專利名稱：一種基于邊緣信息的多尺度模糊圖像盲復原方法
技術領域：
本發明涉及圖像盲復原技術領域，尤其涉及一種穩健的基于邊緣信息的多尺度模 糊圖像復原方法。
背景技術：
在用相機拍攝物體時，由于在曝光的過程中可能存在相機與被攝物體之間的相對 移動或抖動，因此獲得的圖像會出現模糊現象。比如，對地航拍時飛機向前的推進以及載荷 平臺的顫振，普通數碼相機手持拍攝物體時釋放開門的過程中的抖動等等，很多拍攝環境 都會造成的運動模糊情況。在圖像獲取條件一定的條件下，如何利用已得到的信息來獲得 更加清晰的圖像成為成像過程中的尤為重要的一步，也是現代圖像處理領域的熱點，它在 天文拍攝、航空成像、醫學成像、民用照相等領域都有極為重要的意義。將模糊圖像去模糊得到清晰圖像的過程屬于圖像復原的一個部分。圖像復原的過 程可以看成是一個反卷積的問題，它屬于數學物理問題中的一類“反問題”，反問題的重要 特性就是其病態性，即問題的解不是連續地依賴于觀測數據，也就是說，觀測數據的微小變 動就可能導致解的很大變化。在圖像復原中，細微噪聲的加入也就有可能嚴重影響復原的 結果。而且我們往往碰到的是不知道退化條件或沒有預先知道退化模型的情況，所以我們 還要估計退化模型，僅僅從單幅圖像復原又可看作“盲復原”問題，而對此類問題如今還沒 有很好的通用的解決方法，需要根據具體情況來解決。圖像模糊的過程可以看作清晰圖像 卷積一個模糊核再加一定量噪聲的過程。而圖像去模糊就是從觀測到的退化的模糊的有噪 聲的圖像中重建獲得接近原始的清晰圖像，而當不知道模糊核時，直接從模糊圖中復原出 清晰圖的過程就是圖像盲復原，這類問題的病態性更大，對噪聲更加敏感。對于已知模糊核的圖像復原稱為非盲復原問題，這方面人們已經做了很多的工 作，也取得了較好的結果。如簡單而高效的Richardson-Lucy (RL)算法、各種頻域或小波域 的求解方法、能保留邊緣去噪的各類總變分約束復原方法、稀疏分布約束的求解方法，以及 一些去波紋的復原方法等方法都各有其優缺點。因為模糊核不可獲取性，人們后來采用輔 助設備來獲取模糊核，如設定特殊的曝光時間來揭示模糊路徑、用輔助一個高速相機獲取 模糊路徑、用慣性測量傳感器求得曝光過程中相機的加速度和角速度而估算模糊情況、對 同一景物拍攝多幅圖從中找出模糊核、從一幅長曝光的模糊圖和一幅短曝光的高噪聲圖中 求模糊核等等，這些方法也稱為計算攝影。但是我們實際獲得的往往只有一幅模糊圖，而盲復原就是只從單幅模糊圖中得到 清晰圖。早期的盲復原方法多用在天文圖像的復原中，模糊核結構固定條件單一，適用性較 窄。后來逐漸發展的貝葉斯框架下的復原方法等多存在理論研究上，在實際復原模糊圖像 中還不能很好的應用。后來人們采用基于整體學習參數估計的方法在單幅圖的復原中取得 了較好的結果，但是參數估計致使速度很慢，而且對有些大模糊核的圖復原結果不夠穩定。 還有在緊框架下利用清晰圖和模糊核的稀疏特性來盲復原的方法，以及有邊緣約束的其他 方法，對波紋有一定的抑制作用，但收斂速度不夠快，且參數的設置對結果有較大影響，而且時間復雜度較大。如今處理盲復原問題往往是，給與模糊圖相關的量如模糊核和清晰圖 設置一定的約束，如基于最大后驗概率模型構建一條能量式子，通過最小化能量式子來獲 得真實的模糊核和清晰圖，計算時一般采用最優化方法求解。但是由于問題本身的病態性， 以及信息的不足性，求解時常常會出現很難收斂或收斂失敗的情況，這時模糊核和復原圖 都將與真實值偏差很大。所以圖像盲復原方法需要結合更多的圖像先驗信息才能使算法穩 健。

發明內容
本發明提供了一種穩健的基于邊緣信息的多尺度模糊圖像盲復原方法，該方法對 各類不同模糊程度的圖像都能有效地收斂，并且和一般的直接求能量最小化的盲復原方法 相比，計算復雜度低，噪聲抑制能力強。—種基于邊緣信息的多尺度模糊圖像盲復原的方法，包括根據待處理圖像信息 確定縮放比例λ和縮放尺度層數s，將待處理圖縮小至最小尺度得到最小尺度的模糊圖 像，在最小尺度層復原圖像設定為最小尺度的模糊圖像，模糊核的初始值設定為零矩陣，在 小尺度到大尺度方法框架下循環進行逐步的圖像復原，同時在不同尺度設置自適應參數， 直到圖像大小到達原始尺度，得到最后精確的模糊核，并用此模糊核復原原始模糊圖像得 到實際圖像尺寸的清晰圖像，其特征在于，對于每個尺度層進行如下處理(1)根據尺度大小控制雙邊濾波器參數，對當前尺度得到的復原圖像利用雙邊濾 波器進行雙邊濾波，得到去除噪聲和波紋的圖像；(2)根據尺度大小控制激波濾波器參數，用對步驟(1)得到的圖像利用激波濾波 器進行激波濾波，得到具有高強度反差邊緣的圖像；(3)對步驟(2)得到的具有高強度反差邊緣的圖像求邊緣，將當前尺度的模糊核 作為初始值，結合對應尺度的模糊圖像及其邊緣，根據尺度大小控制模糊核估計算法參數， 用模糊核估計算法得到當前尺度的精確的模糊核；(4)根據尺度大小控制RL復原算法參數，用步驟(3)中得到的精確的模糊核，采取 RL復原算法對當前尺度的模糊圖像進行復原，得到當前尺度的清晰復原圖像；(5)將步驟(3)得到的模糊核和步驟(4)得到的復原圖像采用雙線性差值模式將 其放大到相鄰的大尺度層得到相鄰大尺度層的初始模糊核和復原圖像，同時將當前尺度層 的模糊圖像放大λ倍得到相鄰大尺度層的模糊圖，然后進入相鄰大尺度層的循環運算。圖像的模糊過程一般可以表示為如下模型B = F K + N(1)式⑴中B代表獲取的模糊圖像；F代表原始的清晰圖像；K代表模糊核，或稱為點擴散函數(PSF)；N代表加性噪聲項； 表示二維卷積算子。如果模糊核K是已知的，那么根據模糊圖像B和模糊核K求清晰圖像L的過程就 是已知模糊核的圖像復原。而從單幅模糊圖像中復原出清晰圖像的過程，即只知道模糊圖像B而不知模糊核K的情況下求清晰圖像L的過程，它屬于盲復原問題，其病態性更大，對 噪聲更加敏感。圖像盲復原中最關鍵的一步就是模糊核的估計，因為模糊核的準確性會嚴重影響 最終的圖像復原，尤其是波紋現象的嚴重程度。只要知道模糊核和清晰圖像中之一，我們就 可以得到另一個，所以關鍵的一步是需要得到一個較為準確的模糊核。鑒于模糊圖像尚保 留一定程度的邊緣，我們可以通過一定的濾波處理從模糊圖像中提取出圖像的大致邊緣， 然后根據此邊緣信息和對應的模糊圖像來求得更加準確的模糊核，最后復原圖像。本發明 啟發于此關系，多個尺度層組成塔式圖像金字塔，通過在塔式圖像金字塔上逐步優化求解， 并結合各層金字塔的尺度特性以及內部各算法的特點設置各自的自適應調整參數，從而構 建出一個對較廣泛的模糊圖像都有效的穩健的盲復原算法。本發明方法由如下四個核心模塊組成模糊核的求取、模糊圖像的復原、從小尺度 到大尺度的方法和自適應參數的設置。(1)模糊核的求取此過程可以分為如下四個步驟保邊去噪濾波、偏微分方程方法求尖銳邊緣、在梯 度域去噪和求模糊核。保邊去噪濾波采用雙邊濾波器對圖像進行去噪，雙邊濾波器的模型如下式所示 式⑵和式(3)中Ip表示待濾波的圖像在ρ點的像素值；Iq表示待濾波的圖像在q點的像素值；Jp表示濾波后的圖像ρ點的像素值；ρ表示整幅圖中某像素點的坐標；q表示濾波窗口中某像素點的坐標；Ω表示濾波窗口像素坐標的集合；Gc^表示標準差為0 s的高斯濾波函數；Gffe表示標準差為0。的高斯濾波函數；σ。表示空間濾波窗中空間臨近權重的標準差；σ s表示強度相似權重的標準差；Wp表示歸一化項；I I · I I表示求絕對值。雙邊濾波器去噪可以保留邊緣信息又去除平滑區域的噪聲，并且可以去掉因暫時 還不準確的模糊核復原產生的較弱的波紋。然后用圖像偏微分方程方法求取圖像尖銳邊緣，這一步采用激波濾波器對步驟 (1)得到的去噪圖求有高強度反差邊緣的圖像，激波濾波器的原始模型如下It+l =It-sign{Mt)\VIt\dt( 4 )
式(4)中It表示激波濾波過程中迭代次數為t次的濾波圖像；It+1表示激波濾波過程中迭代次數為t+Ι次的濾波圖像；ft表示迭代次數；dt表示擴散的步長；V表示微分算子；Δ表示拉普拉斯算子；sign( ·)表示符號函數；I I · I I表示求絕對值。經過雙邊濾波器處理得到的去噪圖像進過激波濾器擴散濾波后，模糊邊界會被演 化為一條界線分明的尖銳邊緣，這些邊緣信息和潛在的清晰圖像有密切的聯系。由于激波濾波后的圖像丟失了一些強度較弱的信息而保留強邊緣，因此求模糊核 時在其梯度域進行，即對激波濾波后的圖像求空間梯度，然后再對得到的空間梯度進行閾 值濾波，表達式如下 式(5)中I表示激波濾波后的圖像S/表示激波濾波后的梯度圖像；J表示閾值濾波后的圖像。abs( ·)表示絕對值函數。求模糊核的表達式如下 重；
式(6)和式(7中)
U表示激波濾波后的圖像對應的各個方向的一階和二階梯度圖的集合 B*表示模糊圖對應的各個方向的一階和二階梯度圖的集合； K表示模糊核； B表示模糊圖像；
表示二維卷積算子。ω,ε {ω17 ω2}分別表示1階和2階梯度圖像對應的權 β表示Tikhonov正則化能量約束的系數。
用共軛梯度法解(6)式得到模糊核，計算中圖像和模糊核的卷積運算時采用傅里 葉頻域相乘的方法來加速計算。另外，在用迭代法求模糊核時，在每次迭代后對其進行遲滯閾值濾波，將小于一定 值的點置零，這樣消除噪聲能有效的防止迭代過程不收斂情況的發生。在求模糊核時，為了加快速度我們可以截取圖像中的一塊來求，例如中心部分的 512像素的正方形窗，如果這個窗口取的過小也可能出現算法不能收斂的情況，所以需要根 據環境和要求權衡速度和準確性。(2)模糊圖像的復原用式(6)得到的模糊核，采用RL復原算法對模糊圖像進行復原，RL算法的原始模 型如下 式(8)中t表示迭代次數；It表示圖像復原過程中經過t次迭代后得到的復原圖像；It+1表示圖像復原過程中經過t+Ι次迭代后得到的復原圖像；B代表獲取的模糊圖像；K表示模糊核； 表示二維卷積算子；Kt(X，y) = K(-χ, -y)表示圖模糊核K經過空間中心對稱變換運算。本發明中采用 Biggs D 的力口速 RL 算法(Biggs D, Andrews Μ. Acceleration of iterative image restoration algorithms [J] ；Applied Optics,1997,36 (8) 1766-1775)來加快收斂提高速度。在RL迭代復原圖像過程中，需要迭代次數的參數，根據不同尺度和不同精細度的 模糊核設置不同的大小，從而使噪聲放大的情況得到抑制，而且復原的圖像的細節更加清 晰。(3)從小尺度層到大尺度層的方法先用雙線性差值方式下采樣縮小模糊圖像至一個小尺度，如原圖像的1/8大小。 在這個尺度求得模糊核和復原圖像，然后采用雙線性差值模式將其放大到一個稍大的尺度 層上，用此時的模糊核作為估計的模糊核，將此時的復原圖像通過雙邊濾波器和激波濾波 器濾波后得到邊緣尖銳的圖像，然后結合此尺度的模糊圖像求得更加精確的模糊核，最后 根據精確的模糊核和模糊圖像得到清晰的復原圖像。依次方法逐漸擴大尺度層，那么模糊 核和復原圖像也會逐漸接近真實值，從而得到一個穩健的解。在最小的尺度層估計模糊核 時，沒有上一層得到的復原圖像，我們用模糊圖來代替，由于尺度小，對其濾波后能得到一 定的尖銳邊緣信息，另外在此尺度層我們可以選用零矩陣作為模糊核的初始估算值，利用 模糊圖像和復原圖求得更為準確的模糊核。對于單幅圖像的復原，采用從小尺度層逐漸到大尺度層的方法來處理，算法的收 斂性大大提高，解也更加趨于穩定，對噪聲的敏感度也大大降低。(4)自適應參數的設置
為了使算法對不同類型的圖片都有效收斂，我們需要設置一些自適應變化的參 數，從而對各類不同的大模糊核的模糊圖像都適用，此模塊對結果的穩定性有著極為關鍵 的作用。因為該方法是在塔式金字塔的各個尺度層逐步作用的，所以在每一個尺度層上的 參數需要調整設置。每兩個相鄰尺度之間的縮放設置一個適中的比例，然后一定的差值縮 放算法獲得各個尺度對應的圖像。在步驟(3)中，在最小尺度層剛開始估計模糊核時，得到的往往是不精確的解，所 以我們用此時復原得到的圖像和模糊圖像再計算模糊核并重新求復原圖像，這樣操作多次 后，模糊核會更加準確。本發明中，我們對最小尺度層處理時這樣重復操作4遍，在大尺度 上只需處理一次或兩次，因為模糊核和復原圖像已經趨于實際值。小尺度時由于輸入圖像和模糊核都還不準確，因而求解時迭代次數過大會產生一 定的誤差，在步驟(4)中，在小尺度求模糊核的共軛梯度法中迭代設次數設置一個較小的 值，而隨著尺度逐漸增大到原始大尺度，迭代次數逐漸增大到一定值，這樣既能得到一個最 佳的模糊核又可以避免過迭代產生圖像邊緣波紋。另外在每一次迭代后對模糊核去噪時， 設置一個隨著迭代次數增加而逐漸降低的閾值，可以保留正確的模糊核數據額而又去除虛 假的噪聲。在步驟(1)中，對得到的復原圖像進行雙邊濾波時，設置濾波器的空間臨近權重 項標準差σ。隨著尺度的增加而逐漸減小。在步驟(2)中求邊緣時的激波濾波器的參數也 隨著尺度的增加而逐漸變化，如步長dt和迭代次數t慢慢變小。在步驟(3)求模糊核之前， 設置激波濾波后的梯度圖像上閾值濾波時，此閾值也從一個較高的值隨著尺度的增加逐漸 降到一個較低的值。以上這些參數的變化往往需要先緩慢后加速的增加或減小，本發明采用伽馬函數 對其進行變化設定，不同的參數的伽馬值不同，其表達式如下
( 9 )式(9)中ymin表示輸出參數的最小值；yfflax表示輸出參數的最大值；y表示當前尺度的參數值；Xmin表示最小尺度尺寸的log值；Xfflax表示最大尺度尺寸的log值；χ表示當前尺度尺寸的log值；γ表示伽馬函數參數。上述Xmax和Xmin既可以選擇最小尺度或最大尺度的寬度的log值也可以選擇相應 的長度的log值，對于隨著尺度增加而逐漸增加的參數伽馬函數參數為2到4之間，對于逐 漸減小的參數伽馬函數參數設為1/3到1/2之間。通過這種各尺度不同參數的設置，當算 法進行到最大尺寸上時，基本上都能找出正確的模糊核并復原出清晰圖像。本發明方法通過自適應參數的設定，消除其中子算法的缺點，大大發揮其優點，能 夠便捷穩健地從單幅模糊圖像中獲取準確的模糊核并以此復原圖像得到去模糊的清晰圖 像，它對不同紋理復雜度和不同場景的模糊圖像基本都有效，特別是對于模糊核比較大而且比較復雜的模糊圖像尤為有用。本發明方法適用于日常照相、天文拍攝、生物成像、航空 成像、醫學成像等領域的圖像處理方面。


圖1為本發明基于邊緣信息的多尺度模糊圖像盲復原方法的流程示意圖；圖2為本發明基于邊緣信息的多尺度模糊圖像盲復原方法從小尺度層到大尺度 層的詳細流程示意圖；圖3為本發明中待處理的原始模糊圖；圖4為從第二尺度采樣得到的復原圖像；圖5為從第二尺度采樣得到的模糊核圖像；圖6為圖4經過雙邊濾波器處理后的圖像；圖7為圖6經過激波濾波器處理后的圖像；圖8為第三尺度求得到的更為精確的模糊核；圖9為第三尺度對應的模糊圖像；圖10為第三尺度求得到的更為清晰的復原圖像；圖11為模糊核隨尺度增大的演變過程；圖12為利用本發明的盲復原方法將圖3復原得到的最終的復原圖像。
具體實施例方式本發明方法的輸入信息為單幅待處理的拍攝得到的模糊圖像，此圖采用佳能EOS 40D相機拍攝獲取，參數為ISO設為250，光圈F/8，曝光時間1/8秒，無閃光無光學或數字防 抖模式手持拍攝，對獲得的模糊照片用軟件截取當前要處理的部分得到圖3，圖3中模糊圖 像的寬度為651像素，高度為715像素。對于有較多噪聲的圖需要實現去噪處理。在最后一次復原圖像之前，各尺度的圖像處理都在單通道圖上進行，如將彩色三 通道圖像轉化到單通道灰度模式處理。然后采用塔式金字塔的各個尺度逐步擴大的方法來 處理，每兩個相鄰尺度之間的縮放設置一個適中的比例λ=力,縮放均采用雙線性差值方 式，對于寬度為500到1000像素左右的一般圖片，一般采用尺度層s為7層金字塔來處理， 對不同圖片的復原基本都可以達到收斂。首先將圖1縮小至最小尺度，本發明中設置尺度 層s = 7層的圖像金字塔，各層縮放比為^ ,因此最小的圖像寬度為83像素、高度為91像 素，將此圖像作為當前尺度的復原圖像，使用步驟(1)到步驟(5)的方法，逐漸對圖像復原， 圖1為本發明基于邊緣信息的多尺度模糊圖像盲復原方法的流程示意圖，圖2表示這種本 發明中從小尺度層到大尺度層循環進行的復原方法的流程圖。小尺度時由于輸入圖像和模糊核都還不準確，因而求解時迭代次數過大會產生一 定的誤差，所以步驟(4)在最小尺度層求模糊核的共軛梯度法中迭代次數設為12，而隨著 尺度逐漸增大到原始大尺度，迭代次數逐漸增大到45次，圖像復原過程中的改進的RL算法 的迭代次數從最小尺度的15次逐漸增加到最大尺度的45次。在步驟(1)中，對得到的復原圖進行雙邊濾波時，把濾波器的滑動加權窗口半徑 設為3個像素，強度相似性權重項的標準差σ s設為0. 5，空間臨近權重項標準差σ。隨著 尺度的增加而逐漸減小，從最大的1. 8減至0. 3。在步驟(2)中求邊緣時的激波濾波器的參
數也隨著尺度的增加而逐漸變化，如迭代次數t從8變到5。在步驟(3)求模糊核之前，在 激波濾波后的梯度圖上閾值濾波時，此閾值也從0. 25降至0. 2。 這里以當前尺度為第3層圖像金字塔的求模糊核和復原情況為例進行詳細說明， 首先已經從上第二尺度層采樣得到了初始復原圖和模糊核初始值，如圖4和圖5所示分別 為從第二層上采樣得到的復原圖像和模糊核。首先用雙邊濾波器對圖4進行濾波去噪，雙 邊濾波器的處理過程如下式子所示
0127]
0129]式(2)和式(3)中
0130]Ip表示待濾波的圖像在ρ點的像素值；
0131]Iq表示待濾波的圖像在q點的像素值；
0132]Jp表示濾波后的圖像ρ點的像素值；
0133]ρ表示整幅圖中某像素點的坐標；
0134]q表示濾波窗口中某像素點的坐標；
0135]Ω表示濾波窗口像素坐標的集合；
0136]Gc^表示標準差為0 s的高斯濾波函數；
0137]表示標準差為0。的高斯濾波函數；
0138]σ。表示空間濾波窗中空間臨近權重的標準差；
0139]σ s表示強度相似權重的標準差；
0140]Wp表示歸一化項；
0141]I I · I I表示求絕對值。
0142]在第三尺度層時，雙邊濾波器的濾波窗口 Ω為7X7的正方形窗口，強度相似權重 的標準差σ s為0. 5，空間濾波窗中空間臨近權重的標準差ο。從1. 8逐層減小到0. 3，中間 各層值根據如下表達式計算得到
式(9)中
ymin表示輸出參數的最小值； Yfflax表示輸出參數的最大值； y表示當前尺度的參數值； xmin表示最小尺度尺寸的log值； Xmax表示最大尺度尺寸的log值； χ表示當前尺度尺寸的log值； Y表示伽馬函數參數。
分別取最大尺度和最小尺度的寬度尺寸的log值，Y設置為1/3，經過處理方法如下式所示Im =It -Sign(AZi)IlVJiII^( 4 )式(4)中 It表示激波濾波過程中迭代次數為t次的濾波圖像；It+1表示激波濾波過程中迭代次數為t+Ι次的濾波圖像dt表示擴散的步長；t表示迭代次數；V表示微分算子；Δ表示拉普拉斯算子；sign( ·)表示符號函數；I I · I I表示求絕對值。此尺度時參數擴散的步長dt為0. 1，迭代次數t為6。當前尺度對應的模糊圖像如圖9所示，結合圖7，將圖5中的模糊核作為初始估計 模糊核，用共軛梯度法來求當前尺度更為精確的模糊核。首先對圖7和圖8各自求豎直方 向和水平方向的圖梯度，并對圖7的梯度圖進行如下式子表示的閾值濾波
_ θ,〈閾值
J~\dl,其他(5)式(5)中I表示激波濾波后的圖像5/表示激波濾波后的梯度圖像；J表示閾值濾波后的圖像。abs( ·)表示絕對值函數。閾值濾波的閾值也是根據尺度的大小用式子(9)來自動調整的，在當前第三尺度 層此閾值為0. 248。然后根據如下表達式來求模糊核K = arg inin ^ \\K 二 -雙 f +β |足|2( 6 )
(L* ,Bx )(h,B^)G{(dxL,dxB),(dyL,dyB),(SxxL,SxxB),(δ^,δ^Β),(SxyL^xyB))( )式(6)式(7)中L表示激波濾波后的圖；K表示模糊核；B表示模糊圖； 表示二維卷積算子。ω* e {ω17 ω J分別表示1階和2階梯度圖對應的權重；
12
β表示Tikhonov正則化能量約束的系數。用共軛梯度法解求解式子(6)，共軛梯度法迭代時迭代的次數也是根據式子(9) 來自動調整的，在當前第三尺度層迭代次數為27。每次迭代后對得到的模糊核進行遲滯閾 值濾波，遲滯閾值濾波的初始高低閾值設為最大值的5%和3%，然后隨著迭代的進行逐漸 減低。此步驟處理后得到第三尺度層的精確的模糊核，如圖8所示。然后根據模糊核圖8，采用加速的RL算法對當前尺度的模糊9進行復原，RL 算法的處理流程如下 式⑶中:t表示迭代次數；It表示圖像復原過程中經過t次迭代后得到的復原圖像；It+1表示圖像復原過程中經過t+Ι次迭代后得到的復原圖像；K表示模糊核； 表示二維卷積算子；Kt(X，y) = K(-χ, -y)表，表示圖模糊核K經過空間中心對稱變換運算。本發明中采用 Biggs D 的力口速 RL 算法(Biggs D, Andrews Μ. Acceleration of iterative image restoration algorithms [J] ；Applied Optics,1997,36 (8) 1766-1775)來加快收斂提高速度。RL算法的迭代次數t是根據尺度的大小用式子(9)來 自動調整的，在當前第三尺度層迭代次數為19。在RL算法復原前，采用邊界擴展的方法來 消除迭代復原中邊界波紋的擴散。RL算法復原得到在第三尺度層的更為清晰的復原圖如圖 10所示。重復步驟(1)至步驟(5)，直到圖像大小到達原始尺度，模糊核也隨著尺度的增加 而逐漸區域準確，模糊核隨尺度變化而演變過程如圖11所示。最后，根據原始尺度得到的精確的模糊核用Biggs D的加速RL算法來復原原始模 糊圖像，從而得到去模糊的圖像，最后的復原圖見圖12。本發明方法通過設置自適應參數，大大發揮了其中子算法的優點，使模糊核的估 計和圖像的復原得到最佳效果，最終構建出一個穩健的圖像盲復原方法。此方法能對各類不同模糊程度的圖都能有效地收斂，計算復雜度低，噪聲抑制能 力強。此算法在處理大模糊核的模糊圖像時，能高效快捷地得到正確的模糊核并且復原圖 像得到清晰圖。
權利要求
一種基于邊緣信息的多尺度模糊圖像盲復原的方法，包括根據待處理圖像信息確定縮放比例λ和縮放尺度層數s，將待處理圖縮小至最小尺度得到最小尺度的模糊圖像，在最小尺度層將復原圖像設定為最小尺度的模糊圖像，模糊核的初始值設定為零矩陣，從小尺度層到大尺度層逐步求解模糊核并復原圖像，同時在不同尺度設置自適應參數，直到圖像大小到達原始尺度，得到最后精確的模糊核，并用此模糊核復原原始模糊圖像得到實際圖像尺寸的清晰圖像，其特征在于，對于每個尺度層進行如下處理(1)根據尺度大小控制雙邊濾波器參數，對當前尺度得到的復原圖像利用雙邊濾波器進行雙邊濾波，得到去除噪聲和波紋的圖像；(2)根據尺度大小控制激波濾波器參數，用對步驟(1)得到的圖像利用激波濾波器進行激波濾波，得到具有高強度反差邊緣的圖像；(3)對步驟(2)得到的具有高強度反差邊緣的圖像求邊緣，將當前尺度的模糊核作為初始值，結合對應尺度的模糊圖像及其邊緣，根據尺度大小控制模糊核估計算法參數，用模糊核估計算法得到當前尺度的精確的模糊核；(4)根據尺度大小控制RL復原算法參數，用步驟(3)中得到的精確的模糊核，采取RL復原算法對當前尺度的模糊圖像進行復原，得到當前尺度的清晰復原圖像；(5)將步驟(3)得到的模糊核和步驟(4)得到的復原圖像采用雙線性差值模式將其放大到相鄰的大尺度層得到相鄰大尺度層的模糊核初始值和復原圖像，同時將當前尺度層的模糊圖像放大λ倍得到相鄰大尺度層的模糊圖，然后進入相鄰大尺度層的循環運算。
2.根據權利要求1所述的基于邊緣信息的多尺度模糊圖像盲復原的方法，其特征在 于，所述的步驟(1)中采用的雙邊濾波器的模型為 式(2)和式(3)中 Ip表示待濾波的圖像在P點的像素值； Iq表示待濾波的圖像在q點的像素值； Jp表示濾波后的圖像P點的像素值； P表示整幅圖中某像素點的坐標； q表示濾波窗口中某像素點的坐標； Ω表示濾波窗口像素坐標的集合； 表示標準差為σ s的高斯濾波函數； 表示標準差為σ。的高斯濾波函數； σ。表示空間濾波窗中空間臨近權重的標準差； σ s表示強度相似權重的標準差； Wp表示歸一化項； I · 11表示求絕對值。
3.根據權利要求1所述的基于邊緣信息的多尺度模糊圖像盲復原的方法，其特征在于，所述的步驟(3)中求模糊核的表達式如下 式(6)和式(7)中U表示激波濾波后的圖像對應的各個方向的一階和二階梯度圖的集合； B*表示模糊圖對應的各個方向的一階和二階梯度圖的集合； K表示模糊核； B表示模糊圖像； 表示二維卷積算子；ω e {ω17 ω J分別表示1階和2階梯度圖像對應的權重； β表示Tikhonov正則化能量約束的系數；其中，在用迭代法求模糊核時，在每次迭代后對其進行遲滯閾值濾波。
4.根據權利要求1 3任一權利要求所述的基于邊緣信息的多尺度模糊圖像盲復原的 方法，其特征在于，所述的自適應參數根據下式確定 ymin表示輸出參數的最小值； ymax表示輸出參數的最大值； y表示當前尺度的參數值； xmin表示最小尺度尺寸的log值； Xmax表示最大尺度尺寸的log值； χ表示當前尺度尺寸的log值； γ表示伽馬函數參數；對于隨著尺度增加而逐漸增加的參數伽馬函數參數為2到4之間，對于逐漸減小的參 數伽馬函數參數為1/3到1/2之間；所述的自適應參數包括雙邊濾波器的空間濾波窗中空間臨近權重的標準差σ。、激波 濾波器的迭代次數和擴散的步長、求模糊核時的遲滯閾值和RL復原算法參數。
全文摘要
本發明公開了一種基于邊緣信息的多尺度模糊圖像盲復原的方法，包括從小尺度層到大尺度層循環進行逐步的圖像復原，在不同尺度設置自適應參數，對每個尺度層進行如下處理對復原圖像進行雙邊濾波，得到去除噪聲和波紋的圖像；再經過激波濾波得到具有高強度反差邊緣的圖像；然后求邊緣，結合模糊核初始值和模糊圖，得到精確的模糊核；利用求得的模糊核對當前尺度的模糊圖像進行復原得到清晰復原圖像；在此尺度層采樣放大得到相鄰大尺度層的復原圖像和模糊核初始值，然后進入相鄰大尺度層的循環運算。本發明方法對各類不同模糊程度的圖像都能有效地收斂，并且和一般的直接求能量最小化的盲復原方法相比，計算復雜度低，噪聲抑制能力強。
文檔編號G06T5/00GK101930601SQ20101026922
公開日2010年12月29日 申請日期2010年9月1日 優先權日2010年9月1日
發明者馮華君, 徐之海, 戴朝約, 李奇 申請人:浙江大學