專利名稱：一種基于自然圖像統(tǒng)計(jì)特性的盲去模糊算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于自然圖像統(tǒng)計(jì)特性的盲去模糊算法，可應(yīng)用于圖像采集過(guò)程中因相機(jī)抖動(dòng)造成的圖像模糊，屬于計(jì)算機(jī)數(shù)字圖像處理領(lǐng)域。
背景技術(shù)：
隨著現(xiàn)代數(shù)字技術(shù)的發(fā)展以及圖像成像設(shè)備的普及，數(shù)字圖像在國(guó)家安全，遙感，醫(yī)學(xué)影像，交通監(jiān)控和人類日常生活等領(lǐng)域中得到了廣泛的應(yīng)用。眾所周知，在數(shù)字圖像的采集過(guò)程中，相機(jī)等采集設(shè)備在快門開(kāi)啟的瞬間會(huì)產(chǎn)生不可避免的輕微抖動(dòng)，這種抖動(dòng)通常會(huì)使我們得到的圖像是模糊的。模糊圖像會(huì)對(duì)圖像的進(jìn)ー步應(yīng)用如圖像分析、目標(biāo)提取及識(shí)別等帶來(lái)相當(dāng)?shù)睦щy，特別是對(duì)于圖像獲取來(lái)說(shuō)，許多場(chǎng)景如交通監(jiān)控等只是瞬間發(fā) 生，無(wú)法重現(xiàn)，因此，圖像去模糊技術(shù)在現(xiàn)代數(shù)字圖像處理中顯得尤為重要。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于自然圖像統(tǒng)計(jì)特性的盲去模糊算法，為實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是基于自然圖像統(tǒng)計(jì)特性的盲去模糊算法包括如下步驟I)將相機(jī)抖動(dòng)模糊圖像表達(dá)為清晰圖像與點(diǎn)擴(kuò)散函數(shù)的卷積再加上噪聲的形式，B = ΚΦΙ + N(I)式(I)中，B表示模糊圖像，K表示模糊函數(shù)，L表示未模糊清晰圖像，N表示噪聲， 表示卷積操作，其中只有B已知，圖像梯度系數(shù)的直方圖在零點(diǎn)處有大的峰值，而在遠(yuǎn)離零點(diǎn)處具有長(zhǎng)的尾，在梯度域內(nèi)對(duì)模糊圖像進(jìn)行復(fù)原，采用零均值高斯混合模型對(duì)未模糊清晰圖像梯度進(jìn)行建摸，根據(jù)卷積運(yùn)算的性質(zhì)，自然圖像降質(zhì)模型在梯度域內(nèi)表示為VB = K0VL + VN(2)其中▽/し▽ん和VI分別表示模糊圖像、清晰圖像和噪聲的梯度；2)假定點(diǎn)擴(kuò)散函數(shù)具有空間移不變性，即模糊圖像的全圖受到同一個(gè)點(diǎn)擴(kuò)散函數(shù)的影響，選取圖像的部分區(qū)域來(lái)代替全圖進(jìn)行點(diǎn)擴(kuò)散函數(shù)的估計(jì)，選取的部分區(qū)域記為P，梯度域內(nèi)的圖像降質(zhì)模型變?yōu)閂P = K VLp+VN(3)式中Lp表示在模糊圖像中選取的區(qū)域所對(duì)應(yīng)的清晰圖像；3)根據(jù)相機(jī)抖動(dòng)模糊圖像點(diǎn)擴(kuò)展函數(shù)統(tǒng)計(jì)特性，點(diǎn)擴(kuò)展函數(shù)概率密度分布類似于指數(shù)分布，采用混合指數(shù)分布對(duì)點(diǎn)擴(kuò)展函數(shù)進(jìn)行建模；4)根據(jù)貝葉斯原理，得到清晰圖像梯度VZp點(diǎn)擴(kuò)散函數(shù)K的后驗(yàn)概率
P(VPiKyLn)PiKyL jPiK，▽ん I V/>) ニ ^^^(4)
/，(▽/))采用分布供I ViJ來(lái)逼近真實(shí)的后驗(yàn)概率分布VZ」VjP)，通過(guò)近似分布q和真實(shí)后驗(yàn)概率分布之間的Kullback-Leibler散度的最小化來(lái)實(shí)現(xiàn)近似分布q的優(yōu)化；5)根據(jù)散度的計(jì)算定義貝葉斯變分方法的代價(jià)函數(shù)，然后根據(jù)代價(jià)函數(shù)和模糊圖像梯度的先驗(yàn)分布和點(diǎn)擴(kuò)散函數(shù)的先驗(yàn)分布，用變分貝葉斯期望最大化定理求出各個(gè)參數(shù)的近似后驗(yàn)概率分布；6)通過(guò)變分期望最大化定理的變分最大化來(lái)推導(dǎo)各個(gè)參數(shù)的近似后驗(yàn)概率函數(shù)的分布參數(shù)的更新等式；7)對(duì)模糊圖像Lp進(jìn)行金字塔分解，得到S層由分辨率低到高的圖像金字塔，令第S層為最高層，即為圖像分辨率最高的ー層，為第一層選擇模型初始化值，通過(guò)帶入分布參數(shù)的更新等式中，反復(fù)迭代計(jì)算代價(jià)函數(shù)，直到代價(jià)函數(shù)收斂于一個(gè)設(shè)定的閾值，得到各個(gè)
參數(shù)的最優(yōu)解，由此估計(jì)出金字塔第I層的點(diǎn)擴(kuò)散函數(shù)，記為K1，以及當(dāng)前層清晰圖像的梯度值VZpI，接著采用雙閾值方法對(duì)估計(jì)得到點(diǎn)擴(kuò)散函數(shù)Kl進(jìn)行處理，然后將第一層清晰圖像的梯度值VipI利用雙線性插值法放大到金字塔第二層大小得到第一層清晰圖像梯度放大值VZP2’，同時(shí)也將點(diǎn)擴(kuò)散函數(shù)放大到第二層點(diǎn)擴(kuò)展函數(shù)大小得到一個(gè)新的點(diǎn)擴(kuò)展函數(shù)K2'，同樣的再次使用雙閾值法對(duì)新的點(diǎn)擴(kuò)展函數(shù)K2'進(jìn)行處理，將第一層清晰圖像梯度放大值V‘21和經(jīng)過(guò)雙閾值法處理的點(diǎn)擴(kuò)展函數(shù)K2'作為第二層迭代的初始值，再次通過(guò)分布參數(shù)的更新等式的迭代估計(jì)得到金字塔第二層的點(diǎn)擴(kuò)散函數(shù)K2和當(dāng)前層清晰圖像的梯度值V42，以此類推，最終得到金字塔S層點(diǎn)擴(kuò)展函數(shù)K，雙閾值方法特征為使用兩個(gè)閾值tlOT和thigh來(lái)抑制點(diǎn)擴(kuò)散函數(shù)K中的噪聲，其中thigh > tlOT，定義兩個(gè)掩膜Mltw和MhighMhwhit) = r =fド:·
[0k(i) < “,φΙ、',,,,,ぶ其中kmax表示PSF中的最大值，在得到兩個(gè)掩膜后，以掩膜Mhigh中值為I的元素為中心，觀察其8鄰域中的點(diǎn)在掩膜Mlw中的值，若掩膜Mlw中的值為I則相應(yīng)的使這個(gè)點(diǎn)在掩膜Mhigh中的值也為I，否則這個(gè)點(diǎn)在掩膜Mhigh中的值還是為0，判斷完所有掩膜Mhigh中值為I的點(diǎn)為一次迭代，不斷迭代直到掩膜Mhigh中點(diǎn)的值沒(méi)有變化；8)利用點(diǎn)擴(kuò)散函數(shù)K,對(duì)模糊圖像B用Richardson-Lucy算法進(jìn)行解卷積得到清晰圖像L ；9)利用模糊圖像B得到圖像的細(xì)節(jié)區(qū)，振鈴區(qū)和平坦區(qū)，其中細(xì)節(jié)區(qū)包含圖像細(xì)節(jié)，振鈴區(qū)包含圖像振鈴效應(yīng)所在區(qū)域，平坦區(qū)包含基本無(wú)細(xì)節(jié)存在的區(qū)域，振鈴效應(yīng)通常出現(xiàn)在細(xì)節(jié)區(qū)域附近的平坦區(qū)域，結(jié)合形態(tài)學(xué)圖像處理劃分得到三個(gè)區(qū)域掩膜Mr，掩膜Mp，掩膜Md，分別表示振鈴區(qū)掩膜，平坦區(qū)掩膜，細(xì)節(jié)區(qū)掩膜；10)利用振鈴區(qū)掩膜、平坦區(qū)掩膜、細(xì)節(jié)區(qū)掩膜，針對(duì)不同區(qū)域采用不同程度的模糊均值濾波器對(duì)圖像L進(jìn)行濾波處理得到最終模糊圖像復(fù)原結(jié)果。本發(fā)明的有益效果如下a)針對(duì)采集過(guò)程中因相機(jī)抖動(dòng)引起的圖像模糊，基于自然圖像梯度和點(diǎn)擴(kuò)散函數(shù)的先驗(yàn)統(tǒng)計(jì)特性，采用了變分貝葉斯方法估計(jì)點(diǎn)擴(kuò)散函數(shù)，變分貝葉斯方法是最近幾年發(fā)展起來(lái)的ー種貝葉斯近似方法，其原理是用未知變量和參數(shù)的近似后驗(yàn)分布來(lái)逼近他們的真實(shí)分布，使貝葉斯方法能解析實(shí)現(xiàn)，能學(xué)習(xí)模型結(jié)構(gòu)和模型參數(shù)，本發(fā)明充分利用變分貝葉斯估計(jì)方法在學(xué)習(xí)參數(shù)過(guò)程中避免過(guò)擬合的優(yōu)點(diǎn)和模型選擇的能力，來(lái)準(zhǔn)確估計(jì)圖像模糊模型的各參數(shù)；b)為了避免結(jié)果收斂到局部最小值，對(duì)圖像進(jìn)行金字塔分解，在多尺度空間上對(duì)模糊核進(jìn)行估計(jì)，利用低ー級(jí)的模型估計(jì)結(jié)果作為高ー級(jí)的初始值，最終得到最優(yōu)化解；c)如果低級(jí)模糊核估計(jì)不準(zhǔn)確會(huì)導(dǎo)致低級(jí)模糊核中噪聲在高級(jí)模糊核中放大最終影響圖像去模糊的效果，本發(fā)明提出了ー種雙閾值方法對(duì)模糊核進(jìn)行噪聲抑制；d)針對(duì)圖像去模糊過(guò)程中的振鈴效應(yīng)，本發(fā)明提出了一種簡(jiǎn)單易行的減少振鈴效應(yīng)的方法，在保持圖像邊緣和細(xì)節(jié)信息的同時(shí)，一定程度上降低了振鈴效應(yīng)對(duì)圖像去模糊的影響。


圖I是模糊自然圖像；圖2是未抑制振鈴前去模糊圖像；圖3是表不有振鈴區(qū)的圖像；圖4是去模糊結(jié)果進(jìn)行振鈴效應(yīng)抑制后圖像。
具體實(shí)施例方式基于自然圖像統(tǒng)計(jì)特性的盲去模糊算法包括如下步驟I)將相機(jī)抖動(dòng)模糊圖像表達(dá)為清晰圖像與點(diǎn)擴(kuò)散函數(shù)的卷積再加上噪聲的形式， Β = ΚΦΙ + Ν(I)式(I)中，B表示模糊圖像，K表示模糊函數(shù)，L表示未模糊清晰圖像，N表示噪聲， 表示卷積操作，其中只有B已知，圖像梯度系數(shù)的直方圖在零點(diǎn)處有大的峰值，而在遠(yuǎn)離零點(diǎn)處具有長(zhǎng)的尾，在梯度域內(nèi)對(duì)模糊圖像進(jìn)行復(fù)原，采用零均值高斯混合模型對(duì)未模糊清晰圖像梯度進(jìn)行建摸，根據(jù)卷積運(yùn)算的性質(zhì)，自然圖像降質(zhì)模型在梯度域內(nèi)表示為VB = ΚΦ7Σ + 7Ν(2)其中V5、VZ和分別表示模糊圖像、清晰圖像和噪聲的梯度；2)假定點(diǎn)擴(kuò)散函數(shù)具有空間移不變性，即模糊圖像的全圖受到同一個(gè)點(diǎn)擴(kuò)散函數(shù)的影響，選取圖像的部分區(qū)域來(lái)代替全圖進(jìn)行點(diǎn)擴(kuò)散函數(shù)的估計(jì)，選取的部分區(qū)域記為P，梯度域內(nèi)的圖像降質(zhì)模型變?yōu)閂P = K VLp+VN(3)式中Lp表示在模糊圖像中選取的區(qū)域所對(duì)應(yīng)的清晰圖像；3)根據(jù)相機(jī)抖動(dòng)模糊圖像點(diǎn)擴(kuò)展函數(shù)統(tǒng)計(jì)特性，點(diǎn)擴(kuò)展函數(shù)概率密度分布類似于指數(shù)分布，采用混合指數(shù)分布對(duì)點(diǎn)擴(kuò)展函數(shù)進(jìn)行建模；4)根據(jù)貝葉斯原理，得到清晰圖像梯虔V/芑擴(kuò)散函數(shù)K的后驗(yàn)概率
權(quán)利要求
1.一種基于自然圖像統(tǒng)計(jì)特性的盲去模糊算法，其特征在于包括如下步驟 1)將相機(jī)抖動(dòng)模糊圖像表達(dá)為清晰圖像與點(diǎn)擴(kuò)散函數(shù)的卷積再加上噪聲的形式，
全文摘要
本發(fā)明公開(kāi)了一種基于自然圖像統(tǒng)計(jì)特性的盲去模糊算法，首先，確定模糊圖像梯度的先驗(yàn)分布和點(diǎn)擴(kuò)散函數(shù)的先驗(yàn)分布；其次，用近似后驗(yàn)分布來(lái)逼近真實(shí)后驗(yàn)分布，得到這些近似后驗(yàn)分布的參數(shù)更新等式；將圖像進(jìn)行金字塔分解，將低分辨率圖層按參數(shù)更新等式迭代估計(jì)得到當(dāng)前層的點(diǎn)擴(kuò)散函數(shù)，用雙閾值法對(duì)點(diǎn)擴(kuò)散函數(shù)進(jìn)行處理，然后將當(dāng)前層的點(diǎn)擴(kuò)散函數(shù)進(jìn)行上采樣的結(jié)果作為高分辨率圖層迭代的初始值，直到最后一層迭代收斂到最佳估計(jì)；接著，對(duì)模糊圖像解卷積得到清晰圖像。本發(fā)明避免了噪聲在更高分辨率圖像中的放大，增加了結(jié)果的魯棒性，提出的抑制振鈴效應(yīng)方法簡(jiǎn)單易行，在保持圖像細(xì)節(jié)信息的同時(shí)，一定程度上降低了振鈴效應(yīng)對(duì)圖像復(fù)原的影響。
文檔編號(hào)G06T5/00GK102708550SQ20121015476
公開(kāi)日2012年10月3日 申請(qǐng)日期2012年5月17日 優(yōu)先權(quán)日2012年5月17日
發(fā)明者胡玲玲, 謝立 申請(qǐng)人:浙江大學(xué)