【技术实现步骤摘要】
基于梯度l0范数和总变分正则化约束的模糊图像复原方法
本专利技术涉及计算机数字图像处理
，具体涉及一种基于梯度l0范数和总变分正则化约束的自适应模糊图像复原方法。
技术介绍
在日常摄影、光学遥感观测、医学成像等领域，由于外界环境中的机械振动、成像物体与成像系统之间的相对运动、大气湍流等影响，经常会使所得的图像发生模糊，降低其分辨能力，影响了使用价值。因此，如何避免图像模糊效应的产生显得尤为重要。通常情况下，可通过为成像系统增加辅助稳像系统或者提升成像器件的感光度来抵消上述外界因素的影响，然而前者会导致系统整体变得更加笨重，而后者则会在图像中引入大量的噪声，同样降低图像的细节分辨能力。因此，研究模糊图像复原方法，通过软件对模糊图像实施处理，提升其分辨率显得尤为重要。在数学上，图像模糊可以用清晰图像与点扩散函数的卷积运算来描述，其逆过程即模糊图像复原过程称为反卷积，对点扩散函数进行准确估计是实现高质量反卷积的关键步骤。反卷积过程是一个典型的病态过程，即模糊图像中少许能量的噪声都会被放大并反向传播到复原图像中...
【技术保护点】
1.一种基于梯度l
【技术特征摘要】
1.一种基于梯度l0范数和总变分正则化约束的模糊图像复原方法，其特征在于，包括以下步骤：
1)用高斯概率模型对模糊图像噪声进行建模，用梯度l0范数对清晰图像进行建模，用总变分对点扩散函数进行建模，分别得到模糊图像噪声模型、清晰图像模型和点扩散函数模型；
2)引入两个正则化约束系数，将模糊图像噪声模型、清晰图像模型和点扩散函数模型进行加权求和，构建模糊图像复原问题模型；
3)将模糊图像复原问题模型分解为关于清晰图像的最优估计问题和关于点扩散函数的最优估计问题；
4)对清晰图像的估计值进行初始化，对点扩散函数的估计值进行初始化；
5)固定点扩散函数的估计值，对关于清晰图像的最优估计问题进行求解，得到清晰图像的估计值；
6)固定清晰图像的估计值，对关于点扩散函数的最优估计问题进行求解，得到点扩散函数的估计值；
7)根据步骤5)和6)所得的估计值对步骤2)中的两个正则化约束系数进行更新；
8)循环执行步骤5)～7)直至收敛，即得点扩散函数和清晰图像的估计值，得复原图像。
2.根据权利要求1所述的基于梯度l0范数和总变分正则化约束的模糊图像复原方法，其特征在于，步骤1)是在贝叶斯最大后验估计框架下进行的建模，其中：
用高斯概率模型对噪声进行建模的表达式为
用梯度l0范数对图像进行建模的表达式为
-ln[P(o)]∝∑isign[|(dxo)i|+|(dyo)i|]
用总变分对点扩散函数进行建模的表达式为
其中，g表示模糊图像，o表示清晰图像，h表示点扩散函数；P(g|ho)为噪声发生的概率，P(o)为图像发生的概率，P(h)为点扩散函数发生的概率，dx和dy表示分别表示水平方向和垂直方向梯度算子，i表示清晰图像中的像素索引，j表示点扩散函数元素索引。
3.根据权利要求2所述的基于梯度l0范数和总变分正则化约束的模糊图像复原方法...
【专利技术属性】
技术研发人员：董文德，徐剑，徐贵力，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
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。