專(zhuān)利名稱(chēng)：一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種有噪運(yùn)動(dòng)模糊圖像復(fù)原方法。
背景技術(shù)：
有噪模糊圖像復(fù)原的研究和應(yīng)用領(lǐng)域非常廣泛，如違章或肇事車(chē)牌高速運(yùn)動(dòng)模糊復(fù)原、突發(fā)嫌犯抓拍散焦或運(yùn)動(dòng)模糊復(fù)原、罪案現(xiàn)場(chǎng)痕跡模糊復(fù)原、錄像監(jiān)控特定幀模糊復(fù)原等。一般是由于成像過(guò)程中的散焦模糊、成像設(shè)備與物體的相對(duì)高速運(yùn)動(dòng)、設(shè)備器材的固有缺陷、拍攝抖動(dòng)及外部噪聲干擾等導(dǎo)致成像退化。其中，尤以孤立單幅局部非勻速運(yùn)動(dòng)有噪模糊圖像的清晰化復(fù)原技術(shù)難度最大，其原因在于這類(lèi)圖像的模糊成因復(fù)雜、圖像損傷較大且無(wú)前后相關(guān)序列幀供參考。
目前，對(duì)運(yùn)動(dòng)模糊圖像的復(fù)原研究已成為國(guó)內(nèi)外關(guān)注的熱點(diǎn)問(wèn)題之一，運(yùn)動(dòng)模糊圖像復(fù)原的關(guān)鍵問(wèn)題在于確定點(diǎn)擴(kuò)散函數(shù)(point spreadfunction，PSF)。對(duì)于單幅運(yùn)動(dòng)模糊圖像則必須從模糊圖像本身中估計(jì)出未知的PSF參數(shù)，常見(jiàn)的PSF估計(jì)方法是通過(guò)觀察模糊圖像的頻譜圖進(jìn)而提取出模糊方向和模糊長(zhǎng)度，這類(lèi)方法需人工干預(yù)無(wú)法實(shí)現(xiàn)自動(dòng)鑒別。國(guó)內(nèi)外學(xué)者近年來(lái)也提出了一些其他的自動(dòng)鑒別算法，但在有噪聲干擾的情況下，噪聲將導(dǎo)致這些方法失效或嚴(yán)重影響其鑒別精度。所以，在運(yùn)動(dòng)模糊圖像的PSF估計(jì)和復(fù)原之前應(yīng)當(dāng)先消除噪聲干擾，然而當(dāng)前很多消噪濾波算法要么計(jì)算復(fù)雜度高，要么導(dǎo)致圖像的部分重要高頻信息丟失，這必然會(huì)大大降低運(yùn)動(dòng)模糊圖像復(fù)原的效果。
現(xiàn)有的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法存在的缺點(diǎn)有(1)、無(wú)法實(shí)現(xiàn)自動(dòng)鑒別、鑒別精度低；(2)、去噪濾波算法中，計(jì)算復(fù)雜度高；(3)、去噪過(guò)程導(dǎo)致圖像重要高頻信息丟失，降低運(yùn)動(dòng)模糊圖像復(fù)原的效果。

發(fā)明內(nèi)容
為了克服已有的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法的無(wú)法實(shí)現(xiàn)自動(dòng)鑒別、計(jì)算復(fù)雜度高、復(fù)原效果不理想的不足，本發(fā)明提供了一種能夠?qū)崿F(xiàn)自動(dòng)鑒別、計(jì)算復(fù)雜度低、復(fù)原效果好的基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法。
本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，該復(fù)原方法包括以下步驟(1)、定義有噪運(yùn)動(dòng)模糊圖像為y(m，n)，先用二維均值濾波器對(duì)有噪運(yùn)動(dòng)模糊圖像y(m，n)生成相應(yīng)的低通濾波后的平滑圖像，計(jì)算式為s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>式(1)中，2K+1表示濾波窗口的大小，且保證窗口在兩個(gè)方向上的大小為奇數(shù)，以保證圖像不產(chǎn)生偏移，i表示第i行，j表示第j列；(2)、計(jì)算有噪運(yùn)動(dòng)模糊圖像y(m，n)與低通濾波后的平滑圖像s(m，n)之間的誤差圖像e(m，n)＝y(tǒng)(m，n)-s(m，n)；(3)、用Canny算子(一種最優(yōu)邊緣檢測(cè)算子，具有低誤判率、高定位精度、擬制虛假邊緣等特點(diǎn))進(jìn)行邊緣檢測(cè)，以估算y(m，n)的梯度f(wàn)′(m，n)；
(4)、根據(jù)f′(m，n)的大小來(lái)計(jì)算每個(gè)像素的正則化參數(shù)λ(m，n)，計(jì)算式為λ(m，n)＝Ae-a|f′(m，n)|. (2)式(2)中，A和a是常數(shù)，A＝qσ2，q是一個(gè)比例常量，記λ(m，n)的最小值和|f′(m，n)|的最大值分別為λmin和f′max，則a=log(qσ2/λmin)f′max;]]>再參照誤差圖像e(m，n)通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像fλ(m，n)，每個(gè)像素點(diǎn)帶λ(m，n)的fλ(m，n)的計(jì)算式為fλ(m，n)(m，n)＝[(VV)(ΛΛ)](m-1)N+n□(ΛΛ+λ(m，n)I)-1□(VTVT)y； (3)式(3)中，[(VV)(ΛΛ)](m-1)N+n代表了所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列；(5)、通過(guò)將插值圖像fλ(m，n)疊加到低通濾波后的平滑圖像s(m，n)，得到去噪后的運(yùn)動(dòng)模糊圖像f(m，n)f(m，n)＝fλ(m，n)+s(m，n) (4)；(6)、自動(dòng)鑒別運(yùn)動(dòng)模糊圖像f(m，n)的運(yùn)動(dòng)模糊方向以及運(yùn)動(dòng)模糊長(zhǎng)度，得到二維模糊圖像的寬為HL，高為VL，并利用圖像復(fù)原算法得到復(fù)原圖像。
作為優(yōu)選的一種方案在所述的步驟(1)中，對(duì)有噪運(yùn)動(dòng)模糊圖像進(jìn)行局部運(yùn)動(dòng)模糊對(duì)象提取后，再對(duì)局部運(yùn)動(dòng)模糊對(duì)象y(m，n)進(jìn)行低通濾波，針對(duì)目標(biāo)物體與背景灰度值區(qū)別比較明顯的單幅圖像，所述提取的步驟為(1.1)、用合適的灰度閾值對(duì)有噪運(yùn)動(dòng)圖像進(jìn)行截取分割；(1.2)、根據(jù)該圖像的大小按設(shè)定比例生成合適的矩形匹配模板；(1.3)、由生成的矩形模板對(duì)分割好的圖像進(jìn)行數(shù)學(xué)形態(tài)閉合運(yùn)算，以抽取其中較大的矩形狀，然后進(jìn)行數(shù)學(xué)形態(tài)開(kāi)啟運(yùn)算，以刪除圖像中某些較小的物體對(duì)象。
或者是在所述的步驟(1)中，對(duì)有噪運(yùn)動(dòng)模糊圖像進(jìn)行局部運(yùn)動(dòng)模糊對(duì)象提取后，再對(duì)局部運(yùn)動(dòng)模糊對(duì)象y(m，n)進(jìn)行低通濾波，針對(duì)目標(biāo)物體與背景灰度值較為接近的單幅圖像，所述提取的步驟為(1.1)、對(duì)有噪運(yùn)動(dòng)模糊圖像綜合運(yùn)用Prewitt算子和Canny算子邏輯與運(yùn)算進(jìn)行邊緣檢測(cè)；(1.2)、對(duì)二值邊緣圖像用Radon變換來(lái)檢測(cè)所有長(zhǎng)度大于Lmin的線段，保存它們的起點(diǎn)、終點(diǎn)和與水平方向之間的夾角；(1.3)、將所述直線按角度歸類(lèi)，角度差的絕對(duì)值小于θmin且距離相差大于Lmin的線段兩兩匹配；(1.4)、對(duì)匹配的兩線段分別用八鄰域連通法檢測(cè)它們的起點(diǎn)和終點(diǎn)間是否有線段相連，若有，則將兩線段的四個(gè)頂點(diǎn)圍成的矩形區(qū)域分割提取并另存為局部運(yùn)動(dòng)模糊目標(biāo)對(duì)象的新圖像，若無(wú)，繼續(xù)檢測(cè)直到不存在這樣的匹配線段。
作為優(yōu)選的另一種方案在所述的步驟(4)中，設(shè)定一個(gè)閾值R，當(dāng)|f′(m，n)|值小于R時(shí)，將該像素點(diǎn)的正則化參數(shù)固定為|f′(m，n)|＝0時(shí)的λ(m，n)值，當(dāng)大于R時(shí)仍則按式(2)計(jì)算。
作為優(yōu)選的再一種方案所述的步驟(6)中，在α∈[-90°，90°]范圍內(nèi)按設(shè)定步長(zhǎng)取α值，自動(dòng)鑒別運(yùn)動(dòng)模糊方向的步驟為(6.1)、用雙三次C樣條插值方法，在坐標(biāo)(i，j)上分別對(duì)行和列進(jìn)行三次C樣條插值，得到圖像的方向微分圖像Δf(i，j)α＝f(i′，j′)-f(i，j)(5)式(5)中，α是進(jìn)行方向微分時(shí)的方向角，f(i′，j′)的值由模糊圖像f(i，j)插值獲得，其中 □r是進(jìn)行方向微分時(shí)的微分長(zhǎng)度；(6.2)、對(duì)方向微分圖像Δf(i，j)α的灰度值的絕對(duì)值加權(quán)求和，計(jì)算式為 式(6)中，灰度級(jí)為Δf出現(xiàn)的頻率p(Δf)作為加權(quán)系數(shù)；(6.3)、求出其中的最小值min(I(Δf)α)，其對(duì)應(yīng)的α角度值即為運(yùn)動(dòng)模糊圖像中運(yùn)動(dòng)模糊方向與水平軸的夾角，即 進(jìn)一步，所述的步驟(6)中，完成了對(duì)運(yùn)動(dòng)模糊方向的自動(dòng)鑒別后，將運(yùn)動(dòng)模糊圖像反向旋轉(zhuǎn)至水平方向，自動(dòng)鑒別運(yùn)動(dòng)模糊長(zhǎng)度的步驟為(6.4)、運(yùn)動(dòng)模糊圖像傅立葉變換后的圖像為F(u，v)，計(jì)算log(|F(u，v)|)，參數(shù)移位使u＝0位于頻譜圖的中心位置；(6.5)、計(jì)算S(u)=Σv=0midlog(|F(u,v)|),]]>分別求出中心左側(cè)從 開(kāi)始向左搜索的第k(k＞1)個(gè)極小值點(diǎn)的u值uLk和中心右側(cè)從 開(kāi)始向右搜索的第k個(gè)極小值點(diǎn)的u值uRk；(6.6)、計(jì)算得到任意角度運(yùn)動(dòng)模糊圖像f(x，y)的模糊長(zhǎng)度，計(jì)算式為L(zhǎng)≈Round(2k*N/|uLk-uRk|) (7)。
再進(jìn)一步，所述的步驟(6)中，完成了對(duì)運(yùn)動(dòng)模糊方向和長(zhǎng)度的自動(dòng)鑒別后，計(jì)算得到二維模糊圖像寬為HL，高為VL，用最優(yōu)窗法維納濾波依照最優(yōu)窗區(qū)域范圍及該區(qū)域內(nèi)元素取值的對(duì)應(yīng)關(guān)系進(jìn)行圖像復(fù)原。
所述的有噪運(yùn)動(dòng)模糊圖像為黑白圖像或彩色圖像。
本發(fā)明的技術(shù)構(gòu)思為設(shè)運(yùn)動(dòng)模糊圖像f(m，n)在圖像的獲取和傳輸過(guò)程中因噪聲干擾而退化為有噪運(yùn)動(dòng)模糊圖像y(m，n)，它們之間存在關(guān)系式y(tǒng)(m，n)＝f(m，n)+ε(m，n)，其中ε(m，n)是方差為σ2的加性高斯白噪聲。利用徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)的普遍近似特性，并根據(jù)圖像局部特征在各像素點(diǎn)選用與噪聲成比例的可變正則化參數(shù)λ，從而達(dá)到在不破壞重要的圖像信息前提下有效地抑制噪聲的目的。選用徑向基函數(shù)(RBF)的中心x(m-1)N+n作為當(dāng)前像素的位置(m，n)，并用RBF的輸出值y(n-1)N+m作為該像素的值。通過(guò)此對(duì)應(yīng)關(guān)系，則可應(yīng)用RBFN方法得到有噪 運(yùn)動(dòng)模糊圖像y(m，n)消除噪聲后的運(yùn)動(dòng)模糊圖像f(m，n)，該方法主要涉及兩方面RBFN以代價(jià)函數(shù)H[f]=Σi=1L(yi-f(xi))2+λS[f]]]>最小化為目標(biāo)，生成插值圖像fλ□(fλ(x1)，fλ(x2)，…fλ(xL))T＝Gc＝G(G+λI)-1y(8)代價(jià)函數(shù)中的第一項(xiàng)表示原始數(shù)據(jù)與期望值之間的偏差，第二項(xiàng)則是與平滑程度有關(guān)的代價(jià)度量，這兩項(xiàng)間的平衡由參數(shù)λ確定。算法對(duì)每個(gè)像素點(diǎn)(m，n)的正則化參數(shù)λ都根據(jù)|f′(m，n)|的大小進(jìn)行自動(dòng)調(diào)整，其選取方法由式(2)確定λ(m，n)＝Ae-a|f′(m，n)|(2)其中A和a是常數(shù)，A＝qσ2(q是一個(gè)比例常量)，記λ(m，n)的最小值和|f′(m，n)|的最大值分別為λmin和f′max，則a=log(qσ2/λmin)f′max]]>可以求出。
若直接用式(8)來(lái)求RBFN則計(jì)算量很大，所以有必要用克羅內(nèi)克(kronecker)積的特性來(lái)實(shí)現(xiàn)RBFN插值圖像的快速輸出。根據(jù)噪聲的高斯分布規(guī)律，矩陣G可以表示為G＝GsGs＝(VΛVT)(VΛVT) (9)其中Λ＝diag(μ1，μ2，…，μN(yùn))，V＝(v1，v2，…，vN)已知，μi和vi分別是Gs的特征值和特征向量。代入式(8)并化簡(jiǎn)得fλ＝G(G+λI)-1y＝(VV)(ΛΛ)(ΛΛ+λI)-1(VTVT)y(10)這樣從有噪運(yùn)動(dòng)模糊圖像y中計(jì)算出RBFN輸出向量fλ的時(shí)間復(fù)雜度便由O(N6)降到了O(N3)。在式(4)所得出結(jié)論的基礎(chǔ)上，每個(gè)像素點(diǎn)帶λ(m，n)的RBFN值可以這樣計(jì)算fλ(m，n)(m，n)＝[(VV)(ΛΛ)](m-1)N+n□(ΛΛ+λ(m，n)I)-1□(VTVT)y (3)其中[(VV)(ΛΛ)](m-1)N+n代表了所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列?？梢钥吹綄?duì)于每個(gè)像素計(jì)算帶可變正則化參數(shù)λ(m，n)的RBFN值的時(shí)間復(fù)雜度是O(N4)，高于固定正則化參數(shù)的RBFN計(jì)算。因此考慮用|f′(m，n)|的分布特點(diǎn)來(lái)降低計(jì)算量，由于|f′(m，n)|的灰度直方圖中大多數(shù)值都集中在0附近，因此設(shè)定一個(gè)閾值R，當(dāng)|f′(m，n)|值小于R時(shí)將這些像素點(diǎn)的正則化參數(shù)固定為|f′(m，n)|＝0時(shí)的λ(m，n)值，而大于R時(shí)仍則按式(2)計(jì)算。經(jīng)過(guò)這樣的優(yōu)化，即使對(duì)每個(gè)像素點(diǎn)求帶可變正則化參數(shù)的RBFN輸出值，時(shí)間復(fù)雜度仍保持在O(N3)的數(shù)量級(jí)上。
雖然通過(guò)低通濾波可以有效去除平緩區(qū)域中含噪聲的那部分信息，但隨著齒狀邊緣變得平滑，重要的邊緣信息也隨之丟失(如圖1(a)和圖1(b)所示)。因此，先將此過(guò)程中產(chǎn)生的誤差保存在e(n)中，RBFN要通過(guò)噪聲誤差圖像e(n)來(lái)提取丟失的邊緣信息(如圖1(c)所示)；接著，在邊緣附近內(nèi)選取較小的正則化參數(shù)以產(chǎn)生與e(n)一致的插值圖像fλ(n)，并在平緩的區(qū)域選取較大的正則化參數(shù)來(lái)使fλ(n)變得平滑(如圖1(c)和圖1(d)所示)；最后再通過(guò)fλ(n)+s(n)來(lái)得到去噪后的圖像。
日常生活中常有這樣的情況，運(yùn)動(dòng)物體相對(duì)于成像設(shè)備高速運(yùn)動(dòng)而導(dǎo)致運(yùn)動(dòng)模糊，但背景卻相對(duì)靜止，或多個(gè)成像目標(biāo)散向非勻速運(yùn)動(dòng)。對(duì)于這種局部運(yùn)動(dòng)模糊的情況若仍對(duì)圖像進(jìn)行全局處理，不僅可能導(dǎo)致原本清晰的背景圖像人為的模糊化，而且，局部非勻速模糊圖像不具備或不明顯具備普通運(yùn)動(dòng)模糊圖像的全局特性，這將導(dǎo)致目前所提出的常規(guī)運(yùn)動(dòng)模糊參數(shù)的自動(dòng)鑒別方法大部分失效，從而無(wú)法實(shí)現(xiàn)對(duì)其清晰有效的復(fù)原。
當(dāng)對(duì)其中的局部運(yùn)動(dòng)模糊對(duì)象進(jìn)行提取時(shí)發(fā)現(xiàn)，在新生成的僅包含模糊對(duì)象范圍的圖像中明顯呈現(xiàn)出普通運(yùn)動(dòng)模糊圖像的特征，完全可以通過(guò)自動(dòng)鑒別圖像復(fù)原方法對(duì)其有效復(fù)原。
對(duì)于單幅局部運(yùn)動(dòng)模糊圖像的復(fù)原，關(guān)鍵的問(wèn)題就是要在單幀圖像缺乏相關(guān)序列幀參考信息的情況下提取出運(yùn)動(dòng)模糊對(duì)象。如以單幀多車(chē)道路況監(jiān)控系統(tǒng)視頻圖像為例，如圖7所示，可以考慮用先驗(yàn)知識(shí)對(duì)問(wèn)題進(jìn)行簡(jiǎn)化，應(yīng)用中所要提取的對(duì)象主要是各車(chē)道內(nèi)高速運(yùn)動(dòng)的汽車(chē)，且汽車(chē)的形狀接近于斜方矩形，據(jù)此，可以在空域中提取出運(yùn)動(dòng)模糊對(duì)象。
對(duì)運(yùn)動(dòng)模糊方向的自動(dòng)鑒別主要基于如下原理原圖像可以看作是各向同性的一階馬爾科夫(Markov)過(guò)程，即原圖像的自相關(guān)及其功率譜是各向同性的。運(yùn)動(dòng)模糊降低了運(yùn)動(dòng)方向上圖像的高頻成分，而對(duì)于其它方向上圖像的高頻成分影響較小，方向偏離越大影響越小，對(duì)于垂直于運(yùn)動(dòng)方向上的圖像高頻成分幾乎沒(méi)有影響。因此，若對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行方向性的高通濾波(即方向微分)，當(dāng)濾波方向恰好為運(yùn)動(dòng)模糊的方向時(shí)，由于此方向模糊圖像對(duì)應(yīng)的高頻成分最少，高通濾波將使模糊圖像的能量損失最大，得到的微分圖像灰度值的絕對(duì)值之和必然為最小。所以，當(dāng)特定方向性的高通濾波通過(guò)方向微分得到的圖像灰度值的絕對(duì)值之和最小時(shí)所對(duì)應(yīng)的方向即為運(yùn)動(dòng)模糊圖像的模糊方向。
在完成了對(duì)方向的自動(dòng)鑒別后，便可將運(yùn)動(dòng)模糊圖像反向旋轉(zhuǎn)至水平方向以便自動(dòng)鑒別其運(yùn)動(dòng)模糊長(zhǎng)度。長(zhǎng)度自動(dòng)鑒別的主要原理是基于運(yùn)動(dòng)模糊圖像在頻域中會(huì)出現(xiàn)特定間隔的黑帶現(xiàn)象，尤其對(duì)于去噪后的勻速運(yùn)動(dòng)圖像可以在頻域上根據(jù)等距間隔黑的位置精確估計(jì)出其運(yùn)動(dòng)模糊長(zhǎng)度。
對(duì)二維模糊圖像(寬為HL，高為VL)用最優(yōu)窗法維納濾波[25]進(jìn)行復(fù)原可有效去除因圖像邊界的平均強(qiáng)度不同而造成的復(fù)原誤差，從而抑制振鈴現(xiàn)象。
選擇用帶可變正則化參數(shù)的徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)方法來(lái)消除噪聲的影響，RBFN算法能夠在不破壞重要圖像信息的前提下有效地抑制噪聲，并且通過(guò)克羅內(nèi)克(kronecker)積的特性來(lái)進(jìn)行變換處理，可以實(shí)現(xiàn)對(duì)每個(gè)像素點(diǎn)求帶可變正則化參數(shù)的RBFN插值輸出，同時(shí)又能保持O(N3)的較低時(shí)間復(fù)雜度。
本發(fā)明的有益效果主要表現(xiàn)在1、能夠?qū)崿F(xiàn)自動(dòng)鑒別圖像；2、復(fù)雜度低；3、復(fù)原效果好；4、鑒別精度高；5、不僅對(duì)單幅圖像的PSF參數(shù)具有很高的自動(dòng)鑒別精度，并且還考慮了局部非勻速運(yùn)動(dòng)模糊及噪聲干擾等現(xiàn)實(shí)復(fù)雜成像情況。


圖1是用帶可變正則化參數(shù)的RBFN方法去噪的基本原理示意圖，其中，(a)原始圖像；(b)低通濾波后的平滑圖像；(c)誤差圖像；(d)插值圖像。
圖2是對(duì)圖片cameraman用帶可變正則化參數(shù)的RBFN方法去噪的示意圖，其中，(a)有噪運(yùn)動(dòng)模糊圖像；(b)低通濾波后的平滑圖像；(c)誤差圖像；(d)插值圖像；(e)去噪后運(yùn)動(dòng)模糊圖像；(f)圖2(e)的頻譜圖。
圖3是對(duì)圖片lena用帶可變正則化參數(shù)的RBFN方法去噪示意圖，其中，(a)有噪運(yùn)動(dòng)模糊圖像；(b)低通濾波后的平滑圖像；(c)誤差圖像；(d)插值圖像；e)去噪后運(yùn)動(dòng)模糊圖像；(f)圖2(e)的頻譜4為最優(yōu)窗區(qū)域范圍及該區(qū)域內(nèi)元素取值的對(duì)應(yīng)關(guān)系示意圖。
圖5是有噪運(yùn)動(dòng)模糊圖像復(fù)原過(guò)程及去噪前后鑒別精度和復(fù)原效果對(duì)比示意圖。
圖6是去噪后的運(yùn)動(dòng)模糊圖像的復(fù)原結(jié)果示意圖，其中，(a)對(duì)圖2(e)的復(fù)原結(jié)果；(b)對(duì)圖3(e)的復(fù)原結(jié)果。
圖7是局部運(yùn)動(dòng)模糊圖像的復(fù)原示意圖，其中，(a)原模糊圖像；(b)圖7(a)的的頻譜圖；(c)閾值分割圖像；(d)主體提取圖像；(e)僅含模糊主體的圖像；(f)圖7(e)的頻譜圖；(g)圖7(e)的復(fù)原效果圖。
圖8是PSF參數(shù)自動(dòng)鑒別結(jié)果對(duì)比圖，其中，(a)模糊長(zhǎng)度固定時(shí)用三種不同方法對(duì)模糊方向自動(dòng)鑒別的對(duì)比；(b)模方向固定時(shí)用三種不同方法對(duì)模糊長(zhǎng)度自動(dòng)鑒別的對(duì)比。
具體實(shí)施例方式
下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。
實(shí)施例1參照?qǐng)D1～圖6、圖8，一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，該復(fù)原方法包括以下步驟(1)、定義有噪運(yùn)動(dòng)模糊圖像為y(m，n)，先用二維中值濾波器對(duì)有噪運(yùn)動(dòng)模糊圖像y(m，n)生成相應(yīng)的低通濾波后的平滑圖像，計(jì)算式為s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>式(1)中，2K+1表示濾波窗口的大小，且保證窗口在兩個(gè)方向上的大小為奇數(shù)，以保證圖像不產(chǎn)生偏移，i表示第i行，j表示第j列；(2)、計(jì)算有噪運(yùn)動(dòng)模糊圖像y(m，n)與低通濾波后的平滑圖像s(m，n)之間的誤差圖像e(m，n)＝y(tǒng)(m，n)-s(m，n)；(3)、用Canny算子(一種最優(yōu)邊緣檢測(cè)算子，具有低誤判率、高定位精度、擬制虛假邊緣等特點(diǎn))進(jìn)行邊緣檢測(cè)，以估算y(m，n)的梯度f(wàn)′(m，n)；(4)、根據(jù)f′(m，n)的大小來(lái)計(jì)算每個(gè)像素的正則化參數(shù)λ(m，n)，計(jì)算式為λ(m，n)＝Ae-a|f′(m，n)|. (2)式(2)中，A和a是常數(shù)，A＝qσ2，q是一個(gè)比例常量，記λ(m，n)的最小值和|f′(m，n)|的最大值分別為λmin和f′max，則a=log(qσ2/λmin)f′max;]]>再參照誤差圖像e(m，n)通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像fλ(m，n)，每個(gè)像素點(diǎn)帶λ(m，n)的fλ(m，n)的計(jì)算式為fλ(m，n)(m，n)＝[(VV)(ΛΛ)](m-1)N+n□(ΛΛ+λ(m，n)I)-1□(VTVT)y；(3)
式(3)中，[(VV)(ΛΛ)](m-1)N+n代表了所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列；(5)、通過(guò)將插值圖像fλ(m，n)疊加到低通濾波后的平滑圖像s(m，n)，最終得到去噪后的運(yùn)動(dòng)模糊圖像f(m，n)f(m，n)＝fλ(m，n)+s(m，n) (4)；(6)、自動(dòng)鑒別運(yùn)動(dòng)模糊圖像f(m，n)的運(yùn)動(dòng)模糊方向以及運(yùn)動(dòng)模糊長(zhǎng)度，得到二維模糊圖像的寬為HL，高為VL，并利用圖像復(fù)原算法得到復(fù)原圖像。
通過(guò)低通濾波可以有效去除平緩區(qū)域中含噪聲的那部分信息，但隨著齒狀邊緣變得平滑，重要的邊緣信息也隨之丟失(如圖1(a)和圖1(b)所示)。因此，先將此過(guò)程中產(chǎn)生的誤差保存在e(n)中，RBFN要通過(guò)噪聲誤差圖像e(n)來(lái)提取丟失的邊緣信息(如圖1(c)所示)；接著，在邊緣附近內(nèi)選取較小的正則化參數(shù)以產(chǎn)生與e(n)一致的插值圖像fλ(n)，并在平緩的區(qū)域選取較大的正則化參數(shù)來(lái)使fλ(n)變得平滑(如圖1(c)和圖1(d)所示)；最后再通過(guò)fλ(n)+s(n)來(lái)得到去噪后的圖像。具體實(shí)現(xiàn)由算法1給出算法1.帶可變正則化參數(shù)的RBFN去噪算法.
Step1.先用二維均值濾波器對(duì)有噪運(yùn)動(dòng)模糊圖像y(m，n)生成相應(yīng)的低通濾波后的平滑圖像s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>Step2.計(jì)算有噪運(yùn)動(dòng)模糊圖像y(m，n)與低通濾波后的平滑圖像s(m，n)之間的誤差圖像e(m，n)＝y(tǒng)(m，n)-s(m，n)；Step3.用Canny算子進(jìn)行邊緣檢測(cè)以估計(jì)y(m，n)的梯度f(wàn)′(m，n)；Step4.根據(jù)f′(m，n)的大小來(lái)計(jì)算每個(gè)像素的正則化參數(shù)，再參照誤差圖像e(m，n)通過(guò)RBFN生成插值圖像fλ(m，n)；
Step5.通過(guò)將插值圖像fλ(m，n)疊加到低通濾波后的平滑圖像s(m，n)，最終得到去噪后的運(yùn)動(dòng)模糊圖像f(m，n)。
利用算法1的去噪過(guò)程如圖2所示(以圖像cameraman為例)。其中，圖2(a)為加了方差σ2＝400的高斯白噪聲干擾的運(yùn)動(dòng)模糊圖像y(m，n)，圖2(b)為經(jīng)過(guò)5×5中值低通濾波后的平滑圖像s(m，n)，圖2(c)為有噪模糊圖像y(m，n)與低通濾波后的平滑圖像s(m，n)之間的誤差圖像e(m，n)，圖2(d)為通過(guò)帶可變正則化參數(shù)的RBFN方法生成的逼近誤差圖像e(m，n)的插值圖像fλ(m，n)，圖2(e)為通過(guò)插值圖像fλ(m，n)與低通濾波后的平滑圖像s(m，n)疊加產(chǎn)生的去噪后的運(yùn)動(dòng)模糊圖像f(m，n)，圖2(f)為f(m，n)的頻譜分析圖(可以看出去噪后的頻譜圖明顯呈現(xiàn)了運(yùn)動(dòng)模糊圖像的方向和長(zhǎng)度特征)。
本實(shí)施例中提出的去噪方法同樣也適用于彩色圖像，去噪過(guò)程及原理與圖2相同，圖3以Lena為例。
運(yùn)動(dòng)模糊方向的自動(dòng)鑒別采用雙三次C樣條插值，即在坐標(biāo)(i，j)上分別對(duì)行和列進(jìn)行三次C樣條插值。在hk＝xk+1-xk＝1的條件下，取邊界條件s〃(x0)＝m0＝0，s〃(xN)＝mN＝0，由C樣條插值定義可得插值系數(shù)為sk,0=gk;sk,1=dk-13mk-16mk+1;sk,2=12mk;sk,3=16mk+1-16mk---(11)]]>插值函數(shù)為sk(x)＝((sk，3v+sk，2)v+sk，1)v+sk，0(12)其中v＝x-xk(xk≤x≤xk+1)。
在插值過(guò)程中，對(duì)方向微分圖像的灰度值做加權(quán)平均調(diào)整(具體見(jiàn)算法2描述)，由于運(yùn)動(dòng)模糊圖像中絕大部分為低頻成分，若令某灰度級(jí)x出現(xiàn)的頻率p(x)作為其系數(shù)，可以使低灰度區(qū)的像素成為影響插值微分圖像的重要因素。方向自動(dòng)鑒別的具體實(shí)現(xiàn)由算法2給出算法2.運(yùn)動(dòng)模糊方向自動(dòng)鑒別算法.
在α∈[-90°，90°]范圍內(nèi)按一定步長(zhǎng)(如1°)取α值，對(duì)每個(gè)α值運(yùn)行Step1和Step2Step1.用雙三次C樣條插值方法獲得圖像的方向微分圖像Δf(i，j)α＝f(i′，j′)-f(i，j)，其中α是進(jìn)行方向微分時(shí)的方向角，f(i′，j′)的值由模糊圖像f(i，j)插值獲得， □r是進(jìn)行方向微分時(shí)的微分長(zhǎng)度；Step2.對(duì)方向微分圖像Δf(i，j)α的灰度值的絕對(duì)值加權(quán)求和有 式中灰度級(jí)為Δf出現(xiàn)的頻率p(Δf)作為加權(quán)系數(shù)；Step3.求出其中的最小值min(I(Δf)α)，其對(duì)應(yīng)的α角度值即為運(yùn)動(dòng)模糊圖像中運(yùn)動(dòng)模糊方向與水平軸的夾角，即 在完成了對(duì)方向的自動(dòng)鑒別后，便可將運(yùn)動(dòng)模糊圖像反向旋轉(zhuǎn)至水平方向以便自動(dòng)鑒別其運(yùn)動(dòng)模糊長(zhǎng)度。長(zhǎng)度自動(dòng)鑒別的主要原理是基于運(yùn)動(dòng)模糊圖像在頻域中會(huì)出現(xiàn)特定間隔的黑帶現(xiàn)象，尤其對(duì)于去噪后的勻速運(yùn)動(dòng)圖像可以在頻域上根據(jù)等距間隔黑的位置精確估計(jì)出其運(yùn)動(dòng)模糊長(zhǎng)度，具體實(shí)現(xiàn)由算法3給出算法3.運(yùn)動(dòng)模糊長(zhǎng)度自動(dòng)鑒別算法.
Step1.運(yùn)動(dòng)模糊圖像傅立葉變換后的圖像為F(u，v)，計(jì)算log(|F(u，v)|)，參數(shù)移位使u＝0位于頻譜圖的中心位置；Step2.計(jì)算S(u)=Σv=0midlog(|F(u,v)|),]]>分別求出中心左側(cè)從 開(kāi)始向左搜索的第k(k＞1)個(gè)極小值點(diǎn)的u值uLk和中心右側(cè)從 開(kāi)始向右搜索的第k個(gè)極小值點(diǎn)的u值uRk；Step3.計(jì)算得到任意角度運(yùn)動(dòng)模糊圖像f(x，y)的模糊長(zhǎng)度L≈Round(2k*N/|uLk-uRk|)。
該方法采用k(k＞1)個(gè)極小值點(diǎn)的u投影求和，利用了整列統(tǒng)計(jì)信息，減少了原圖像的隨機(jī)性干擾，較好的避免了計(jì)算誤差，其中，極小值點(diǎn)對(duì)應(yīng)于黑帶位置，即對(duì)應(yīng)于u＝Round(kN/a)，也可以通過(guò)自動(dòng)搜索獲得，如通過(guò)左右相鄰各2個(gè)象素的比較，自動(dòng)計(jì)算模糊長(zhǎng)度。
對(duì)二維模糊圖像(寬為HL，高為VL)用最優(yōu)窗法維納濾波[25]進(jìn)行復(fù)原可有效去除因圖像邊界的平均強(qiáng)度不同而造成的復(fù)原誤差，從而抑制振鈴現(xiàn)象。將圖像平面分為9個(gè)區(qū)域，區(qū)域范圍及該區(qū)域內(nèi)最優(yōu)窗元素取值的對(duì)應(yīng)關(guān)系如圖4所示。
對(duì)于上述的運(yùn)動(dòng)模糊方向、長(zhǎng)度的自動(dòng)鑒別算法和最優(yōu)窗法維納濾波圖像復(fù)原抑制振鈴算法，本實(shí)施例通過(guò)對(duì)一幅原始清晰的圖像進(jìn)行人工模糊和加噪處理來(lái)驗(yàn)證其復(fù)原過(guò)程，并對(duì)未去噪的常規(guī)復(fù)原方法和本實(shí)施例中提出的RBFN去噪復(fù)原方法進(jìn)行鑒別精度和復(fù)原效果的對(duì)比，如圖5所示。
應(yīng)用本實(shí)施例提出的基于運(yùn)動(dòng)模糊方向和長(zhǎng)度自動(dòng)鑒別的圖像復(fù)原算法，分別對(duì)圖2(e)和圖3(e)去噪后的運(yùn)動(dòng)模糊圖像進(jìn)行復(fù)原，實(shí)驗(yàn)結(jié)果如圖6所示。
在PC機(jī)Windows開(kāi)發(fā)平臺(tái)及MATLAB 7.0環(huán)境下，用cameraman圖像對(duì)本實(shí)施例所提出的基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原模型進(jìn)行測(cè)試，結(jié)果如圖8所示。
圖8(a)為模糊長(zhǎng)度固定為30像素時(shí)對(duì)方向自動(dòng)鑒別的比較，圖8(b)為模糊方向固定為45°時(shí)對(duì)方向自動(dòng)鑒別的比較。從圖中可以看出，通過(guò)本實(shí)施例提出的帶可變正則化參數(shù)的RBFN插值方法去噪后的鑒別精度明顯高于普通未考慮去噪處理的復(fù)原方法和一般濾波器處理后的PSF參數(shù)鑒別精度。
經(jīng)過(guò)對(duì)圖8的對(duì)比分析，還發(fā)現(xiàn)未考慮去噪處理的自動(dòng)鑒別方法可能導(dǎo)致參數(shù)的鑒別結(jié)果很不穩(wěn)定，在方向鑒別的估計(jì)值上呈現(xiàn)出一種階梯性的結(jié)果，即在某固定區(qū)間內(nèi)結(jié)果趨向于同一方向值，且隨著噪聲干擾程度的加大，該區(qū)間逐步擴(kuò)大至整個(gè)區(qū)域，鑒別出的結(jié)果在整個(gè)區(qū)間上幾乎都趨于45°，導(dǎo)致鑒別結(jié)果完全失信；而在長(zhǎng)度鑒別對(duì)比圖上，未考慮去噪處理的自動(dòng)鑒別估計(jì)值則呈現(xiàn)出和標(biāo)準(zhǔn)值的偏差幅度較大、波動(dòng)明顯的結(jié)果；對(duì)于用一般濾波器處理的鑒別結(jié)果，由于失去了部分高頻信息而導(dǎo)致重要的邊緣信息缺失，使得鑒別結(jié)果雖然相對(duì)于前者的誤差振動(dòng)幅度有所改善，但誤差仍然很大，鑒別精度較低，遠(yuǎn)不如采用本實(shí)施例的方法得到的鑒別估計(jì)值精確。
實(shí)施例2參照?qǐng)D1～圖8，本實(shí)施例中，當(dāng)對(duì)其中的局部運(yùn)動(dòng)模糊對(duì)象進(jìn)行提取時(shí)發(fā)現(xiàn)，在新生成的僅包含模糊對(duì)象范圍的圖像中明顯呈現(xiàn)出普通運(yùn)動(dòng)模糊圖像的特征，完全可以通過(guò)實(shí)施例1提出的自動(dòng)鑒別圖像復(fù)原方法對(duì)其有效復(fù)原。
對(duì)于單幅局部運(yùn)動(dòng)模糊圖像的復(fù)原，關(guān)鍵的問(wèn)題就是要在單幀圖像缺乏相關(guān)序列幀參考信息的情況下提取出運(yùn)動(dòng)模糊對(duì)象。如以單幀多車(chē)道路況監(jiān)控系統(tǒng)視頻圖像為例，如圖7所示，可以考慮用先驗(yàn)知識(shí)對(duì)問(wèn)題進(jìn)行簡(jiǎn)化，應(yīng)用中所要提取的對(duì)象主要是各車(chē)道內(nèi)高速運(yùn)動(dòng)的汽車(chē)，且汽車(chē)的形狀接近于斜方矩形，據(jù)此，可以在空域中提取出運(yùn)動(dòng)模糊對(duì)象，具體過(guò)程由算法4給出算法4.局部運(yùn)動(dòng)模糊對(duì)象提取算法.
Step1.用合適的灰度閾值對(duì)圖像進(jìn)行截取分割；Step2.根據(jù)該圖像的大小按一定比例生成合適的矩形匹配模板；Step3.由生成的矩形模板對(duì)分割好的圖像進(jìn)行數(shù)學(xué)形態(tài)閉合運(yùn)算，以抽取其中較大的矩形狀汽車(chē)，然后進(jìn)行數(shù)學(xué)形態(tài)開(kāi)啟運(yùn)算，以刪除圖像中某些較小的物體對(duì)象。
圖7為針對(duì)一幅實(shí)際多車(chē)道路況監(jiān)控系統(tǒng)攝錄的單幀模糊圖像采用算法4進(jìn)行運(yùn)動(dòng)模糊對(duì)象的提取和復(fù)原過(guò)程的實(shí)驗(yàn)結(jié)果展示。圖7(a)為原單幅運(yùn)動(dòng)模糊圖像，圖7(b)為圖7(a)的頻譜分析圖。用算法4對(duì)模糊對(duì)象提取的過(guò)程如圖7(c)和7(d)所示，圖7(c)為用合適的灰度閾值對(duì)圖像進(jìn)行截取分割后的結(jié)果，圖7(d)為在分割基礎(chǔ)上通過(guò)模板匹配和數(shù)學(xué)形態(tài)操作后提取出的圖像的各個(gè)主體輪廓，過(guò)濾去像素范圍過(guò)小的主體，并新生成一個(gè)僅包含模糊對(duì)象范圍的圖像，如圖7(e)所示，圖7(f)為圖7(e)的頻譜分析圖。對(duì)其用本實(shí)施例上述的自動(dòng)鑒別算法和復(fù)原方法(算法2、算法3)進(jìn)行復(fù)原后的效果如圖7(g)所示。
本實(shí)施例的自動(dòng)鑒別圖像復(fù)原方法以及工作原理與實(shí)施例1相同。
實(shí)施例3參照?qǐng)D1～圖8，本實(shí)施例中采用另外一種目標(biāo)對(duì)象提取方法，實(shí)施例2的算法的運(yùn)算量小，實(shí)現(xiàn)起來(lái)快速方便，主要應(yīng)用于目標(biāo)物體與背景灰度值區(qū)別比較明顯的單幅圖像，對(duì)于一些灰度值較為接近的單幅圖像，用灰度閾值截取分割可能導(dǎo)致區(qū)域誤差較大，考慮用算法5來(lái)實(shí)現(xiàn)此類(lèi)模糊圖像的目標(biāo)對(duì)象提取算法5.局部運(yùn)動(dòng)模糊對(duì)象提取算法.
Step1.對(duì)運(yùn)動(dòng)模糊圖像綜合運(yùn)用Prewitt算子和Canny算子邏輯與運(yùn)算進(jìn)行邊緣檢測(cè)(精確度高，可檢測(cè)出弱邊緣)；Step2.對(duì)二值邊緣圖像用Radon變換來(lái)檢測(cè)所有長(zhǎng)度大于Lmin的線段，保存它們的起點(diǎn)、終點(diǎn)和與水平方向之間的夾角(可以克服傳統(tǒng)Hough變換受中間點(diǎn)干擾大、計(jì)算速度慢的缺點(diǎn))；Step3.將這些直線按角度歸類(lèi)，角度相近(差的絕對(duì)值小于θmin)且距離相差大于Lmin的線段兩兩匹配；Step4.對(duì)匹配的兩線段分別用八鄰域連通法檢測(cè)它們的起點(diǎn)和終點(diǎn)間是否有線段相連(這里允許一定像素的間斷誤差)，若有，則將兩線段的四個(gè)頂點(diǎn)圍成的矩形區(qū)域分割提取并另存為局部運(yùn)動(dòng)模糊目標(biāo)對(duì)象的新圖像，若無(wú)則繼續(xù)檢測(cè)直到不存在這樣的匹配線段。
若是復(fù)雜背景下的序列幀視頻流多目標(biāo)對(duì)象提取，則可以考慮采用統(tǒng)計(jì)算法與特征匹配相結(jié)合的方法，可以有效定位目標(biāo)對(duì)象，并將大部分背景去除，其基本原理為若攝像機(jī)位置保持不變，則在一個(gè)很短時(shí)間段內(nèi)，所拍攝到的背景圖像基本保持不變，假設(shè)對(duì)于一個(gè)圖像序列，在時(shí)間軸上提取某個(gè)圖像位置的像素過(guò)程滿足某一特定的高斯分布，就可得到圖像序列的統(tǒng)計(jì)信息，估計(jì)出所有像素過(guò)程的分布均值和方差，從而估計(jì)出背景；并在估計(jì)的背景圖像基礎(chǔ)上，利用特征匹配方法，實(shí)現(xiàn)背景圖像與待識(shí)別目標(biāo)對(duì)象的特征匹配，將匹配區(qū)域視為背景，從待識(shí)別對(duì)象中去除，最后得到前景圖像；由于特征匹配是基于區(qū)域的，因此，得到的前景圖像比直接利用差分得到的前景圖像更精確；最后，再根據(jù)連通區(qū)域，去除一部分誤匹配區(qū)域；從而可以將待識(shí)別目標(biāo)對(duì)象分割后進(jìn)行后續(xù)處理。
本實(shí)施例的其他步驟和工作原理與實(shí)施例2相同。
權(quán)利要求
1.一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，該復(fù)原方法包括以下步驟(1)、定義有噪運(yùn)動(dòng)模糊圖像為y(m，n)，先用二維均值濾波器對(duì)有噪運(yùn)動(dòng)模糊圖像y(m，n)生成相應(yīng)的低通濾波后的平滑圖像，計(jì)算式為s(m,n)=1(2K+1)2Σi=-KKΣj=-KKy(n+i,m+j)---(1)]]>式(1)中，2K+1表示濾波窗口的大小，且保證窗口在兩個(gè)方向上的大小為奇數(shù)，以保證圖像不產(chǎn)生偏移，i表示第i行，j表示第j列；(2)、計(jì)算有噪運(yùn)動(dòng)模糊圖像y(m，n)與低通濾波后的平滑圖像s(m，n)之間的誤差圖像e(m，n)＝y(tǒng)(m，n)-s(m，n)；(3)、用Canny算子(一種最優(yōu)邊緣檢測(cè)算子，具有低誤判率、高定位精度、擬制虛假邊緣等特點(diǎn))進(jìn)行邊緣檢測(cè)，以估算y(m，n)的梯度f(wàn)′(m，n)；(4)、根據(jù)f′(m，n)的大小來(lái)計(jì)算每個(gè)像素的正則化參數(shù)λ(m，n)，計(jì)算式為λ(m，n)＝Ae-a|f′(m，n)|. (2)式(2)中，A和a是常數(shù)，A＝qσ2，q是一個(gè)比例常量，記λ(m，n)的最小值和|f′(m，n)|的最大值分別為λmin和f′max，則a=log(qσ2/λmin)f′max;]]>再參照誤差圖像e(m，n)通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像fλ(m，n)，每個(gè)像素點(diǎn)帶λ(m，n)的fλ(m，n)的計(jì)算式為 式(3)中，[(VV)(ΛΛ)](m-1)N+n代表所求[(VV)(ΛΛ)]矩陣的第(m-1)N+n列；(5)、通過(guò)將插值圖像fλ(m，n)疊加到低通濾波后的平滑圖像s(m，n)，得到去噪后的運(yùn)動(dòng)模糊圖像f(m，n)f(m，n)＝fλ(m，n)+s(m，n) (4)；(6)、自動(dòng)鑒別運(yùn)動(dòng)模糊圖像f(m，n)的運(yùn)動(dòng)模糊方向以及運(yùn)動(dòng)模糊長(zhǎng)度，得到二維模糊圖像的寬為HL，高為VL，并利用圖像復(fù)原算法得到復(fù)原圖像。
2.如權(quán)利要求1所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，其特征在于在所述的步驟(1)中，對(duì)有噪運(yùn)動(dòng)模糊圖像進(jìn)行局部運(yùn)動(dòng)模糊對(duì)象提取后，再對(duì)局部運(yùn)動(dòng)模糊對(duì)象y(m，n)進(jìn)行低通濾波，針對(duì)目標(biāo)物體與背景灰度值區(qū)別比較明顯的單幅圖像，所述提取的步驟為(1.1)、用合適的灰度閾值對(duì)有噪運(yùn)動(dòng)圖像進(jìn)行截取分割；(1.2)、根據(jù)該圖像的大小按設(shè)定比例生成合適的矩形匹配模板；(1.3)、由生成的矩形模板對(duì)分割好的圖像進(jìn)行數(shù)學(xué)形態(tài)閉合運(yùn)算，以抽取其中較大的矩形狀，然后進(jìn)行數(shù)學(xué)形態(tài)開(kāi)啟運(yùn)算，以刪除圖像中某些較小的物體對(duì)象。
3.如權(quán)利要求1所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，其特征在于在所述的步驟(1)中，對(duì)有噪運(yùn)動(dòng)模糊圖像進(jìn)行局部運(yùn)動(dòng)模糊對(duì)象提取后，再對(duì)局部運(yùn)動(dòng)模糊對(duì)象y(m，n)進(jìn)行低通濾波，針對(duì)目標(biāo)物體與背景灰度值較為接近的單幅圖像，所述提取的步驟為(1.1)、對(duì)有噪運(yùn)動(dòng)模糊圖像綜合運(yùn)用Prewitt算子和Canny算子邏輯與運(yùn)算進(jìn)行邊緣檢測(cè)；(1.2)、對(duì)二值邊緣圖像用Radon變換來(lái)檢測(cè)所有長(zhǎng)度大于Lmin的線段，保存它們的起點(diǎn)、終點(diǎn)和與水平方向之間的夾角；(1.3)、將所述直線按角度歸類(lèi)，角度差的絕對(duì)值小于θmin且距離相差大于Lmin的線段兩兩匹配；(1.4)、對(duì)匹配的兩線段分別用八鄰域連通法檢測(cè)它們的起點(diǎn)和終點(diǎn)間是否有線段相連，若有，則將兩線段的四個(gè)頂點(diǎn)圍成的矩形區(qū)域分割提取并另存為局部運(yùn)動(dòng)模糊目標(biāo)對(duì)象的新圖像，若無(wú)，繼續(xù)檢測(cè)直到不存在這樣的匹配線段。
4.如權(quán)利要求1-3之一所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，其特征在于在所述的步驟(4)中，設(shè)定一個(gè)閾值R，當(dāng)|f′(m，n)|值小于R時(shí)，將該像素點(diǎn)的正則化參數(shù)固定為|f′(m，n)|＝0時(shí)的λ(m，n)值，當(dāng)大于R時(shí)仍則按式(2)計(jì)算。
5.如權(quán)利要求4所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，其特征在于所述的步驟(6)中，在α∈[-90°，90°]范圍內(nèi)按設(shè)定步長(zhǎng)取α值，自動(dòng)鑒別運(yùn)動(dòng)模糊方向的步驟為(6.1)、用雙三次C樣條插值方法，在坐標(biāo)(i，j)上分別對(duì)行和列進(jìn)行三次C樣條插值，得到圖像的方向微分圖像Δf(i，j)α＝f(i′，j′)-f(i，j) (5)式(5)中，α是進(jìn)行方向微分時(shí)的方向角，f(i′，j′)的值由模糊圖像f(i，j)插值獲得，其中 是進(jìn)行方向微分時(shí)的微分長(zhǎng)度；(6.2)、對(duì)方向微分圖像Δf(i，j)α的灰度值的絕對(duì)值加權(quán)求和，計(jì)算式為 式(6)中，灰度級(jí)為Δf出現(xiàn)的頻率p(Δf)作為加權(quán)系數(shù)；(6.3)、求出其中的最小值min(I(Δf)α)，其對(duì)應(yīng)的α角度值即為運(yùn)動(dòng)模糊圖像中運(yùn)動(dòng)模糊方向與水平軸的夾角，即
6.如權(quán)利要求5所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，其特征在于所述的步驟(6)中，完成了對(duì)運(yùn)動(dòng)模糊方向的自動(dòng)鑒別后，將運(yùn)動(dòng)模糊圖像反向旋轉(zhuǎn)至水平方向，自動(dòng)鑒別運(yùn)動(dòng)模糊長(zhǎng)度的步驟為(6.4)、運(yùn)動(dòng)模糊圖像傅立葉變換后的圖像為F(u，v)，計(jì)算log(|F(u，v)|)，參數(shù)移位使u＝0位于頻譜圖的中心位置；(6.5)、計(jì)算S(u)=Σv=0midlog(|F(u,v)|),]]>分別求出中心左側(cè)從 開(kāi)始向左搜索的第k(k＞1)個(gè)極小值點(diǎn)的u值uLk和中心右側(cè)從 開(kāi)始向右搜索的第k個(gè)極小值點(diǎn)的u值uRk；(6.6)、計(jì)算得到任意角度運(yùn)動(dòng)模糊圖像f(x，y)的模糊長(zhǎng)度，計(jì)算式為L(zhǎng)≈Round(2k*N/|uLk-uRk|) (7)。
7.如權(quán)利要求6所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，其特征在于所述的步驟(6)中，完成了對(duì)運(yùn)動(dòng)模糊方向和長(zhǎng)度的自動(dòng)鑒別后，計(jì)算得到二維模糊圖像寬為HL，高為VL，用最優(yōu)窗法維納濾波依照最優(yōu)窗區(qū)域范圍及該區(qū)域內(nèi)元素取值的對(duì)應(yīng)關(guān)系進(jìn)行圖像復(fù)原。
8.如權(quán)利要求7所述的一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，其特征在于所述的有噪運(yùn)動(dòng)模糊圖像為黑白圖像或彩色圖像。
全文摘要
一種基于徑向基神經(jīng)網(wǎng)絡(luò)的有噪運(yùn)動(dòng)模糊圖像復(fù)原方法，包括以下步驟(1)、先用二維中值濾波器對(duì)有噪運(yùn)動(dòng)模糊圖像y(m，n)生成相應(yīng)的低通濾波后的平滑圖像s(m，n)；(2)、計(jì)算有噪運(yùn)動(dòng)模糊圖像與平滑圖像之間的誤差圖像e(m，n)＝y(tǒng)(m，n)－s(m，n)；(3)、用Canny算子進(jìn)行邊緣檢測(cè)，以估算y(m，n)的梯度f(wàn)′(m，n)；(4)、根據(jù)f′(m，n)的大小來(lái)計(jì)算每個(gè)像素的正則化參數(shù)λ(m，n)，再參照誤差圖像e(m，n)通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)RBFN生成插值圖像f
文檔編號(hào)G06T5/00GK101079149SQ20061005346
公開(kāi)日2007年11月28日 申請(qǐng)日期2006年9月8日 優(yōu)先權(quán)日2006年9月8日
發(fā)明者朱信忠, 趙建民, 徐慧英, 章琳 申請(qǐng)人:浙江師范大學(xué)