本發(fā)明屬于圖像復(fù)原領(lǐng)域,涉及多重退化的極模糊圖像的復(fù)原方法,特別適用于極模糊的刑偵圖像的復(fù)原。
背景技術(shù):
隨著使用范圍逐步擴(kuò)大,視頻監(jiān)控技術(shù)已成為各類案件偵破過程中搜集犯罪證據(jù)、提取犯罪線索的重要手段[1-4]。當(dāng)遇到圖像模糊不清時(shí),偵查人員常用photoshop、警視通影像分析平臺(tái)、videoinvestigator、“影博士”、“vcs”、vrevealpremium和“索貝”等軟件來處理[1]。一般這些軟件對(duì)單一退化原因的模糊圖像有效,但對(duì)于多重退化引起的極模糊圖像,難以取得理想效果。
早期的方法典型地假定psf具有簡單參數(shù)形式。實(shí)際上,psf復(fù)雜得多,應(yīng)該用復(fù)雜的參數(shù)模型來描述。dilipg.warrier和udayb.desai將psf看作是一個(gè)矩陣,稱為模糊矩陣,該矩陣的元素采用隨機(jī)模型,使用平均場近似得到一個(gè)封閉形式模糊元素平均值表達(dá)式。因而采用非函數(shù)模型的psf估計(jì)算法得到快速發(fā)展:早期的基于圖像復(fù)倒譜的估計(jì)方法,基于二維arma模型的估計(jì)方法,利用多幀圖像序列維納濾波方法和近期出現(xiàn)的基于奇異值分解的估計(jì)方法等。
近來,基于自然圖像的統(tǒng)計(jì)特性,有不少估計(jì)psf的好算法被提出。fergus等人對(duì)于自然圖像的灰度梯度采用混合高斯模型,結(jié)合變分貝葉斯估計(jì)psf,然后使用l-r算法來解卷。這種方法對(duì)psf較小的情況,結(jié)果比較好。后來,krishan和fergus將自然圖像的灰度梯度的重尾分布采用超拉普拉斯先驗(yàn)?zāi)P停瑧?yīng)用交叉迭代的方案,該方案利用查找表的算法,能進(jìn)行快速優(yōu)化,然而復(fù)原出來的圖像還是有明顯的階梯效應(yīng)。levin等人對(duì)這些方法進(jìn)行了歸納,提出了基于最大后驗(yàn)概率的邊緣似然的優(yōu)化方法,該種后驗(yàn)概率證明比通常的后驗(yàn)概率具有更好的魯棒性。盡管這些方法效果不錯(cuò),但計(jì)算量太大。因?yàn)樾枰獙?duì)潛圖像進(jìn)行邊緣化處理,而優(yōu)化能量函數(shù)通常要求相當(dāng)復(fù)雜的迭代數(shù)值算法,比如在優(yōu)化方案中要求在psf估計(jì)和圖像復(fù)原交替迭代進(jìn)行。然而如果初始模糊核沒有一種匹配的方式或者適當(dāng)?shù)拇笮∵M(jìn)行很好的設(shè)置,通常會(huì)不能收斂到真實(shí)的全局最小。
技術(shù)實(shí)現(xiàn)要素:
本專利以現(xiàn)場場景的測(cè)試值作為初始值,提出一種多重退化的極模糊圖像的復(fù)原方法,應(yīng)用變分貝葉斯理論來精確估計(jì)各子退化函數(shù),從而精確地估計(jì)出成像系統(tǒng)的psf,實(shí)現(xiàn)了極模糊刑偵圖像的復(fù)原。由于仔細(xì)處理了多重退化因素,使得圖像的復(fù)原效果好。
一種多重退化的極模糊圖像的復(fù)原方法,s1,獲取數(shù)據(jù);
s01,獲取外界參數(shù):
s02,獲取模糊圖像矩陣g(x,y)并求其梯度倒譜
s2,建立系統(tǒng)退化函數(shù)h(x,y)和各子退化函數(shù);
s3,初始化各子退化函數(shù),求解各子退化函數(shù)的初始梯度倒譜;
s4,將各子退化函數(shù)的初始梯度倒譜以及模糊圖像的梯度倒譜作為變分貝葉斯的輸入,求解出各子退化函數(shù)的最優(yōu)分布;
s5,利用各子退化函數(shù)與系統(tǒng)點(diǎn)擴(kuò)散函數(shù)的關(guān)系,求解系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)h(x,y)。
s6,將h(x,y)和g(x,y)作為l-r算法的輸入,獲得清晰圖像矩陣f(x,y)。
進(jìn)一步限定,所述s01中獲取外界參數(shù)具體包括:
s01,獲取外界參數(shù):獲取攝像頭工作參數(shù)焦距f、透鏡的直徑d、光圈系數(shù)f,ccd成像像元大小wx、wy以及物距z,像距v,像素點(diǎn)數(shù)目k、p,感光元件每個(gè)像素點(diǎn)長度l,物體在曝光時(shí)間τ內(nèi)的運(yùn)動(dòng)距離d,目標(biāo)運(yùn)動(dòng)的方向θ。
進(jìn)一步限定,所述s2的各自退化函數(shù)具體包括:
光學(xué)衍射引起的艾里斑模式的子退化函數(shù)為h1(x,y);
量化時(shí)圖像傳感器的子退化函數(shù)為h2(x,y);
攝像頭散焦的子退化函數(shù)為h3(x,y);
攝像頭與目標(biāo)相對(duì)勻速直線運(yùn)動(dòng)的子退化函數(shù)為h4(x,y)。
進(jìn)一步限定,光學(xué)衍射引起的艾里斑模式的子退化函數(shù)h1(x,y)具體為:
量化時(shí)圖像傳感器的子退化函數(shù)為h2(x,y)具體為:
攝像頭散焦的子退化函數(shù)為h3(x,y)具體為:
攝像頭與目標(biāo)相對(duì)勻速直線運(yùn)動(dòng)的子退化函數(shù)為h4(x,y)具體為:
進(jìn)一步限定,所述s3具體包括:
將所述s01中獲取得的參數(shù)值代入所述s2中所對(duì)應(yīng)的子退化函數(shù)中以初始化各子退化函數(shù),得到各子退化函數(shù)的初值h10、h20、h30、h40;
求解各子退化函數(shù)的初始梯度倒譜ch10、ch20、ch30、ch40,并設(shè)系統(tǒng)退化函數(shù)h(x,y)的梯度倒譜為ch。
進(jìn)一步限定,所述s4具體包括:
將各子退化函數(shù)的初始梯度倒譜ch10、ch20、ch30、ch40ch40、
它們滿足線性關(guān)系關(guān)系:
ch=k1ch1+k2ch2+k3ch3+k4ch4,其中k1、k2、k3、k4是常數(shù),且k1、k2、k3、k4至少有一個(gè)不為0。
進(jìn)一步限定,所述k參數(shù)k1、k2、k3、k4典型值為1,針對(duì)某種成像系統(tǒng)的退化情況,k參數(shù)的取值在1附近變化,具體值由實(shí)驗(yàn)確定。本專利不限于四種退化因素,如果有四種以上退化因素,k參數(shù)的個(gè)數(shù)應(yīng)增加。
本發(fā)明的有益效果為:通過考慮圖像模糊的多重退化因素,且通過變分貝葉斯理論來精確估計(jì)各子退化函數(shù),從而精確地估計(jì)出成像系統(tǒng)的psf,實(shí)現(xiàn)了極模糊圖像的復(fù)原。
具體實(shí)施方式
附圖說明:
圖1為本發(fā)明的流程示意圖。
圖2攝像頭的成像光路圖。
圖3為攝像頭的清晰攝像時(shí)的攝像圖片。
圖4為攝像頭的一段模糊視頻的一幀圖。
圖5為經(jīng)本發(fā)明的方法處理后的清晰圖片
如圖1所示,一種多重退化因素的極模糊圖像的復(fù)原方法,包括如下步驟:
s1,獲取數(shù)據(jù);
s01,獲取外界參數(shù):獲取攝像頭工作參數(shù)焦距f,透鏡的直徑d,光圈系數(shù)f,ccd成像像元大小ωx、ωy以及物距z,像距v,像素點(diǎn)數(shù)目k、p,感光元件每個(gè)像素點(diǎn)長度l,物體在曝光時(shí)間τ內(nèi)的運(yùn)動(dòng)距離d,目標(biāo)運(yùn)動(dòng)的方向θ;
s02,獲取模糊圖像矩陣g(x,y);
s2,建立退化函數(shù),
系統(tǒng)退化函數(shù)為h(x,y);
光學(xué)衍射引起的艾里斑模式的子退化函數(shù)為h1(x,y);
量化時(shí)圖像傳感器的子退化函數(shù)為h2(x,y);
攝像頭散焦的子退化函數(shù)為h3(x,y);
攝像頭與目標(biāo)相對(duì)勻速直線運(yùn)動(dòng)的子退化函數(shù)為h4(x,y);
光學(xué)衍射引起的艾里斑模式的子退化函數(shù)h1(x,y)具體為:
量化時(shí)圖像傳感器的子退化函數(shù)為h2(x,y)具體為:
攝像頭散焦的子退化函數(shù)為h3(x,y)具體為:
攝像頭與目標(biāo)相對(duì)勻速直線運(yùn)動(dòng)的子退化函數(shù)為h4(x,y)具體為:
s3,將所述s01中獲取得的參數(shù)值代入所述s2中所對(duì)應(yīng)的子退化函數(shù)中以初始化各子退化函數(shù),得到各子退化函數(shù)的初值h10、h20、h30、h40;
求解各子退化函數(shù)的初始梯度倒譜ch10、ch20、ch30、ch40,系統(tǒng)退化函數(shù)為h(x,y)的梯度倒譜為ch;
將各子退化函數(shù)的初始梯度倒譜ch10、ch20、ch30、ch40、cg作為變分貝葉斯的輸入得到ch1、ch2、ch3、ch4;
它們滿足線性關(guān)系關(guān)系:
ch=k1ch1+k2ch2+k3ch3+k4ch4,其中k1、k2、k3、k4是常數(shù),且所述k1、k2、k3、k4至少有兩個(gè)不為0,其取值由實(shí)驗(yàn)獲得。
s4,將h(x,y)和g(x,y)作為l-r算法的輸入,獲得清晰圖像矩陣f(x,y)。
具體原理如下:
清晰圖像f(x,y)的退化圖像g(x,y)可表示為:
其中
其中,c表示為混合高斯分布的個(gè)數(shù),πc表示第c個(gè)分布的權(quán)重,vc為第c個(gè)分布的方差。為了后面的計(jì)算方面,對(duì)圖像進(jìn)行梯度倒譜處理,根據(jù)倒譜的定義,模糊圖像g(x,y)的倒譜為:
cg(p,q)=fft-1{log[1+|g(u,v)|]}(3)
對(duì)式(3)在x方向和y方向分別進(jìn)行梯度處理,即可得到模糊圖像的梯度倒譜。
本系統(tǒng)將光學(xué)衍射、量化、散焦以及相對(duì)運(yùn)動(dòng)等因素引起的圖像退化考慮在內(nèi),構(gòu)建了多重退化因素引起的點(diǎn)擴(kuò)散函數(shù)的模型。假定成像過程各子退化函數(shù)表示為h1、h2、h3、h4,在多重退化和噪聲v(x,y)共同作用下的退化圖像g(x,y)為:
這里,v(x,y)為零均值高斯白噪聲,h1(x,y)表示光學(xué)衍射引起的艾里斑模式的子退化函數(shù):
其中,
h2(x,y)表示量化時(shí)矩形傳感單元的子退化函數(shù):
其中,ωx、ωy分別表示為矩形像元的長和寬。
h3(x,y)表示散焦時(shí)的子退化函數(shù):
其中,r為散焦斑半徑,表示為:
r=(1/f-1/v-1/z)dv/2(8)
式中,f為鏡頭焦距,z為物距,d為凸透鏡半徑,v為像距。
h4(x,y)表示成像系統(tǒng)與目標(biāo)相對(duì)勻速直線運(yùn)動(dòng)時(shí)的子退化函數(shù):
其中,θ為模糊角度,l為退化函數(shù)的長度。θ通過分析視頻幀的目標(biāo)運(yùn)動(dòng)情況進(jìn)行估計(jì),l可在現(xiàn)場按照成像比例關(guān)系進(jìn)行實(shí)測(cè)。
在單幀圖像中,運(yùn)動(dòng)模糊長度是車輛在曝光時(shí)的運(yùn)動(dòng)距離,而運(yùn)動(dòng)時(shí)間就是曝光時(shí)間。依照成像比例關(guān)系的方法來計(jì)算運(yùn)動(dòng)模糊長度在感光元件上對(duì)應(yīng)的長度,其原理如下:
如圖2的成像光路圖所示,d是車輛在被拍攝時(shí)運(yùn)動(dòng)的距離——運(yùn)動(dòng)模糊的長度,與焦平面夾角為α,k是運(yùn)動(dòng)模糊長度d在感光元件上對(duì)應(yīng)的長度,在感光元件上,運(yùn)動(dòng)模糊邊緣與法線的距離為p,焦距為f,物距為z。根據(jù)相似三角形比例關(guān)系,可得:
由于k,p是長度單位,但是實(shí)際我們是通過計(jì)數(shù)像素點(diǎn)數(shù)目來求長度,故設(shè)實(shí)際像素點(diǎn)數(shù)目k、p,感光元件每個(gè)像素點(diǎn)長度為l,因此k=kl,p=pl。
假設(shè)h、h1、h2、h3、h4的倒譜ch、ch1、ch2、ch3、ch4,那么存在以下關(guān)系:
ch=k1ch1+k2ch2+k3ch3+k4ch4(11)
其中k1、k2、k3、k4是常數(shù)。對(duì)于四種退化因素引起的模糊圖像,所述k參數(shù)k1、k2、k3、k4典型值為1,針對(duì)某種成像系統(tǒng)的退化情況,k參數(shù)的取值在1附近變化,具體值由實(shí)驗(yàn)確定。本專利不限于四種退化因素,如果有四種以上退化因素,k參數(shù)的個(gè)數(shù)應(yīng)增加,估計(jì)方法仍然有效。
由式(1)可知,系統(tǒng)點(diǎn)擴(kuò)散函數(shù)未知時(shí)恢復(fù)清晰圖像的過程為盲解卷積。因此,采用兩步來進(jìn)行圖像復(fù)原。首先,估計(jì)出系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)。其次,利用l-r算法來對(duì)圖像進(jìn)行復(fù)原。采用變分貝葉斯理論來估計(jì)出精度較高的模糊核。
變分貝葉斯估計(jì)系統(tǒng)點(diǎn)擴(kuò)散函數(shù)的解釋:
給定模糊圖像g(x,y),通過在給定f(x,y)的先驗(yàn)信息的情況下尋找最大后驗(yàn)概率來估計(jì)psf(系統(tǒng)點(diǎn)擴(kuò)散函數(shù))和清晰圖像f(x,y)。
對(duì)于式(4),假設(shè)隱變量θ={f,h1,h2,h3,h4},直接計(jì)算后驗(yàn)分布p(θ|g)很麻煩,vb采用較簡單的分布q(θ|g)來近似后驗(yàn)分布p(θ|g),它們的kl散度為:
使(12)式最小來求解q(θ|g)。由于積分變量為θ,p(g)為常數(shù),因此,式(12)可表示為:
定義ckl為代價(jià)函數(shù),可表示為:
假設(shè)q(θ)、q(g)相互獨(dú)立q(θ,g)=q(θ)q(g),即(14)式可改寫成為:
現(xiàn)將θ={f,h1,h2,h3,h4}帶入(15)式,可得:
假設(shè)各子退化函數(shù)間相互獨(dú)立,則
q(f,h1.h2,h3,h4)=q(f)q(h1)q(h2)q(h3)q(h4)(17)
將(17)帶入(16)可得:
對(duì)(18)式進(jìn)一步推導(dǎo),得到:
ckl=∫q(f)q(h1)q(h2)q(h3)q(h4)[lnq(f)+lnq(h1)+lnq(h2)+lnq(h3)+lnq(h4)
-lnp(f)-lnp(h1)-lnp(h2)-lnp(h3)-lnp(h4)-lnp(g|f,h1.h2,h3,h4)]dθ(19)
使代價(jià)函數(shù)(19)式最小時(shí),采用交替迭代的辦法來求解,在求解某一變量時(shí),假定余下的變量都為常量。
在求解q(h1)時(shí),假設(shè)q(f),q(h2),q(h3),q(h4)為已知常量,令:
其中,n()表示高斯分布,可得:
則(19)式只對(duì)h1進(jìn)行積分,可改寫代價(jià)函數(shù)如下:
根據(jù)約束條件∫h1dh1=1,對(duì)(22)加入拉格朗日乘子λh1,求代價(jià)函數(shù)的極值,可求得q(h1):
由此可見,q(h1)是關(guān)于f,h2,h3,h4的函數(shù),因此需要交替更新來迭代。同理可得:
其中,
其中,
其中,
因此,通過現(xiàn)場測(cè)試得到的各子退化函數(shù)值作為初值,利用式(23)-(26)采用交替迭代的辦法,即可獲得各子退化函數(shù)的最優(yōu)分布,從而通過計(jì)算數(shù)學(xué)期望得到各子退化函數(shù)的精確值。
正是因?yàn)樯鲜鲫P(guān)系,變分貝葉斯子退化函數(shù)估計(jì)方法須在梯度倒譜域進(jìn)行,該方法先估計(jì)出各子退化函數(shù)ch1、ch2、ch3、ch4,然后利用(11)式合成系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)ch,從而得到系統(tǒng)點(diǎn)擴(kuò)散函數(shù)h。最后利用l-r算法,即可獲得清晰圖像f(x,y)。
具體實(shí)施步驟:
第一步,獲取參數(shù)焦距f、透鏡的直徑d、光圈系數(shù)f,ccd成像像元大小wx、wy以及物距z,像距v,像素點(diǎn)數(shù)目k、p,感光元件每個(gè)像素點(diǎn)長度l,物體在曝光時(shí)間τ內(nèi)的運(yùn)動(dòng)距離d,目標(biāo)運(yùn)動(dòng)的方向θ。
第二步,利用公式(5)-(10)的函數(shù)模式,得到各子退化函數(shù)的初值h10、h20、h30、h40。
第三步,求解各子退化函數(shù)的初始梯度倒譜ch10、ch20、ch30、ch40以及模糊圖像的梯度倒譜
第四步,以ch10、ch20、ch30、ch40、
第五步,利用公式(11)獲得系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)。
第六步,求解系統(tǒng)點(diǎn)擴(kuò)散函數(shù)在時(shí)域的分布,并對(duì)其求期望獲得系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)。
第七步,利用l-r算法進(jìn)行復(fù)原,獲得清晰圖像f(x,y)。
對(duì)于偵查人員來說,不需要理解變分貝葉斯估計(jì)點(diǎn)擴(kuò)散函數(shù)和l-r復(fù)原算法原理,只需要采用以下步驟就可使用極模糊圖像復(fù)原系統(tǒng):
(1)對(duì)于由監(jiān)控獲取的一張極模糊的圖像,輸入?yún)?shù)焦距f、透鏡的直徑d、光圈系數(shù)f,ccd成像像元大小ωx、ωy以及物距z,像距v,像素點(diǎn)數(shù)目k、p,感光元件每個(gè)像素點(diǎn)長度l,物體在曝光時(shí)間τ內(nèi)的運(yùn)動(dòng)距離d,目標(biāo)運(yùn)動(dòng)的方向θ。
(2)將這些參數(shù)和模糊圖像輸入系統(tǒng),通過復(fù)原系統(tǒng)得到復(fù)原圖像。
這個(gè)過程中,測(cè)試參數(shù)f、d、f、z、v、d的精度要達(dá)到0.1mm,τ精度要達(dá)到0.001s,θ精度要達(dá)到0.1度。參數(shù)測(cè)試要有嚴(yán)格的步驟。只要遵循該步驟,不同的人來運(yùn)行軟件,都能得到相同的結(jié)果。
如圖4所示,從監(jiān)控系統(tǒng)硬盤上讀出2017年3月15日下午5:46左右有一段模糊視頻,其中有一幀圖。
我們從產(chǎn)品說明書中得知,該監(jiān)控系統(tǒng)鏡頭焦距f=6mm,光圈系數(shù)f=1.4,成像像元大小ωx=ωy=6.4μm,圖像傳感器的曝光時(shí)間τ=0.01s?,F(xiàn)場測(cè)量這些車輛與鏡頭的距離約108m。由實(shí)驗(yàn)測(cè)試的k參數(shù)具體為:k1=1.2;k2=0.9;k3=0.8;k4=1.3。
經(jīng)過專利方法處理得到的結(jié)果如圖5所示,信噪比提高約9db。