一种基于梯度域先验的多光谱图像去模糊方法技术

本发明专利技术提出了一种基于梯度域先验的多光谱图像去模糊方法，属于图像处理技术领域。本方法根据相邻通道图像的相似性，利用类高斯函数结合steering核，计算多光谱图像中每个通道对应的参考图像；根据参考图像与目标清晰图像在梯度域上的相似性，将两者在梯度域上差的范数作为去模糊公式的图像先验；将图像先验与最大后验概率估计方法结合，建立多光谱图像去模糊框架，迭代求解最终得到清晰图像。与已有的方法相比，该方法充分考虑了相邻通道图像在梯度域上的相似性，避免了多余图像细节的引入，而且提高了多光谱图像去模糊的质量，降低了去模糊过程的计算量。

【技术实现步骤摘要】
一种基于梯度域先验的多光谱图像去模糊方法
本专利技术涉及一种多光谱图像去模糊方法，特别涉及一种基于梯度域先验的多光谱图像去模糊方法，属于图像处理

技术介绍
随着多光谱成像技术的发展，越来越多的多光谱成像技术运用到各行各业，涉及农业、遥感、显微和航天等各个方面。然而，由于设备自身承重的限制，很多轻量级的多光谱成像应用不能装配复杂镜头组，而是选择了使用简单透镜的成像系统。简单透镜对于不同波长光线的折射率差异较大，使得这些光线在成像平面形成不同大小的弥散圆上，导致各个通道的图像呈现不同程度的散焦模糊。这些散焦模糊一方面明显降低了设备的成像质量，另一方面也影响了图像的观感体验。因此，需要一种针对多光谱图像的高效去模糊方法，利用较少的计算量去除这些散焦模糊。对于多光谱图像去散焦模糊这一问题，国内外的学者已经做了大量的基础研究。常用的多光谱去散焦模糊方法主要分为两种：基于单通道图像的去模糊方法和基于多通道图像的去模糊方法。基于单通道图像的去模糊方法以基于离群值处理的去模糊方法(DongJ,PanJ,SuZ,etal.Blindimagedeblurringwithoutlierhandling，ICCV.2017)为代表。该方法根据离群异常点对于去模糊算法的影响，建立了一个高效的数据保持项，进而计算得到对应的目标清晰图像。但是，该方法在处理多光谱图像的散焦模糊时没有考虑到多个谱段图像之间内容的相关性，导致去模糊的效果较差且计算量大。基于多通道图像的去模糊方法以基于引导图形的多光谱去模糊方法(S.-J.ChenandH.-L.Shen,Multispectralimageout-of-focusdeblurringusinginterchannelcorrelation,IEEETrans.ImageProcess.,vol.24,no.11,pp.4433–4445,2015)为代表。该方法主要通过Tikhonov正则化得到目标通道对应的引导图像，使用引导图像结合最大后验概率估计的方法得到目标清晰图像。该方法计算量较低，但由于在求解引导图像时使用了边缘通道的图像信息，使得去模糊过程中引入了一些多余的细节，导致最终求得的清晰图像准确度较低。
技术实现思路
本专利技术的目的是为了克服现有技术的缺陷，为了有效解决多光谱图像去散焦模糊的问题，提出一种新的基于梯度域先验的多光谱图像去模糊方法，能够在提高多光谱图像去模糊质量的同时降低去模糊的计算复杂度。本专利技术方法的主要原理是：根据多光谱图像中相邻频谱之间的相关性，利用类高斯函数计算得到目标谱段对应的参考图像。根据参考图像与目标清晰图像在梯度域上的相似性，建立图像先验。使用图像先验并结合最大后验概率估计，对模糊图像进行预处理和去模糊处理，最终得到去模糊之后的清晰图像。为实现上述目的，本专利技术采取以下技术方案：一种基于梯度域先验的多光谱图像去模糊方法，包括以下步骤：步骤一、计算多光谱图像每个通道对应的模糊核。针对待处理的多光谱图像{B1B2...BN}(原始图像)，使用基于归一化互相关匹配算法的模糊核估计方法(可参考S.-J.ChenandH.-L.Shen，Multispectralimageout-of-focusdeblurringusinginterchannelcorrelation，IEEETrans.ImageProcess.，vol.24，no.11，pp.4433–4445，2015)，得到每个通道对应的模糊核{G1G2...GN}。其中，N为正整数。同时，建立参考图像的计算模型，计算得到参考图像。设多光谱图像{B1B2...BN}对应的清晰图像序列为{L1L2...LN}，根据相邻通道图像的相似性，利用类高斯函数，计算得到目标谱段对应的参考图像：其中，Ri为参考图像，H是预设的窗口大小，v(i,j)代表权值函数，决定了清晰图像Lj的权重。在求取参考图像时，可能有一部分清晰图像是未知的，因此，使用约束函数δ(j)来约束清晰图像的选取，如果Lj未知，则δ(j)的值为0，反之δ(j)值为1。在公式(1)中，权值函数v(i,j)决定了参考图像的质量，其形式如下：其中，函数δ(m)、δ(j)均为约束函数。是steering核回归模型，其形式如下：其中，MSE(Bi,Lj)代表原始图像Bi与清晰图像Lj之间的均方误差，MSE(Bi,Lm)代表原始图像Bi与清晰图像Lm之间的均方误差。β为控制权值的尺度算子。步骤二、根据参考图像，建立梯度域上的图像先验。由于参考图像与目标清晰图像在梯度域上具有极大的相似性，因此使用两者的梯度相似性作为图像先验，具体如下：其中，代表梯度算子，Li和Ri分别为目标清晰图像和步骤一中计算得出的参考图像。步骤三、基于图像先验建立去模糊过程公式，迭代求解模糊核得到目标清晰图像。利用最大后验概率估计方法，结合步骤二中得到的图像先验，建立去模糊过程公式，表示如下：其中，L代表目标清晰图像，B代表目标原始图像，代表梯度算子，*代表卷积操作，k代表通过计算拟得到的模糊核，G代表步骤一中计算得到的模糊核；参数λ和η分别用于控制公式(6)中第二项和第三项的比重，其值根据图像之间的均方差选取，或者人工指定。鉴于直接求解公式(6)较为困难，可进一步将其分解为两个子问题进行求解，具体如下：最后，使用交替迭代法，在频域上迭代求解模糊核ki与目标清晰图像Li的估计值与最终得到目标清晰图像。有益效果(1)传统的基于单通道图像的去模糊方法将多光谱图像中的每个通道图像看作一个独立的图像进行处理，并未考虑到多光谱图像中通道之间的内在联系，导致去模糊后的图像出现信息缺失的情况。同时，由于这些方法一般使用1-范数或者0-范数等较为难以求解的公式，导致计算复杂度较高。本专利技术所述方法考虑到多光谱图像中相邻频谱图像之间的内容相关性，结合容易求解的2-范数，提高了多光谱图像去模糊的质量和效率。(2)现有的基于多通道图像的去模糊方法在处理模糊程度较小的图像时效果较好。但是在处理模糊程度较大的图像时，由于本通道图像信息缺失比较严重，会引入其他通道的信息来进行补全，此时会出现信息冗余的问题，即出现了本不该出现在当前通道的信息。这种情况会极大地降低去模糊的质量。而本专利技术通过类高斯函数约束其只能在一个小窗口内取值，避免了内容不一致的情况。附图说明图1为本专利技术方法的流程图。图2为参考图像与原图的对比。具体实施方式下面结合附图对本专利技术方法的具体实施方式做进一步详细说明。一种基于梯度域先验的多光谱图像去模糊方法，包括以下步骤：步骤一、计算多光谱图像每个通道对应的模糊核。同时，建立参考图像的计算模型，计算得到参考图像。针对待处理的多光谱图像{B1B2...BN}(原始图像)，将中部谱段对应的图像看作清晰图像，对于其他图像，使用不同大小的模糊核对其进行模糊处理。使用基于归一化互相关匹配算法的模糊核估计方法(可参考S.-J.ChenandH.-L.Shen，Multispectralimageout-of-focusdeblurringusinginterchannelcorrelation，IEEETrans.ImageProcess.，vol.24，no.11，pp.4433–4445，2015)本文档来自技高网...

【技术保护点】
1.一种基于梯度域先验的多光谱图像去模糊方法，其特征在于，包括以下步骤：步骤一、计算多光谱图像每个通道对应的模糊核；针对待处理的多光谱图像{B1 B2 ... BN}，使用模糊核估计方法得到每个通道对应的模糊核{G1 G2 ... GN}，其中N为正整数；同时，建立参考图像的计算模型，计算得到参考图像：设多光谱图像{B1 B2 ... BN}对应的清晰图像序列为{L1 L2 ... LN}，根据相邻通道图像的相似性，利用类高斯函数，计算得到目标谱段对应的参考图像：

【技术特征摘要】
1.一种基于梯度域先验的多光谱图像去模糊方法，其特征在于，包括以下步骤：步骤一、计算多光谱图像每个通道对应的模糊核；针对待处理的多光谱图像{B1B2...BN}，使用模糊核估计方法得到每个通道对应的模糊核{G1G2...GN}，其中N为正整数；同时，建立参考图像的计算模型，计算得到参考图像：设多光谱图像{B1B2...BN}对应的清晰图像序列为{L1L2...LN}，根据相邻通道图像的相似性，利用类高斯函数，计算得到目标谱段对应的参考图像：其中，Ri为参考图像，H是预设的窗口大小，v(i,j)代表权值函数，决定了清晰图像Lj的权重；使用约束函数δ(j)约束清晰图像的选取，若Lj未知，则δ(j)的值为0，反之δ(j)值为1；在公式(1)中，权值函数v(i,j)决定参考图像的质量，其形式如下：其中，函数δ(m)、δ(j)均为约束函数；是steering核回归模型，其形式如下：其中，MSE(Bi,Lj)代表原始图像Bi与清晰图像Lj之间的均方误差，MSE(Bi,Lm)代表原始图像Bi与清晰图像Lm之间的均方误差，β为控制权值的尺度算子；步骤二、根据参考图像，建立梯度域上的图像先验；使用参考图像与目标清晰图像的梯度相似性作为图像先验，具体如下：其中，代表梯度算子，Li和Ri分别为目标清晰图像和步骤一中计算得出的参考图像；步骤三、基于图像先验建立去模糊过程公式，迭代求解模糊核得到目标清晰图像；利用最大后验概率估计方法，结合步骤二中得到的图像先验，建立去模糊过程公式，表示如下：其中，L代表目标清晰图像，B代表目标原始图像，代表梯度算子，*代表卷积操作，k代表通过计算拟得到的模糊核，G代表步骤一中计算得到的模糊核；参数λ和η分别用于控制公式(6)中第二项和第三项的比重，其值根据图像之间的均方差选取或直接人工指定；此处，将求解公式(6)分解为两个子问题进行求解，具体如下：最后，使用交替...

【专利技术属性】
技术研发人员：黄华，魏晓翔，张磊，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11