本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體涉及對(duì)相機(jī)抖動(dòng)造成的模糊圖像進(jìn)行去模糊的領(lǐng)域。

背景技術(shù)：
盲相機(jī)抖動(dòng)去模糊是指去除或減輕相機(jī)拍攝數(shù)字圖像過程中發(fā)生的圖像運(yùn)動(dòng)模糊現(xiàn)象，是近年來數(shù)字圖像處理中非常重要又極具挑戰(zhàn)性的研究?jī)?nèi)容，其核心是估計(jì)對(duì)應(yīng)各種相機(jī)抖動(dòng)的模糊核（點(diǎn)擴(kuò)散函數(shù)）。當(dāng)前，研究人員已經(jīng)提出了多種不同方法。最經(jīng)典的盲相機(jī)抖動(dòng)去模糊方法是的最大似然估計(jì)法，已集成到數(shù)值計(jì)算軟件MATLAB中的圖像處理工具箱，但是該方法在實(shí)際應(yīng)用中具有明顯的局限性，不僅要求模糊圖像具有較高的信噪比，而且要求模糊核的尺寸較小。該方法的另一個(gè)缺點(diǎn)是，去模糊圖像中的邊緣等細(xì)節(jié)信息不能很好地恢復(fù)，常伴有明顯的振鈴效應(yīng)。目前，國際上提出了多種盲相機(jī)抖動(dòng)去模糊的新方法。根據(jù)模糊核的估計(jì)準(zhǔn)則，這些方法主要分為兩大類：變分貝葉斯估計(jì)方法和最大后驗(yàn)估計(jì)方法。變分貝葉斯估計(jì)方法的計(jì)算復(fù)雜度較高，其中的兩種代表性方法是：Fergus等人提出了基于高斯混合模型的變分貝葉斯盲相機(jī)抖動(dòng)去模糊方法，參見文獻(xiàn)《Removingcamerashakefromasinglephotograph》,ACMTrans.Graph.,2006,vol.25,no.3,pp.787–794；之后，Levin等人基于類似的圖像建模思想降低了上述方法的計(jì)算復(fù)雜度，參見文獻(xiàn)《Efficientmarginallikelihoodoptimizationinblinddeconvolution》,IEEEConf.ComputerVisionandPatternRecognition,2011,pp.2657–2664。相比變分貝葉斯估計(jì)方法，盲相機(jī)抖動(dòng)去模糊最大后驗(yàn)估計(jì)方法的計(jì)算復(fù)雜度要低得多。代表性方法參見文獻(xiàn)《Fastmotiondeblurring》,ACMTransactionsonGraphics(SIGGRAPHASIA),2009,vol.28,no.5,articleno.145,《Psfestimationusingsharpedgeprediction》,IEEEConf.ComputerVisionandPatternRecognition,2008,pp.1–8。但是，當(dāng)前的最大后驗(yàn)估計(jì)方法往往先要利用平滑濾波器與沖擊濾波器預(yù)測(cè)圖像邊緣信息，然后再利用預(yù)測(cè)邊緣圖像估計(jì)模糊核，經(jīng)過這兩個(gè)過程的反復(fù)迭代最終估計(jì)獲得模糊核，缺乏嚴(yán)格的最優(yōu)化理論支撐，所以無法保證解的（局部）最優(yōu)性。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于解決現(xiàn)有技術(shù)方法在理論和實(shí)現(xiàn)兩個(gè)方面的不足，提出一種基于L0稀疏先驗(yàn)的最大后驗(yàn)?zāi)：斯烙?jì)新方法。本發(fā)明技術(shù)方案是：首先，引入基于L0范數(shù)的顯著邊緣稀疏先驗(yàn)，利用迭代硬閾值收縮法實(shí)現(xiàn)顯著邊緣特征的隱性自動(dòng)預(yù)測(cè)；其次，引入基于L0范數(shù)的相機(jī)抖動(dòng)模糊核稀疏先驗(yàn)，利用迭代重新加權(quán)最小二乘法實(shí)現(xiàn)模糊核的快速估計(jì)；最后，利用基于超拉普拉斯先驗(yàn)的圖像非盲去模糊方法，實(shí)現(xiàn)高質(zhì)量圖像去模糊。1、本發(fā)明具體實(shí)施步驟：(1)利用水平方向和垂直方向的一階導(dǎo)數(shù)算子▽h＝[1,-1;0,0],▽v＝[1,0;-1,0]，得到相機(jī)抖動(dòng)模糊圖像y的梯度圖像(2)令待估計(jì)模糊核k的尺寸為Z×Z，為提高模糊核估計(jì)方法的收斂性，采用多尺度實(shí)現(xiàn)方式迭代估計(jì)模糊核；(3)令初始模糊核k(1)的尺寸為3×3，且k(1)＝[0,0,0;1,1,1;0,0,0]3，根據(jù)(3.1)-(3.12)確定尺度總數(shù)scales_num及各尺度下模糊核k(s)的尺寸ksize(s)×ksize(s)：(3.1)s=1;(3.2)tmp=3;(3.3)while(tmp<Z)(3.4)ksize(s)=tmp;(3.5)s=s+1;(3.6)tmp=ceil(tmp*sqrt(2));(3.7)if(mod(tmp,2)==0)(3.8)tmp=tmp+1;(3.9)end;(3.10)end;(3.11)ksize(s)=Z;(3.12)scales_num=s;(4)相應(yīng)于各尺度下的模糊核k(s)，根據(jù)(4.1)-(4.3)確定模糊梯度圖像yd在各尺度下的尺寸r(s)×c(s)以及對(duì)應(yīng)的插值模糊圖像(4.1)r(s)=floor(size(yd,1)*ksize(s)/Z);(4.2)c(s)=floor(size(yd,2)*ksize(s)/Z);(4.3)(5)令顯著邊緣圖像與模糊核在各尺度下的循環(huán)迭代次數(shù)為out_iter_num，循環(huán)迭代初始次數(shù)為out_iter=1，初始尺度為s=1，顯著邊緣L0稀疏先驗(yàn)的正則化參數(shù)為η，模糊核L0稀疏先驗(yàn)的正則化參數(shù)為γ，Kold對(duì)應(yīng)模糊核k(1)的二維矩陣，對(duì)應(yīng)模糊插值圖像的一維向量，kold對(duì)應(yīng)模糊核k(1)的一維向量；(6)令τold＝1，利用迭代硬閾值收縮法估計(jì)第s個(gè)尺度下的顯著邊緣主要利用步驟(6.1)-(6.4)進(jìn)行m次循環(huán)估計(jì)：(6.1)(6.2)(6.3)τnew＝τold2;(6.4)其中，硬閾值算子ΦHARD(·,·)定義如下：(7)令權(quán)矩陣?yán)玫匦录訖?quán)最小二乘方法估計(jì)第s個(gè)尺度下的模糊核k(s)=knew，具體而言利用步驟(7.1)-(7.4)進(jìn)行n次循環(huán)估計(jì)：(7.1)估計(jì)(7.2)將knew投影到約束集(7.3)更新(7.4)kold=knew;其中，對(duì)應(yīng)顯著邊緣的二維矩陣；(8)更新out_iter：out_iter=out_iter+1；(9)如果out_iter<out_iter_num，轉(zhuǎn)到(6)，否則轉(zhuǎn)到(10)；(10)更新第s+1個(gè)尺度下模糊核k的初始值：k(s+1)=imresize(k(s),[ksize(s),ksize(s)],'bilinear');(11)更新s：s=s+1；(12)如果s<scales_num，返回(6)，否則轉(zhuǎn)到(13)；(13)輸出最終估計(jì)的模糊核(14)利用基于超拉普拉斯先驗(yàn)的圖像非盲去模糊方法，最終獲得去模糊圖像有益效果：（1）發(fā)明方法的模糊核估計(jì)是個(gè)嚴(yán)格意義上的稀疏最優(yōu)化問題；（2）發(fā)明方法的實(shí)現(xiàn)方式簡(jiǎn)單，無需平滑濾波、沖擊濾波等任何迭代預(yù)處理；（3）發(fā)明方法的計(jì)算復(fù)雜度低；（4）發(fā)明方法的模糊核估計(jì)準(zhǔn)確度高；估計(jì)出相機(jī)抖動(dòng)模糊核之后，利用基于超拉普拉斯先驗(yàn)的圖像非盲去模糊方法，從而獲得更高質(zhì)量的去模糊圖像。2、本發(fā)明模型推導(dǎo)過程：不失一般性，相機(jī)抖動(dòng)模糊可利用如下卷積型觀察模型進(jìn)行表述其中，y是獲取的相機(jī)抖動(dòng)模糊圖像，f是真實(shí)清晰圖像，k是空間不變的相機(jī)抖動(dòng)模糊核，n是服從高斯分布的加性隨機(jī)噪聲，代表卷積；為了表述的方便，該觀察模型還可寫成如下矩陣-向量表達(dá)形式y(tǒng)=Kf+n其中，y，f，以及n分別是y，f，以及n的向量表達(dá)形式，K是模糊核k的矩陣表達(dá)形式。采取分而治之的策略解決相機(jī)抖動(dòng)去模糊問題，分成兩大步驟：(1)模糊核估計(jì)；(2)非盲圖像恢復(fù)；模糊核估計(jì)是在圖像梯度域?qū)崿F(xiàn)的，為此，建立如下梯度域觀察模型：其中，類似的，上述梯度域卷積型觀察模型可以寫成如下矩陣-向量表達(dá)形式y(tǒng)d＝Kfd+nd＝Fdk+nd其中，yd,fd,nd,k分別是yd,fd,nd,k的向量表達(dá)形式，F(xiàn)d是fd的矩陣表達(dá)形式。圖像中的顯著邊緣是精確估計(jì)模糊核的重要所在。為了便于自動(dòng)預(yù)測(cè)顯著邊緣，提高模糊核估計(jì)的準(zhǔn)確性，首先提出基于L0范數(shù)的顯著邊緣先驗(yàn)及其優(yōu)化模型：其中，是對(duì)應(yīng)fd的最優(yōu)化結(jié)果，η是正則化參數(shù)，Ξ({fd}d∈Λ)是基于L0范數(shù)的顯著邊緣先驗(yàn)，定義為：根據(jù)迭代硬閾值收縮方法，上述最優(yōu)化問題可以下步驟(1)-(3)進(jìn)行迭代求解：(1)其中，Kold對(duì)應(yīng)之前估計(jì)的模糊核，對(duì)應(yīng)之前估計(jì)的顯著邊緣，對(duì)應(yīng)當(dāng)前更新的顯著邊緣，ΦHARD(·,·)代表硬閾值算子，定義如下：(2)τnew＝τold2，τold對(duì)應(yīng)當(dāng)前的調(diào)整參數(shù)，τnew代表更新的調(diào)整參數(shù)；(3)τold＝τnew；當(dāng)顯著邊緣給定時(shí)，利用相機(jī)抖動(dòng)模糊核的稀疏特性，從而能夠建立基于L0范數(shù)的模糊核先驗(yàn)及其優(yōu)化模型：其中，Ξ(k)＝k0是基于L0范數(shù)的模糊核先驗(yàn)，kest是對(duì)應(yīng)k的最優(yōu)化結(jié)果，γ是正則化參數(shù)；根據(jù)迭代重新加權(quán)最小二乘方法，首先上述將最優(yōu)化問題轉(zhuǎn)化為如下近似形式：其中，W＝diag({1(kl+0.0001)2}，然后利用以下步驟(4)-(6)進(jìn)行迭代求解：(4)利用共軛梯度法估計(jì)其中，W為之前估計(jì)的權(quán)矩陣為之前估計(jì)的顯著邊緣的矩陣表達(dá)形式，knew為當(dāng)前更新的模糊核；(5)進(jìn)一步將knew投影到約束集(6)更新利用上述方法原理，采用多尺度實(shí)現(xiàn)方式迭代估計(jì)顯著邊緣圖像與相機(jī)抖動(dòng)模糊核，從而得到最終的估計(jì)模糊核。附圖說明附圖1.發(fā)明方法流程圖；附圖2.仿真實(shí)驗(yàn)的真實(shí)圖像Lena及模糊核；附圖3.仿真實(shí)驗(yàn)的真實(shí)圖像Cameraman及模糊核；附圖4.仿真實(shí)驗(yàn)的真實(shí)圖像House及模糊核；附圖5.仿真實(shí)驗(yàn)的真實(shí)圖像Boat及模糊核；附圖6.對(duì)應(yīng)圖像Lena的相機(jī)抖動(dòng)模糊圖；附圖7.基于規(guī)范化稀疏度量盲去模糊方法的恢復(fù)圖像及估計(jì)模糊核；附圖8.基于L0稀疏先驗(yàn)的盲去模糊方法的恢復(fù)圖像及估計(jì)模糊核；附圖9.基于L0稀疏先驗(yàn)的盲去模糊方法的顯著邊緣圖像。具體實(shí)施方式(1)利用水平方向和垂直方向的一階導(dǎo)數(shù)算子▽h＝[1,-1;0,0],▽v＝[1,0;-1,0]，利用MATLAB函數(shù)conv2獲得相機(jī)抖動(dòng)模糊圖像y的梯度圖像yh=conv2(y,▽h,'valid');yv=conv2(y,▽v,'valid');(2)令待估計(jì)模糊核k的尺寸為Z×Z，為提高模糊核估計(jì)方法的收斂性，采用多尺度實(shí)現(xiàn)方式迭代估計(jì)模糊核；(3)令初始模糊核k(1)＝[0,0,0;1,1,1;0,0,0]3（尺寸為3×3），并且利用以下MATLAB代碼確定尺度總數(shù)scales_num及各尺度下模糊核k(s)的尺寸ksize(s)×ksize(s)：s=1;tmp=3;while(tmp<Z)ksize(s)=tmp;s=s+1;tmp=ceil(tmp*sqrt(2));if(mod(tmp,2)==0)tmp=tmp+1;end;end;ksize(s)=Z;scales_num=s;(4)相應(yīng)于各尺度下的模糊核k(s)，利用以下MATLAB代碼確定模糊梯度圖像yd在各尺度下的尺寸r(s)×c(s)以及對(duì)應(yīng)的插值模糊圖像r(s)=floor(size(yd,1)*ksize(s)/Z);c(s)=floor(size(yd,2)*ksize(s)/Z);(5)令顯著邊緣圖像與模糊核在各尺度下的循環(huán)迭代次數(shù)為out_iter_num，循環(huán)迭代初始次數(shù)為out_iter=1，初始尺度為s=1，顯著邊緣L0稀疏先驗(yàn)的正則化參數(shù)為η，模糊核L0稀疏先驗(yàn)的正則化參數(shù)為γ，Kold對(duì)應(yīng)模糊核k(1)的二維矩陣，kold對(duì)應(yīng)模糊核k(1)的一維向量，對(duì)應(yīng)模糊插值圖像的一維向量；(6)令τold＝1，利用迭代硬閾值收縮法估計(jì)第s個(gè)尺度下的顯著邊緣(迭代硬閾值收縮法具體參見文獻(xiàn)《Iterativehardthresholdingforcompressedsensing》，(T.Blumensath，M.E.Davies)，AppliedandComputationalHarmonicAnalysis，2009，vol.27，no.3，pp.265–274)。具體利用以下MATLAB代碼進(jìn)行m次循環(huán)估計(jì)：τnew＝τold/2;τold＝τnew;(7)令權(quán)矩陣?yán)玫匦录訖?quán)最小二乘方法估計(jì)第s個(gè)尺度下的模糊核k(s)=knew。迭代重新加權(quán)最小二乘方法可參見文獻(xiàn)《Iterativelyreweightedleastsquaresminimizationforsparserecovery》(I.Daubechies,etal.),CommunicationsonPureandAppliedMathematics,2010,vol.63,pp.1–38。具體利用以下步驟進(jìn)行n次循環(huán)估計(jì)：(7.1)利用MATLAB函數(shù)pcg（共軛梯度法）求解如下方程組，估計(jì)knew:共軛梯度法可參見參考文獻(xiàn)《Convexoptimization》(S.Boyd,L.Vandenberghe)，CambridgeUniversityPress，2004。(7.2)將knew投影到約束集主要利用以下MATLAB代碼實(shí)現(xiàn)：knew(knew<0)=0;sumk=sum(knew(:));knew=knew./sumk;(7.3)更新(7.4)kold=knew;其中，對(duì)應(yīng)顯著邊緣的二維矩陣，knew對(duì)應(yīng)knew的矩陣形式；(8)更新out_iter：out_iter=out_iter+1；(9)如果out_iter<out_iter_num，轉(zhuǎn)到(6)，否則轉(zhuǎn)到(10)；(10)更新第s+1個(gè)尺度下模糊核k的初始值：k(s+1)=imresize(k(s),[ksize(s),ksize(s)],'bilinear');(11)更新s：s=s+1；(12)如果s<scales_num，返回(6)，否則轉(zhuǎn)到(13)；(13)輸出最終估計(jì)的模糊核(14)利用基于超拉普拉斯先驗(yàn)的圖像非盲去模糊方法恢復(fù)出去模糊圖像具體參見文獻(xiàn)《Fastimagedeconvolutionusinghyper-laplacianpriors》(D.KrishnanandR.Fergus),AdvancesinNeuralInformationProcessingSystems,2009,vol.22,pp.1033-1041.(15)為了驗(yàn)證基于L0稀疏先驗(yàn)的盲相機(jī)抖動(dòng)去模糊方法的有效性，設(shè)計(jì)4組仿真實(shí)驗(yàn)，每組實(shí)驗(yàn)均提供了真實(shí)圖像及真實(shí)模糊核(附圖2、附圖3、附圖4、附圖5)，并與最大似然估計(jì)盲去模糊方法(簡(jiǎn)寫為MaxL)以及基于規(guī)范化稀疏度量的盲去模糊方法(簡(jiǎn)寫為NormSpar)進(jìn)行比較，MaxL可調(diào)用MATLAB圖像處理工具箱中的函數(shù)deconvblind進(jìn)行實(shí)現(xiàn)，NormSpar具體參見文獻(xiàn)《Blinddeconvolutionusinganormalizedsparsitymeasure》(D.Krishnan,etal.)，IEEEConf.ComputerVisionandPatternRecognition,2011:233–240。為了衡量不同方法的去模糊效果，采用峰值信噪比(簡(jiǎn)稱PSNR)和結(jié)構(gòu)相似性度量(簡(jiǎn)稱SSIM)這兩個(gè)客觀標(biāo)準(zhǔn)進(jìn)行度量。所有方法的參數(shù)均采用人工方式選取，以取得最佳PSNR、SSIM、以及視覺效果為準(zhǔn)。此外，具體的實(shí)驗(yàn)環(huán)境包括：軟件MATLAB版本號(hào)為v7.0，電腦的配置為Pentium(R)Core-DuoT4200CPU(2GHZ),2GBRAM，MicrosoftWindowsXP(version2002,ServicePack3).(16)PSNR的定義:f為真實(shí)圖像，為去模糊圖像，M為f的像素個(gè)數(shù)。(17)SSIM的具體定義與實(shí)現(xiàn)參見文獻(xiàn)《Imagequalityassessment:fromerrormeasurementtostructuralsimilarity》(Z.Wang,etal.)，IEEETransactiosonImageProcessing,2004,vol.13,no.4,pp.600–612.(18)表1提供了上述3種盲去模糊方法在4組仿真實(shí)驗(yàn)中的PSNR和SSIM。由表1可見，本發(fā)明在所有中均取得了最高PSNR，特別是對(duì)于圖像Lena、House、Boat，本發(fā)明的優(yōu)勢(shì)明顯；從SSIM的角度看，本發(fā)明在對(duì)應(yīng)圖像Lena、House、Boat的3組實(shí)驗(yàn)中的去模糊效果優(yōu)于MaxL和NormS，對(duì)圖像Cameraman本發(fā)明取得了與NormS基本相似的去模糊效果，且兩者均優(yōu)于MaxL。表1.各種盲去模糊方法在4組仿真實(shí)驗(yàn)中的PSNR和SSIM(19)從視覺感知的角度看，本發(fā)明也取得了最優(yōu)的去模糊效果。附圖6給出了對(duì)應(yīng)圖像Lena的相機(jī)抖動(dòng)模糊圖；附圖7給出了基于規(guī)范化稀疏度量盲去模糊方法的恢復(fù)圖像及估計(jì)模糊核；附圖8給出了本發(fā)明基于L0稀疏先驗(yàn)的盲去模糊方法的恢復(fù)圖像及估計(jì)模糊核。容易看出，本發(fā)明估計(jì)的模糊核更接近真實(shí)模糊核，且恢復(fù)的圖像具有更清晰的邊緣和較少的振鈴效應(yīng)；而基于規(guī)范化稀疏度量盲去模糊方法的恢復(fù)圖像與估計(jì)模糊核與真實(shí)情況相去甚遠(yuǎn)。此外，附圖9給出了基于L0稀疏先驗(yàn)的盲去模糊方法的顯著邊緣圖像。以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)，本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書其等效物界定。