一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法技术

本发明专利技术涉及一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法，与现有技术相比解决了图像去模糊方法无法满足实际使用需要的缺陷。本发明专利技术包括以下步骤：图像结构的提取；显著边缘提取；保边去细节处理；构造图像去模糊模型；基于所构造的去模糊模型进行模糊核估计；图像去模糊结果的获得。本发明专利技术操作简单不需要大量的计算成本，节省时间，结合了图像的显著边缘和精细的结构信息，并考虑到了图像稀疏性特征，更加满足含有丰富纹理结构的图像需要，同时利用稀疏特征进一步去除不利结构，带来更好的去模糊效果。好的去模糊效果。好的去模糊效果。

【技术实现步骤摘要】
一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法


[0001]本专利技术涉及图像处理
，具体来说是一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法。

技术介绍

[0002]近年来，图像去模糊成为计算机领域的热点问题，一副清晰的图像不仅可以带来视觉上的享受，还传递着重要的信息。图像盲去模糊是一个严重的病态问题，因此对图像去模糊需要一些额外的辅助信息。
[0003]当前基于先验的方法以及基于边缘的方法是去模糊的两个主要技术。而基于先验的方法主要通过观察大量的清晰图像以及模糊图像，找到足以区分这两者的统计特征，并使其趋向于清晰图像，因此需要大量的非线性运算，是很耗时间的。如暗通道先验(见非专利文献1)，极端通道先验(见非专利文献2)，局部最大梯度先验(见非专利文献3)。而基于边缘方法是一种直接的方法，主要是从模糊图像中提取重要的边缘，以此来恢复出清晰图像。当前基于边缘的去模糊方法，只考虑了单一的显著边缘信息，没有考虑图像重要的结构信息，这对于含有丰富纹理的图像结构来说去模糊的效果可能是不理想的，同时也没有利用稀疏性的特征，对不利结构进行去除。如快速运动去模糊(见非专利文献4)，这种方法仅关注于显著边缘且忽略了图像精细的结构，并不能很好的适应各种场景。而将显著边缘选择方法与低秩先验结合(见非专利文献5)，虽然提高了去模糊效果，但这也加大了计算成本。另外，专利文献CN 103761710 B，其主要是基于加权边缘的方法进行去模糊；专利文献CN112634153A是一种基于边缘增强的图像去模糊方法；专利文献CN 112581378A将显著性强度和梯度先验结合用于盲图像去模糊。这些方法都没有利用图像精细的结构信息，也没有进一步考虑到图像的稀疏性特征对不利结构进行去除。
[0004]综上，现有技术中，基于先验的去模糊方法计算代价大，基于单一显著边缘选择方法会导致图像精细结构的丢失以及忽略图像稀疏性特征导致不利结构残留，使得最终复原效果不理想。现有的图像去模糊方法，要么是需要大量的计算成本，在算法复杂度上具有一定的局限性；要么仅考虑单一的显著边缘信息而忽略图像重要的结构内容以及图像的稀疏性特征，最终的图像去模糊效果不理想。
[0005]因此，针对目前各种图像去模糊技术的局限性，在现有的硬件条件下，如何设计出一种简单、省时、复原效果好的图像去模糊方法成为当今急需解决的技术问题。

技术实现思路

[0006]本专利技术的目的是为了解决现有技术中图像去模糊方法无法满足实际使用需要的缺陷，提供一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法来解决上述问题。
[0007]为了实现上述目的，本专利技术的技术方案如下：
[0008]一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法，包括以下步骤：
[0009]11)图像结构的提取：输入待处理的模糊图像，通过对模糊图像进行滤波预处理，
得到图像结构；
[0010]12)显著边缘提取：将所得到的图像结构，进一步采用图像的梯度滤波操作，将有利于核估计的显著边缘提取出来；
[0011]13)保边去细节处理：将基于图像结构与显著边缘提取的中间潜像进一步采用梯度L
0+0.5
范数进行稀疏约束，去除不利细节并保持显著边缘；
[0012]14)构造图像去模糊模型；
[0013]15)基于所构造的去模糊模型进行模糊核估计，并返回11)步进行n次迭代处理；
[0014]16)图像去模糊结果的获得：基于所构造的去模糊模型进行清晰图像估计，得到图像去模糊结果。
[0015]所述图像结构的提取包括以下步骤：
[0016]21)预处理模糊图像B；
[0017]22)使用互导图像滤波muGIF进行预处理；
[0018]在muGIF滤波进行预处理时，采用系数等于2时的动态模式，模型退化为仅使用给定的已知模糊图像进行指导；
[0019]muGIF滤波的计算公式如下：
[0020][0021][0022]其中，B和R分别是输入的目标模糊图像和参考图像，S为目标图像对应的滤波输出，即图像结构，P为参考图像对应的滤波输出，上式第一项和第三项分别表示目标图像的数据保真项以及参考图像的数据保真项，上式第二项和第四项表示相互性与β
s
、、α
s
、β
p
α
p
都是正的参数，|
·
|表示绝对值操作，是带有两个方向{x,y}的一阶微分操作，d表示{x,y}中的任一方向，i表示第i个位置，S
i
表示在某一位置上的目标图像输出结果，P
i
表示在某一位置上的参考图像输出结果；
[0023]在此仅使用其在没有参考图像下的退化模型，即只有输入的目标模糊图像，则
[0024][0025][0026]其优化形式为
[0027][0028][0029]其中，β
s
、α
s
为正的常数，s和b是S和B的向量形式，Q
d
是对角矩阵第i个对角元素属
于其中D
d
表示离散梯度算子在d方向上的Toeplitz矩阵，d∈{h,v}表示水平和垂直两个方向，T表示转置，ε
s
是一个正常数防止分母为0。
[0030]所述显著边缘提取包括以下步骤：
[0031]31)获取图像结构S；
[0032]32)对图像结构S使用一阶梯度算子进行显著边缘处理，其计算公式如下：
[0033][0034]式中，(i,j)表示坐标的位置，(i+1,j)表示横坐标向前一个位置，(i,j+1)表示纵坐标向前一个位置，表示一阶梯度算子，(x,y)分别表示水平和垂直两个方向，以及分别表示(x,y)两个方向向前一阶差分，S
x
、S
y
为其缩写形式；
[0035]33)得到显著边缘其公式如下：
[0036][0037]所述保边去细节处理包括以下步骤：
[0038]采用梯度L
0+0.5
范数对显著边缘复原的中间潜像I进一步进行不利结构的去除，利用增强的稀疏操作L
0+0.5
进行保边去细节，其公式如下：
[0039][0040]其中，为本文提出的增强稀疏表示，为梯度L0范数稀疏，为梯度L
0.5
范数稀疏，也是L
p
(p∈[0,1])范数中最佳的稀疏表示。
[0041]所述构造图像去模糊模型的表达式如下：
[0042][0043][0044]其中，K表示模糊核，表示中间潜像I与模糊核K的卷积操作，α
i
、、βγ分别表示惩罚参数，其中e表示单位矩阵，表示一阶梯度操作。
[0045]所述基于所构造的去模糊模型进行模糊核估计包括以下步骤：
[0046]61)设定模糊核尺寸，模糊核的尺寸小于图像尺寸；
[0047]62)由模糊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法，其特征在于，包括以下步骤：11)图像结构的提取：输入待处理的模糊图像，通过对模糊图像进行滤波预处理，得到图像结构；12)显著边缘提取：将所得到的图像结构，进一步采用图像的梯度滤波操作，将有利于核估计的显著边缘提取出来；13)保边去细节处理：将基于图像结构与显著边缘提取的中间潜像进一步采用梯度L
0+0.5
范数进行稀疏约束，去除不利细节并保持显著边缘；14)构造图像去模糊模型；15)基于所构造的去模糊模型进行模糊核估计，并返回11)步进行n次迭代处理；16)图像去模糊结果的获得：基于所构造的去模糊模型进行清晰图像估计，得到图像去模糊结果。2.根据权利要求1所述的一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法，其特征在于，所述图像结构的提取包括以下步骤：21)预处理模糊图像B；22)使用互导图像滤波muGIF进行预处理；在muGIF滤波进行预处理时，采用系数等于2时的动态模式，模型退化为仅使用给定的已知模糊图像进行指导；muGIF滤波的计算公式如下：muGIF滤波的计算公式如下：其中，B和R分别是输入的目标模糊图像和参考图像，S为目标图像对应的滤波输出，即图像结构，P为参考图像对应的滤波输出，上式第一项和第三项分别表示目标图像的数据保真项以及参考图像的数据保真项，上式第二项和第四项表示相互性与β
s
、、α
s
、β
p
α
p
都是正的参数，|
·
|表示绝对值操作，是带有两个方向{x,y}的一阶微分操作，d表示{x,y}中的任一方向，i表示第i个位置，S
i
表示在某一位置上的目标图像输出结果，P
i
表示在某一位置上的参考图像输出结果；在此仅使用其在没有参考图像下的退化模型，即只有输入的目标模糊图像，则在此仅使用其在没有参考图像下的退化模型，即只有输入的目标模糊图像，则其优化形式为
其中，β
s
、α
s
为正的常数，s和b是S和B的向量形式，Q
d
是对角矩阵第i个对角元素属于其中D
d
表示离散梯度算子在d方向上的Toeplitz矩阵，d∈{h,v}表示水平和垂直两个方向，T表示转置，ε
s
是一个正常数防止分母为0。3.根据权利要求1所述的一种结合鲁棒显著边缘选择与稀疏性的图像去模糊方法，其特征在于，所述显著边缘提取包括以下步骤：31)获取图像结构S；32)对图像结构S使用一阶梯度算子进行显著边缘处理，其计算公式如下：式中，(i,j)表示坐标的位置，(i+1,j)表示横坐标向前一个位置，(i,j+1)表示纵坐标向前一个位置，表示一阶梯度算子，(x,y)分别表示水平和垂直两个方向，以及分别表示(...

【专利技术属性】
技术研发人员：檀结庆，胡丹丹，张莉，葛先玉，刘静，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：