專利名稱：：一種運動模糊和散焦復合模糊的圖像復原方法
技術領域：
：本發(fā)明涉及一種運動模糊和散焦復合模糊的圖像復原方法，其目的在于當圖像中運動模糊和散焦同時存在時，建立復合降質(zhì)模型，估計模糊參數(shù)，并實施圖像復原，屬于圖像處理領域。
背景技術：
：為了改善圖像質(zhì)量，目前常采用基于模型的圖像恢復方法進行處理，這種方法的核心是能夠準確獲知模糊模型和模糊參數(shù)。運動模糊和散焦是兩種常見的圖像模糊，運動模糊是由拍攝圖像與攝像器材間的相對運動造成的，散焦則是由拍攝器材對焦不準造成的。針對這兩種模糊，目前都是分別處理，分別估計其模糊參數(shù)并建立模糊模型，常用的模糊參數(shù)估計方法有基于頻域的分析方法、基于邊緣的分析方法、L-曲線法、自相關法等，其中基于自相關的方法由于抗干擾能力較強、計算量較小因而成為模糊參數(shù)估計中的一個熱點。通過對現(xiàn)有技術文獻的檢索發(fā)現(xiàn)現(xiàn)有的模糊參數(shù)估計方法都是根據(jù)標準運動模糊和散焦模型分別建立的。當運動模糊和散焦同時出現(xiàn)時，沒有確定復合模型可以參考，由于模糊相互疊加，上述參數(shù)估計方法無法直接應用。本發(fā)明將建立一種運動模糊和散焦同時出現(xiàn)的模糊模型，并提供一種對于該模糊參數(shù)估計方法，并最終實現(xiàn)圖像復原。
發(fā)明內(nèi)容技術問題本發(fā)明提供一種運動模糊和散焦復合模糊的圖像復原方法，能夠?qū)\動模糊與散焦同時出現(xiàn)的圖像進行復原。技術方案一種運動模糊和散焦復合模糊的圖像復原方法，包括如下步驟步驟1降質(zhì)圖像去噪禾Ij用低通濾波對降質(zhì)圖像g(x，y)進行去噪處理，其中χ和y分別為行坐標和列坐標，且都為大于0的整數(shù)，得到去噪后的降質(zhì)圖像f'(X，y)，其算法如下均值為零的高斯分布P(x，y)的函數(shù)形式Pz(il，2)可以表示為_(i\2+i22)ρ(/1/2)=——e2σ1ζ2πσ2其中下標ζ表示均值為零的高斯分布的函數(shù)形式，il和i2分別為橫坐標和縱坐標，且都為實數(shù)，σ為標準差，e為自然對數(shù)函數(shù)的底數(shù)，π為圓周率，設成像系統(tǒng)的加性噪聲n(x，y)服從均值為零的高斯分布ρ(x，y)，這里σ取0.5，建立一個3X3的高斯白噪聲模板n'(x,y)"0.01130.08380.0113"n'(x,y)=0.08380.61930.08380.01130.08380.0113將降質(zhì)圖像g(x，y)與高斯白噪聲模板η'(x,y)進行卷積，得到M1XM2大小的去噪后的降質(zhì)圖像f'(χ,y)f'(x,y)=g(x,y)*n'(χ,y)其中*為卷積操作，步驟2模糊方向識別利用公知的傅立葉變換來估計去噪后的降質(zhì)圖像f'(x，y)的主方向θ和副方向θ‘，假設此時主方向θ的角度為α，-90°彡α<90°，副方向θ‘的角度為β，0°^β<180°，旋轉(zhuǎn)圖像至主方向θ的角度為0°，具體方法如下設散焦與運動模糊同時發(fā)生時運動模糊的方向為主方向θ，與主模糊方向垂直的方向為副方向Θ'，計算步驟1得到的去噪后的降質(zhì)圖像f'(x,y)的傅立葉變換F(G)1,ω2)=JJf(x,y)e-Mxe-]^ydxdy(O1和ω2為頻率變量，F(xiàn)(G)1,ω2)為復數(shù)，j為虛數(shù)單位，去噪后的降質(zhì)圖像的傅立葉變換F(G)1,ω2)可以表示為Ρ(ω17ω2)=R(Q17Q2)+J'I(ω17ω2)其中R(G)1,ω2)為實部，I(G)1,ω2)為虛部，計算待估計降質(zhì)圖像f'(x，y)的能量譜E(G)1,ω2)Ε(ω”ω2)=R(q17ω2)2+Ι(ω17ω2)2能量譜E(G)1,ω2)中各元素為實數(shù)，將能量譜E(G)1,ω2)顯示出來，在圖中心位置會出現(xiàn)一個類似于橢圓的白色亮斑，亮斑周圍會有連續(xù)的亮環(huán)，在所有穿過亮斑的弦中，最長的弦Imax所處的方向，取0°到180°之間的角做為β的值，與此垂直的方向角為α，α=β-90°，此時主方向θ的角度為α，副方向θ‘的角度為β，以垂直于去噪后的降質(zhì)圖像f'(x,y)，且過去噪后的降質(zhì)圖像f'(x,y)中心的直線為旋轉(zhuǎn)軸，如果0°^α<90°，以α角順時針旋轉(zhuǎn)去噪后的降質(zhì)圖像f'(x，y)，如果-90°<α<0°，以α+90°角順時針旋轉(zhuǎn)去噪后的降質(zhì)圖像f'(x，y)，降質(zhì)圖像f'(x，y)旋轉(zhuǎn)后，主方向θ的角度為0°，副方向Θ'的角度為90°，得到M3XM4大小的旋轉(zhuǎn)后的去噪后的降質(zhì)圖像"(χ,y)；步驟3圖像導數(shù)計算對步驟2中得到的旋轉(zhuǎn)后的去噪后的降質(zhì)圖像f"(x,y)，計算主方向的導數(shù)Da(x,y)和副方向的導數(shù)Db(x，y)Da(x,y)="(x，y)*La(x，y)Db(χ,y)="(χ，y)*Lb(x，y)其中下標a和b分別表示主方向和副方向，La(x，y)和Lb(x，y)分別為主方向和副方向的導數(shù)卷積模板，此時主方向θ的角度為0°，副方向θ‘的角度為90°，主方向卷積模板La(x，y)=[_1，1]，副方向卷積模板忍(xj)=。1]，此時主方向的導數(shù)Da(x，y)和副方向的導數(shù)Db(x，y)大小都SM3XM4;步驟4圖像導數(shù)的自相關計算步驟4.1利用公知的自相關運算，對步驟3中得到的主方向?qū)?shù)Da(X，y)和副方向?qū)?shù)Db(x，y)，分別計算主方向?qū)?shù)Da(x，y)的自相*Ca(x，y)和副方向?qū)?shù)Db(x，y)的自相關Cb(x，y)權利要求一種運動模糊和散焦復合模糊的圖像復原方法，其特征在于，包括如下步驟步驟1降質(zhì)圖像去噪利用低通濾波對降質(zhì)圖像g(x，y)進行去噪處理，其中x和y分別為行坐標和列坐標，且都為大于0的整數(shù)，得到去噪后的降質(zhì)圖像f′(x，y)，其算法如下均值為零的高斯分布p(x，y)的函數(shù)形式pz(i1，i2)可以表示為<mrow><msub><mi>p</mi><mi>z</mi></msub><mrow><mo>(</mo><mi>i</mi><mn>1</mn><mo>,</mo><mi>i</mi><mn>2</mn><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><mn>2</mn><mi>&pi;</mi><msup><mi>&sigma;</mi><mn>2</mn></msup></mrow></mfrac><msup><mi>e</mi><mrow><mo>-</mo><mfrac><mrow><mo>(</mo><msup><mrow><mi>i</mi><mn>1</mn></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mi>i</mi><mn>2</mn></mrow><mn>2</mn></msup><mo>)</mo></mrow><msup><mrow><mn>2</mn><mi>&sigma;</mi></mrow><mn>2</mn></msup></mfrac></mrow></msup></mrow>其中下標z表示均值為零的高斯分布的函數(shù)形式，i1和i2分別為橫坐標和縱坐標，且都為實數(shù)，σ為標準差，e為自然對數(shù)函數(shù)的底數(shù)，π為圓周率，設成像系統(tǒng)的加性噪聲n(x，y)服從均值為零的高斯分布p(x，y)，這里σ取0.5，建立一個3×3的高斯白噪聲模板n′(x，y)<mrow><msup><mi>n</mi><mo>&prime;</mo></msup><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0.0113</mn></mtd><mtd><mn>0.0838</mn></mtd><mtd><mn>0.0113</mn></mtd></mtr><mtr><mtd><mn>0.0838</mn></mtd><mtd><mn>0.6193</mn></mtd><mtd><mn>0.0838</mn></mtd></mtr><mtr><mtd><mn>0.0113</mn></mtd><mtd><mn>0.0838</mn></mtd><mtd><mn>0.0113</mn></mtd></mtr></mtable></mfenced></mrow>將降質(zhì)圖像g(x，y)與高斯白噪聲模板n′(x，y)進行卷積，得到M1×M2大小的去噪后的降質(zhì)圖像f′(x，y)f′(x，y)＝g(x，y)*n′(x，y)其中*為卷積操作，步驟2模糊方向識別利用公知的傅立葉變換來估計去噪后的降質(zhì)圖像f′(x，y)的主方向θ和副方向θ′，假設此時主方向θ的角度為α，90°≤α＜90°，副方向θ′的角度為β，0°≤β＜180°，旋轉(zhuǎn)圖像至主方向θ的角度為0°，具體方法如下設散焦與運動模糊同時發(fā)生時運動模糊的方向為主方向θ，與主模糊方向垂直的方向為副方向θ′，計算步驟1得到的去噪后的降質(zhì)圖像f′(x，y)的傅立葉變換F(ω1，ω2)<mrow><mi>F</mi><mrow><mo>(</mo><msub><mi>&omega;</mi><mn>1</mn></msub><mo>,</mo><msub><mi>&omega;</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>=</mo><mo>&Integral;</mo><mo>&Integral;</mo><msup><mi>f</mi><mo>&prime;</mo></msup><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mi>j</mi><msub><mi>&omega;</mi><mn>1</mn></msub><mi>x</mi></mrow></msup><msup><mi>e</mi><mrow><mo>-</mo><mi>j</mi><msub><mi>&omega;</mi><mn>2</mn></msub><mi>y</mi></mrow></msup><mi>dxdy</mi></mrow>ω1和ω2為頻率變量，F(xiàn)(ω1，ω2)為復數(shù)，j為虛數(shù)單位，去噪后的降質(zhì)圖像的傅立葉變換F(ω1，ω2)可以表示為F(ω1，ω2)＝R(ω1，ω2)+jI(ω1，ω2)其中R(ω1，ω2)為實部，I(ω1，ω2)為虛部，計算待估計降質(zhì)圖像f′(x，y)的能量譜E(ω1，ω2)E(ω1，ω2)＝R(ω1，ω2)2+I(ω1，ω2)2能量譜E(ω1，ω2)中各元素為實數(shù)，將能量譜E(ω1，ω2)顯示出來，在圖中心位置會出現(xiàn)一個類似于橢圓的白色亮斑，亮斑周圍會有連續(xù)的亮環(huán)，在所有穿過亮斑的弦中，最長的弦lmax所處的方向，取0°到180°之間的角做為β的值，與此垂直的方向角為α，α＝β90°，此時主方向θ的角度為α，副方向θ′的角度為β，以垂直于去噪后的降質(zhì)圖像f′(x，y)，且過去噪后的降質(zhì)圖像f′(x，y)中心的直線為旋轉(zhuǎn)軸，如果0°≤α＜90°，以α角順時針旋轉(zhuǎn)去噪后的降質(zhì)圖像f′(x，y)，如果90°≤α＜0°，以α+90°角順時針旋轉(zhuǎn)去噪后的降質(zhì)圖像f′(x，y)，降質(zhì)圖像f′(x，y)旋轉(zhuǎn)后，主方向θ的角度為0°，副方向θ′的角度為90°，得到M3×M4大小的旋轉(zhuǎn)后的去噪后的降質(zhì)圖像f″(x，y)；步驟3圖像導數(shù)計算對步驟2中得到的旋轉(zhuǎn)后的去噪后的降質(zhì)圖像f″(x，y)，計算主方向的導數(shù)Da(x，y)和副方向的導數(shù)Db(x，y)Da(x，y)＝f″(x，y)*La(x，y)Db(x，y)＝f″(x，y)*Lb(x，y)其中下標a和b分別表示主方向和副方向，La(x，y)和Lb(x，y)分別為主方向和副方向的導數(shù)卷積模板，此時主方向θ的角度為0°，副方向θ′的角度為90°，主方向卷積模板La(x，y)＝[1，1]，副方向卷積模板此時主方向的導數(shù)Da(x，y)和副方向的導數(shù)Db(x，y)大小都為M3×M4；步驟4圖像導數(shù)的自相關計算步驟4.1利用公知的自相關運算，對步驟3中得到的主方向?qū)?shù)Da(x，y)和副方向?qū)?shù)Db(x，y)，分別計算主方向?qū)?shù)Da(x，y)的自相關Ca(x，y)和副方向?qū)?shù)Db(x，y)的自相關Cb(x，y)<mrow><msub><mi>C</mi><mi>a</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>D</mi><mi>a</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>&CircleTimes;</mo><msub><mi>D</mi><mi>a</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow></mrow><mrow><msub><mi>C</mi><mi>b</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>D</mi><mi>b</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>&CircleTimes;</mo><msub><mi>D</mi><mi>b</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow></mrow>其中下標a和b分別表示主方向和副方向，表示相關操作，此時主方向?qū)?shù)的自相關Ca(x，y)和副方向?qū)?shù)的自相關Cb(x，y)的大小都為(2×M31)×(2×M41)；步驟4.2對主方向?qū)?shù)的自相關Ca(x，y)按照與主方向θ垂直的方向進行累加得ACa(x，y)，對副方向?qū)?shù)的自相關Cb(x，y)按照與副方向θ′垂直的方向進行累加得ACb(x，y)，累加方法如下<mrow><msub><mi>AC</mi><mi>a</mi></msub><mrow><mo>(</mo><mi>m</mi><mo>,</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>C</mi><mi>a</mi></msub><mrow><mo>(</mo><mn>1</mn><mo>,</mo><mi>n</mi><mo>)</mo></mrow><mo>+</mo><msub><mi>C</mi><mi>a</mi></msub><mrow><mo>(</mo><mn>2</mn><mo>,</mo><mi>n</mi><mo>)</mo></mrow><mo>+</mo><mi>L</mi><mo>+</mo><msub><mi>C</mi><mi>a</mi></msub><mrow><mo>(</mo><mn>2</mn><mo>&times;</mo><msub><mi>M</mi><mn>3</mn></msub><mo>-</mo><mn>1</mn><mo>,</mo><mi>n</mi><mo>)</mo></mrow><msub><mo>|</mo><mrow><mi>m</mi><mo>=</mo><mn>1,1</mn><mo>&le;</mo><mi>n</mi><mo>&le;</mo><mn>2</mn><mo>&times;</mo><msub><mi>M</mi><mn>4</mn></msub><mo>-</mo><mn>1</mn></mrow></msub></mrow><mrow><msub><mi>AC</mi><mi>b</mi></msub><mrow><mo>(</mo><mi>m</mi><mo>,</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>C</mi><mi>b</mi></msub><mrow><mo>(</mo><mi>m</mi><mo>,</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><msub><mi>C</mi><mi>b</mi></msub><mrow><mo>(</mo><mi>m</mi><mo>,</mo><mn>2</mn><mo>)</mo></mrow><mo>+</mo><mi>L</mi><mo>+</mo><msub><mi>C</mi><mi>b</mi></msub><mrow><mo>(</mo><mi>m</mi><mo>,</mo><mn>2</mn><mo>&times;</mo><msub><mi>M</mi><mn>4</mn></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow><msub><mo>|</mo><mrow><mn>1</mn><mo>&le;</mo><mi>m</mi><mo>&le;</mo><mn>2</mn><mo>&times;</mo><msub><mi>M</mi><mn>3</mn></msub><mo>-</mo><mn>1</mn><mo>,</mo><mi>n</mi><mo>=</mo><mn>1</mn></mrow></msub></mrow>其中m和n分別為行坐標和列坐標，且都為大于0的整數(shù)，主方向?qū)?shù)自相關的累加ACa(x，y)的大小為1×(2×M41)，副方向?qū)?shù)的自相關的累加ACb(x，y)的大小為(2×M31)×1；步驟5模糊參數(shù)識別設主方向模糊長度為d，副方向模糊半徑為r，對步驟4中得到的主方向?qū)?shù)自相關的累加ACa(x，y)和副方向?qū)?shù)的自相關的累加ACb(x，y)分別繪制曲線圖，在主方向?qū)?shù)自相關的累加ACa(x，y)曲線圖中將出現(xiàn)一個正的最高峰kap，在正最高峰兩側(cè)，出現(xiàn)負的左側(cè)最低峰kap1和負的右側(cè)最低峰kap2，下標ap，ap1和ap2分別表示主方向?qū)?shù)自相關的累加ACa(x，y)曲線圖中正的最高峰，負的左側(cè)最低峰和負的右側(cè)最低峰，兩負最低峰kap1和kap2之間的距離s1的值為2d+4r，在ACa(x，y)曲線圖中將出現(xiàn)一個正的最高峰kbp，在正最高峰兩側(cè)，出現(xiàn)負的左側(cè)最低峰kbp1和負的右側(cè)最低峰kbp2，下標bp，bp1和bp2分別表示副方向?qū)?shù)自相關的累加ACb(x，y)曲線圖中正的最高峰，負的左側(cè)最低峰和負的右側(cè)最低峰，兩負最低峰kbp1和kbp2之間的距離s2的值為4r，計算主方向模糊長度d和副方向模糊半徑r<mrow><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>S</mi><mn>1</mn></msub><mo>=</mo><mn>2</mn><mi>d</mi><mo>+</mo><mn>4</mn><mi>r</mi></mtd></mtr><mtr><mtd><msub><mi>S</mi><mn>2</mn></msub><mo>=</mo><mn>4</mn><mi>r</mi></mtd></mtr></mtable></mfenced><mo>&DoubleRightArrow;</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>d</mi><mo>=</mo><mrow><mo>(</mo><msub><mi>S</mi><mn>1</mn></msub><mo>-</mo><msub><mi>S</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>/</mo><mn>2</mn></mtd></mtr><mtr><mtd><mi>r</mi><mo>=</mo><msub><mi>S</mi><mn>2</mn></msub><mo>/</mo><mn>4</mn></mtd></mtr></mtable></mfenced></mrow>步驟6建立復合模糊模型根據(jù)步驟5得到的主方向模糊長度d和副方向模糊半徑r，通過對標準運動模糊模型hq(x，y)和標準散焦模型hp(x，y)進行線性運算和均一化處理來建立復合模糊模型h(x，y)，下標q和p分別表示運動模糊和散焦，建立復合模糊模型h(x，y)的方法如下步驟6.1對標準運動模糊模型hq(x，y)與標準散焦模型hp(x，y)進行卷積操作，得到復合模糊模型的理論模型hv(x，y)，下標v表示復合模糊模型的理論模型，具體方法如下標準散焦模型hp(x，y)的函數(shù)形式hpt(i1，i2)為其中i1，i2為橫坐標和縱坐標，且都為實數(shù)，下標pt表示標準散焦模型的數(shù)學模型，r為副方向模糊半徑且以r為散焦模糊半徑，r為大于零的實數(shù)，標準散焦模型hp(x，y)是標準散焦模型的函數(shù)形式hpt(i1，i2)的矩陣形式，標準散焦模型hp(x，y)中的任意元素為大于或等于零的實數(shù)，假設運動模糊方向水平，標準運動模糊模型hp(x，y)的函數(shù)形式hpt(i1，i2)為其中i1，i2為橫坐標和縱坐標，且都為實數(shù)，下標qt表示標準運動模糊模型的數(shù)學模型，d為主方向模糊長度且以d為運動模糊長度，d為大于零的實數(shù)，標準散焦模型hq(x，y)是標準運動模糊模型的函數(shù)模型hqt(i1，i2)的矩陣形式，標準運動模糊模型hq(x，y)中的任意元素為大于或等于零的實數(shù)，對標準散焦模型hp(x，y)和標準運動模糊模型hq(x，y)進行卷積，得到復合模糊模型的理論模型hv(x，y)，將復合模糊模型的理論模型hv(x，y)表示為函數(shù)形式hvt(i1，i2)其中下標vt表示復合模糊模型的理論模型的函數(shù)形式，步驟6.2復合模糊模型的理論模型hv(x，y)確定后，在能量守恒的前提下，對復合模糊模型的理論模型hv(x，y)進行均一化處理，得到最終的復合模糊模型h(x，y)，方法如下步驟6.2.1計算復合模糊模型的理論模型hv(x，y)中大于零的點的個數(shù)w，步驟6.2.2將復合模糊模型的理論模型hv(x，y)中大于零的點所對應的值替換為得到最終的復合模糊模型h(x，y)，將復合模糊模型h(x，y)表示成函數(shù)形式ht(i1，i2)其中下標t表示復合模糊模型的函數(shù)形式，步驟7圖像復原根據(jù)步驟6得到的復合模糊模型h(x，y)，利用公知的維納濾波進行復原，得到得到復原圖像FDA0000029710520000021.tif,FDA0000029710520000033.tif,FDA0000029710520000042.tif,FDA0000029710520000043.tif,FDA0000029710520000051.tif,FDA0000029710520000052.tif,FDA0000029710520000053.tif,FDA0000029710520000054.tif全文摘要本發(fā)明提供一種運動模糊和散焦復合模糊的圖像復原方法，該方法能夠?qū)\動模糊和散焦同時出現(xiàn)的圖像進行參數(shù)估計和圖像復原，它包含如下步驟(1)建立高斯白噪聲模板，將降質(zhì)圖像與白噪聲模板卷積，達到去除噪聲的目的；(2)通過圖像能量譜估計圖像的模糊主方向和副方向(3)計算圖像的主方向?qū)?shù)矩陣和副方向?qū)?shù)矩陣；(4)分別對主方向?qū)?shù)矩陣和副方向?qū)?shù)矩陣實施自相關運算和方向累加運算；(5)根據(jù)主方向?qū)?shù)自相關的累加曲線和副方向?qū)?shù)自相關的累加曲線，估計主方向模糊長度和副方向模糊長度；(6)根據(jù)獲得的主方向模糊長度和副方向模糊長度，建立復合模糊模型；(7)利用維納濾波對降質(zhì)圖像進行復原。文檔編號G06T5/00GK101968881SQ201010522739公開日2011年2月9日申請日期2010年10月27日優(yōu)先權日2010年10月27日發(fā)明者李楠,路小波申請人:東南大學