CN105184744B - 基于标准化稀疏度量图像块先验的模糊核估计方法 - Google Patents
基于标准化稀疏度量图像块先验的模糊核估计方法 Download PDFInfo
- Publication number
- CN105184744B CN105184744B CN201510524104.7A CN201510524104A CN105184744B CN 105184744 B CN105184744 B CN 105184744B CN 201510524104 A CN201510524104 A CN 201510524104A CN 105184744 B CN105184744 B CN 105184744B
- Authority
- CN
- China
- Prior art keywords
- image
- msub
- restored
- mrow
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 title abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims 4
- 238000005070 sampling Methods 0.000 claims 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 235000009508 confectionery Nutrition 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012804 iterative process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 3
- 101100192157 Mus musculus Psen2 gene Proteins 0.000 description 2
- 101150011873 Pdcd6 gene Proteins 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 241000208140 Acer Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于标准化稀疏度量图像块先验的模糊核估计方法。其步骤为：1、对待复原的模糊图像进行预处理，2、载入已训练好的外部图像块先验，3、获得梯度图像映射图，4、初始化模糊核，5、初始化待复原图像，6、获得待复原图像的后验图像，7、获得模糊核，8、判断是否满足终止条件，9、更新待复原图像和模糊核，10、更新模糊核估计金字塔层标签，11、输出模糊核，12、获得最终的清晰图像。本发明克服了现有技术中利用的先验知识不充分而导致的模糊核估计不准确的缺陷，减少了在迭代过程中产生的不必要的人工产物，增强了去模糊图像的清晰度。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及图像的盲去模糊技术领域中的基于标准化稀疏度量图像块先验的模糊核估计方法。本发明是将模糊图像进行去模糊，以得到图像模糊的成因，进一步得到清晰的图像，以便为图像后续的识别检测提供更准确的信息。
背景技术
图像盲去模糊技术是指去除 或减轻已获得的数字图像中受到的各种未知因素导致的图像模糊的过程。其中最关键的一步就是找到导致图像模糊的成因，即寻找出模糊核，然后进行图像的去模糊工作。因为清晰的图像和模糊核均是未知的，这使得盲去模糊变成了一个极度病态的问题。在现实生活中这项技术也有很广泛的应用，比如医学图像处理，人文照片图像复原等方面，如何从这些模糊图像中复原出清晰的图像成为一个很具有商业意义的课题，在国内外的做图像处理的研究机构和商业公司中也得到了广泛的研究。针对该问题，研究者们已经提出了很多方法。
目前，图像盲去模糊技术主要可以分为两大类，其中一类是利用图像的边缘信息，图像边缘是图像理解和识别的关键因素，在图像的盲去模糊中更是如此。另一类盲去模糊方法关注于探索图像的先验知识去实现图像的盲去模糊。
Shan等人发表的论文“Blur kernel estimation using the radon transform”(In CVPR，pages241-248，IEEE，2011)中提出了一种基于图像边缘的盲去模糊方法。该方法利用明显锐化的边缘从模糊图像中复原出清晰的图像，这种方法也使用了很强的正则项去保持强壮的图像边缘，该方法的实验结果表明，模糊核在由粗到细的迭代优化求解过程中收敛到了可靠的解。但是，该方法仍然存在的不足是，该方法利用的图像的先验知识不太充分导致模糊核估计不准确，去模糊的结果很大程度上依赖于图像边缘的质量。
Dilip等人发表的论文“Blind deconvolution using a normalized sparsitymeasure”(2011IEEE International Conference on IEEE，pp：233-240)中公开了一种基于稀疏先验的盲去模糊方法。该方法在梯度图像上进行复原，充分的利用了图像的梯度信息，从而可以有效地对模糊图像进行去模糊。但是该方法仍然存在的不足是只考虑临近两个像素的相关性，忽略更大范围内像素之间的相关性。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于标准化稀疏度量图像块先验的模糊核估计方法。本发明充分地结合图像的先验信息，以在图像去模糊中，能够提高估计模糊核的准确性，然后实施图像的去模糊。
为实现上述目的，本发明在基于标准化稀疏度量图像块先验的基础上实现自然图像盲去模糊，其技术方案是通过标准化稀疏度量图像块先验的正则方法去正则化图像盲去模糊这一病态反问题。在估计模糊核的过程中，使用通用的金字塔框架逐层循环迭代求解模糊核，在金字塔框架的每一层内，使用迭代再赋权值最小二乘法来优化求解模糊核，当迭代满足终止条件，则跳出循环，最终得到最优的模糊核。最后，采用一种非盲去模糊方法来恢复出最终的清晰图像。
实现本发明目的的具体步骤如下：
(1)对模糊图像进行预处理：
输入一幅模糊图像，使用双边滤波器，对模糊图像进行双边滤波，得到边缘锐化并且抑制噪声影响的模糊图像；
(2)获得模糊图像的梯度图像映射图：
(2a)使用高斯模糊核，对模糊图像进行滤波处理，得到滤波图像；
(2b)计算滤波图像的梯度图像；
(2c)使用线性滤波器，对梯度图像进行增强滤波处理，得到滤波图像，保持滤波图像中前2％元素值不变，其余98％元素值置零，得到梯度图像映射图；
(3)载入已训练好的外部图像块先验：
使用matlab软件中的load函数，载入在程序外部已训练好的外部图像块先验；
(4)初始化模糊核：
使用matlab软件中的fspecial函数，生成一个3×3的高斯模糊核，作为模糊核；
(5)初始化待复原图像：
(5a)将模糊核估计金字塔的总层数减1的数值，作为模糊核估计金字塔最粗略层的层标签；
(5b)采用双线性插值法，缩放模糊图像至模糊核估计金字塔最粗略层的图像大小，得到待复原图像；
(6)获得待复原图像的后验图像：
(6a)采用双线性插值法，将梯度图像映射图缩放至与待复原图像同样的大小，得到更新后的梯度图像映射图，将更新后的梯度图像映射图进行二值化处理，得到二进制掩模；
(6b)按照下式，获得待复原图像的图像块：
Ci＝Pi*y (i∈M)
其中，Ci表示待复原图像的第i个图像块，Pi表示提取待复原图像中以位置i为中心，大小为5×5像素的图像块的提取算子，y表示待复原图像，∈表示属于符号，M表示二进制掩模的矩阵形式；
(6c)对于每一个待复原图像的图像块，从外部已训练好的图像块先验中，寻找一个最相似于当前待复原图像的图像块的样例图像块，将该样例图像块作为与当前待复原图像的图像块匹配的样例图像块；
(6d)按照下式，计算待复原图像的图像块标准差：
其中，σi表示待复原图像的第i个图像块的标准差，表示取得目标函数值最小时σi的值，β表示调节参数，β的取值范围是不超过0.5的正数，M表示二进制掩模的矩阵形式，|·|表示统计矩阵中非零元素个数操作，∑表示求和操作，∈表示属于符号，Pi表示提取待复原图像中以位置i为中心，大小为5×5像素的图像块的提取算子，y表示待复原图像，Zi表示与待复原图像的第i个图像块匹配的样例图像块，μi表示待复原图像的第i个图像块的均值，||·||1表示矩阵一范数操作，||·||2表示矩阵二范数操作；
(6e)按照下式，获得待复原图像的后验图像：
其中，x表示待复原图像的后验图像，表示取得目标函数值最小时x的值，K表示模糊核的矩阵形式，y表示待复原图像，||·||2表示矩阵的2范数平方操作，α表示调节参数，α是取值范围不超过0.5的正数，M表示二进制掩模的矩阵形式，|·|表示统计矩阵中非零元素个数操作，∑表示求和操作，∈表示属于符号，Pi表示提取待复原图像中以位置i为中心，大小为5×5像素的图像块的提取算子，Zi表示与待复原图像的第i个图像块匹配的样例图像块，μi表示待复原图像的第i个图像块的均值，||·||1表示矩阵一范数操作，||·||2表示矩阵二范数操作；
(7)按照下式，获得模糊核：
其中，k表示模糊核，表示取得目标函数值最小时x的值，*表示卷积符号，x表示待复原图像的后验图像，y表示待复原图像，λ表示调节参数，λ是不超过0.5的正数，||·||2表示矩阵二范数平方操作；
(8)判断模糊核估计金字塔层标签值是否为0，若是，执行步骤(11)；否则，执行步骤(9)；
(9)更新模糊核和待复原图像：
(9a)上采样模糊核一次，得到更新后的模糊核，将更新后的模糊核作为模糊核估计金字塔下一层的模糊核；
(9b)上采样待复原图像的后验图像一次，得到后验图像，将后验图像作为模糊核估计金字塔下一层的待复原图像；
(10)更新模糊核估计金字塔层标签：
将模糊核估计金字塔层标签减1的数值，作为更新后的模糊核估计金字塔层标签，执行步骤(6)；
(11)输出模糊核估计金字塔当前层的模糊核；
(12)使用matlab软件中L0工具箱中L0-abs函数对待复原图像进行非盲去模糊，得到最终后验图像。
本发明与现有的技术相比具有以下优点：
第一，由于本发明对于每一个待复原图像的图像块，寻找一个最相似于当前待复原图像的图像块的样例图像块作为它的先验知识，克服了现有技术中利用待复原图像的先验知识不充分而导致的模糊核估计不准确的缺陷，使得采用本发明的方法，可以在获得丰富的图像细节信息的基础上，减少在迭代过程中产生的不必要的人工产物，增强去模糊图像的清晰度。
第二，由于本发明引入图像块标准差作为图像块正则，克服了现有技术中只考虑待复原图像中临近两个像素的相关性，忽略更大范围内像素之间相关性的不足，使得本发明能进一步地重建图像结构，增强图像的去模糊质量。
附图说明
图1是本发明的流程图；
图2是本发明在仿真实验中使用的House模糊图；
图3是在仿真实验中得到的House去模糊图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参见附图1，本发明具体实施步骤如下。
步骤1，对待复原的模糊图像进行预处理。
输入一幅模糊图像，使用双边滤波器，对模糊图像进行双边滤波，得到边缘锐化并且抑制噪声影响的待复原图像。
本发明实施例中输入的待处理的模糊图像如附图2所示，模糊图像的大小为256×256像素。
本发明实施例中，双边滤波器窗口的范围为3×3像素至5×5像素，空间域标准差的范围为[0-1]，值域标准差的范围为[0-1]。
步骤2，获得待复原图像的梯度图像映射图。
使用高斯模糊核，对待复原图像进行滤波处理，得到滤波图像。
本发明实施例中选取的高斯模糊核的大小为3×3像素，标准差为0.5。
分别利用差分算子[1,-1]和差分算子[1,-1]T与滤波图像进行卷积操作，得到滤波图像的水平梯度图像和滤波图像的垂直梯度图像，其中，T表示转置操作。
按照下式，获得滤波图像的梯度图像：
其中，Z表示滤波图像的梯度图像，Zx表示滤波图像的水平梯度图像，Zy表示滤波图像的垂直梯度图像，表示求平方根操作。
使用线性滤波器，对梯度图像进行增强滤波处理，得到滤波图像，保持滤波图像中前2％元素值不变，其余98％元素值置零，得到梯度图像映射图。
本发明实施例中选取的线性滤波器的模板为11×11大小的全1矩阵。
步骤3，载入已训练好的外部图像块先验。
使用matlab软件的load函数，载入在程序外部已训练好的外部图像块先验。
本发明实施例中外部图像块先验获得方式如下：
以的比例下采样(插值使图像变小)训练公开图像数据集BSD500中的图像，用以减少该图像集中的噪声以及人工产物。
采用与步骤2相同的处理方法计算指示公开图像数据集BSD500中的图像的梯度图像映射图集，将梯度映射图集二值化，得到二进制掩模集。
将二进制掩模集与公开图像数据集BSD500中的数据进行或运算得到最后的掩模集。
利用掩模集从公开图像数据集BSD500中的数据中提取5×5的图像块，产生220KB个图像块，通过减去均值并且除以标准差来正则化这220KB个图像块。
设定聚类中心为2560，使用标准的k均值算法去学习220KB个图像块中有代表
性的图像块，形成2560个聚类簇，将这些聚类簇按照尺寸大小排序，然后提取
2560个聚类中心为有代表性的图像块作为图像块先验。
步骤4，初始化模糊核。
使用matlab软件中的fspecial函数，生成一个3×3像素的高斯模糊核，作为模糊核。
步骤5，初始化待复原图像。
将模糊核估计金字塔的总层数减1的数值，作为模糊核估计金字塔最粗略层的层标签。
按照下式，获得模糊核估计金字塔的总层数：
其中，n表示模糊核估计金字塔总层数，表示向下去整操作，log表示以2为底的对数操作，b表示根据模糊程度预先设定的用户参数，b的取值不超过待复原图像尺寸的十分之一，表示求平方根操作。
采用双线性插值法，缩放原始待复原图像至模糊核估计金字塔最粗略层的图像大小，得到待复原图像。
步骤6，获得待复原图像的后验图像。
采用双线性插值法，将梯度图像映射图缩放至与待复原图像同样的大小，得到更新后的梯度图像映射图，将更新后的梯度图像映射图进行二值化处理，得到二进制掩模。
按照下式，获得待复原图像的图像块：
Ci＝Pi*y (i∈M)
其中，Ci表示待复原图像的第i个图像块，Pi表示提取待复原图像中以位置i为中心，大小为5×5像素的图像块的提取算子，y表示待复原图像，∈表示属于符号，M表示二进制掩模的矩阵形式。
对于每一个待复原图像的图像块，从外部已训练好的图像块先验中，寻找一个最相似于当前待复原图像的图像块的样例图像块，将该样例图像块作为与当前待复原图像的图像块匹配的样例图像块。
按照下式，计算待复原图像的图像块标准差：
其中，σi表示待复原图像的第i个图像块的标准差，表示取得目标函数值最小时σi的值，β表示调节参数，β的取值范围是不超过0.5的正数，M表示二进制掩模的矩阵形式，|·|表示统计矩阵中非零元素个数操作，∑表示求和操作，∈表示属于符号，Pi表示提取待复原图像中以位置i为中心，大小为5×5像素的图像块的提取算子，y表示待复原图像，Zi表示与待复原图像的第i个图像块匹配的样例图像块，μi表示待复原图像的第i个图像块的均值，||·||1表示矩阵一范数操作，||·||2表示矩阵二范数操作。
按照下式，获得待复原图像的后验图像：
其中，x表示待复原图像的后验图像，表示取得目标函数值最小时x的值，∑表示求和操作，K表示模糊核的矩阵形式，y表示待复原图像，||·||2表示矩阵的2范数平方操作，α表示调节参数，α是取值范围不超过0.5的正数，M表示二进制掩模的矩阵形式，|·|表示统计矩阵中非零元素个数操作，∑表示求和操作，∈表示属于符号，Pi表示提取待复原图像中以位置i为中心，大小为5×5像素的图像块的提取算子，Zi表示与待复原图像的第i个图像块匹配的样例图像块，μi表示待复原图像的第i个图像块的均值，||·||1表示矩阵一范数操作，||·||2表示矩阵二范数操作。
步骤7，按照下式，获得模糊核：
其中，k表示模糊核，表示取得目标函数值最小时x的值，*表示卷积符号，x表示待复原图像的后验图像，y表示待复原图像，λ表示调节参数，λ是不超过0.5的正数，||·||2表示矩阵二范数平方操作。
步骤8，判断模糊核估计金字塔层标签值是否为0，若是，执行步骤11；否则，执行步骤9。
步骤9，更新待复原图像和模糊核。
上采样模糊核一次，得到更新后的模糊核，将更新后的模糊核作为模糊核估计金字塔下一层的模糊核。
上采样待复原图像的后验图像一次，得到后验图像，将后验图像作为模糊核估计金字塔下一层的待复原图像；
本发明实施例中，上采样倍数为倍。
步骤10，更新模糊核估计金字塔层标签。
将模糊核估计金字塔层标签减1的数值，作为更新后的模糊核估计金字塔层标签，执行步骤6。
步骤11，输出模糊核估计金字塔当前层的模糊核。
步骤12，使用matlab软件中L0工具箱中L0-abs函数对待复原图像进行非盲去模糊，得到最终的去模糊图像，参见附图3。
下面结合仿真图对本发明的效果做进一步的说明。
1.仿真实验条件：
本发明仿真实验的硬件平台是：宏碁计算机Intel(R)Core处理器，主频3.20GHz，内存4GB；仿真软件平台是：MATLAB软件(2010b)版。
2.仿真实验内容与结果分析：
本发明的仿真实验具体分为三个仿真实验。
仿真实验1：利用本发明对输入的模糊图像进行图像盲去模糊处理，得到去模糊图像，结果如图3(a)所示。
仿真实验2：利用现有技术中基于图像边缘的方法对输入的模糊图像进行图像盲去模糊处理，得到去模糊图像，结果如图3(b)所示。
仿真实验3：利用现有技术中基于稀疏先验的方法对输入的模糊图像进行图像盲去模糊处理，得到去模糊图像，结果如图3(c)所示。
在本发明的仿真实验中，应用峰值信噪比PSNR评价指标来评价盲去模糊结果的优劣。
采用本发明与现有技术中基于稀疏先验的方法、基于图像边缘的方法，分别对图像House，Parthenon进行图像盲去模糊处理。应用峰值信噪比PSNR对去模糊图像进行评价，评价结果如表1所示，表1中的Alg1表示本发明的方法，Alg2表示基于稀疏先验的方法，Alg3表示基于图像边缘的方法。
表1.三种方法仿真实验获得的PSNR值一览表(单位为dB)
| 测试图像 | Alg1 | Alg2 | Alg3 |
| House | 29.42 | 22.66 | 24.00 |
| Parthenon | 28.07 | 24.39 | 22.76 |
从表1中可以看出，本发明相比于基于稀疏先验的方法和基于图像边缘的方法，去模糊图像的峰值信噪比有4-7dB提高。这充分说明，本发明在进行图像去模糊时有更好的性能。
从图3(a)可以看出，本发明得到的模糊图像House的去模糊结果，不但有效地去除了模糊，在保留了更多细节的同时并没有产生多余的人工产物。
从图3(b)可以看出，基于图像边缘的方法得到的模糊图像House的去模糊结果，包含明显的人工产物，没能有效地的去除 模糊。
从图3(c)可以看出，基于稀疏先验的方法得到的模糊图像House的去模糊结果，受到极大的噪声影响，严重地影响了图像去模糊质量。
Claims (4)
1.一种基于标准化稀疏度量图像块先验的模糊核估计方法，包括如下具体步骤：
(1)对模糊图像进行预处理：
输入一幅模糊图像，使用双边滤波器，对模糊图像进行双边滤波，得到边缘锐化并且抑制噪声影响的模糊图像；
(2)获得模糊图像的梯度图像映射图：
(2a)使用高斯模糊核，对模糊图像进行滤波处理，得到滤波图像；
(2b)计算滤波图像的梯度图像；
(2c)使用线性滤波器，对梯度图像进行增强滤波处理，得到滤波图像，保持滤波图像中前2％的元素值不变，其余98％元素值置零，得到梯度图像映射图；
(3)载入已训练好的外部图像块先验：
使用matlab软件中的load函数，载入在程序外部已训练好的外部图像块先验；
(4)初始化模糊核：
使用matlab软件中的fspecial函数，生成一个3×3的高斯模糊核，作为初始化后的模糊核；
(5)初始化待复原图像：
(5a)将模糊核估计金字塔的总层数减1的数值，作为模糊核估计金字塔最粗略层的层标签；
(5b)采用双线性插值法，缩放模糊图像至模糊核估计金字塔最粗略层的图像大小，得到初始化后的待复原图像；
(6)获得待复原图像的后验图像：
(6a)采用双线性插值法，将梯度图像映射图缩放至与待复原图像同样的大小，得到更新后的梯度图像映射图，将更新后的梯度图像映射图进行二值化处理，得到二进制掩模；
(6b)按照下式，获得待复原图像的图像块：
Ci＝Pj*y
其中，Ci表示待复原图像的第i个图像块，Pj表示提取待复原图像中以位置j为中心，大小为5×5像素的图像块的提取算子，y表示待复原图像，*表示卷积符号，j∈M，∈表示属于符号，M表示二进制掩模的矩阵形式；
(6c)对于每一个待复原图像的图像块，从外部已训练好的图像块先验中，寻找一个最相似于当前待复原图像的图像块的样例图像块，将该样例图像块作为与当前待复原图像的图像块匹配的样例图像块；
(6d)按照下式，计算待复原图像的图像块标准差：
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mi>arg</mi>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</munder>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mfrac>
<mi>&beta;</mi>
<mrow>
<mo>|</mo>
<mi>M</mi>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mo>*</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mo>*</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中，σi表示待复原图像的第i个图像块的标准差，表示取得目标函数值最小时σi的值，β表示调节参数，β的取值范围是不超过0.5的正数，|·|表示统计矩阵中非零元素个数操作，∑表示求和操作，Zi表示与待复原图像的第i个图像块匹配的样例图像块，μi表示待复原图像的第i个图像块的均值，||·||1表示矩阵一范数操作，||·||2表示矩阵二范数操作；
(6e)按照下式，获得待复原图像的后验图像：
<mrow>
<mi>x</mi>
<mo>=</mo>
<munder>
<mi>arg</mi>
<mi>x</mi>
</munder>
<mi>min</mi>
<mo>|</mo>
<mo>|</mo>
<mi>k</mi>
<mo>*</mo>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<mrow>
<mo>|</mo>
<mi>M</mi>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mo>*</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mo>*</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中，x表示待复原图像的后验图像，表示取得目标函数值最小时x的值，k表示模糊核的矩阵形式，||·||2表示矩阵2范数平方操作，α表示调节参数，α是取值范围不超过0.5的正数；
(7)按照下式，获得模糊核：
<mrow>
<mi>k</mi>
<mo>=</mo>
<munder>
<mi>arg</mi>
<mi>k</mi>
</munder>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>|</mo>
<mo>|</mo>
<mi>k</mi>
<mo>*</mo>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>k</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中，表示取得目标函数值最小时模糊核k的值，λ表示调节参数，λ是不超过0.5的正数；
(8)判断模糊核估计金字塔层标签值是否为0，若是，执行步骤(11)；否则，执行步骤(9)；
(9)更新模糊核和待复原图像：
(9a)上采样模糊核一次，得到更新后的模糊核，将更新后的模糊核作为模糊核估计金字塔下一层的模糊核；
(9b)上采样待复原图像的后验图像一次，得到后验图像，将后验图像作为模糊核估计金字塔下一层的待复原图像；
(10)更新模糊核估计金字塔层标签：
将模糊核估计金字塔层标签减1的数值，作为更新后的模糊核估计金字塔层标签，执行步骤(6)；
(11)输出模糊核估计金字塔当前层的模糊核；
(12)使用matlab软件中L0工具箱中L0-abs函数对模糊图像进行非盲去模糊，得到最终后验图像。
2.根据权利要求1所述的基于标准化稀疏度量图像块先验的模糊核估计方法，其特征在于：步骤(1)所述的双边滤波器窗口的范围为3×3像素至5×5像素，空间域标准差的范围为[0,1]，值域标准差的范围为[0,1]。
3.根据权利要求1所述的基于标准化稀疏度量图像块先验的模糊核估计方法，其特征在于：步骤(2b)所述计算滤波图像的梯度图像的具体步骤如下：
第1步，分别利用差分算子[1,-1]和差分算子[1,-1]T与滤波图像进行卷积操作，得到滤波图像的水平梯度图像和滤波图像的垂直梯度图像，其中，T表示转置操作；
第2步，按照下式，获得滤波图像的梯度图像：
<mrow>
<mi>Z</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>Z</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>Z</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，Z表示滤波图像的梯度图像，Zx表示滤波图像的水平梯度图像，Zy表示滤波图像的垂直梯度图像，表示平方根操作。
4.根据权利要求1所述的基于标准化稀疏度量图像块先验的模糊核估计方法，其特征在于：步骤(5a)所述的模糊核估计金字塔的总层数按照下式获得：
其中，n表示模糊核估计金字塔的总层数，表示向下去整操作，log表示以2为底的对数操作，b表示根据模糊程度预先设定的用户参数，b的取值不超过待复原图像尺寸的十分之一。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510524104.7A CN105184744B (zh) | 2015-08-24 | 2015-08-24 | 基于标准化稀疏度量图像块先验的模糊核估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510524104.7A CN105184744B (zh) | 2015-08-24 | 2015-08-24 | 基于标准化稀疏度量图像块先验的模糊核估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105184744A CN105184744A (zh) | 2015-12-23 |
| CN105184744B true CN105184744B (zh) | 2018-03-06 |
Family
ID=54906799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510524104.7A Active CN105184744B (zh) | 2015-08-24 | 2015-08-24 | 基于标准化稀疏度量图像块先验的模糊核估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105184744B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960417A (zh) * | 2016-01-08 | 2017-07-18 | 中国科学院沈阳自动化研究所 | 一种基于图像显著结构的噪声模糊图像盲目反卷积方法 |
| CN105741243B (zh) * | 2016-01-27 | 2018-05-11 | 北京航空航天大学 | 一种模糊图像复原方法 |
| WO2017165191A2 (en) * | 2016-03-23 | 2017-09-28 | The Procter & Gamble Company | Imaging method for determining stray fibers |
| CN105957024B (zh) * | 2016-04-20 | 2019-06-18 | 西安电子科技大学 | 基于图像块先验与稀疏范数的盲去模糊方法 |
| CN106097256B (zh) * | 2016-05-31 | 2019-01-01 | 南京邮电大学 | 一种基于图像盲去模糊的视频图像模糊度检测方法 |
| CN106204502B (zh) * | 2016-08-17 | 2019-07-05 | 重庆大学 | 基于混合阶l0正则化模糊核估计方法 |
| CN107067373B (zh) * | 2016-12-13 | 2019-08-20 | 南京航空航天大学 | 一种基于0范数的梯度最小化二值图像复原方法 |
| CN106934769A (zh) * | 2017-01-23 | 2017-07-07 | 武汉理工大学 | 基于近景遥感的去运动模糊方法 |
| CN108665417B (zh) * | 2017-03-30 | 2021-03-12 | 杭州海康威视数字技术股份有限公司 | 一种车牌图像去模糊方法、装置及系统 |
| CN107292836B (zh) * | 2017-06-02 | 2020-06-26 | 河海大学常州校区 | 基于外部图像块先验信息与稀疏表示的图像盲去模糊方法 |
| CN107871310B (zh) * | 2017-10-26 | 2019-11-22 | 武汉大学 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
| CN108564544B (zh) * | 2018-04-11 | 2023-04-28 | 南京邮电大学 | 基于边缘感知的图像盲去模糊组合稀疏优化方法 |
| CN110490822B (zh) * | 2019-08-11 | 2022-02-15 | 浙江大学 | 图像去运动模糊的方法和装置 |
| CN113689341B (zh) * | 2020-05-18 | 2024-08-23 | 京东方科技集团股份有限公司 | 图像处理方法及图像处理模型的训练方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5764307A (en) * | 1995-07-24 | 1998-06-09 | Motorola, Inc. | Method and apparatus for spatially adaptive filtering for video encoding |
| CN102800054A (zh) * | 2012-06-28 | 2012-11-28 | 西安电子科技大学 | 基于稀疏性度量的图像盲去模糊方法 |
-
2015
- 2015-08-24 CN CN201510524104.7A patent/CN105184744B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5764307A (en) * | 1995-07-24 | 1998-06-09 | Motorola, Inc. | Method and apparatus for spatially adaptive filtering for video encoding |
| CN102800054A (zh) * | 2012-06-28 | 2012-11-28 | 西安电子科技大学 | 基于稀疏性度量的图像盲去模糊方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于有理数多项式先验模型的图像盲去模糊;李桐等;《电视技术》;20150731;第39卷(第14期);9-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105184744A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105184744B (zh) | 基于标准化稀疏度量图像块先验的模糊核估计方法 | |
| Bai et al. | Graph-based blind image deblurring from a single photograph | |
| CN105574534B (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
| Zoran et al. | Scale invariance and noise in natural images | |
| CN103632155B (zh) | 基于慢特征分析的遥感影像变化检测方法 | |
| Mrázek et al. | On robust estimation and smoothing with spatial and tonal kernels | |
| CN103854262B (zh) | 基于结构聚类与稀疏字典学习的医学图像降噪方法 | |
| CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
| CN106203511A (zh) | 一种图像相似块评估方法 | |
| CN104657951A (zh) | 图像乘性噪声移除方法 | |
| Karthikeyan et al. | Energy based denoising convolutional neural network for image enhancement | |
| CN116468958B (zh) | 通信铁塔安全检测方法及系统 | |
| CN119559187B (zh) | 一种基于神经网络的电能表外观缺陷检测方法及系统 | |
| Li et al. | Deep CNN denoiser prior for blurred images restoration with multiplicative noise | |
| CN103337055B (zh) | 一种基于梯度拟合的文本图像去模糊方法 | |
| Sayed et al. | Image object extraction based on curvelet transform | |
| CN105678698A (zh) | 一种非局部正则化遥感图像超分辨重建方法 | |
| CN105303538B (zh) | 一种基于nsct和pca的高斯噪声方差估计方法 | |
| Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
| Xu et al. | A multiple image-based noise level estimation algorithm | |
| Krupiński et al. | Binarization of degraded document images with generalized Gaussian distribution | |
| CN108764112A (zh) | 一种遥感图像目标物检测方法及设备 | |
| CN102063722A (zh) | 基于主成份广义逆变换的图像变化检测方法 | |
| CN113313655A (zh) | 一种基于显著性映射和梯度倒频谱技术的盲图像去模糊方法 | |
| CN107085839A (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |