一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法
【專利摘要】本發(fā)明公開(kāi)了一種基于高斯尺度混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，實(shí)施步驟為：1)在貝葉斯后驗(yàn)概率模型中，用高斯模型、高斯尺度混合型馬爾科夫?qū)＜覉?chǎng)和基于l1范數(shù)的稀疏模型分別對(duì)噪聲、復(fù)原圖像和復(fù)原模糊核建模；2)對(duì)所得貝葉斯后驗(yàn)概率模型取負(fù)自然對(duì)數(shù)得到待優(yōu)化問(wèn)題；3)用模糊圖像和高斯型模糊核分別初始化復(fù)原圖像和復(fù)原模糊核，并設(shè)置最大迭代次數(shù)；4)在某次迭代中，固定優(yōu)化所得復(fù)原模糊核，對(duì)復(fù)原圖像優(yōu)化；5)固定優(yōu)化所得復(fù)原圖像，對(duì)復(fù)原模糊核優(yōu)化；6)若迭代次數(shù)小于最大迭代次數(shù)，則重復(fù)執(zhí)行步驟4)和5)；7)調(diào)整步驟4)中的正則化系數(shù)，并利用步驟6)所得的最終復(fù)原模糊核對(duì)已知模糊圖像進(jìn)行復(fù)原。本發(fā)明能夠利用單幅模糊圖像獲得高質(zhì)量的復(fù)原圖像。
【專利說(shuō)明】一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)圖像處理技術(shù)，特別涉及一種基于高斯尺度混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法。
【背景技術(shù)】
[0002]在日常攝影、天文觀測(cè)或遙感對(duì)地成像過(guò)程中，如果照明條件不理想，則需要提高成像設(shè)備的感光度(ISO)或延長(zhǎng)曝光時(shí)間，以使成像器件獲得充足的曝光量。但這兩種方法通常存在如下問(wèn)題:提高成像器件的ISO會(huì)使所得圖像中存在大量噪點(diǎn)，影響了圖像的色彩和細(xì)節(jié)；而延長(zhǎng)曝光時(shí)間，則容易使相機(jī)受到外界震動(dòng)的影響，造成相機(jī)與被拍攝目標(biāo)之間的相對(duì)運(yùn)動(dòng)，產(chǎn)生圖像模糊。
[0003]為了解決上述問(wèn)題，通常的方法是為相機(jī)加裝穩(wěn)像設(shè)備，然而穩(wěn)像設(shè)備通常較笨重或較為昂貴，例如，三腳架可以有效防止拍攝過(guò)程中的相機(jī)抖動(dòng)，但移動(dòng)不便；而加裝了穩(wěn)像器的鏡頭的價(jià)格則會(huì)大幅上漲，影響了其廣泛使用。
[0004]解決圖像模糊的另一條有效途徑是圖像復(fù)原算法，又稱為反卷積算法。在數(shù)學(xué)上，圖像模糊過(guò)程可以表述為清晰圖像與一個(gè)模糊核的卷積，同時(shí)由于電子器件等外界因素的影響，會(huì)在所得圖像中引入噪聲，圖像復(fù)原的目標(biāo)就是利用模糊圖像，采用特定的反卷積算法逆向估計(jì)出清晰圖像的近似值，即復(fù)原圖像。圖像復(fù)原的關(guān)鍵的是獲得模糊核的估計(jì)值，即復(fù)原模糊核，在某些情況下，可以通過(guò)特定方法求得復(fù)原模糊核，例如在遙感觀測(cè)中，可以利用刃邊法或點(diǎn)光源法計(jì)算得到復(fù)原模糊核，這種復(fù)原模糊核已知的模糊圖像復(fù)原方法稱為非盲復(fù)原。相反，在無(wú)法通過(guò)其他手段得到復(fù)原模糊核時(shí)，就需要利用一幅模糊圖像同時(shí)計(jì)算出復(fù)原模糊核和復(fù)原圖像，這樣的方法稱為盲復(fù)原。
[0005]非盲復(fù)原方法和盲復(fù)原方法都是典型的病態(tài)逆問(wèn)題，即模糊圖像中的稍許噪聲也會(huì)在復(fù)原結(jié)果中引入大量的噪聲和振鈴等負(fù)面效應(yīng)，嚴(yán)重影響復(fù)原結(jié)果。通常采用正則化方法解決這類問(wèn)題，即通過(guò)引入特定的限制條件對(duì)圖像復(fù)原問(wèn)題進(jìn)行修正，使新問(wèn)題的解是良態(tài)的，且盡量逼近真實(shí)的清晰圖像。

【發(fā)明內(nèi)容】

[0006]發(fā)明目的:本發(fā)明解決的技術(shù)問(wèn)題是提供一種能夠在僅已知單幅模糊圖像的情況下，去除圖像模糊，提高圖像對(duì)比度和清晰度，同時(shí)增加圖像細(xì)節(jié)，復(fù)原效果好的模糊圖像復(fù)原算法。
[0007]為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為:一種基于高斯尺度混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其實(shí)施步驟如下:
[0008]I)用高斯概率模型對(duì)噪聲發(fā)生的概率進(jìn)行建模、用高斯尺度混合型馬爾科夫?qū)＜覉?chǎng)對(duì)復(fù)原圖像發(fā)生的概率進(jìn)行建模，用基于I1范數(shù)的稀疏概率模型對(duì)復(fù)原模糊核發(fā)生的概率進(jìn)行建模，得到三個(gè)子模型，將這三個(gè)子模型相乘得到模糊圖像盲復(fù)原的貝葉斯后驗(yàn)概率模型；[0009]2)對(duì)所得模糊圖像盲復(fù)原的貝葉斯后驗(yàn)概率模型取負(fù)自然對(duì)數(shù)得到待優(yōu)化問(wèn)題；
[0010]3)用相機(jī)拍攝所得的已知模糊圖像和高斯型模糊核分別對(duì)復(fù)原圖像和復(fù)原模糊核進(jìn)行初始化，并設(shè)置最大迭代次數(shù)；
[0011]4)在每次迭代中，固定上次迭代優(yōu)化所得的復(fù)原模糊核，對(duì)復(fù)原圖像進(jìn)行優(yōu)化；
[0012]5)固定優(yōu)化所得復(fù)原圖像，對(duì)復(fù)原模糊核進(jìn)行優(yōu)化；
[0013]6)判斷迭代次數(shù)是否小于或等于最大迭代次數(shù)，若小于或等于最大迭代次數(shù)，則重復(fù)執(zhí)行步驟4)和步驟5)，否則判定得到最終復(fù)原模糊核；
[0014]7)擴(kuò)大步驟4)中的正則化系數(shù)，并利用步驟6)所得的最終復(fù)原模糊核對(duì)相機(jī)拍攝所得的已知模糊圖像進(jìn)行復(fù)原。
[0015]所述步驟I)中的模糊圖像盲復(fù)原的貝葉斯后驗(yàn)概率模型的表達(dá)式為:
[0016]P (f, h I g) P (g I f, h) P (f) P (h)。
[0017]其中，f、h和g分別表示復(fù)原圖像、復(fù)原模糊核和相機(jī)拍攝所得的已知模糊圖像，P(f，h|g)表示在g發(fā)生的情況下f和h同時(shí)發(fā)生的概率，P(g|f，h)表示噪聲發(fā)生的概率，p(f)表示復(fù)原圖像發(fā)生的概率，P (h)表示復(fù)原模糊核發(fā)生的概率；
[0018]所述步驟I)中用于對(duì)噪聲發(fā)生的概率P (g I f，h)進(jìn)行高斯概率模型建模的表達(dá)式為:
[0019]
【權(quán)利要求】
1.一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，包括如下步驟: 1)用高斯概率模型對(duì)噪聲發(fā)生的概率進(jìn)行建模、用高斯尺度混合型馬爾科夫?qū)＜覉?chǎng)對(duì)復(fù)原圖像發(fā)生的概率進(jìn)行建模，用基于I1范數(shù)的稀疏概率模型對(duì)復(fù)原模糊核發(fā)生的概率進(jìn)行建模，得到三個(gè)子模型，將這三個(gè)子模型相乘得到模糊圖像盲復(fù)原的貝葉斯后驗(yàn)概率模型； 2)對(duì)所得模糊圖像盲復(fù)原的貝葉斯后驗(yàn)概率模型取負(fù)自然對(duì)數(shù)得到待優(yōu)化問(wèn)題； 3)用相機(jī)拍攝所得的已知模糊圖像和高斯型模糊核分別對(duì)復(fù)原圖像和復(fù)原模糊核進(jìn)行初始化，并設(shè)置最大迭代次數(shù)； 4)在每次迭代中，固定上次迭代所得的復(fù)原模糊核，對(duì)復(fù)原圖像進(jìn)行優(yōu)化； 5)固定優(yōu)化所得的復(fù)原圖像，對(duì)復(fù)原模糊核進(jìn)行優(yōu)化； 6)判斷迭代次數(shù)是否小于或等于最大迭代次數(shù)，若小于或等于最大迭代次數(shù)，則重復(fù)執(zhí)行步驟4)和步驟5)，否則判定得到最終復(fù)原模糊核； 7)擴(kuò)大步驟4)中的正則化系數(shù)，并利用步驟6)所得的最終復(fù)原模糊核對(duì)相機(jī)拍攝所得的已知模糊圖像進(jìn)行復(fù)原。
2.根據(jù)權(quán)利要求1所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟I)中 的模糊圖像盲復(fù)原的貝葉斯后驗(yàn)概率模型的表達(dá)式為:
P(f，h|g) ocP(g|f) h)P(f)P(h), 其中，f、h和g分別表示復(fù)原圖像、復(fù)原模糊核和相機(jī)拍攝所得的已知模糊圖像；P (f, h I g)表示在g發(fā)生的情況下，f和h同時(shí)發(fā)生的概率；P (g I f, h)表示噪聲發(fā)生的概率；P(f)表示復(fù)原圖像發(fā)生的概率；P(h)表示復(fù)原模糊核發(fā)生的概率。
3.根據(jù)權(quán)利要求2所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟I)中用于對(duì)噪聲發(fā)生的概率P(gIf，h)進(jìn)行高斯概率模型建模的表達(dá)式為:
Hg 1./，Λ)exP〔-Σ[I/ — (/f ? /)/ f ?
V iJ 其中，?表示卷積運(yùn)算符，Σ表示一維逐項(xiàng)求和運(yùn)算，j表示復(fù)原圖像的像素索引，一


/維逐項(xiàng)求和運(yùn)算取值范圍等于復(fù)原圖像的像素總數(shù)。
4.根據(jù)權(quán)利要求3所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟I)中用于對(duì)復(fù)原圖像發(fā)生的概率P(f)進(jìn)行建模的高斯尺度混合型馬爾科夫?qū)＜覉?chǎng)的表達(dá)式為: 八/)尤 Π*Μ(νη?Α]’ 其中，Π表示二維逐項(xiàng)求積運(yùn)算，Ψ表示構(gòu)成P(f)的函數(shù)，xZ^exP —^? m表示構(gòu)成函數(shù)Ψ (X)的指數(shù)函數(shù)的索引，m的取
μ 1.2σ: J值范圍為I~8,構(gòu)成Ψ (X)的指數(shù)函數(shù)的總數(shù)M的值為8,每一組加權(quán)系數(shù)^和標(biāo)準(zhǔn)差%均為固定常數(shù)，并且
π 卜8 = {0.1940，0.0906，0.4631，0.0423，0.1021，0.0816，0.0028，0.0234}，
Oh= {0.0032，0.0147，0.0215，0.0316，0.0464，0.0681，0.100，0.1468}； 每一個(gè)K表示一個(gè)高通濾波器，i表示構(gòu)成P (f)的高通濾波器索引，高通濾波器總數(shù)是25。
5.根據(jù)權(quán)利要求4所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟I)中用于對(duì)復(fù)原模糊核發(fā)生的概率P (h)進(jìn)行建模的基于I1范數(shù)的稀疏概率模型的表達(dá)式為: m ^ exp^XKrf, ?h)k\^\(d2?h)k\j, 其中，Cl1 = [-1，I]和d2 = [-1，1]τ分別表示水平梯度算子和垂直梯度算子，k表示復(fù)原模糊核像素索引，其取值范圍等于復(fù)原模糊核的像素?cái)?shù)。
6.根據(jù)權(quán)利要求5所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟2)中的待優(yōu)化問(wèn)題的表達(dá)式為:(/,h)=argmin{",[g,- — _/)—,f - ￡lnIrK^ ? /)/]} + 譽(yù)ΣIW 義I+f Σ 1(4 ? |}j Jm* j-ξ jim afmat 灸I 其中，λ和ξ為正則化系數(shù)，O < λ < 104，10_3< ξ < 10—1，Σ表示二維逐項(xiàng)求積運(yùn)





ij笪
7.根據(jù)權(quán)利要求1所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟3)中的初始化是一個(gè)變量賦值運(yùn)算，即復(fù)原圖像的初始值等于相機(jī)拍攝所得的模糊圖像，復(fù)原模糊核的初始值等于高斯型模糊核，并且高斯型模糊核的尺寸大于實(shí)際模糊核，最大迭代次數(shù)tmax的取值范圍為5 ( tmax ( 15。
8.根據(jù)權(quán)利要求6所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟4)中的對(duì)復(fù)原圖像進(jìn)行優(yōu)化的表達(dá)式為: /=argmk,瞬為]⑩爲(wèi)]}.J“J
9.根據(jù)權(quán)利要求8所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟4)中采用二次懲罰函數(shù)法對(duì)復(fù)原圖像進(jìn)行優(yōu)化，具體步驟為: a)引入與所述步驟I中高通濾波器相同數(shù)量并且一一對(duì)應(yīng)的輔助變量Vi和一個(gè)懲罰系數(shù)β，β初始化為I，得到:(/，v,) = argmin(M—) [^YdIgj-(A?/),]2+f ^[(^), —(w, ?/)jf -Σ1η純認(rèn)衫1[ J“ “./J b)固定f，并采用牛頓一拉弗森迭代方法對(duì)所有輔助變量Vi進(jìn)行優(yōu)化求解； C)當(dāng)?shù)玫剿蠽i的估計(jì)值后，求解f，采用在頻域中得到f的解析解，經(jīng)傅里葉逆變換得到f，然后為β乘以放大因子R，R > I ； d)判斷β是否小于β_，216 < < 232 ;若β < ，則循環(huán)執(zhí)行步驟b)~步驟c);若β > ，則輸出f。
10.根據(jù)權(quán)利要求9所述的一種基于混合型馬爾科夫?qū)＜覉?chǎng)的模糊圖像盲復(fù)原方法，其特征在于，所述步驟5)中的對(duì)復(fù)原模糊核進(jìn)行優(yōu)化的計(jì)算公式為:
【文檔編號(hào)】G06T5/00GK104008531SQ201410271155
【公開(kāi)日】2014年8月27日 申請(qǐng)日期:2014年6月17日 優(yōu)先權(quán)日:2014年6月17日
【發(fā)明者】董文德, 楊新民, 梁波, 顏如祥, 張翠俠, 段然, 薛新華 申請(qǐng)人:中國(guó)電子科技集團(tuán)公司第二十八研究所