基于自适应选择模糊核的车牌图像去模糊方法技术

本发明专利技术提供了一种基于自适应选择模糊核的车牌图像去模糊方法。针对实际生活中常见的车牌图像运动模糊问题，引入模糊核多尺度空间，利用当前所在尺度空间趋近真实模糊核尺度时，相邻尺度估计模糊核相似性越大的性质，检测出最优模糊核，以此自适应地选择模糊程度不同的车牌图像对应的模糊核。在此基础上，为了提高复原图像的清晰度与辨识度，统计分析清晰车牌图像的灰度与梯度特征作为复原模型的约束项，修正复原模型的正则化模型。本发明专利技术可以复原人眼和计算机无法辨识的运动模糊车牌图像，对交通事故的判定有积极的辅助作用，有很大的研究与实用价值。

【技术实现步骤摘要】
基于自适应选择模糊核的车牌图像去模糊方法
本专利技术涉及模糊图像复原
，尤其涉及一种基于自适应选择模糊核的车牌图像去模糊方法。
技术介绍
近年来，随着人们生活水平的提高，自驾出行逐渐成为日常生活中普遍现象。驾车出行的方式虽然带来了诸多便利，但是肇事逃逸、闯红灯等交通违法行为也日渐增多。为满足人们与日俱增的安全感需求，打造城市安全系统，2007年长春市开始投资建设“天网工程”(即视频监控系统)，以此提高案件侦破的效率，减少人力与受害者的损失。另外，为了提高交通事故的判定效率与准确率，多数车辆配备车载摄像头，根据拍摄素材快速地寻找肇事车辆与车主。虽然监控设备与日常拍照设备的硬件条件越来越好，但是在车辆运行速度较大时，采集的图像往往会出现模糊现象。当模糊程度较大时，人眼甚至无法识别，进而对交通事故的判定与侦破造成一定的困难。因此，对运动模糊车牌的复原迫在眉睫。图像复原作为图像处理的主要方面，具有至关重要的理论研究价值与实际应用意义。图像复原主要表现为应用观测到的模糊图像恢复得到高质量图像的过程。由于图像在退化过程中会受到各种因素(如噪声、光照等)影响，复原的图像并不会像理论分析的如此理想，实际恢复获得的图像只能尽量趋近真实的高质量图像。随着多媒体技术与图像处理技术的不断发展与完善，图像复原已经在各个领域发挥着不可替代的作用，如医学成像、军事侦察、历史电子资源复原、城市天网系统等。由此可见，图像复原技术不仅在学术研究上具有重要的理论研究价值，在实际生活中也具有很高的应用价值。目前，对运动模糊图像复原的方法，根据模糊核是否为已知条件主要可以分为以下两类：非盲反卷积与盲反卷积去模糊。非盲反卷积，即假设模糊核为已知条件，由观测到的模糊图像估计清晰图像的过程。盲反卷积与前者不同，其在模糊核未知的情况下，通过其它可以获得辅助条件，对采集的模糊图像进行恢复。下文将给出两种图像复原方法详细的描述与分析。1.非盲反卷积早期对运动模糊图像复原的方法大多为非盲反卷积方法，常见的复原方法如下：逆滤波、维纳滤波、最小二乘滤波、Richardson-Lucy迭代反卷积等。由于此类方法通常以模糊核或图像的分布符合某种特殊统计特征为前提，其复原性能并不理想，如存在大量的振铃效应、噪声等。另外，由于实际生活中，模糊核一般情况下为未知条件，其应用领域受到一定的限制。2.非盲反卷积随着图像复原理论的研究与发展，盲反卷积复原图像的方法解决了非盲反卷积存在的诸多缺点。常见的盲反卷积主要有以下两类：基于最大后验概率的方法与基于最大边缘概率的方法。由于基于最大边缘概率的方法复原图像的性能，极大地依赖于潜在图像的强边条件，其应用受到一定的限制。基于最大后验概率的方法以贝叶斯理论为基础，引入模糊核与清晰图像的统计特征作为约束，以此获得复原的图像。在此基础上，为了简化图像盲反卷积的计算，提高图像复原的效率，采用分离变量的方式分别求解清晰图像与模糊核。在模糊核估计过程中，模糊核的尺寸通常采用人工设定的方式，这种处理方式虽然看似简单，但是一旦模糊核的尺寸未知，则会带来时间和精力上的浪费，并且不一定可以获得很好的估计结果。由于实际生活中，模糊核的尺寸通常是未知的，采用上述人工设置模糊核尺寸的方式将会大大地限制图像复原方法应用。
技术实现思路
本专利技术的实施例提供了一种基于自适应选择模糊核的车牌图像去模糊方法，对于模糊程度不同的车牌图像，自适应检测最优模糊核，以此克服人工设定模糊核尺寸的缺陷。为了实现上述目的，本专利技术采取了如下技术方案。一种基于自适应选择模糊核的车牌图像去模糊方法，包括：S1：输入运动模糊车牌图像，基于所述运动模糊车牌图像的大小建立多尺度模糊核空间，基于所述多尺度模糊核空间迭代计算各个尺度模糊核空间下的模糊核；S2：统计所述各个尺度模糊核空间下的模糊核，并以相邻尺度模糊核空间的模糊核之间的相似度为指标，检测得到导致车牌图像在运动时模糊的最优模糊核；S3：利用所述最优模糊核对所述输入运动模糊车牌图像进行去模糊处理，得到清晰车牌图像。进一步地，所述S1包括：S11：设定迭代次数，选择所述输入的运动模糊车牌图像的短边10％的长度作为模糊核空间的初始尺度，构建多尺度模糊核空间；S12：根据所在模糊核空间的尺度，对模糊核进行初始化；S13：第一次迭代计算时，应用所述中S12初始化的模糊核计算所述输入的运动模糊车牌图像中的潜在清晰图像；不是第一次迭代计算时，应用S14中更新的模糊核计算所述输入运动模糊车牌图像中的潜在清晰图像；S14：在第一次迭代之后且迭代次数未达到所述设定迭代次数时，应用S13中所述潜在清晰图像与所述输入的运动模糊车牌图像更新当前尺度模糊核空间下的模糊核，迭代次数加1，跳转至S13；当迭代次数达到所述设定迭代次数时，应用模糊核有值区域的长边对模糊核进行提取，执行S15；S15：进入下一模糊核尺度空间，重复S12～S14，直至当前提取的模糊核空间的尺度小于上一次计算的模糊核对应的模糊核空间的尺度，退出。进一步地，所述S2包括：按照模糊核空间的尺度从小到大的次序，将计算得到的各个模糊核进行排序；依次计算出相邻尺度的模糊核空间下的两个模糊核kn之间的相似度Similarity(kn,kn-1)，以及模糊核空间的尺寸size(kn)与模糊核空间的尺度sn之间的比例size(kn)/sn，检测上述二者之间乘积Similarity(kn,kn-1)×size(ki)/si的最大值，将最大值对应的模糊核确定为最优模糊核。进一步地，两个模糊核kn和kn-1之间的相似度Similarity(kn,kn-1)的计算公式如下：其中ξ为模糊核的元素位置，t为偏移量，kn(ξ+t)为在n个尺度下估计得到的模糊核；kn-1(ξ)为在第n-1个尺度下估计得到的模糊核；||kn||和||kn-1||为模糊核的向量范数形式。进一步地，所述S3包括：S31：统计拍摄清晰车牌图像中前景字符占整幅图像的比例，根据该比例设定所述清晰车牌图像中背景灰度值的灰度阈值T；S32：统计拍摄清晰车牌图像的灰度和梯度直方图，并应用数学模型表达为梯度特征；清晰车牌的灰度特征为：其中，c1和c2为背景和前景的灰度均值,x为清晰车牌图像；清晰车牌的梯度特征为：ρxG(▽x)＝||▽x||0。S33：利用所述灰度和所述梯度特征作为正则项，建立模糊图像复原模型，利用所述模糊图像复原模型对所述输入运动模糊车牌图像进行去模糊处理；模糊图像复原模型：ci根据阈值T选择取值c1或者c2，x为清晰车牌图像，y为模糊车牌图像，k为最优模糊核，ω为权重参数。由上述本专利技术的实施例提供的技术方案可以看出，在针对运动的模糊车牌图像复原问题上，本专利技术克服了其人工设定模糊核尺寸的缺陷，引入模糊核多尺度空间，并基于此空间建立最优模糊核估计模型，以此获得趋近于真实模糊核的估计结果，进而得到趋近于真实的清晰车牌图像。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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，还可本文档来自技高网...

【技术保护点】
1.一种基于自适应选择模糊核的车牌图像去模糊方法，其特征在于，包括：S1：输入运动模糊车牌图像，基于所述运动模糊车牌图像的大小建立多尺度模糊核空间，基于所述多尺度模糊核空间迭代计算各个尺度模糊核空间下的模糊核；S2：统计所述各个尺度模糊核空间下的模糊核，并以相邻尺度模糊核空间的模糊核之间的相似度为指标，检测得到导致车牌图像在运动时模糊的最优模糊核；S3：利用所述最优模糊核对所述输入运动模糊车牌图像进行去模糊处理，得到清晰车牌图像。

【技术特征摘要】
1.一种基于自适应选择模糊核的车牌图像去模糊方法，其特征在于，包括：S1：输入运动模糊车牌图像，基于所述运动模糊车牌图像的大小建立多尺度模糊核空间，基于所述多尺度模糊核空间迭代计算各个尺度模糊核空间下的模糊核；S2：统计所述各个尺度模糊核空间下的模糊核，并以相邻尺度模糊核空间的模糊核之间的相似度为指标，检测得到导致车牌图像在运动时模糊的最优模糊核；S3：利用所述最优模糊核对所述输入运动模糊车牌图像进行去模糊处理，得到清晰车牌图像。2.根据权利要求1所述的车牌图像去模糊方法，其特征在于，所述S1包括：S11：设定迭代次数，选择所述输入的运动模糊车牌图像的短边10％的长度作为模糊核空间的初始尺度，构建多尺度模糊核空间；S12：根据所在模糊核空间的尺度，对模糊核进行初始化；S13：第一次迭代计算时，应用所述中S12初始化的模糊核计算所述输入的运动模糊车牌图像中的潜在清晰图像；不是第一次迭代计算时，应用S14中更新的模糊核计算所述输入运动模糊车牌图像中的潜在清晰图像；S14：在第一次迭代之后且迭代次数未达到所述设定迭代次数时，应用S13中所述潜在清晰图像与所述输入的运动模糊车牌图像更新当前尺度模糊核空间下的模糊核，迭代次数加1，跳转至S13；当迭代次数达到所述设定迭代次数时，应用模糊核有值区域的长边对模糊核进行提取，执行S15；S15：进入下一模糊核尺度空间，重复S12～S14，直至当前提取的模糊核空间的尺度小于上一次计算的模糊核对应的模糊核空间的尺度，退出。3.根据权利要求1所述的车牌图像去模糊方法，其特征在于，所述S2包括：...

【专利技术属性】
技术研发人员：朱振锋，郭倩，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11