本發(fā)明涉及計(jì)算機(jī)視覺和數(shù)字圖像處理領(lǐng)域，具體的說是一種基于圖像顯著結(jié)構(gòu)的噪聲模糊圖像盲目反卷積方法。

背景技術(shù)：

單幅圖像盲目反卷積是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的一個(gè)最基本的研究問題，一直是研究的熱點(diǎn)和難點(diǎn)，其應(yīng)用已深入到目標(biāo)識(shí)別、遙感成像、醫(yī)學(xué)圖像處理和消費(fèi)級攝像多個(gè)領(lǐng)域。單幅圖像盲目反卷積問題本質(zhì)上屬于數(shù)學(xué)中的病態(tài)反問題。對其求解通常是先估計(jì)模糊核，將反卷積問題轉(zhuǎn)換成線性圖像復(fù)原問題，然后通過非盲目解卷積方法恢復(fù)清晰圖像，這樣可獲得更好的效果。在非盲目解卷積過程中，模糊核估計(jì)的準(zhǔn)確性直接影響圖像恢復(fù)質(zhì)量。因此，對單幅圖像盲目反卷積問題而言，找到一個(gè)相對準(zhǔn)確的模糊核估計(jì)值至為關(guān)鍵。近年來，單幅圖像盲目反卷積得到了充分研究，許多有效方法相繼被提出。在輸入圖像無噪聲沾染的假設(shè)前提下，這些方法獲得了相當(dāng)成功的圖像重建質(zhì)量。然而，隨著輸入圖像噪聲增加，已存在方法的性能迅速退化甚至失效。

技術(shù)實(shí)現(xiàn)要素：

為克服目前單幅圖像盲目卷積技術(shù)在處理噪聲模糊圖像上的不足，本發(fā)明提供了一種基于圖像顯著結(jié)構(gòu)的噪聲模糊圖像盲目反卷積方法，該方法在合成和真實(shí)圖像數(shù)據(jù)集上都更準(zhǔn)確地估計(jì)出噪聲模糊圖像的模糊核，獲得高質(zhì)量的去模糊圖像。

本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：一種基于圖像顯著結(jié)構(gòu)的噪聲模糊圖像盲目反卷積方法，包括以下步驟：

步驟1，輸入待去模糊的圖像數(shù)據(jù)；

步驟2，對輸入圖像數(shù)據(jù)進(jìn)行降噪預(yù)處理；

步驟3，對降噪預(yù)處理后的圖像或經(jīng)步驟7處理后的粗略復(fù)原圖像進(jìn)行顯著邊緣提取；

步驟4，對顯著邊緣提取后的圖像進(jìn)行shock濾波重建圖像強(qiáng)邊緣；

步驟5，利用圖像強(qiáng)邊緣計(jì)算用于模糊核估計(jì)的圖像顯著邊緣；

步驟6，初始模糊核估計(jì)；

步驟7，利用所估計(jì)的初始模糊核進(jìn)行粗略圖像復(fù)原；

步驟8，判斷模糊核估計(jì)是否達(dá)到預(yù)設(shè)閾值條件，若是，則執(zhí)行步驟9，否則返回步驟3；

步驟9，對模糊核初始估計(jì)進(jìn)行基于isd的修正；

步驟10，圖像復(fù)原。

所述降噪預(yù)處理通過bm3d濾波完成。

所述顯著邊緣提取利用圖像結(jié)構(gòu)-紋理分解方法實(shí)現(xiàn)，具體為：對于圖像l，其圖像結(jié)構(gòu)通過最小化代價(jià)函數(shù)

獲得。其中，θ為可調(diào)節(jié)參數(shù)；ls表示顯著邊緣提取的圖像結(jié)構(gòu)；▽ls表示圖像ls的一階偏導(dǎo)數(shù)；ω(x)表示像素x的自適應(yīng)權(quán)重，即ω(x)＝exp(-||r(x)||^0.8)；r(x)代表用于模糊核估計(jì)邊緣選擇的一種圖像梯度置信度量，即▽l(y)表示圖像l的一階偏導(dǎo)數(shù)，nh(x)表示以像素x為中心的、大小為h×h像素的圖像窗口。

所述對顯著邊緣提取后的圖像進(jìn)行shock濾波重建圖像強(qiáng)邊緣，通過下式進(jìn)行

其中，ls表示顯著邊緣提取的圖像結(jié)構(gòu)；表示圖像強(qiáng)邊緣；和分別是圖像的一階和二階偏導(dǎo)數(shù)；t是偏微分方程的時(shí)間變量。

所述利用圖像強(qiáng)邊緣計(jì)算用于模糊核估計(jì)的圖像顯著結(jié)構(gòu)，具體為：

其中，代表圖像強(qiáng)邊緣；▽s代表圖像顯著結(jié)構(gòu)；о代表像素間點(diǎn)乘操作；h(m,τ)為單位二值掩膜函數(shù)；τ為圖像梯度模閾值；

所述初始模糊核估計(jì)通過最小化代價(jià)函數(shù)

獲得；其中，γ和μ分別表示正則化和平滑約束權(quán)重；▽b表示降噪預(yù)處理后模糊圖像的一階偏導(dǎo)數(shù)(即梯度圖像)；▽s為步驟5得到的圖像顯著結(jié)構(gòu)；k表示模糊核；為模糊核平滑約束l0項(xiàng)，k(x,y)＝k；0＜α≤1。

采用hyper-laplacian分布作為模糊核的先驗(yàn)分布，同時(shí)引入基于梯度最小化的圖像平滑方法，對模糊核進(jìn)行平滑處理，改善模糊核估計(jì)值的連續(xù)性。

所述利用所估計(jì)的初始模糊核進(jìn)行粗略圖像復(fù)原，具體采用基于全總變分正則化模型實(shí)現(xiàn)，即

其中，λl表示tv正則項(xiàng)權(quán)重；b表示降噪預(yù)處理后模糊圖像；l表示復(fù)原圖像，k表示模糊核；▽l表示圖像l的一階導(dǎo)數(shù)。

所述對模糊核初始估計(jì)進(jìn)行基于isd的修正，具體為：

在每次迭代開始，取先前估計(jì)模糊核kⁱ中較大值元素組成集合sⁱ⁺¹，而其它元素屬于集合其中sⁱ⁺¹被定義為：

其中，j用于指示模糊核kⁱ中的元素；∈^s為一正數(shù)。

假設(shè)模糊核大小為h×w，設(shè)計(jì)∈^s＝7×||kⁱ||∞/(2h×w×niter)，niter為迭代次數(shù)；通過最小化代價(jià)函數(shù)

完成模糊核細(xì)化；其中，▽s和k分別表示步驟3～7最終輸出的圖像顯著邊緣和模糊核。

所述圖像復(fù)原選擇降噪預(yù)處理后的模糊圖像作為輸入圖像，并采用基于稀疏先驗(yàn)的非盲目解卷積方法完成，最終的圖像復(fù)原代價(jià)函數(shù)為：

其中，b0代表經(jīng)降噪預(yù)處理后的模糊圖像；k′為步驟7得到的模糊核；α＝0.8；

本發(fā)明可有效地處理圖像去模糊對噪聲敏感問題，準(zhǔn)確地估計(jì)出噪聲模糊圖像的模糊核，并給出高質(zhì)量的復(fù)原圖像。

附圖說明

圖1為本發(fā)明方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對本發(fā)明做進(jìn)一步的詳細(xì)說明。

本發(fā)明首先通過降噪預(yù)處理對圖像噪聲進(jìn)行抑制,利用基于全總變分模型的方法提取模糊圖像的顯著結(jié)構(gòu),進(jìn)而運(yùn)用梯度選擇方法移除不利于模糊核估計(jì)的顯著邊緣,提高模糊核估計(jì)的魯棒性；然后采取兩階段模糊核估計(jì)策略,運(yùn)用基于圖像顯著結(jié)構(gòu)的模糊核估計(jì)方法和isd技術(shù)實(shí)現(xiàn)模糊核的準(zhǔn)確估計(jì)；最后通過稀疏先驗(yàn)約束的非盲目圖像解卷積方法完成最終的圖像復(fù)原。

在圖1中，采用bm3d濾波對輸入模糊圖像做降噪平滑預(yù)處理后，采用兩階段模糊核估計(jì)策略，實(shí)現(xiàn)模糊核從粗到細(xì)的準(zhǔn)確估計(jì)。第一階段估計(jì)粗略的模糊核初值：提取輸入圖像的顯著邊緣，接著應(yīng)用shock濾波重建圖像強(qiáng)邊緣，保 留具有較大的模糊核初值用于模糊核初值估計(jì)。第二階段模糊核初值的細(xì)化：利用isd技術(shù)對模糊核初值做進(jìn)一步處理，得到相對準(zhǔn)確的模糊核估計(jì)。最后通過基于稀疏先驗(yàn)約束的非盲目圖像解卷積方法完成最終的圖像復(fù)原。具體步驟如下：

單幅圖像盲目反卷積問題中，圖像退化過程通常被模型化為b＝l*k+n。其中，b表示觀測到的噪聲模糊圖像；l，k和n分別代表原始清晰圖像、模糊核與高斯白噪聲；*是卷積符號。

步驟1.輸入圖像數(shù)據(jù)。

在單幅噪聲模糊圖像盲目反卷積系統(tǒng)中輸入待去模糊的圖像數(shù)據(jù)。

步驟2.噪聲抑制。

通過bm3d濾波對輸入噪聲模糊圖像進(jìn)行降噪預(yù)處理。

步驟3.顯著邊緣提取。

利用圖像結(jié)構(gòu)-紋理分解方法實(shí)現(xiàn)圖像顯著邊緣提取，對于圖像l，其圖像結(jié)構(gòu)可通過最小化代價(jià)函數(shù)

獲得。其中，θ為可調(diào)節(jié)參數(shù)；ls表示提取的圖像結(jié)構(gòu)；ω(x)表示像素x的自適應(yīng)權(quán)重，即ω(x)＝exp(-||r(x)||^0.8)；r(x)代表用于模糊核估計(jì)邊緣選擇的一種圖像梯度置信度量，即nh(x)表示以像素x為中心、大小為h×h像素的圖像窗口。通常，在圖像平坦區(qū)域θ宜取較大值，靠近圖像邊緣區(qū)域取較小值，以抑制圖像結(jié)構(gòu)提取時(shí)在平坦區(qū)域可能引起的階梯效應(yīng)。r(x)用于移除破壞模糊核估計(jì)的圖像邊緣。小r值代表局部圖像區(qū)域是平坦的或存在無效的尖狀圖像結(jié)構(gòu)，而大r值表示局部圖像區(qū)域存在圖像強(qiáng)邊緣。這里將圖像梯度置信度量用于構(gòu)造自適應(yīng)權(quán)重ω(x)，對參數(shù)θ進(jìn)行自適應(yīng)調(diào)整，同時(shí)也對 圖像平坦區(qū)域和尖狀圖像結(jié)構(gòu)具有較強(qiáng)的懲罰作用。

步驟4.shock濾波。

提取圖像結(jié)構(gòu)ls后，對ls進(jìn)行shock濾波重建圖像強(qiáng)邊緣

其中，和分別是圖像的一階和二階偏導(dǎo)數(shù)；t是偏微分方程的時(shí)間變量。

步驟5.顯著邊緣選擇。

利用計(jì)算用于模糊核估計(jì)的圖像顯著邊緣▽s，即

其中，о代表像素間點(diǎn)乘操作；h(m,τ)為單位二值掩膜函數(shù)；τ為圖像梯度模閾值；

步驟6.初始模糊核估計(jì)。

采用hyper-laplacian分布作為模糊核的先驗(yàn)分布，同時(shí)引入基于l0梯度最小化的圖像平滑方法，對模糊核進(jìn)行平滑處理，改善模糊核估計(jì)值的連續(xù)性。初始模糊核估計(jì)可通過最小化代價(jià)函數(shù)

獲得。其中，γ和μ分別表示正則化和平滑約束權(quán)重；▽b表示降噪預(yù)處理后模糊圖像的一階偏導(dǎo)數(shù)(即梯度圖像)；▽s為步驟5得到的圖像顯著結(jié)構(gòu)；k表示模糊核；為模糊核平滑約束l0項(xiàng)，k(x,y)＝k；0＜α≤1。

步驟7.粗略圖像復(fù)原。

利用所估計(jì)的初始模糊核進(jìn)行粗略圖像復(fù)原，將粗略復(fù)原圖像作為下一次 模糊核估計(jì)的模糊圖像輸入。具體采用基于全總變分(totalvariation，tv)正則化模型實(shí)現(xiàn)，即

其中，λl表示tv正則項(xiàng)權(quán)重，典型值取0.1。該模型采用irls方法求解，外層迭代取2次，內(nèi)層共軛梯度算法采用100次迭代。

步驟8.迭代閾值判斷。

為了獲得更好的模糊核初始估計(jì)，步驟3～7基于圖像金字塔分解(圖像下采樣系數(shù)取)的多尺度模糊核估計(jì)框架實(shí)現(xiàn)，完成初始模糊核從粗到細(xì)的漸進(jìn)估計(jì)。判斷所估計(jì)模糊核是否達(dá)到預(yù)設(shè)閾值條件進(jìn)行判斷，若是，則執(zhí)行步驟9，否則返回步驟3。

步驟9.基于isd的模糊核修正。

isd是一種新的稀疏信號重構(gòu)技術(shù)。在isd每次迭代開始，取先前估計(jì)模糊核kⁱ中較大值元素組成集合sⁱ⁺¹(即構(gòu)建的部分支持域)，而其它元素屬于集合sⁱ⁺¹被定義為

其中，j用于指示模糊核kⁱ中的元素；∈^s為一正數(shù)。假設(shè)模糊核大小為h×w，設(shè)計(jì)∈^s＝7×||kⁱ||∞/(2h×w×niter)，niter為迭代次數(shù)。于是可通過最小化代價(jià)函數(shù)

完成模糊核細(xì)化。其中，▽s和k分別表示步驟3～7最終輸出的圖像顯著邊緣和模糊核。

步驟10.圖像復(fù)原。

考慮到噪聲不可忽略時(shí)非盲目解卷積方法對圖像噪聲放大及圖像邊界振鈴效應(yīng)問題，選擇降噪濾波后的圖像作為輸入圖像，并采用基于稀疏先驗(yàn)的非盲目解卷積方法完成圖像復(fù)原。最終的圖像復(fù)原代價(jià)函數(shù)為

其中，b0代表經(jīng)降噪平滑后的模糊圖像；k′為步驟7得到的模糊核；α＝0.8；