一种基于组稀疏表示的图像盲复原方法技术

本发明专利技术公开了一种基于组稀疏表示的图像盲复原方法，以实现模糊图像的盲复原。上述方法包括：构建图像金字塔，由粗到细估计模糊核；在降采样图像中搜索相似图像块，将当前块与其跨尺度相似块合并为相似图像块组，在目标函数中建立组稀疏表示正则项；交替迭代更新模糊核和清晰图像，在清晰图像更新步骤中，利用组稀疏表示对前一次迭代中估计的清晰图像进行重建，作为下一次更新清晰图像的参考图像。由于降采样图像的边缘与清晰图像有更强的相似性，利用组稀疏表示与低秩矩阵的关联，通过约束表示系数的稀疏性来实现组矩阵的低秩性，迫使重建图像的边缘接近清晰图像的边缘。本发明专利技术公开的方法提高了对噪声的鲁棒性，并能够处理大尺度的模糊核估计。

A blind image restoration method based on group sparse representation

【技术实现步骤摘要】
一种基于组稀疏表示的图像盲复原方法
本专利技术涉及图像复原领域，更具体地说，涉及一种基于组稀疏表示的图像盲复原方法。
技术介绍
在图像采集和传输的过程中，由于成像系统、记录设备、传输介质等原因，成像设备获取的数字图像通常发生各种失真，造成图像质量降低，这种现象称为图像降质。图像复原旨在对图像降质过程进行建模，求解降质模型的逆过程，从降质的图像中恢复出原始的清晰图像。模糊是一种常见的图像降质现象，在数字成像设备采集图像的过程中，设备的抖动、散焦以及物体本身的运动都会导致模糊的产生。在某些应用场景下，当获取的图像存在模糊现象时，重新获取图像的成本较高或者根本不可行，例如非地球同步轨道卫星搭载的对地成像设备只有当卫星再一次经过某一地理区域时，才能对该区域重新获取图像，等待时间较长且再次成像时，该区域地表情况可能已经发生变化。此外，在成像过程中可以通过一些特殊器件的辅助来避免或减小模糊程度，例如采用三脚架等固定设备或光学防抖等器件，但三脚架一般不便于携带，应用比较受限，而光学防抖器件只能解决较小的抖动引起的模糊，对于较大的模糊无能为力。单幅图像盲复原是通过图像处理的手段，在降质模型或降质参数未知的情况下，仅从单幅模糊图像中复原出原始的清晰图像，有效去除图像中模糊的技术。由成像系统获取图像的过程为正问题，利用降质图像中恢复潜在的原始图像是典型的图像逆问题。通常情况下，降质矩阵是奇异的，该问题是病态的。根据降质模型是否可用分为两类：若降质矩阵已知，则称为非盲复原方法；若降质矩阵未知，则称为盲复原问题。在实际应用中，通常无法获知观测图像的降质模型或降质参数，因此，图像盲复原更具有实用性。由于图像模糊的降质过程一般表示为模糊核与清晰图像的二维卷积，因而去模糊问题也称为解卷积问题。图像盲解卷积是一个严重的欠定问题，待求解的未知变量数目大于已知变量的数目，解不惟一。为了寻找准确解，有必要引入关于图像的先验知识，称为图像先验模型，将其作为正则化约束项加入到重建过程中，这个过程称为正则化。正则化约束为解决病态问题提供额外的附加信息，约束可行解的空间。现有的盲解卷积算法都直接或间接地利用各种先验知识，这些算法大致可以分为两类，一类算法利用启发式的边缘增强方法，另一类算法直接建立模糊核或清晰图像的先验概率分布模型。基于启发式边缘增强的盲解卷积方法假设模糊图像中有充分的边缘，通过增强图像中的边缘对清晰图像进行近似估计，最后利用边缘增强的近似估计和模糊图像的对应关系估计模糊核。由于边缘增强算法的能力有限，一般不可能仅通过一次增强过程就得到清晰的边缘，因而在盲解卷积过程中需要不断迭代，即每一次对估计的清晰图像继续进行边缘增强，以逐步逼近原始清晰图像。由于这一类盲解卷积方法直接用启发式的方法增强模糊图像的边缘，一般没有统一的目标函数，算法复杂度较低，但在迭代求解的过程中，为了避免出现边缘过增强等现象，一般需要根据迭代次数不断调节边缘增强算法的参数，因而这一类方法对参数设置较为敏感。另一类盲解卷积方法为模糊核或清晰图像建立先验概率分布模型，通过求解最大后验问题来估计模糊核和清晰图像。最优化目标函数中包含了对清晰图像和模糊核的正则化约束，该正则化约束应有助于解决盲解卷积问题的欠定性、限定可行解的空间。如何选取合适的正则化约束是盲解卷积方法需要研究的关键。前期的工作主要利用关于图像梯度的先验知识，图像梯度表示图像相邻像素之间的关系，并不足以表示较大尺度的图像结构。近年来，一些盲复原方法利用了关于图像块的先验信息，相比于利用梯度先验的算法，利用图像块先验知识的盲复原方法的准确性和稳健性都有较大的改善。基于稀疏表示的方法则利用了图像在某组基(或字典)下具有稀疏表示形式，并将这种稀疏性作为正则化约束项加入目标函数中。基于稀疏表示的图像盲复原方法的关键是构造表示清晰图像的字典，使得图像块在字典下具有稀疏表示形式。稀疏表示有两个明显的问题：1)字典学习需要很大的计算量；2)忽视不同块之间的相关性。稀疏框架下K-SVD算法是最常用的自适应字典学习方法，这种字典学习通常需要一定规模的数据集来构建字典，利用数据集作为字典学习的样本。一方面，在这种全局字典的构建过程中，为了使各种不同类型的图像块在字典下均能稀疏表示，必须利用大量的样本进行字典学习，这导致字典学习效率低；另一方面，当字典学习的样本不能准确提供与待处理低分辨率图像相似的信息时，这种方法难以保证图像重建的效果。此外，稀疏表示中的各个数据向量在字典下的稀疏表示系数的求解是相互独立的，缺乏对重建图像全局结构约束的问题。尽管目前已经提出许多图像盲复原方法，然而绝大多数均假设低噪声水平的情况。图像盲复原是病态逆问题，在缺乏噪声的先验知识时，图像盲复原会放大噪声，导致无法准确估计模糊核。对于广泛研究的基于图像梯度稀疏先验的图像盲复原方法，图像噪声会破坏梯度分布的先验预测，从而导致模糊核的估计产生一定的偏差。此外，启发式边缘增强的盲复原模型通常会寻找显著边缘来估计模糊核，模糊图像中的噪声会引起边缘定位的误差，从而引起模糊核估计的偏差，导致图像盲复原的失败。
技术实现思路
本专利技术公开了一种基于组稀疏表示的图像盲复原方法，通过在特定字典下约束对各个组稀疏表示系数进行整体的稀疏性约束，实现各个组矩阵的秩最小化，迫使当前图像的边缘更接近清晰图像的边缘。组稀疏表示可以融合图像的局部稀疏与非局部自相似先验，特定字典下秩最小化可以更好地表示数据的全局结构特性。本专利技术公开的方法提高了对噪声的鲁棒性，能够处理受噪声干扰的模糊图像，并能够估计大尺度的模糊核，对大尺度模糊图像进行复原。本专利技术采用的技术方案为一种基于组稀疏表示的图像盲复原方法，其特征在于，包含以下步骤：步骤1.读入模糊图像，构建图像金字塔；读入模糊图像，设置模糊核的初始尺寸，对模糊图像逐层下采样构造图像金字塔，不同层级图像金字塔对应的模糊核尺寸不同，在构造图像金字塔时，如果当前层图像金字塔对应的模糊核尺寸小于3×3，即停止图像金字塔的构造。在估计过程中，粗一层图像金字塔上估计的清晰图像通过图像插值后作为细一层图像金字塔上清晰图像的初始估计。在图像金字塔的每一层上，建立的盲解卷积目标函数是相同的。以下步骤是图像金字塔每一层上盲解卷积目标函数的求解过程。步骤2.初始化清晰图像；记循环迭代次数为k，且初始化设置为k＝0，若当前层为图像金字塔的第一层，则将模糊图像y作为清晰图像初始估计设置否则粗一层金字塔估计的清晰图像的插值结果作为当前层清晰图像的初始估计步骤3.筛选图像块，估计标记矩阵M；设置标记矩阵为M，M同时也为二值图像，若M中某一像素的取值为1，表明对应的图像块参与模糊核估计以及组稀疏表示约束。由于本方法仅将组稀疏性正则化约束限制在图像的边缘区域，导致复原图像的背景平滑区域受到的约束较少，从而可能导致复原图像的平滑区域含有较多的噪声，为减小噪声对边缘估计造成的干扰，首先对复原图像进行高斯滤波，然后对滤波后的图像估计边缘。步骤4.对模糊核进行估计；固定当前图像的估计用下式更新本文档来自技高网...

【技术保护点】
1.一种基于组稀疏表示的图像盲复原方法，其特征在于，包含以下步骤：/n步骤1.读入模糊图像，构建图像金字塔；/n读入模糊图像，设置模糊核的初始尺寸，对模糊图像逐层下采样构造图像金字塔，不同层级图像金字塔对应的模糊核尺寸不同，在构造图像金字塔时，如果当前层图像金字塔对应的模糊核尺寸小于3×3，即停止图像金字塔的构造；/n步骤2.初始化清晰图像；/n记循环迭代次数为k，且初始化设置为k＝0，若当前层为图像金字塔的第一层，则将模糊图像y作为清晰图像初始估计

【技术特征摘要】
1.一种基于组稀疏表示的图像盲复原方法，其特征在于，包含以下步骤：
步骤1.读入模糊图像，构建图像金字塔；
读入模糊图像，设置模糊核的初始尺寸，对模糊图像逐层下采样构造图像金字塔，不同层级图像金字塔对应的模糊核尺寸不同，在构造图像金字塔时，如果当前层图像金字塔对应的模糊核尺寸小于3×3，即停止图像金字塔的构造；
步骤2.初始化清晰图像；
记循环迭代次数为k，且初始化设置为k＝0，若当前层为图像金字塔的第一层，则将模糊图像y作为清晰图像初始估计设置否则粗一层金字塔估计的清晰图像的插值结果作为当前层清晰图像的初始估计
步骤3.筛选图像块，估计标记矩阵M；
设置标记矩阵为M，M同时也为二值图像，若M中某一像素的取值为1，表明对应的图像块参与模糊核估计以及组稀疏表示约束；对复原图像进行高斯滤波，然后对滤波后的图像估计边缘；
步骤4.对模糊核进行估计；
固定当前图像的估计用下式更新下一次迭代的模糊核



式中，y表示模糊图像，为图像的梯度算子，λh为正则化参数，⊙表示逐元素相乘，表示傅里叶变换，表示傅里叶逆变换，表示傅里叶变化的复共轭；将复原图像中梯度小于一定阈值的像素点的梯度置为0；记梯度阈值为τ，模糊核大小为Nh，则τ的选取方式为：首先将图像梯度根据其方向分为四组，然后设置τ的取值以保证每一组都保留至少有个像素点用于估计模糊核；由于随着迭代次数的增加，复原图像越来越清晰，为了使复原图像中更多的像素点逐步加入模糊核估计的过程中，在每一次迭代时将τ的值缩小为上一次迭代时的1.1倍；
步骤5.对清晰图像进行估计；
给定当前图像的估计固定下一次迭代的模糊核估计更新下一次迭代的图像
步骤6.判断收敛，获得模糊核的估计；
通过步骤3、步骤4和步骤5，进行对目标函数的一次迭代求解，获得对模糊核的估计并对清晰图像的估计进行更新，更新为如果此时的迭代达到最大迭代次数或者迭代收敛，则停止迭代；否则，令k＝k+1，k代表迭代次数，然后重复步骤3、步骤4和步骤5；
步骤7.模糊核估计之后，利用非盲复原算法对清晰图像进行估计；
通过步骤1至步骤6，获得对模糊核的估计结果在的基础上采用有效的非盲复原算法获得最终的清晰图像估计；非盲复原算法有全变分正则化方法、稀疏非盲复原方法和EPLL算法。


2.根据权利要求1所述的一种基于组稀疏表示的图像盲复原方法，其特征在于，
步骤5.1构建相似图像块组；
设清晰图像及其降采样图像按列分别表示为和其中N为清晰图像的像素数目，a表示降采样因子，为N维列向量，为N/a2维列向量；从清晰图像X和降采样图像Xa中抽取的图像块分别表示为QjX和RiXa，其中和为抽取矩阵，分别用于从清晰图像和降采样图像中抽取第j个和第i个图像块，...

【专利技术属性】
技术研发人员：禹晶，彭天奇，董醒儒，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