一种图像去运动模糊方法技术

本发明专利技术公开了一种图像去运动模糊方法，所述方法包括：步骤1：建立基于狄利克雷过程的无限学生‑t分布混合模型，作为图像梯度分布模型和点扩散函数模型，根据观测图像自动获得无限学生‑t分布混合模型个数；步骤2：将图像梯度分布模型和点扩散函数模型分别作为图像先验模型和点扩散函数先验模型，采用最大后验估计方法对图像进行去运动模糊处理，并利用变分贝叶斯推断估计模型参数，实现了模型个数自适应选择，提高对图像梯度分布的拟合度，实现精准的图像去运动模糊的技术效果。

【技术实现步骤摘要】
一种图像去运动模糊方法
本专利技术涉及图像处理领域，具体地，涉及一种图像去运动模糊方法。
技术介绍
图像去模糊问题的不适定性通过引入图像先验模型使其良态化，建立合适的图像先验模型成为实现图像去运动模糊的关键。基于统计模型的图像去运动模糊算法具有相对的优势。首先建立关于图像的先验分布模型，然后基于某些特定的准则推导原始图像、点扩散函数和参数等，从而实现图像去运动模糊。尽管不同类型图像的灰度分布形状千差万别,但图像梯度分布形状却十分相似。近年来关于自然图像统计特性的研究表明自然图像的梯度分布服从重尾分布(heavy-taileddistribution)即自然图像具有很强的局部连续性，图像中的每一个像素和其周围的像素往往差别不大，只有在图像的边缘才会有较大的跳跃，因此自然图像的这种特征可以用其梯度分布的统计数据来描述。一幅自然图像的梯度值大部分为零或接近于零，其梯度值越接近于零其概率越大，离零越远其概率越小。这种服从重尾分布的图像梯度分布模型作为图像先验被广泛运用于图像去运动模糊问题中。基于有限混合模型建模优势，RobFergus等人利用有限高斯混合模型来逼近这种分布，然而图像大多具有非线性、非高斯特性，并且局限于高斯分布的拟合能力，导致高斯混合模型不能完全、准确、有效地描述这些图像信息。同时有限高斯混合模型对异常值敏感，需要提高其稳健性。在图像去运动模糊领域中，图像先验模型同样依赖于模型中成分函数中的参数如高斯分布的均值和方差，这些参数同样被看作是随机变量，用相应的概率分布对其进行描述。这样做的好处是，当图像复原过程中出现不确定因素时，复原的图像与实际的原始图像误差较小。模型成分个数的确定是有限混合模型中一个关键问题。在用混合模型对图像梯度分布模型进行建模时，如果选择的模型个数过多时，会产生过拟合，而选择的模型个数过少时，将造成欠拟合，都无法对数据进行准确描述。所以模型个数选择准确度决定图像去运动模糊效果的好坏。目前，已有的模型个数确定方法是根据经验值在一个大的范围选择不同的模型个数进行数据建模，然后根据另外一个模型选择评判准则判断建模结果，选择最好的建模结果对应的模型个数作为最优模型个数。但这类方法依赖于经验值的可靠程度，并且将模型选择和参数估计相分离，增加了计算量。综上所述，本申请专利技术人在实现本申请专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：在现有技术中，现有的图像去运动模糊方法在对模型个数进行确定时，依赖于经验值，存在可靠程度较低，计算量较大的技术问题。
技术实现思路
本专利技术提供了一种图像去运动模糊方法，解决了现有的图像去运动模糊方法在对模型个数进行确定时，依赖于经验值，存在可靠程度较低，计算量较大的技术问题，实现了模型个数自适应选择，提高对图像梯度分布的拟合度，实现精准的图像去运动模糊的技术效果。为解决上述技术问题，本申请提供了一种图像去运动模糊方法，所述方法包括：步骤1：建立基于狄利克雷过程的无限学生-t分布混合模型，作为图像梯度分布模型和点扩散函数模型，根据观测图像自动获得无限学生-t分布混合模型个数；步骤1：建立基于狄利克雷过程的无限学生-t分布混合模型，作为图像梯度分布模型和点扩散函数模型，能根据观测图像自动获得混合模型个数，；数学模型如下：其中，是似然函数，p(h)分别表示图像在梯度域的先验分布和点扩散函数的先验分布，是原始清晰图像在梯度域的真实值，h是点扩散函数的真实值，为原始清晰图像在梯度域的估计值，为点扩散函数的估计值。步骤2：将图像梯度分布模型和点扩散函数模型分别作为图像先验模型和点扩散函数先验模型，采用最大后验估计方法对图像进行去运动模糊处理，并利用变分贝叶斯推断估计模型参数。图像梯度分布服从重尾分布，利用混合模型拟合该分布，建立图像梯度分布模型。其中模型成分函数是学生-t分布，模型成分个数趋于无穷。数学模型如下：其中，St()表示学生-t分布,均值为0，Λh表示点扩散函数分布的精度，w表示点扩散函数分布的自由度，Λf表示原始清晰图像在梯度域分布的精度，v表示原始清晰图像在梯度域分布的自由度，π()表示标签概率比例系数。进一步的，利用无限学生-t分布混合模型拟合点扩散函数，建立点扩散函数模型，点扩散函数数学模型为：其中，St(·)表示学生-t分布,均值为0，Λ表示精度，v表示自由度，π(·)表示标签概率比例系数。基于狄利克雷过程，建立图像梯度分布模型和点扩散函数模型中的参数先验模型，具体包括：利用狄利克雷过程先验假设自动推断模型成分个数并拟合图像梯度分布模型和点扩散函数分布模型成分参数。一个随机抽样分布G首先从一个Dirichlet过程中得到，然后我们从G中得到一个独立同分布的序列在给定时，第N个样本的分布可用式表示式中，假设表示的不同值的集合，nj表示值为θj的变量的数目。表示集中在质量点θj的数量。取θj值的概率为与前面取值不一样的概率为因此序列产生的‘成分’数目可能是可数无限的。通过将相同取值的划分到一组而得到集合{1,2,...N-1}的聚类。Dirichlet过程的折棍表示可由式(1)、式(2)、式(3)、式(4)和式(5)定义：Vj|α～Beta(1,α)(3)强度参数α对确定的模型‘成分’数时起了非常重要的作用。当α→0时，整个棍折断分成一个成分，也就是新参数从基本分布G0得到的概率非常大。反之，当α→∞时，棍的长度变成无限小,G收敛到实际分布。从折棍模型看出，我们可以把DP看着是一个无限混合模型。数据x从Dirichlet过程中得到，同时引入隐藏变量z，其值等于j表示数据x与参数相关联。关于随机混合尺度G0的Dirichlet过程先验混合模型称为Dirichlet过程混合(DirichletProcessMixture,DPM)。数据集从基于折棍表示的DPM模型产生的过程如(6)至(9)所示：Vn|α～Beta(1,α),n＝{1,2，…}(6)zn|{V1,V1,…}～Mult(π(V))(8)式中Mult表示多项式分布。成员函数通常选择高斯分布。进一步的，基于MAP估计准则，利用变分贝叶斯推断估计图像梯度分布模型和点扩散函数模型中的参数，实现图像去运动模糊具体包括：首先，初始化图像梯度分布模型和点扩散函数模型中的模型参数：CX利用K-mean算法得到精度矩阵和噪声分布的精度初始值<Λnoise>＝1、原始清晰图像f的初值为观测图像g<f>＝g、点扩散函数的初值然后，进行EM算法中的E步骤，计算隐含参数的变分后验q(zf)和q(zh)；然后，进行EM算法中的M步骤，计算其他参数的变分后验然后，计算下界Lt(q)，t表示迭代次数，Lt(q)是第t次迭代的下界，Lt-1(q)是第t-1次迭代的下界，ε是阈值若满足则循环结束，否则跳转到EM算法中的E步骤。相较于高斯分布，学生t-分布具有更长尾，因此它提供了对高斯分布的一个健壮的替代。Tzikas等人利用有限学生t-分布混合模型来逼近这种服从重尾分布的图像梯度分布。本申请针对有限混合模型对图像梯度分布模型建模时存在模型个数需事先设定的缺点，提出自适应模型个数选择方法，使得模型个数不依赖于经验值，能从观测数据中自动获取，提高模型对图像梯度分布的拟合度。建立的自适应模型个数选择本文档来自技高网...

【技术保护点】
一种图像去运动模糊方法，其特征在于，所述方法包括：步骤1：建立基于狄利克雷过程的无限学生‑t分布混合模型，作为图像梯度分布模型和点扩散函数模型，根据观测图像自动获得无限学生‑t分布混合模型个数；步骤2：将图像梯度分布模型和点扩散函数模型分别作为图像先验模型和点扩散函数先验模型，采用最大后验估计方法对图像进行去运动模糊处理，并利用变分贝叶斯推断估计模型参数。

【技术特征摘要】
1.一种图像去运动模糊方法，其特征在于，所述方法包括：步骤1：建立基于狄利克雷过程的无限学生-t分布混合模型，作为图像梯度分布模型和点扩散函数模型，根据观测图像自动获得无限学生-t分布混合模型个数；步骤2：将图像梯度分布模型和点扩散函数模型分别作为图像先验模型和点扩散函数先验模型，采用最大后验估计方法对图像进行去运动模糊处理，并利用变分贝叶斯推断估计模型参数。2.根据权利要求1所述的图像去运动模糊方法，其特征在于，图像去运动模糊最大后验数学模型为：其中：p(▽g|▽f,h)为似然函数，p(▽f)、p(h)分别表示图像在梯度域的先验分布和点扩散函数的先验分布，▽f是原始清晰图像在梯度域的真实值，h是点扩散函数的真实值，为原始清晰图像在梯度域的估计值，为点扩散函数的估计值。3.根据权利要求1所述的图像去运动模糊方法，其特征在于，利用无限学生-t分布混合模型拟合图像梯度分布，建立图像梯度分布模型，其中，图像梯度分布模成分函数为学生-t分布，图像梯度分布模型数学模型为：其中，St()表示学生-t分布,均值为0，...

【专利技术属性】
技术研发人员：符颖，吴锡，周激流，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川,51