The image blind restoration method based on structure self similarity and low rank matrix representation belongs to the field of computer graphics and digital image processing. The separation method of estimation noise processing and clear image, the direct use of images of different sizes or the same size between the structure of self similarity, and the use of non neighborhood image in similar image blocks composed of a group of similar image blocks, the similar image blocks were low rank matrix integral representation. The invention of the image noise and fuzzy are done effectively, which makes the method of anti noise ability during the recovery process, not because of the emergence of the noise and can not accurately estimate the point spread function, so as to recover the effect of variation, or even to restore a clear image of the original. The experiment shows that this method can accurately estimate the point diffusion function, restore clear image, remove noise, and have good robustness.
【技术实现步骤摘要】
基于结构自相似性和低秩矩阵表示的图像盲复原方法
本专利技术属于计算机图形学和数字图像处理领域,涉及一种基于结构自相似性和低秩矩阵表示的图像盲复原方法。
技术介绍
随着数字成像设备越来越广泛的使用,数字图像在科学研究和日常生活中使用频率越来越高。但是在图像采集过程中,由于环境、设备、操作等因素,获得的图像往往会存在一定程度上的模糊和噪声。在日常摄影、天文成像、遥感成像、医学成像和微波成像等领域,这些模糊噪声图像对我们的工作与生活均造成了严重的影响。图像复原问题就是研究如何从这些模糊噪声图像中复原出原始清晰图像。在模糊均匀的条件下,图像的降质模型可以表示为g=f*h+n(1)其中,g为模糊噪声图像,f为原始清晰图像,h代表点扩散函数,n代表噪声,*为卷积运算。根据点扩散函数h是否已知,图像复原问题可以分为图像非盲复原问题和图像盲复原问题。图像盲复原问题,指的是当点扩散函数未知时,利用模糊噪声图像同时复原出点扩散函数和原始清晰图像。图1说明了模糊噪声图像、原始清晰图像、点扩散函数以及噪声之间的关系。图像盲复原问题的解不唯一,所以在实际求解的过程中,需要引入关于点扩散函数或者原始清晰图像的先验知识。同时图像盲复原问题也是一个病态问题,即在缺少噪声的先验知识时,通常图像盲复原方法会放大噪声,导致我们无法准确地估计点扩散函数和原始清晰图像。在很多情况下,即使我们用了最先进的设备获取图像,也无法避免噪声的存在,而目前绝大多数图像复原方法均假设在低噪声条件下,当噪声水平较高时,复原结果往往会出现严重的噪声现象,甚至无法复原。2009年,Krishnan和Fergus就在已 ...
【技术保护点】
基于结构自相似性和低秩矩阵表示的图像盲复原方法,其特征在于:该方法目标函数的最优化问题为:
【技术特征摘要】
1.基于结构自相似性和低秩矩阵表示的图像盲复原方法,其特征在于:该方法目标函数的最优化问题为:其中,g为模糊噪声图像,f为原始清晰图像,h代表点扩散函数,为图像的梯度算子,为2-范数的平方运算,min为最小化运算;式(2)中第一项为数据保真项;第二项为低秩矩阵表示的约束项,P为相似图像块组的数据矩阵,Z为相似图像块组的低秩矩阵表示,D为低秩矩阵表示的字典,本方法将相似图像块组的数据矩阵本身作为字典,即D=P;第三项为多尺度图像结构自相似的约束项,X为清晰图像数据,Xα为X的降采样图像,降采样因子为α=4/3,QjX为从清晰图像X中抽取的图像块,RiXα为从降采样图像Xα中抽取的图像块,Qj和Ri表示抽取矩阵,即从清晰图像中抽取的第j块和从降采样图像中抽取的第i块,Sj为降采样图像Xα中与清晰图像块QjX最相似图像块的下标集合,为RiXα线性表示QjX的权重,相似图像块之间的均方误差越小,说明图像块RiXα和QjX的相似度越高,t=1为控制各相似图像块权重相对大小的常数;第四项为梯度约束项,通过约束复原图像的梯度从而抑制噪声;第五项为点扩散函数的正则化约束项;λd=0.5、λs=0.15、λf=0.001和λh=0.0015为正则化常数;包括以下步骤:步骤1:模糊图像噪声的去除:步骤(1.1)对图像进行部分重叠的图像块划分:对模糊图像M×N为模糊图像的大小,M、N分别表示其行数和列数,以q×q=11×11为图像块尺寸,s(s<q)为步长进行部分重叠的图像块划分,从而获得图像块矩阵,并按列表示为:其中,为图像块个数;步骤(1.2)利用欧氏距离作为衡量标准,代表pi中的第m个元素,在图像块矩阵中搜索前K个相似图像块,组成相似图像组步骤(1.3)对相似图像组PK进行低秩矩阵表示,即将数据矩阵PK表示成字典矩阵D与系数矩阵ZK的线性组合,即PK=DZK,并希望系数矩阵Z...
【专利技术属性】
技术研发人员:王宇桐,禹晶,肖创柏,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。