基于粒子群优化的图像复原方法技术

本发明专利技术公开了一种基于粒子群优化的图像复原方法，包括：S1、获取一张模糊图像作为基础图像；S2、对PSO参数进行初始化；S3、利用维纳滤波，根据PSO粒子产生的点扩散函数，取得初步估计的复原图像；S4、结合不同的点扩散函数类型，计算目标函数；S5、计算个体最佳解及全局最佳解的值；S6、将粒子朝着惯性方向、个体最佳解及全局最佳解的方向进行演化，更新粒子的速度和位置；S7、判断是否达到终止条件，观察现在演化的迭代数t是否等于最大迭代数T，如果达到终止条件则停止计算，否则回到步骤S3继续演化。本发明专利技术可用来将高斯模糊或者失焦模糊图像复原成清晰图像，图像复原效果较佳，且稳定性较高。

【技术实现步骤摘要】

本专利技术涉及计算机应用技术及应用于图像处理
，特别是涉及一种基于粒子群优化的图像复原方法。
技术介绍
图像恢复也称图像复原，其目的是从退化图像中重构出原始图像。与图像增强技术不同，图像恢复需要将图像退化的过程模型化，并根据相应的退化模型和知识重建或恢复原始图像。图像复原技术可以划分为两组：确定性的和随机性的。确定性方法对于带有很小噪声且退化函数已知的图像有效，原始图像从退化的图像通过退化逆变换得到；随机性方法根据特定的随机准则，找到最优的复原。如果退化给定且噪声不显著，则图像恢复等于逆卷积。如果噪声不能忽略不计，则逆卷积按照超定的线性方程组来求解。可采用基于最小均方误差的方法，如维纳滤波(离线)或卡尔曼滤波(在线递归)。通常，在BID的研究是假设清晰图像的每个像素受到一种称为点扩散函数(pointspreadfunction，PSF)的影响，造成该像素的色彩扩散至邻近的像素，使得图像变得模糊。换言之，模糊程度不同的图像，表示原始图像模糊的PSF也有所不同。这种图像模糊的过程，在某种假设的前提下，可以通过卷积(convolution)运算模仿出来。对BID研究而言，若能正确地鉴别出模糊图像的PSF细节，即可用适当的图像复原方法，通过反卷积演算方式将清晰图像复原回来。因此，越了解图像模糊的原因，就越有机会将模糊图像复原回原始图像。传统的图像复原技术其实已经相当成熟，但是必须先依赖明确且已知的点扩散函数信息。这种限制不符合真实状况，而大部分的盲图像反卷积算法都必须知道原始图像或点扩散函数的部分信息。该技术面对两个主要的挑战：1.无法有效评估得到正确的PSF，因为PSF拥有复杂的解空间，应用简单的梯度法容易陷入区域最佳解(localoptimum)，而无法获得正确的PSF；2.图像的反卷积亦可能破坏原始图像，无法确保能否正确地复原至原始图像。针对上述两个问题，在BID的理论中，PSF往往仍然需要建立一些模型，以便进行参数化的PSF模型估测。而在图像反卷积的范畴中，已有许多文献的探讨，亦可得到不错的复原图像，然而在如何查找PSF的过程中优化工作还有很多值得研究的地方，因此，针对高斯模糊及失焦图像探讨其PSF模型参数的估测，并且采用现存效果不错的反卷积的方法进行复原动作。因此，针对上述技术问题，有必要提供一种基于粒子群优化的图像复原方法。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于粒子群优化的图像复原方法。为了实现上述目的，本专利技术实施例提供的技术方案如下：一种基于粒子群优化的图像复原方法，所述方法包括：S1、获取一张模糊图像作为基础图像；S2、对PSO参数进行初始化；S3、利用维纳滤波，根据PSO粒子产生的点扩散函数，取得初步估计的复原图像；S4、结合不同的点扩散函数类型，计算目标函数；S5、计算个体最佳解及全局最佳解的值；S6、将粒子朝着惯性方向、个体最佳解及全局最佳解的方向进行演化，更新粒子的速度和位置；S7、判断是否达到终止条件，观察现在演化的迭代数t是否等于最大迭代数T，如果达到终止条件则停止计算，否则回到步骤S3继续演化。作为本专利技术的进一步改进，所述步骤S1中的模糊图像为高斯模糊图像或者失焦模糊图像。作为本专利技术的进一步改进，所述步骤S5中：个体最佳解Pbest通过进行计算；全局最佳解Gbest通过进行计算。作为本专利技术的进一步改进，所述步骤S2中的PSO参数包括：Pi，j(0)每个粒子的随机产生初始位置、Pbesti，j(0)最佳解个体的初始位置、Gbestj(0)最佳解全局的初始位置、初始向量vi，j(0)，各个移动向量的权重w，以及变量c1和c2。作为本专利技术的进一步改进，所述PSO参数中，w＝0.8，c1＝c2＝0.09。作为本专利技术的进一步改进，所述步骤S6中：粒子的位置通过pi,j(t+1)＝pi,j(t)+vi,j(t+1)进行更新；粒子的速度通过vi,j(t+1)＝wvi,j(t)+c1×r1[Pbesti,j(t)-pi,j(t)]+c2×r2[Gbesti,j(t)-pi,j(t)]进行更新。本专利技术的有益效果是：本专利技术在粒子群优化算法的基础上，并通过对点扩散函数的鉴别，目标函数决定粒子群的移动搜寻方向，当粒子群收敛后，即可鉴别的点扩散函数可用来将高斯模糊或者失焦模糊图像复原成清晰图像，图像复原效果较佳，且稳定性较高。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中基于粒子群优化的图像复原方法的流程图；图2a、2b分别为本专利技术一具体实施例中的模糊图像和复原图像；图3a、3b分别为本专利技术另一具体实施例中的模糊图像和复原图像。具体实施方式为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。本专利技术通过对PSO算法和图像处理技术进行研究，采用实验测试和图像复原比较方法，在研究了粒子群优化算法的基础上，并通过对点扩散函数的鉴别，对不同边缘评估方式设计函数，决定粒子群的移动搜寻方向，当粒子群收敛后，复原清晰图像以此来验证粒子群优化算法的高效性。以不同边缘评估方式设计目标函数，藉此判别复原图像是否清晰；目标函数决定粒子群的移动搜寻方向，当粒子群收敛后，即可鉴别的点扩散函数可用来将高斯模糊或者失焦模糊图像复原成清晰图像。参图1所示，本专利技术中基于粒子群优化的图像复原方法，包括以下步骤：S1、获取一张模糊图像作为基础图像；S2、对PSO参数进行初始化；S3、利用维纳滤波，根据PSO粒子产生的点扩散函数，取得初步估计的复原图像；S4、结合不同的点扩散函数类型，计算目标函数；S5、计算个体最佳解及全局最佳解的值；S6、将粒子朝着惯性方向、个体最佳解及全局最佳解的方向进行演化，更新粒子的速度和位置；S7、判断是否达到终止条件，观察现在演化的迭代数t是否等于最大迭代数T，如果达到终止条件则停止计算，否则回到步骤S3继续演化。本专利技术以PSO的粒子当作点扩散函数，再将点扩散函数与模糊图像进行Wiener滤波复原，得到估测复原图像。针对这些估测的复原图像计算其目标函数值，通过目标函数来判断图像是否清晰，决定粒子的演化方向。根据PSO的演化机制，经过N个迭代的计算，粒子最后会收敛在最佳解上，此时Gbest代表的是最接近原始的点扩散函数，利用Gbest复原的估测复原图像最接近原始图像，此处的PSO算法采用标准PSO算法。在本专利技术的一具体实施方式中，基于粒子群优化的图像复原方法的具体步骤如下：1、获取一张高斯模糊图像或者失焦模糊图像作为基础图像；2、对PSO参数进行初始化，其中，PSO参数包括：Pi，j(0)每个粒子的随机产生初始位置、Pbesti，j(0)最佳解个体的初始位置、Gbestj(0)最佳解全局的初始位置本文档来自技高网...

【技术保护点】
一种基于粒子群优化的图像复原方法，其特征在于，所述方法包括：S1、获取一张模糊图像作为基础图像；S2、对PSO参数进行初始化；S3、利用维纳滤波，根据PSO粒子产生的点扩散函数，取得初步估计的复原图像；S4、结合不同的点扩散函数类型，计算目标函数；S5、计算个体最佳解及全局最佳解的值；S6、将粒子朝着惯性方向、个体最佳解及全局最佳解的方向进行演化，更新粒子的速度和位置；S7、判断是否达到终止条件，观察现在演化的迭代数t是否等于最大迭代数T，如果达到终止条件则停止计算，否则回到步骤S3继续演化。

【技术特征摘要】
1.一种基于粒子群优化的图像复原方法，其特征在于，所述方法包括：S1、获取一张模糊图像作为基础图像；S2、对PSO参数进行初始化；S3、利用维纳滤波，根据PSO粒子产生的点扩散函数，取得初步估计的复原图像；S4、结合不同的点扩散函数类型，计算目标函数；S5、计算个体最佳解及全局最佳解的值；S6、将粒子朝着惯性方向、个体最佳解及全局最佳解的方向进行演化，更新粒子的速度和位置；S7、判断是否达到终止条件，观察现在演化的迭代数t是否等于最大迭代数T，如果达到终止条件则停止计算，否则回到步骤S3继续演化。2.根据权利要求1所述的基于粒子群优化的图像复原方法，其特征在于，所述步骤S1中的模糊图像为高斯模糊图像或者失焦模糊图像。3.根据权利要求1所述的基于粒子群优化的图像复原方法，其特征在于，所述步骤S5中：个体最佳解Pbest通过进行计算；全局最佳解Gb...

【专利技术属性】
技术研发人员：叶春，张蓉，
申请(专利权)人：江苏信息职业技术学院，
类型：发明
国别省市：江苏;32