基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法
【專利摘要】本發(fā)明公開了一種基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，利用混沌粒子群算法的搜索精度高、不易陷入局部極值的特點，選擇基于高維空間幾何的模糊圖像復(fù)原算法，描述圖像從模糊到清晰對應(yīng)在高維空間中的分布曲線的最佳參數(shù)，有效地實現(xiàn)了模糊圖像的復(fù)原，無需人工調(diào)節(jié)參數(shù)，更加智能和實用，可有效應(yīng)用于模糊圖像的清晰化處理，具有良好的應(yīng)用前景。
【專利說明】基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，具體涉及一種基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法。
【背景技術(shù)】
[0002]圖像是人類獲取視覺信息的主要途徑，清晰的圖像在日常生活和科學(xué)研究中有著舉足輕重的作用，有利于人工判讀和機(jī)器解譯。然而，在圖像處理的過程中，包括采集、傳輸和記錄等階段都會受到諸多因素干擾而造成不同程度的品質(zhì)下降，如光學(xué)系統(tǒng)的像差、大氣擾動、運(yùn)動、散焦、離散采樣和系統(tǒng)噪聲等，都會造成圖像的模糊和變形。由模糊圖像復(fù)原得到清晰圖像尤為重要，其不僅具有重要的理論意義，而且在實際應(yīng)用中也有迫切需要。
[0003]經(jīng)典的圖像恢復(fù)算法，如逆濾波算法，維納濾波算法以及約束最小二乘算法等，都是以圖像退化的某種先驗知識(比如點擴(kuò)散函數(shù)(PSF))已知為基礎(chǔ)。然而，在許多實際情況下需要在點擴(kuò)散函數(shù)未知或不確知的情況下，從觀察到的退化圖像中恢復(fù)出原始圖像，進(jìn)行圖像的盲復(fù)原。
[0004]至今為止，在圖像處理領(lǐng)域，已提出了諸多的圖像盲復(fù)原方法，其中高維形象幾何與仿生信息學(xué)理論備受關(guān)注，這是由中國科學(xué)院王守覺院士提出的一門全新的理論，該理論在模糊圖像的盲復(fù)原應(yīng)用中，以同類事物的連續(xù)性為基礎(chǔ)，將圖像從模糊到清晰的過程看作一個連續(xù)的漸變過程，當(dāng)把這一漸變過程映射到高維空間時，便形成了一條連續(xù)的超曲線，這條超曲線沒有明確的數(shù)學(xué)表達(dá)式，需要通過調(diào)試參數(shù)不斷逼近，達(dá)到復(fù)原模糊圖像的目的。在參數(shù)選取得當(dāng)?shù)那闆r下，基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法可以取得更為優(yōu)越的復(fù)原效果。如何選擇合適的參數(shù)是關(guān)鍵，當(dāng)前主要依賴經(jīng)驗手工選取，缺乏自適應(yīng)性。
[0005]由于選擇的參數(shù)對最終復(fù)原圖像的效果影響很大，因此嘗試?yán)脙?yōu)化算法，根據(jù)圖像自身特點篩選出最優(yōu)參數(shù)，從而使模糊圖像復(fù)原效果最佳。粒子群優(yōu)化(particleswarm optimization, PS0)算法由Eberhart和Kennedy于1995年提出，源于對鳥群捕食的行為研究。PSO同遺傳算法類似，是一種基于迭代的優(yōu)化算法，但避免了遺傳算法復(fù)雜的交叉變異過程，是一種更為高效的并行搜索算法，已廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制以及其他科學(xué)研究和工程應(yīng)用領(lǐng)域。但是基本粒子群算法在搜索過程中容易早熟收斂、偏離全局最優(yōu)解，此外還有進(jìn)化后期收斂速度慢、精度低等不足?；煦缌Ｗ尤簝?yōu)化算法(chaotic particle swarm optimization, CPS0)通過混沛擾動改善個體質(zhì)量避免搜索過程陷入局部極值，加快提高搜索最優(yōu)參數(shù)的速度，有更高的精確度。
[0006]應(yīng)用混沛粒子群優(yōu)化算法結(jié)合高維空間幾何信息學(xué)(high-dimensionaI spacegeommetrical informatics, HDSGI)理論進(jìn)行模糊圖像復(fù)原,無需求解點擴(kuò)散函數(shù),且參數(shù)可以自適應(yīng)達(dá)到最優(yōu)，提供了復(fù)原模糊圖像新的思路。專利檢索及對國內(nèi)外各種科技文獻(xiàn)的最新檢索表明，尚未有在高維空間結(jié)合混沌粒子群算法實現(xiàn)模糊圖像盲復(fù)原的方法。該方法可以進(jìn)一步推動圖像自適應(yīng)復(fù)原技術(shù)的發(fā)展。
【發(fā)明內(nèi)容】

[0007]本發(fā)明所解決的技術(shù)問題是克服現(xiàn)有技術(shù)中模糊圖像復(fù)原的問題，本發(fā)明提出的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，利用混沌粒子群算法，選擇基于高維空間幾何的模糊圖像復(fù)原算法，描述圖像從模糊到清晰對應(yīng)在高維空間中的分布曲線的最佳參數(shù)，有效實現(xiàn)了模糊圖像的復(fù)原，無需人工調(diào)節(jié)參數(shù)，更加地智能和實用，具有良好的應(yīng)用前景。
[0008]為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是:
[0009]一種基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:根據(jù)HDSGI理論，模糊圖像復(fù)原過程中從模糊到清晰連續(xù)的漸變過程映射到高維空間時會形成連續(xù)的超曲線，利用混沌粒子群算法自適應(yīng)地選擇最佳的超曲線，從而獲得清晰的復(fù)原圖像，包括以下步驟:
[0010]步驟(1)，對原始模糊圖像按照該模糊趨勢進(jìn)一步模糊，獲得同源的兩幅模糊圖像；
[0011]步驟(2)，初始化原始模糊圖像的粒子群，粒子維數(shù)為2，包括兩個表示粒子群分布曲線參數(shù)；
[0012]步驟(3)，根據(jù)HDSGI理論，利用粒子群分布曲線參數(shù)、原始模糊圖像、同源的兩幅模糊圖像，得到復(fù)原圖像；
[0013]步驟(4)，基于局部結(jié)構(gòu)張量的無參考型圖像質(zhì)量評價方法評價復(fù)原圖像的質(zhì)量，得到各粒子的適應(yīng)度值，并確定粒子群中各粒子適應(yīng)度值最優(yōu)的粒子位置；
[0014]步驟(5)，根據(jù)粒子群優(yōu)化理論，更新粒子群中各粒子速度和粒子位置；
[0015]步驟(6)，將粒子群中所有粒子按適應(yīng)度值從大到小排序，選擇前20%的粒子為最優(yōu)粒子；
[0016]步驟(7)，對各最優(yōu)粒子分別引入混沌擾動，并分別計算各最優(yōu)粒子對應(yīng)的新適應(yīng)度值，確定該最優(yōu)粒子新的位置；
[0017]步驟(8)，對粒子群中剩余的粒子位置重新初始化，記錄當(dāng)前的粒子群迭代次數(shù)，重復(fù)步驟(5)-步驟(7)，直到粒子群中剩余的粒子為零；
[0018]步驟(9)，根據(jù)得到的粒子群中各粒子新的位置，輸出兩個表示粒子群分布曲線參數(shù)的最優(yōu)值，對原始模糊圖像進(jìn)行復(fù)原，判斷復(fù)原后的圖像是否滿足人眼的視覺需求，若達(dá)到人眼的視覺需求，則輸出復(fù)原后的圖像，否則，轉(zhuǎn)到步驟(1)，將復(fù)原后的圖像作為新的模糊圖像，記錄當(dāng)前的圖像迭代次數(shù)，重復(fù)步驟(I)-步驟(9)，直到達(dá)到人眼的視覺需求，輸出最終復(fù)原得到的圖像。
[0019]前述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟
(2)初始化原始模糊圖像的粒子群是采用隨機(jī)數(shù)生成器隨機(jī)生成粒子群分布曲線參數(shù)的取值范圍在0.01-0.99之間的25個粒子。
[0020]前述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟
(3)根據(jù)HDSGI理論，利用粒子群分布曲線參數(shù)、原始模糊圖像、同源的兩幅模糊圖像，得到復(fù)原圖像的方法為，根據(jù)公式(I )，得到復(fù)原圖像Ci,
[0021 ] Ci = Mi+kn (N1-Mi)+ki2 (P1-Mi) (I)[0022]其中，Ci為第i迭代的復(fù)原圖像，Mi為第i次圖像迭代的原始模糊圖像，PpNi為第i次圖像迭代的原始模糊圖像M1按照該模糊趨勢進(jìn)一步模糊，獲得同源的兩幅模糊圖像；kn、ki2為2維的粒子群第i次圖像迭代的分布曲線參數(shù)，i=l,2,…η，η為圖像迭代的總次數(shù)。
[0023]前述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟
(4)基于局部結(jié)構(gòu)張量的無參考型圖像質(zhì)量評價方法評價復(fù)原圖像的質(zhì)量的方法，包括以下步驟，
[0024](I)將復(fù)原圖像劃分為N個點，每個點為Ν*Ν領(lǐng)域；
[0025](2)計算復(fù)原圖像各點的局部梯度向量；
[0026](3)通過局部梯度向量，計算各點的局部梯度協(xié)方差矩陣，并將其進(jìn)行SVD分解，獲得特征值S1、S2 ；
[0027](4)通過獲得特征值S1、S2，計算各點的局部質(zhì)量度量；
[0028](5)將復(fù)原圖像的各點局部質(zhì)量度量求和，獲取復(fù)原圖像的質(zhì)量評價結(jié)果。
[0029]前述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟
(5)根據(jù)粒子群優(yōu)化理論，更新粒子群中各粒子速度通過公式(2)得到的，
[0030]Vi (t+1) = WVi (t) +C^1 [Bi (t) -Xi (t) ] +c2r2 [Gb(t) -Xi (t) ] (2)
[0031]其中，Vi (t+1)為更新后的粒子速度，Vi (t)為粒子的當(dāng)前速度，Bi (t)為粒子運(yùn)動過程中的最佳位置，Xi (t)為粒子的當(dāng)前位置，Gb(t)為粒子群中的最佳位置，t為當(dāng)前的粒子群迭代次數(shù)，C1 = C2 = 2為隨機(jī)因子，r1、r2是均勻分布在(0，I)上的隨機(jī)數(shù)；
【權(quán)利要求】
1.基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:根據(jù)HDSGI理論，模糊圖像復(fù)原過程中從模糊到清晰連續(xù)的漸變過程映射到高維空間時會形成連續(xù)的超曲線，利用混沌粒子群算法自適應(yīng)地選擇最佳的超曲線，從而獲得清晰的復(fù)原圖像，包括以下步驟， 步驟(I)，對原始模糊圖像按照該模糊趨勢進(jìn)一步模糊，獲得同源的兩幅模糊圖像； 步驟(2)，初始化原始模糊圖像的粒子群，粒子維數(shù)為2，包括兩個表示粒子群分布曲線參數(shù)； 步驟(3)，根據(jù)HDSGI理論，利用粒子群分布曲線參數(shù)、原始模糊圖像、同源的兩幅模糊圖像，得到復(fù)原圖像； 步驟(4)，基于局部結(jié)構(gòu)張量的無參考型圖像質(zhì)量評價方法評價復(fù)原圖像的質(zhì)量，得到各粒子的適應(yīng)度值，并確定粒子群中各粒子適應(yīng)度值最優(yōu)的粒子位置； 步驟(5)，根據(jù)粒子群優(yōu)化理論，更新粒子群中各粒子速度和粒子位置； 步驟(6)，將粒子群中所有粒子按適應(yīng)度值從大到小排序，選擇前20%的粒子為最優(yōu)粒子; 步驟(7)，對各最優(yōu)粒子分別引入混沌擾動，并分別計算各最優(yōu)粒子對應(yīng)的新適應(yīng)度值，確定該最優(yōu)粒子新的位 置； 步驟(8)，對粒子群中剩余的粒子位置重新初始化，記錄當(dāng)前的粒子群迭代次數(shù)，重復(fù)步驟(5)-步驟(7)，直到粒子群中剩余的粒子為零； 步驟(9)，根據(jù)得到的粒子群中各粒子新的位置，輸出兩個表示粒子群分布曲線參數(shù)的最優(yōu)值，對原始模糊圖像進(jìn)行復(fù)原，判斷復(fù)原后的圖像是否滿足人眼的視覺需求，若達(dá)到人眼的視覺需求，則輸出復(fù)原后的圖像，否則，轉(zhuǎn)到步驟(1)，將復(fù)原后的圖像作為新的模糊圖像，記錄當(dāng)前的圖像迭代次數(shù)，重復(fù)步驟(I)-步驟(9)，直到達(dá)到人眼的視覺需求，輸出最終復(fù)原得到的圖像。
2.根據(jù)權(quán)利要求1所述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟(2)初始化原始模糊圖像的粒子群是采用隨機(jī)數(shù)生成器隨機(jī)生成粒子群分布曲線參數(shù)的取值范圍在0.01-0.99之間的25個粒子。
3.根據(jù)權(quán)利要求1所述的基于混沌粒子群算法及高維空間幾何的模糊圖像復(fù)原方法，其特征在于:步驟(3)根據(jù)HDSGI理論，利用粒子群分布曲線參數(shù)、原始模糊圖像、同源的兩幅模糊圖像，得到復(fù)原圖像的方法為，根據(jù)公式(I )，得到復(fù)原圖像Ci,
Ci = M^kil (N1-Mi) +ki2 (P1-Mi) (I) 其中，Ci為第i迭代的復(fù)原圖像，Mi為第i次圖像迭代的原始模糊圖像，PpNi為第i次圖像迭代的原始模糊圖像M1按照該模糊趨勢進(jìn)一步模糊，獲得同源的兩幅模糊圖像；kn、ki2為2維的粒子群第i圖像迭代的分布曲線參數(shù)，i=l，2，…η，η為圖像迭代的總次數(shù)。
4.根據(jù)權(quán)利要求1所述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟(4)基于局部結(jié)構(gòu)張量的無參考型圖像質(zhì)量評價方法評價、復(fù)原圖像的質(zhì)量的方法，包括以下步驟， (1)將復(fù)原圖像劃分為N個點，每個點為Ν*Ν領(lǐng)域； (2)計算復(fù)原圖像各點的局部梯度向量； (3)通過局部梯度向量，計算各點的局部梯度協(xié)方差矩陣，并將其進(jìn)行SVD分解，獲得特征值S1、S2 ； (4)通過獲得特征值S1、S2，計算各點的局部質(zhì)量度量； (5)將復(fù)原圖像各點的局部質(zhì)量度量求和，獲取復(fù)原圖像的質(zhì)量評價結(jié)果。
5.根據(jù)權(quán)利要求1所述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟(5)根據(jù)粒子群優(yōu)化理論，更新粒子群中各粒子速度通過公式(2)得到的，
Vi (t+1) = WVi (t) +C1Ir1 [Bi (t) -Xi (t) ] +c2r2 [Gb (t) -Xi (t) ] (2) 其中，Vi (t+1)為更新后的粒子速度，V1(I)為粒子的當(dāng)前速度，Bi (t)為粒子運(yùn)動過程中的最佳位置，Xi (t)為粒子的當(dāng)前位置，Gb (t)為粒子群中的最佳位置，t為當(dāng)前的粒子群迭代次數(shù)，C1 = C2 = 2為隨機(jī)因子，r1、r2是均勻分布在(O，I)上的隨機(jī)數(shù)；
6.根據(jù)權(quán)利要求1所述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:步驟(7)對各最優(yōu)粒子分別引入混沌擾動，并分別計算各最優(yōu)粒子對應(yīng)的新適應(yīng)度值，確定該最優(yōu)粒子新的位置的方法為，若比原適應(yīng)度值更優(yōu)，則確定該最優(yōu)粒子新位置，并停止引入擾動；若比原適應(yīng)度值差，則繼續(xù)引入混沌擾動，若達(dá)到引入混沌擾動的最大次數(shù)，得到的新適應(yīng)度值比原適應(yīng)度值差，則將最后一次引入混沌擾動的位置作為該最優(yōu)粒子新的位置。
7.根據(jù)權(quán)利要求1或6所述的基于高維空間幾何信息學(xué)的模糊圖像自適應(yīng)復(fù)原方法，其特征在于:所述引入混沌擾動為用混沌映射Logistic迭代方程式(4)
xn+i = u Xn(1-Xn) (4) 其中，χη+1為引入混沛擾動后的粒子位置，χη為當(dāng)前的粒子位置，μ為控制參量，μ的取值為4,此時Logistic完全處于混沛狀態(tài)。
【文檔編號】G06T7/00GK103473784SQ201310455177
【公開日】2013年12月25日 申請日期:2013年9月29日 優(yōu)先權(quán)日:2013年9月29日
【發(fā)明者】張偉, 李慶武, 周妍, 霍冠英, 束代群, 劉艷, 江琴 申請人:河海大學(xué)常州校區(qū)