一种DR模糊图像盲反卷积复原方法及系统技术方案

本发明专利技术涉及一种DR模糊图像盲反卷积复原方法及系统，所述方法步骤包括：根据DR图像灰度分布集中且连续采用图像区域极小值进行约束，结合L2范数表征梯度稀疏特性，全变差抑制图像噪声，在最大后验概率框架下建立盲反卷积数学模型，利用半二次分裂法则求解潜在清晰图像和模糊核，最后结合R

【技术实现步骤摘要】
一种DR模糊图像盲反卷积复原方法及系统


[0001]本专利技术涉及图像处理领域，尤其是涉及一种DR模糊图像盲反卷积复原方法及系统。

技术介绍

[0002]在数字射线检测技术(Digital RadiographB，DR)中，由于被检对象受环境影响会存在受迫振动的情况，与探测器形成相对运动，使得DR图像成像模糊。同时，图像在长期保存、传输过程中容易产生各种退化因素，也会造成DR图像含有噪声、模糊程度严重。因此去除运动模糊的影响以获得更高质量的图像是DR图像评判技术的前提需要用到图像复原技术。
[0003]目前，盲反卷积方法在图像去模糊研究中得到了广泛的关注。主要包括基于图像边缘估计、深度学习方法以及在最大后验概率框架下的盲反卷积方法。对于DR模糊图像来说，通常包含大量的单一背景区域，能够利用的边缘信息相对较少，而图像边缘估计方法需要强边缘特征，因此难以实施；得益于近年来神经网络的发展，深度学习方法也运用到图像去模糊研究中来，但这一方法需要大量的样本来训练，更重要的是不同场景下的DR模糊图像具备很强的特异性，需多种学习模型才能适配不同场景下的模糊情况，这无疑增加了方法难度和运算时间；基于最大后验概率框架的图像盲反卷积方法通过引入各种先验信息来克服图像复原的病态性，采用正则化项表征清晰图像梯度服从的重尾分布，可以有效去除图像模糊；但现有的方法并未充分考虑DR图像在灰度分布和噪声特点，无法有效提高复原质量。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种DR模糊图像盲反卷积复原方法及系统。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种DR模糊图像盲反卷积复原方法，包括以下步骤：
[0007]步骤1：获取DR模糊图像B，构建图像盲反卷积模型；将DR模糊图像B输入至构建的图像盲反卷积模型，设定初始化模糊核K及尺寸，得到关于待复原的清晰图像变量I的目标函数一、待求解的模糊核变量K的目标函数二；
[0008]步骤2：基于给定的DR模糊图像B和初始化模糊核K的尺寸n，采用多尺度分层策略，生成不同尺度的模糊图像层B1、B2…
B
H
，对应的输入模糊核为K1、K2…
K
H
，模糊核尺寸为n1、n2…
n
H
，设定每一模糊图像特征层的最大迭代次数N
max
；
[0009]步骤3：基于模糊图像B1，固定模糊核变量K1，根据目标函数一获取辅助变量，通过快速傅里叶变换求解潜在清晰图像I1；
[0010]步骤4：基于模糊图像B1，固定潜在清晰图像I1，利用固定潜在清晰图像I1的梯度信息，通过加速共轭梯度法对模糊核变量K1进行求解，得到模糊核K1*，K1*模糊核尺寸扩充至
尺寸n2，赋值给K2；
[0011]步骤5；对模糊图像特征层B2至B
H
，重复步骤3、步骤4，获取模糊核K
H
*，做归一化处理得到K
e
，基于给定的DR模糊图像B和模糊核K
e
，利用R
‑
L反卷积复原出最终清晰图像I
e
。
[0012]优选地，所述的步骤1中获取DR模糊图像B，构建图像盲反卷积模型的具体步骤包括：
[0013]构建图像的模糊模型数学模型为：
[0014][0015]式中I、B分别表示示清晰图像、模糊图像，K、N分别为模糊核和噪声，为卷积运算符，
[0016]获取图像像素区域极小值为：
[0017][0018]i和j分别表示图像矩阵的行向量和列向量，R(I)表示图像I像素矩阵，Ω(I
ij
)表示像素点的邻域，R
min
(I
ij
)表示此像素领域的最小值，
[0019]将L2范数作为DR模糊图像梯度的先验条件，同时结合全变差正则化抑制图像噪声，在最大后验概率框架下构建图像盲反卷积模型：
[0020][0021]式中，表示第一项求得最优解时I,K的结果，‖R
min
(I
ij
)‖0统计像素区域极值非零值的个数，‖
·
‖0为L0范数，‖I‖
TV
表示二阶全变差，具体为L、W表示图像矩阵的长和宽，Z2I分别在水平和竖直方向上求得的图像像素差分，表征图像的梯度，为L2范数，表示图像梯度算子，分别表示竖直和垂直方向梯度算子，α、β、δ、η、λ分别为各约束项参数，用于保持正则化强度和保真程度之间的平衡，表示模糊核的先验条件。
[0022]优选地，所述步骤1中将DR模糊图像B输入至构建的图像盲反卷积模型，设定初始化模糊核K及尺寸，得到关于待复原的清晰图像变量I的目标函数一、待求解的模糊核变量K的目标函数二的步骤包括：
[0023]基于半二次分裂的交替最小化算法，将盲反卷积模型分解为两个均只含一个未知量的子问题，建立目标函数一：
[0024][0025]并建立目标函数二：
[0026][0027]在目标函数一中固定模糊核变量K，求解清晰图像I，求解得到清晰图像变量I后，
固定清晰图像I再优化目标函数二，交替优化目标函数一和目标函数二直到收敛，求得图像盲反卷积模型的解I、K。
[0028]优选地，所述的步骤2具体包括以下步骤：
[0029]设置多尺度图像层数H，由高斯滤波器对图像进行卷积，同时进行下采样，规则为：
[0030][0031]式中，G(m,n)表示高斯滤波器，m、n表示滤波器的横、纵尺寸，i和j分别表示图像矩阵的行向量和列向量，l＝[1,H]，尺寸由小到大模糊图像层为B1、B2…
B
H
；对应输入模糊核K1、K2…
K
H
；模糊核尺寸为n1、n2…
n
H
。
[0032]优选地，所述的步骤3具体包括以下步骤：
[0033]基于辅助变量改写图像盲反卷积模型：
[0034][0035]其中，f为辅助变量一、q为辅助变量二、p为辅助变量三，其中p＝(p
h
,p
v
)
T
逼近其中p
h
、p
v
为逼近水平和垂直方向的梯度，δ、γ、μ为惩罚系数，
[0036]固定清晰图像变量I获取关于辅助变量一f、辅助变量二q、辅助变量三p的公式：
[0037][0038][0039][0040]优选地，所述步骤S3中求解I时，固定f、q、p，通过傅里叶变换，I的闭式解有：
[0041][0042]式中：和分别表示傅里叶正变换和逆变换，表示共轭傅里叶变换，
[0043]优选地，所述的在步骤3中，在某一尺度上求解清晰图像变量I的步骤如下：
[0044]1)设定当前模糊图像层迭代次数最大为N
max
，初始化当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种DR模糊图像盲反卷积复原方法，其特征在于，包括以下步骤：步骤1：获取DR模糊图像B，构建图像盲反卷积模型；将DR模糊图像B输入至构建的图像盲反卷积模型，设定初始化模糊核K及尺寸，得到关于待复原的清晰图像变量I的目标函数一、待求解的模糊核变量K的目标函数二；步骤2：基于给定的DR模糊图像B和初始化模糊核K的尺寸n，采用多尺度分层策略，生成不同尺度的模糊图像层B1、B2...B
H
，对应的输入模糊核为K1、K2...K
H
，模糊核尺寸为n1、n2...n
H
，设定每一模糊图像特征层的最大迭代次数N
max
；步骤3：基于模糊图像B1，固定模糊核变量K1，根据目标函数一获取辅助变量，通过快速傅里叶变换求解潜在清晰图像I1；步骤4：基于模糊图像B1，固定潜在清晰图像I1，利用固定潜在清晰图像I1的梯度信息，通过加速共轭梯度法对模糊核变量K1进行求解，得到模糊核K1*，K1*模糊核尺寸扩充至尺寸n2，赋值给K2；步骤5；对模糊图像特征层B2至B
H
，重复步骤3、步骤4，获取模糊核K
H
*，做归一化处理得到K
e
，基于给定的DR模糊图像B和模糊核K
e
，利用R
‑
L反卷积复原出最终清晰图像I
e
。2.根据权利要求1所述的一种DR模糊图像盲反卷积复原方法，其特征在于，所述的步骤1中获取DR模糊图像B，构建图像盲反卷积模型的具体步骤包括：构建图像的模糊模型数学模型为：式中I、B分别表示示清晰图像、模糊图像，K、N分别为模糊核和噪声，为卷积运算符，获取图像像素区域极小值为：i和j分别表示图像矩阵的行向量和列向量，R(I)表示图像I像素矩阵，Ω(I
ij
)表示像素点的邻域，R
min
(I
ij
)表示此像素领域的最小值，将L2范数作为DR模糊图像梯度的先验条件，同时结合全变差正则化抑制图像噪声，在最大后验概率框架下构建图像盲反卷积模型：大后验概率框架下构建图像盲反卷积模型：式中，表示第一项求得最优解时I，K的结果，||R
min
(I
ij
)||0统计像域极值非零值的个数，||
·
||0为L0范数，||I||
TV
表示二阶全变差，具体为L、W表示图像矩阵的长和宽，Z1I、Z2I分别在水平和竖直方向上求得的图像像素差分，表征图像的梯度，为L2范数，表示图像梯度算子，分别表示竖直和垂直方向梯度算子，α、β、δ、η、λ分别为各约束项参数，用于保持正则化强度和保真程度之间的平衡，表示模糊核的先验条件。3.根据权利要求2所述的一种DR模糊图像盲反卷积复原方法，其特征在于，所述步骤1中将DR模糊图像B输入至构建的图像盲反卷积模型，设定初始化模糊核K及尺寸，得到关于
待复原的清晰图像变量I的目标函数一、待求解的模糊核变量K的目标函数二的步骤包括：基于半二次分裂的交替最小化算法，将盲反卷积模型分解为两个均只含一个未知量的子问题，建立目标函数一：并建立目标函数二：在目标函数一中固定模糊核变量K，求解清晰图像I，求解得到清晰图像变量I后，固定清晰图像I再优化目标函数二，交替优化目标函数一和目标函数二直到收敛，求得图像盲反卷积模型的解I、K。4.根据权利要求1所述的一种DR模糊图像盲反卷积复原方法，其特征在于，所述的步骤2具体包括以下步骤：设置多尺度图像层数H，由高斯滤波器对图像进行卷积，同时进行下采样，规则为：式中，G(m，n)表示高斯滤波器，m、n表示滤波器的横、纵尺寸，i和j分别表示图像矩阵的行向量和列向量，l＝[1，H]，尺寸由小到大模糊图像层为B1、B2...B
H
；对应输入模糊核K1、K2...K
H
；模糊核尺寸为n1、n2...n
H
。5.根据权利要求3所述的一种DR模糊图像盲反卷积复原方法，其特征在于，所述的步骤3具体包括以下步骤：基于辅助变量改写图像盲反卷积模型：基于辅助变量改写图像盲反卷积模型：其中，f为辅助变量一、q为辅助变量二、p为辅助变量三，其中p＝(p
h
，p
v
)
T
逼近其中p
h
、p
v
为逼近水平和垂直方向的梯度，δ、γ、μ为惩罚系数，固定清晰图像变量I获取关于辅助变量一f、辅助变量二q、辅助变量三p的公式：固定清晰图像变量I获取关于辅助变量一f、辅助变量二q、辅助变量三p的公式：固定清晰图像...

【专利技术属性】
技术研发人员：陈乐，胥杨，卫鹏凯，李赞，蔚道祥，刘书宏，王化南，
申请(专利权)人：上海市特种设备监督检验技术研究院，
类型：发明
国别省市：