一种基于图像列灰度概率一致性的高速运动图像去模糊方法技术

一种基于图像列灰度概率一致性的高速运动图像去模糊方法，包括以下步骤：(1)相机前向运动模糊过程建模；(2)空间变换，降低空间维度；(3)基于列灰度一致性的图像去模糊。本发明专利技术对相机垂直于光轴单向运动所造成的图像模糊的恢复过程具有较好的效果，特别是高清相机在高速运动过程中带来的长模糊问题，空间变换大大降低问题的求解自由度，双目标使恢复过程保存了一定的差异性和整体的一致性。

【技术实现步骤摘要】
一种基于图像列灰度概率一致性的高速运动图像去模糊方法
本专利技术涉及图像处理及概率统计计算领域，尤其是涉及基于图像列灰度概率一致性的高速运动图像去模糊方法。
技术介绍
图像采集已成为信息时代一种重要的信息来源，但在机器视觉采集的过程中，由于相机相对采集目标的高速运动在长曝光时间或相对光线较弱的采集状态下，都可能会导致采集到的图像出现模糊现象。产生模糊的原因有很多，图像模糊类型分多种，如运动模糊、失焦模糊和高斯模糊等，比较传统的图像去模糊方法有RL反卷积，维纳滤波，正则化方法以及其它图像盲反卷积的方法。这些方法大多针对不同的模糊问题，其性能及处理时间各异，目前针对高速运动的实时图像去模糊问题解决的较少。本专利技术针对在广泛的相机应用中，高速运动相机采集到的运动图像模糊问题，采用图像相邻列灰度保持一致性及差异性的概率统计方法，进行图像去模糊，在解决高速运动相机导致的图像模糊处理结果优于现有图像去模糊方法。为解决运动导致的图像模糊，Fergus等利用自然图像梯度服从长尾分布的先验知识构建一个概率模型，并用变分的方法来估计模糊核(Fergus,Rob,etal..Removingcamerashakefromasinglephotograph[J].ACMTransactionsonGraphics(TOG),25(3),2006.)。Levin等利用这个分布建立概率模型，然后用MAP(最大后验概率)估计模糊核(LevinA,WeissY,DurandF,etal..Efficientmarginallikelihoodoptimizationinblinddeconvolution.ComputerVisionandPatternRecognition[J],2011IEEEConferenceon.IEEE,2011:2657-2664.)。Shan等结合图像的噪声、图像梯度及模糊核作为先验知识来去模糊并减少图像的振铃效应(ShanQi,JiayaJia,andAseemAgarwala.High-qualitymotiondeblurringfromasingleimage[J].ACMTransactionsonGraphics(TOG),27(3),ACM(2008).)。Whyte等分析运动模糊是由于相机的抖动导致的非统一化模糊，并建立了3D旋转模糊运动的模型(WhyteO,SivicJ,ZissermanA,etal..Non-uniformdeblurringforshakenimages[J].Internationaljournalofcomputervision,2012,98(2):168-186.]。Zheng等认为运动模糊由于相机的平动比如前向及后向运动导致，并主要应用于车载相机及交通监控，建立一个基于深度变化及像素结合的模型，但不能处理所有任意运动目标，有时需手动初始化平面。(Zheng,Shicheng,LiXu,andJiayaJia.Forwardmotiondeblurring[C].ProceedingsoftheIEEEinternationalconferenceoncomputervision,2013:1465-1472.)。这些方法针对不同的问题取得了一定的去模糊效果，但是在处理真实模糊图像时仍存在如：振铃、噪声及杂痕等问题。
技术实现思路
本专利技术的目的是为解决相机快速前向运动采集的图像模糊问题，基于自然图像列灰度分布一致性及差异性并存的概率统计特性，提出一种去运动模糊的方法，能克服现有算法不能很好处理高分辨率图像及其严重运动模糊的缺点，提高运动图像的复原质量。本专利技术是通过以下技术方案实现的。本专利技术所述的一种基于图像列灰度概率一致性的高速运动图像去模糊的方法，包括以下步骤：步骤(1)：相机前向运动模糊过程建模。在无人机、无人驾驶车以及一些安全检测监控系统中，图像采集一般都采用车载相机的形式进行图像获取。本专利技术主要应用在车载相机采集装置上，如轨道缺陷检测相机安装在机车底部，相机中心线垂直向下，正对轨道平面拍摄。当机车带动相机以速度v水平向前运动时，相机曝光时间为T，模糊图像b(x,y)模型如下：上式中，x、y表示像素点坐标，g(x+vt,y)为原目标图像，d为采样距离,因此模糊长度为式(1)的离散化形式为：其中i为循环变量。令式(2)可表示为卷积形式：其中表示卷积符号，对于上述卷积模糊中的核函数h(x,y)的求解方法很多，目前比较成熟的方法有正则化方法、贝叶斯先验估计和MAP方法等，因此也可以根据上述模糊原理估算出模糊核。步骤(2)：空间变换，降低空间维度。估算出模糊核后，若相机只前向运动此时y为常数，式(2)可表示为矩阵形式：A·Gy＝By(4)其中式(4)中m为像素点x的采样个数，像素点y为某一固定值。从式(4)可知该方程组为一个由m个线性方程组成的m+l维方程问题，方程组有无穷多个解，即至少有l个自由基。为解决此问题，将增加l个方程，其系数矩阵A和向量By分别扩展为和将矩阵A和向量By同时扩展到m+l维线性空间从矩阵参数可知其为m+l维的非奇异方阵，线性方程组(5)有唯一特解。将方程两边左乘的逆矩阵得：通过上述空间变换，则可将式(4)关于Gy的m+l维不定解问题转化为关于Sy的l维定解问题，其中自变量为：S＝[S1,S2,…,Sn],B＝[B1,B2,…,Bn]，由式(2)和式(6)可得：由于则公式(2)关于维线性空间的求解问题变换为公式(7)中的维线性空间求解问题，又因为l＜＜m，该问题实现了从m维到l维的降维变换。由此减少了问题计算量，提高解的收敛性。步骤(3)：基于列灰度一致性的图像去模糊。一般认为，图像的模糊过程为原图像与未知的模糊核卷积的过程，而图像去模糊则为反卷积。但这个反问题是病态的，在反卷积的图像中将出现振铃效应或杂痕。同时在实际处理过程中，人工卷积得到的模糊图像与实际模糊图像有一定区别，如图1和图3所示。由于人工卷积图像处理过程中左右两边有黑色边界引入，而实际图像卷积过程没有，其原因是人工卷积过程中，将边界外的区域假定没有信号，而实际图像中有边界有信息。因此直接用实际图像进行反卷积后，图像会出现振铃现象，如图4所示。为解决此现象，根据公式(7)，我们在图像边界前后预测一个合适的图像块：Sl×n(x,y)，同时可以将m×n维空间的问题转变为l×n维空间的问题，如步骤(1)所述。但只通过空间变换，得不到确定的解，要得到一个确定解，还需要增加约束条件。通常判定图像质量的评价指标有RMS(均方根误差)、SNR(信噪比)和PSNR(峰值信噪比)等。在这些指标评价中都需要原图像g(x,y)，但在实际模糊图像的处理中没有原图像，即不能较好地描述图像的复原质量。我们通过实验及分析图像相邻列灰度特征，如图1(b)，图2(b)，图3(b)，图4(b)所示，质量较好的图像其相邻列灰度值相差很小(基本误差在20％个总像素差内)，即大多数图像具有空间相关性，绝大部分相邻的像素点具有相近的灰度值，由此构建图像相邻列一致性指标：Ri,i+1越大，列一致性越差，Ri,i+1越小，则列一致性越好。但实际图像中，又要包含不一致性，即如果没有差异性，反卷积后的图像就成为单色本文档来自技高网...

【技术保护点】
一种基于图像列灰度概率一致性的高速运动图像去模糊方法，其特征是包括以下步骤：步骤(1)：相机前向运动模糊过程建模设车载相机在机车带动下以速度v水平向前运动时，相机曝光时间为T，模糊图像b(x,y)模型如下：

【技术特征摘要】
1.一种基于图像列灰度概率一致性的高速运动图像去模糊方法，其特征是包括以下步骤：步骤(1)：相机前向运动模糊过程建模设车载相机在机车带动下以速度v水平向前运动时，相机曝光时间为T，模糊图像b(x,y)模型如下：上式中，x、y表示像素点坐标，g(x+vt,y)为原目标图像，d为采样距离，因此模糊长度为式(1)的离散化形式为：其中i为循环变量；令式(2)可表示为卷积形式：其中表示卷积符号，对于上述卷积模糊中的核函数h(x,y)估算出模糊核；步骤(2)：空间变换，降低空间维度估算出模糊核后，若相机只前向运动时，y为常数，式(2)可表示为矩阵形式：A·Gy＝By(4)其中式(4)中m为像素点x的采样个数，像素点y为常数，式(4)方程组有无穷多个解；再增加l个方程，其系数矩阵A和向量By分别扩展为和将矩阵A和向量By同时扩展到m+l维线性空间线性方程组(5)有唯一特解：将方程两边左乘的逆矩阵得：通过上述空间变换，则可将式(4)关于Gy的m+l维不定解问题转化为关于Sy的l维定解问题，其中自变量为：

【专利技术属性】
技术研发人员：黄绿娥，吴禄慎，陈华伟，石雅莹，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西,36