一种无人机模糊噪声图像下清晰图像的恢复方法技术

本发明专利技术涉及图像复原技术，特别涉及一种无人机模糊噪声图像下清晰图像的恢复方法，包括：获取无人机模糊图像，构造第一优化方程式；将由字典学习的方法构造清晰图像的组稀疏域和模糊核矩阵的组稀疏域代入第一优化方程获得第二优化方程式；将第二优选方程代入分离式布雷格曼迭代SBI算法，求出模糊核矩阵，得到恢复图像；本发明专利技术利用模糊核与原始图像在组稀疏域的稀疏特性，构造联合估计优化方程式，实现消除模糊的同时，得到对模糊核的估计，并通过迭代算法得到最精确的解，在充分保存图像细节的情况下，对模糊图像进行复原。

A method of restoring clear image in unmanned aerial vehicle with fuzzy noise image

The present invention relates to image restoration technology, in particular to a UAV under fuzzy noise image restoration method, including: obtaining clear images of UAV blurred image, construct the first optimization equation; second optimization equations into the first sparse domain optimization equation method is constructed by dictionary learning group clear image in sparse domain and fuzzy kernel matrix second optimization equations; split Bregman iteration SBI algorithm, calculate the fuzzy kernel matrix, restored image; the invention uses fuzzy kernel and the original image sparse representation in group sparse domain, the optimization equation of joint estimation of structure, to achieve the elimination of fuzzy and fuzzy estimation of nuclear, and get the most accurate the solution through iterative algorithm in the full preservation of image details, to restore the blurred images.

【技术实现步骤摘要】
一种无人机模糊噪声图像下清晰图像的恢复方法
本专利技术涉及图像复原
，特别涉及一种无人机模糊噪声图像下清晰图像的恢复方法。
技术介绍
2006年Fergus等提出了一种基于空间域先验模型，能够有效估计点扩散函数(FointFpreadFunction，PSF)并去除复杂相机抖动模糊地方法，但只采用RL反卷积重建图像，恢复结果中振铃效应显著。2007年贾佳亚提出了一种用图像透明度图估计PSF的新方法。2008年Shan提出了一种PSF估计与图像复原同时进行的盲复原方法，效果良好。而Joshi与Cho和Lee等则采取简化高斯先验模型凭借对图像清晰边界的预测，来估计模糊核，可以实现快速求解，但噪声影响过大。Levin总结了已有的反卷积去模糊算法，得出了用最大后验概率方法(Maximumaposteriori，MAP)同时解决模糊核和隐藏图像问题是不可靠的结论，提出了用最大后验概率方法单独估计模糊核的方法。2010年LiXu等提出一种基于选择具有信息性边界和ISD算法的模糊核估计算法，该方法将模糊核的初始化与模糊核的细节结构提取分开进行，提取出了较为真实的模糊核。HuiJi等提出一种在模糊核存在误差情况下更稳健的图像去模糊方法，同时估计模糊核并恢复图像，取得了较好效果。2008年Yuan等提出一种称为渐进的尺度间和尺度内非盲图像反卷积方法。他们利用2006年Fergus的方法估计模糊图像的PSF，设计了一个能够有效减少去模糊图像中振铃失真的多尺度迭代非盲反卷积方法。2009年Joshi等结合局部双色先验来去除噪声，这种方法使用迭代加权最小二乘方法解决非线性最有效化问题。2011年UweSchmidt提出了一种基于贝叶斯最小均方误差采样非盲反卷积估计噪声与隐藏图像的算法，取得较好的效果。近些年来，稀疏表示在图像处理领域中愈来愈热门，它在图像修复、图像降噪、超分辨率重建、模式识别等领域都有不可小觑的地位。2014年张健等提出了一种利用结构组作为图像稀疏表示的基本单位，建立结构组的稀疏表示模型来解决图像复原问题，取得了很好的效果。图像去模糊是图像复原技术中的经典问题，图像复原技术的经典模型，如图2所示，针对该问题国内外已经广泛开展了诸多相关的技术研究。自然图像的多样性使得图像去模糊处理工作变得相对困难，由于模糊图像退化过程的复杂性，通常根据客观假设约束条件建立图像退化模型。目前，被广泛认可的基本图像退化模型可表示为清晰图像与点扩散函数的卷积加上噪声的影响。图像去模糊处理可以看做这个运算的逆过程。根据先验知识的获取情况，图像去模糊处理可分为非盲处理和盲处理。非盲处理即是在模糊核或是图像退化模型先验知识已知的情况下，需要从观察的模糊图像中恢复出原始图像，常用的方法有维纳滤波和Richardson-Lucy正则化算法，但其恢复结果会产生严重的振铃效应。但是在实际复原时，并不可能提前知道掌握那么多关于图像退化模型的知识，所以此算法得到的复原图像效果也无法让人满意。在实际生活中，人们真正需要的是在通过对观测到的模糊图像结合现有的图像特征知识，充分利用模糊核和噪声的先验知识，恢复出原始图像的过程，该过程也就是图像盲处理的基础思想和本质意义。
技术实现思路
针对以上的技术问题本专利技术提供一种无人机模糊噪声图像下清晰图像的恢复方法，如图1所示，包括：S1、获取无人机模糊图像，构造第一优化方程式；S2、将字典学习的方法获得的清晰图像的组稀疏域和模糊核矩阵的组稀疏域代入第一优化方程得到第二优化方程式；S3、将第二优化方程代入分离式布雷格曼迭代SBI算法，求出模糊核矩阵，得到恢复图像。优选地，根据获取无人机模糊图像，构造第一优化方程式包括：无人机模糊图像为：y＝h*x+n其向量表示为：Y＝HX+N构建的第一优化方程为：其中，||·||1表示·L1范数，表示·的欧几里得距离，ax表示清晰图像的稀疏表示,aH表示模糊核矩阵的稀疏表示，λ、β表示L1范数的约束系数，y表示捕获到的受损图像，Y表示捕获到的受损图像矩阵，h表示模糊核，H表示模糊核矩阵，n表示高斯噪声，N表示高斯噪声矩阵,*表示卷积。优选地，所述第二优化方程式表示为：其中，表示组稀疏形式，Dx表示清晰图像的组稀疏域，DH表示模糊核矩阵的组稀疏域。优选地，组稀疏域由相似模块组成，其中相似模块由欧几里得距离决定，为了增加匹配快选择的鲁棒性，特引入Lp范数作为距离测度，再考虑噪音的影响，引入噪声方差，表示为：其中，||·||p表示·的Lp范数，x1i表示第i个目标块，y1i表示第i个已知块，N表示目标块的数量，S表示样本序列的标准方差。优选地，将第二优化方程式代入分离式布雷格曼迭代SBI算法，求出模糊核矩阵，得到恢复图像包括：设计一个两步迭代法求解第一模糊核估计矩阵，根据第一模糊核估计矩阵的解求解第一清晰图像估计矩阵；将第一模糊核估计矩阵和第一清晰图像估计矩阵改写为适用于SBI算法的第二模糊核估计矩阵和第二清晰图像估计矩阵；引入问题方程，运用SBI算法求解问题方程，经过多次迭代求解出清晰图像的稀疏表示；通过分量方式的软判决门限获得多次迭代的误差残余，求解得出糊核矩阵，获得恢复图像；其中，u和v表示变量，f(u)表示关于变量u的范数方程，g(v)表示关于变量v的范数方程，G表示变量u、v之间的关系式。优选地，两步迭代法包括：第一步：根据下列的模糊核方程求解出第一模糊核估计矩阵：第二步：根据第一模糊核估计矩阵求解下列的清晰图像方程：其中，||·||1表示·L1范数，表示·的欧几里得距离，表示组稀疏形式ax表示清晰图像的稀疏表示,aH表示模糊核矩阵的稀疏表示，λ、β表示L1范数的约束系数，Y表示捕获到的受损图像矩阵，H表示模糊核矩阵。优选地，第一模糊核估计矩阵和第二清晰图像估计矩阵分别为：第一模糊核估计矩阵：第二清晰图像估计矩阵：其中，||·||1表示·L1范数，表示·的欧几里得距离，表示组稀疏形式，ax表示清晰图像的稀疏表示和aH表示模糊核矩阵的稀疏表示，λ、β表示L1范数的约束系数，Y表示捕获到的受损图像矩阵，H表示模糊核矩阵，Dx表示清晰图像的组稀疏域，DH表示模糊核矩阵的组稀疏域。优选地，问题方程包括：s.t.u＝Gv问题方程通过以循环迭代的方式求解其中的变量u、v，写出f(u)和g(v)的扩展拉格朗日函数，其中f(u)的拉格朗日扩展函数为：g(v)的拉格朗日扩展函数为：其中，μ表示惩罚因子，b表示迭代的误差残余，u和v表示变量，f(u)表示关于变量u的范数方程，g(v)表示关于变量v的范数方程，G表示变量u、v之间的关系式，表示·的欧几里得距离。本专利技术在现有技术的基础上，利用模糊核与原始图像在组稀疏域的稀疏特性，构造联合估计优化方程式，实现消除模糊的同时，得到对模糊核的估计，并通过迭代算法得到最精确的解，在充分保存图像细节的情况下，对模糊图像进行复原，以获得更好的复原效果。附图说明图1是本专利技术无人机模糊噪声图像下清晰图像的恢复方法优选实施例流程图；图2是本专利技术的图像退化-复原模型；图3是本专利技术提供优选实施例的所提出算法中匹配块选择时Lp范数不同取值的影响；图4是无人机拍摄的汽车图像与本专利技术修复的汽车图像的对比图，左侧为无人机拍摄的汽车图像，右边为本专利技术修复的汽车图像；图5是本文档来自技高网...

【技术保护点】
一种无人机模糊噪声图像下清晰图像的恢复方法，其特征在于，包括以下步骤：S1、获取无人机模糊图像，构造第一优化方程式；S2、将由字典学习的方法获得的清晰图像的组稀疏域和模糊核矩阵的组稀疏域代入第一优化方程得到第二优化方程式；S3、将第二优化方程式代入分离式布雷格曼迭代SBI算法，求出模糊核矩阵，得到恢复图像。

【技术特征摘要】
1.一种无人机模糊噪声图像下清晰图像的恢复方法，其特征在于，包括以下步骤：S1、获取无人机模糊图像，构造第一优化方程式；S2、将由字典学习的方法获得的清晰图像的组稀疏域和模糊核矩阵的组稀疏域代入第一优化方程得到第二优化方程式；S3、将第二优化方程式代入分离式布雷格曼迭代SBI算法，求出模糊核矩阵，得到恢复图像。2.根据权利要求1所述的一种无人机模糊噪声图像下清晰图像的恢复方法，其特征在于，所述获取无人机模糊图像，构造第一优化方程式包括：无人机模糊图像为：y＝h*x+n其向量表示为：Y＝HX+N构建的第一优化方程为：其中，||·||1表示·的L1范数，表示·的欧几里得距离，x表示清晰图像，X表示清晰图像的矩阵，ax表示清晰图像的稀疏表示，aH表示模糊核矩阵的稀疏表示，λ、β表示L1范数的约束系数，y表示捕获到的受损图像，Y表示捕获到的受损图像矩阵，h表示模糊核，H表示模糊核矩阵，n表示高斯噪声，N表示高斯噪声矩阵，*表示卷积。3.根据权利要求1所述的一种无人机模糊噪声图像下清晰图像的恢复方法，其特征在于，所述第二优化方程式表示为：其中，||·||1表示·的L1范数，表示·的欧几里得距离，表示组稀疏形式，ax表示清晰图像的稀疏表示，aH表示模糊核矩阵的稀疏表示，λ、β表示L1范数的约束系数，Y表示捕获到的受损图像矩阵，Dx表示清晰图像的组稀疏域，DH表示模糊核矩阵的组稀疏域。4.根据权利要求1所述的一种无人机模糊噪声图像下清晰图像的恢复方法，其特征在于，所述组稀疏域由相似模块组成，相似模块由欧几里得距离决定，为了增加匹配快选择的鲁棒性，特引入Lp范数作为距离测度，再考虑噪音的影响，引入噪声方差，表示为：其中，||·||p表示·的Lp范数，p为常数，x1i表示第i个目标块，y1i表示第i个已知块，N表示目标块的数量，S表示样本序列的标准方差。5.根据权利要求1所述的一种无人机模糊噪声图像下清晰图像的恢复方法，其特征在于，所述将第二优化方程式代入分离式布雷格曼迭代SBI算法，求出模糊核矩阵，得到恢复图像包括：设计一个两步迭代法求解第一模糊核估计矩阵，根据第一模糊核估计矩阵的解求解第一清晰图像估计矩阵；将第一...

【专利技术属性】
技术研发人员：张肇健，刘宏清，
申请(专利权)人：鹰艾思科技深圳有限公司，
类型：发明
国别省市：广东,44