，如圖4所示；圖5為不同尺寸下估計(jì)得到的顯著性結(jié)構(gòu)；具體如下：

為求解式3，我們引入兩個(gè)替代變量u和w來選擇性替代并用迭代的方法來更新s，式3的變種如下:

我們用交替更新的方法獲得每一次迭代s，u和w的解；

變量u的求解：

變量w的求解：

我們采用相對(duì)全偏差rtv(relativetotalvariation)的方法來求解式9；

變量s的求解：

基于帕斯瓦爾定理，我們將式10經(jīng)過傅里葉變換之后求得s：

其中，表示傅里葉變換，表示傅里葉逆變換。

步驟3.模糊核估計(jì)，具體如下：

本發(fā)明采用梯度信息和顯著性結(jié)構(gòu)來估計(jì)模糊核，利用式14和15迭代更新得到模糊核軌跡，如圖6所示和圖8右圖和圖9(c)所示。

具體地，本發(fā)明利用評(píng)估的模糊圖像顯著性結(jié)構(gòu)s來進(jìn)行模糊和的估計(jì)，我們采用l0范數(shù)對(duì)模糊核中的離群值進(jìn)行限制，優(yōu)化方程如下：

s.t.k≥0,||k||1＝1(式12)

類似地，我們引入替換變量v進(jìn)行迭代更新，式12的變種如下：

對(duì)于以上兩個(gè)變量求解如下：

步驟4.非盲反卷積，具體如下：

此處可采用任何現(xiàn)有的非盲反卷積算法。

以上步驟可表示為如下算法流程：

本發(fā)明實(shí)施方案中，非盲反卷積具體采用文獻(xiàn)1(perrone,daniele,andpaolofavaro."totalvariationblinddeconvolution:thedevilisinthedetails."proceedingsoftheieeeconferenceoncomputervisionandpatternrecognition.2014)中提出的算法，如圖7所示，其為圖3中模糊圖像的復(fù)原圖像；另以圖8為例，左圖為模糊圖像及其放大區(qū)域，右圖為復(fù)原效果及對(duì)應(yīng)的放大區(qū)域。其中模糊核以能量圖的形式表示在右圖左上角。

需要注意的是，公布實(shí)施例的目的在于幫助進(jìn)一步理解本發(fā)明，但是本領(lǐng)域的技術(shù)人員可以理解：在不脫離本發(fā)明及所附權(quán)利要求的精神和范圍內(nèi)，各種替換和修改都是可能的。因此，本發(fā)明不應(yīng)局限于實(shí)施例所公開的內(nèi)容，本發(fā)明要求保護(hù)的范圍以權(quán)利要求書界定的范圍為準(zhǔn)。