基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法技术

一种基于梯度自适应稀疏先验的鲁棒性红外图像快速反卷积方法，对潜在图像的梯度施加L1范数稀疏性惩罚，在拟合本征图像特性的同时保持显著边缘部分，并对边缘区域以外的部分实现较好的平滑处理。本发明专利技术针对在求解过程中采用快速傅里叶变换而引入的边界振铃问题，采用分块对称平滑性延拓快速处理，保持了上下、左右边缘的连续性；在拟合真值图像分布特征的同时自适应的调整先验项的权重并利用软阈值收缩进行快速优化求解，实现鲁棒性红外图像快速反卷积，并降低了图像的类间离散性，有效抑制了吉布斯效应。了吉布斯效应。了吉布斯效应。

【技术实现步骤摘要】
基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法


[0001]本专利技术涉及的是红外图像领域，特别涉及一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法。

技术介绍

[0002]获得稳定且锐利的清晰图像是红外应用领域的刚性需求。然而，红外热像仪应用环境复杂多变且探测器具有固有的本征局限性，大气湍流、目标与平台之间的相对运动以及额外的散焦热源均会导致各波段的红外图像呈现出不可避免的模糊退化。
[0003]早期的去模糊工作主要围绕逆滤波的策略展开，在此框架下点扩散函数被预设为简单的高斯模糊核，并在没有施加先验假设的情况下直接在频域内进行逆向滤波操作，这在理论上就很难验证其收敛性同时对噪声也十分敏感。因此，早期的Richardson
‑
Lucy算法或维纳滤波并未在自然图像数据集上有较好的表现。针对此类问题，部分学者额外的改进步骤增强此类算法对于噪声的鲁棒性。
[0004]一部分学者统计数以万计的自然图像在模糊前后的变化特征归纳出一系列经典的统计学先验：全变分正则化项、重尾自然图像先验[3,4]以及超拉普拉斯先验等。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，包括：S100.获取红外成像装置采集到的模糊图B与红外机芯内预存模糊核K，并将模糊图B和模糊核K作为算法输入；S200.将模糊核K进行归一化处理，并将输入模糊图B进行镜像对称边界扩展，使卷积后的尺寸与原图一致；S300.判断模糊核K的尺寸是否为奇数，如果为奇数，则进入S200迭代循环，反之则执行S400；S400.利用梯度信息权衡反卷积过程中先验项与数据项的比重，计算图像的自适应惩罚项权重α
i
；S500.通过半二次分裂法和快速傅里叶变换，计算潜在的清晰图像I；S600.采用软阈值收缩法，计算辅助变量ω；S700.将半二次分裂权重β扩大两倍，使正则化项与总体模型间的权重平衡；S800.判断半二次分裂权重β是否大于预设最大值β
max
，如果大于，则将最后一次迭代的I最终反卷积结果输出，反之重新进行S400。2.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S100中，算法模型为：其中，B表示模糊图像；I为潜在的锐利图像；K表示模糊核；α表示自适应惩罚项权重；为梯度算子；表示关于的L1范数约束。3.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S200中，将输入模糊图B进行镜像对称边界扩展，扩展尺寸为(size(K)
‑
1)/2，其中size(K)为模糊核的尺寸，边界扩展后模糊图B作为第一次迭代的输入。4.如权利要求1所述的一种基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法，其特征在于，S400中，计算图像的自适应惩罚项权重α
i
公式为：其中，表示的L
P
范数约束，i表示第i次迭代。5.如权利要求2所述的一种基于自适应梯...

【专利技术属性】
技术研发人员：黄立，徐卓帆，孙小敏，龚燕，董悫，邓帅，齐哲明，李勋龙，刘蒙，苏伟，
申请(专利权)人：武汉高德微机电与传感工业技术研究院有限公司，
类型：发明
国别省市：