專利名稱：基于三字典塊匹配的圖像復原方法
技術領域：
本發(fā)明屬于圖像處理技術領域，具體地說是一種對模糊圖像進行復原的方法，該方法可用于對各種已知模糊類型的模糊圖像進行復原。
背景技術：
圖像復原是指去除或減輕在獲取數(shù)字圖像過程中發(fā)生的圖像質(zhì)量下降的現(xiàn)象，它是圖像處理中重要而又富有挑戰(zhàn)性的研究內(nèi)容。對于圖像復原問題，研究者已經(jīng)提出了很多方法。傳統(tǒng)的復原方法有逆濾波，維納濾波，卡爾曼濾波和廣義逆的奇異值分解法等，這些方法已經(jīng)被廣泛地應用于圖像復原上，但是這些方法要求模糊圖像具有較高的信噪比， 如逆濾波的方法僅適用于高信噪比的圖像，這一點限制了傳統(tǒng)的復原方法在實際中的應用。這些方法的另一個缺點就是在復原時，圖像邊緣不能很好地恢復，同時又丟失了一些細 T1 fn 息。上述經(jīng)典的復原方法不但效果差，而且在實際應用中不能很好的實現(xiàn)。因此，目前國際上提出了一些改進上述缺點的圖像復原方法。如，I. Daubechies等人提出基于小波的閾值迭代法，參見文獻〈〈An iterative thresholding algorithm for linear inverse problems with a sparsity constraint》，Commun. Pure Appl. Math. ,2004,Vol. 57,No. 11, PP. 1413-1457。這種方法將兩次迭代所得的復原結(jié)果的差值作為下一次迭代結(jié)果的補償，是一種有效的復原方法。但是，這種方法是在小波域進行噪聲抑制，容易產(chǎn)生振鈴效應，且不能銳化圖像邊緣。此后，J. Bioucas-Dias等人將閾值迭代法進行了改進，參見文獻《Anew TwIST :two_step iterative shrinkage/thresholding algorithms for image restoration》，IEEETrans. Image Process.，2007，Vol. 16，No. 12，pp. 2992-3004。該方法的收斂速度比一般的閾值迭代法有所提高，同時，J. Bioucas-Dias等人在他們的代碼示例中，將噪聲系數(shù)轉(zhuǎn)換到全變分域中進行抑制，去除了振鈴效應，但是這種方法在圖像的平滑區(qū)域容易產(chǎn)生階梯效應，且不能很好的恢復圖像高頻細節(jié)。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術的不足，提出一種基于三字典塊匹配的圖像復原方法，以在圖像復原時，能夠去除圖像梯度效應，銳化圖像邊緣，恢復圖像高頻細節(jié)信息，提高模糊圖像的恢復質(zhì)量。實現(xiàn)本發(fā)明目的的技術方案為通過將待處理的模糊圖像分塊，分別找到各圖像塊在模糊字典中最匹配的圖像塊，然后利用三個字典間的對應關系恢復出低頻結(jié)果圖和高頻結(jié)果圖，再將恢復出的低頻結(jié)果圖和高頻結(jié)果圖相加，得到最終的復原結(jié)果圖。其具體步驟包括(1)輸入一幅待處理模糊圖像\，初始化模糊圖像)(b的低頻結(jié)果圖& = 0，低頻結(jié)果圖&的大小與模糊圖像\大小相同；初始化模糊圖像\的高頻結(jié)果圖\ = 0，高頻結(jié)果圖\的大小與模糊圖像\相同；(2)將待處理模糊圖像)(b進行大小為5X5的分塊，分塊過程中相鄰塊之間重疊4 個像素，得到圖像塊集合P = {p(i) |i = 1,2,…，G}，初始化i = 1 ；(3)設構造字典所用的清晰樣本圖像的個數(shù)M = 5，模糊字典Db、清晰字典D。和高頻字典Dh分別含有的圖像塊數(shù)目N = 300000，聚類數(shù)目η = 600 ；(4)對M幅清晰樣本圖像進行預處理并采樣，分別得到模糊字典Db，清晰字典Dc和高頻字典Dh (4a)對M幅清晰樣本圖像用與待處理模糊圖像)(b相同的模糊核進行模糊化，得到 M幅模糊樣本圖像，對這M幅模糊樣本圖像分別按照從左到右，從上到下的順序提取5X5的圖像塊，把得到的N個圖像塊排成一行，得到模糊字典Db ；(4b)對M幅清晰樣本圖像分別按照從左到右，從上到下的順序提取5X5的圖像塊，把得到的N個圖像塊排成一行，得到清晰字典D。；(4c)對M幅清晰樣本圖像進行高斯高通濾波，得到M幅高頻圖像，對這M幅高頻圖像分別按照從左到右，從上到下的順序提取5X5的圖像塊，把得到的N個圖像塊排成一行， 得到高頻字典Dh;(5)將模糊字典Db中的所有圖像塊用k-means方法聚成η類，得到聚類中心集C ={C(k) |k= 1,2, ...，n}；(6)提取模糊圖像)(b中的第i個圖像塊P(i)，在聚類中心集C= {C(k)|k= 1， 2，…，η}中搜索與圖像塊P(i)最匹配的聚類中心C(j)，C(j)為聚類中心集C中的第j個圖像塊；(7)搜索聚類中心C(j)子類中與圖像塊P(i)最匹配的前5個圖像塊P' b(t)，t =1,2,…，5，通過模糊字典Db、清晰字典D。和高頻字典Dh這三個字典圖像塊之間的位置對應關系，分別找到清晰字典D。中與P' b(t)相對應的5個清晰圖像塊P'。(t)和高頻字典Dh中與P' b(t)相對應的5個高頻圖像塊P' h(t)；(8)通過非局部權重公式求出與圖像塊P(i)最匹配的5個圖像塊P' b(t)對于圖像塊p(i)的權重系數(shù)W(t)，對清晰字典D。中的5個清晰圖像塊P'。(t)進行非局部協(xié)作處理，得到低頻結(jié)果圖像塊&(1)；對高頻字典Dh中的5個高頻圖像塊P' h(t)進行非局部協(xié)作處理，得到高頻結(jié)果圖像塊I\(i)，將PJi)和I\(i)放到低頻結(jié)果圖&和高頻結(jié)果圖\中對應位置，同時將圖像塊P (i)的標記修改為i = i+Ι ；(9)判斷圖像塊標記i是否大于待處理模糊圖像\中所含的圖像塊總數(shù)G，如果i >G，則執(zhí)行步驟(10)；否則，返回步驟(6)，直到滿足條件i > G為止；(10)分別對低頻結(jié)果圖&和高頻結(jié)果圖\中的像素重疊部分求平均，得到求平均后的低頻結(jié)果圖足與求平均后的高頻結(jié)果圖足，最終的復原結(jié)果圖X為足與足相加之和， 即;T = Iz+足。本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點1、本發(fā)明利用模糊字典Db、清晰字典D。和高頻字典Dh之間的塊匹配技術，與基于小波或全變分的圖像復原方法相比，解決了復原結(jié)果圖容易產(chǎn)生階梯效應的問題；2、本發(fā)明采用非局部協(xié)作處理方法重構復原圖像，能夠銳化圖像邊緣，且能夠恢復更多的圖像細節(jié)。


圖1是本發(fā)明的流程圖2是本發(fā)明建立的三個字典的子流程圖3是本發(fā)明中用三個字典塊匹配方法進行圖像復原的示意圖4是本發(fā)明在仿真實驗中建立三個字典時用到的5幅清晰樣本圖像；
圖5是本發(fā)明仿真實驗中使用的Cameraman清晰圖像；
圖6是本發(fā)明仿真實驗中使用的Cameraman模糊圖像；
圖7是本發(fā)明在仿真實驗中得到的Cameraman復原圖8是用現(xiàn)有的基于小波的閾值迭代法在仿真實驗中得到的Cameraman復原 圖。圖9是用現(xiàn)有的基于全變分的閾值迭代法在仿真實驗中得到的Cameraman復原
具體實施例方式參照圖1，發(fā)明的具體實現(xiàn)步驟如下步驟1，輸入一幅待處理模糊圖像\，初始化模糊圖像)(b的低頻結(jié)果圖&為空矩陣，即& = 0，初始化模糊圖像)(b的高頻結(jié)果圖\為空矩陣，即\ = 0，該低頻結(jié)果圖&的矩陣大小和高頻結(jié)果圖\的矩陣大小均與待處理模糊圖像\的大小相同。步驟2，對待處理模糊圖像)(b進行大小為5X5的分塊，分塊過程中相鄰塊之間重疊4個像素，得到圖像塊集合P= {P(i)|i = 1,2,…，G}，初始化i = 1。步驟3，設構造字典所用的清晰樣本圖像的個數(shù)M = 5，模糊字典Db、清晰字典Dc和高頻字典Dh分別含有的圖像塊總數(shù)目N = 300000，聚類數(shù)目η = 600。步驟4，對M幅清晰樣本圖像進行預處理并采樣，分別得到模糊字典Db，清晰字典 Dc和高頻字典Dh。參照圖2，本步驟的具體實現(xiàn)如下(4a)對M幅清晰樣本圖像用與待處理模糊圖像)(b相同的模糊核進行模糊化，得到 M幅模糊樣本圖像，對這M幅模糊樣本圖像分別按照從左到右，從上到下的順序提取5X5的圖像塊，把得到的N個圖像塊排成一行，得到模糊字典Db ；(4b)對M幅清晰樣本圖像分別按照從左到右，從上到下的順序提取5X5的圖像塊，把得到的N個圖像塊排成一行，得到清晰字典D。；(4c)對M幅清晰樣本圖像進行高斯高通濾波，得到M幅高頻圖像，對這M幅高頻圖像分別按照從左到右，從上到下的順序提取5X5的圖像塊，把得到的N個圖像塊排成一行， 得到高頻字典Dh。步驟5，將模糊字典Db中的所有圖像塊，利用由Tapas Kanungo等人在文獻《An efficient k-means clustering algorithm analysis and implementation)), IEEE transactions on pattern analysis and machine intelligence,2002, Vol.24, No. 7, pp. 881-892中提出的k-means方法聚成η類，得到聚類中心集C = {C(k) k= 1，2，…，η}。步驟6，提取待處理模糊圖像)(b中的第i個圖像塊P(i)，在聚類中心集C = {C(k) |k= 1,2,…，η}中搜索與圖像塊P(i)最匹配的聚類中心，其搜索過程通過如下匹配度公式實現(xiàn)，即找出NORMl (k)，k = 1,2,…，η中的最小值NORMl (j)，則NORMl (j)對應的聚類中心C(j)就是與圖像塊P(i)最匹配的聚類中心，匹配度公式為
權利要求
1.一種基于三字典塊匹配的圖像復原方法，包括如下步驟(1)輸入一幅待處理模糊圖像\，初始化模糊圖像\的低頻結(jié)果圖&= 0，低頻結(jié)果圖 X1的大小與模糊圖像\大小相同；初始化模糊圖像\的高頻結(jié)果圖\ = 0，高頻結(jié)果圖\ 的大小與模糊圖像\相同；(2)將待處理模糊圖像)(b進行大小為5X5的分塊，分塊過程中相鄰塊之間重疊4個像素，得到圖像塊集合P = {P⑴Ii = 1,2,…，G}，初始化i = 1 ；(3)設構造字典所用的清晰樣本圖像的個數(shù)M= 5，模糊字典Db、清晰字典D。和高頻字典Dh分別含有的圖像塊數(shù)目N = 300000，聚類數(shù)目η = 600 ；(4)對M幅清晰樣本圖像進行預處理并采樣，分別得到模糊字典Db，清晰字典D。和高頻字典Dh:(4a)對M幅清晰樣本圖像用與待處理模糊圖像)(b相同的模糊核進行模糊化，得到M幅模糊樣本圖像，對這M幅模糊樣本圖像分別按照從左到右，從上到下的順序提取5 X 5的圖像塊，把得到的N個圖像塊排成一行，得到模糊字典Db ；(4b)對M幅清晰樣本圖像分別按照從左到右，從上到下的順序提取5X5的圖像塊，把得到的N個圖像塊排成一行，得到清晰字典D。；(4c)對M幅清晰樣本圖像進行高斯高通濾波，得到M幅高頻圖像，對這M幅高頻圖像分別按照從左到右，從上到下的順序提取5 X 5的圖像塊，把得到的N個圖像塊排成一行，得到高頻字典Dh ；(5)將模糊字典Db中的所有圖像塊用k-means方法聚成η類，得到聚類中心集C= {C(k) |k= 1,2, ...，n}；(6)提取模糊圖像)(b中的第i個圖像塊P(i)，在聚類中心集C={C(k)|k= 1,2,…， η}中搜索與圖像塊P(i)最匹配的聚類中心C(j)，C(j)為聚類中心集C中的第j個聚類中心；(7)搜索聚類中心C(j)子類中與圖像塊P(i)最匹配的前5個圖像塊P'b(t)，t = 1， 2，…，5，通過模糊字典Db、清晰字典D。和高頻字典Dh這三個字典圖像塊之間的位置對應關系，分別找到清晰字典D。中與P' b(t)相對應的5個清晰圖像塊P'。(t)和高頻字典Dh中與P' b(t)相對應的5個高頻圖像塊P' h(t)；(8)通過非局部權重公式求出與圖像塊P(i)最匹配的5個圖像塊P'b(t)對于圖像塊 P(i)的權重系數(shù)w(t)，對清晰字典D。中的5個清晰圖像塊P'。(t)進行非局部協(xié)作處理， 得到低頻結(jié)果圖像塊P1G)；對高頻字典Dh中的5個高頻圖像塊P' h(t)進行非局部協(xié)作處理，得到高頻結(jié)果圖像塊I\(i)，將Mi)和Ph(i)放到低頻結(jié)果圖X1和高頻結(jié)果圖\中對應位置，同時將圖像塊P(i)的標記修改為i = i+Ι ；(9)判斷圖像塊標記i是否大于待處理模糊圖像)(b中所含的圖像塊總數(shù)G，如果i> G，則執(zhí)行步驟(10)；否則，返回步驟(6)，直到滿足條件i > G為止；(10)分別對低頻結(jié)果圖&和高頻結(jié)果圖\中的像素重疊部分求平均，得到求平均后的低頻結(jié)果圖足與求平均后的高頻結(jié)果圖足，最終的復原圖X為足與足相加之和，即Jf = X； + Jf Α O
2.根據(jù)權利要求1所述的基于三字典塊匹配的圖像復原方法，其中步驟(6)所述的在聚類中心集C= {C(k)|k=l，2，…，η}中搜索與圖像塊P(i)最匹配的聚類中心，其搜索過程通過如下匹配度公式實現(xiàn)，即找出NORMl (k)，k = 1，2，…，η中的最小值NORMl (j)，則 NORMl (j)對應的聚類中心C(j)就是與圖像塊P(i)最匹配的聚類中心，匹配度公式為 NORMl (k) = I P⑴-C(k) I 2其中，NORMl (k)為匹配度估計函數(shù)，C(k)為聚類中心集C= {C(k) |k= 1,2,…，η}中的第k個聚類中心；
3.根據(jù)權利要求1所述的基于三字典塊匹配的圖像復原方法，其中步驟(7)所述的在聚類中心C(j)所對應的子類中搜索與P(i)相匹配的前5個圖像塊P' b(t)，t = 1，2，···， 5，其搜索過程通過如下匹配度公式實現(xiàn)，即找出N0RM2 (s)，s= 1,2,…，N中最小的前5個值，根據(jù)標記s找出相對應的Db(S)中的5個圖像塊，得到與P(i)最相似的5個圖像塊，匹配度公式為N0RM2 (s) = I IP (i)-Db (s) | 2其中，N0RM2(s)為匹配度估計函數(shù)，圖像塊Db(S)是第j個聚類中心C(j)對應子類中的圖像塊，也是模糊字典Db中的第s個圖像塊，S= 1，2，…，N。找出N0RM2(s)中的最小的5個值，將對應的Db(S)中的5個圖像塊賦值給圖像塊P' b(t)，t=l，2，…，5;
4.根據(jù)權利要求1所述的基于三字典塊匹配的圖像復原方法，其中步驟(8)所述的通過非局部權重公式求出與圖像塊P(i)最匹配的5個圖像塊P' b(t)對于圖像塊P(i)的權重系數(shù)w (t)，其計算公式為 心c(j)的子類中與圖像塊P(i)最匹配的前5個圖像塊；
5.根據(jù)權利要求1所述的基于三字典塊匹配的圖像復原方法，其中步驟(8)所述的對清晰字典D。中的5個清晰圖像塊P'。(t)進行非局部協(xié)作處理，得到低頻結(jié)果圖像塊 P1 (i)，其計算公式為 其中，W(t)為權重系數(shù)，P'。(t)為清晰字典D。中與P' b(t)相對應的5個清晰圖像塊；
6.根據(jù)權利要求1所述的基于三字典塊匹配的圖像復原方法，其中步驟(8)所述的對高頻字典Dh中的5個清晰圖像塊P' h(t)進行非局部協(xié)作處理，得到高頻結(jié)果圖像塊 Ph(i)，其計算公式為 其中，w(t)為權重系數(shù)，P' h(t)為高頻字典Dh中與P' b(t)相對應的5個高頻圖像塊。
全文摘要
本發(fā)明公開了一種基于三字典塊匹配的圖像復原方法，主要解決現(xiàn)有技術在圖像復原時，無法銳化圖像邊緣且造成部分圖像高頻細節(jié)丟失的問題。本發(fā)明的技術方案為首先輸入一幅待處理模糊圖像，并構造模糊字典Db，清晰字典Dc和高頻字典Dh；然后通過將待處理的模糊圖像分塊，分別找到各圖像塊在模糊字典Db中最匹配的圖像塊；再利用三個字典間的一一對應關系恢復出低頻結(jié)果圖和高頻結(jié)果圖；最后將恢復出的低頻結(jié)果圖和高頻結(jié)果圖相加，得到最終的復原結(jié)果圖。本發(fā)明在圖像復原時，能夠去除圖像梯度效應，銳化圖像邊緣，恢復圖像高頻細節(jié)信息，提高模糊圖像的恢復質(zhì)量?？捎糜趯Ω鞣N已知模糊類型的模糊圖像進行復原。
文檔編號G06T5/00GK102254305SQ20111018024
公開日2011年11月23日 申請日期2011年6月30日 優(yōu)先權日2011年6月30日
發(fā)明者侯彪, 劉忠偉, 季佩媛, 張小華, 焦李成, 王爽, 鐘樺 申請人:西安電子科技大學