带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法技术

本发明专利技术公开了带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，包括基于图像模糊成像模型，选择正则项；构建基于反卷积总体最小二乘的图像半盲去模糊模型；求解图像半盲去模糊模型中的参数潜在的清晰图像；进行偏差修正；参数未收敛或未达到最大迭代次数，则求解图像半盲去模糊模型中的参数潜在的清晰图像，否则输出最终恢复的清晰图像。本发明专利技术的有益效果为将模糊的光学图像恢复至清晰，提高图像的被解译能力，节约观测成本，实现模糊图像资源的再利用。资源的再利用。资源的再利用。

【技术实现步骤摘要】
带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法


[0001]本专利技术涉及图像去模糊
，特别是带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法。

技术介绍

[0002]目前无论是航空航天等专业级成像设备，还是便携式的成像设备如相机、手机等，在拍摄过程中图像会受到相机抖动、物体间相对运动、光线传播介质湍流以及散焦等因素的影响而造成获得模糊的图像。在图像去模糊领域中，尽管盲反卷积估计出的模糊核的准确度越来越高，但是估计出的模糊核都不可避免地含有估计误差。如果不考虑模糊核估计误差，复原的图像会更容易地引入振铃、细节纹理丢失和颜色畸变等负面效应，进而影响用户的视觉体验和高层语义解译精度。因此，本专利技术提出了一种带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法。该方法考虑了不准确模糊核的误差，结合必要的偏差修正，将振铃效应建模后的DCT系数作为正则项与图像梯度稀疏正则项相结合，构建出了符合模糊图像半盲去模糊的反卷积模型。采用HQS方法对提出的模型进行求解，利用傅立叶变换加快运行速率。不同于传统的偏差修正方法，本专利技术设计滤波的方法对偏差进行修正，滤波器的设计中顾及了偏差对清晰图像的影响，及其在空域中的统计特性。

技术实现思路

[0003]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0004]鉴于上述或现有技术中存在的问题，提出了本专利技术。
[0005]因此，本专利技术的目的是提供带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其能够解决现有图像去模糊技术中因存在估计误差而导致的复原图像容易引入振铃、细节纹理丢失和颜色畸变等负面问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其包括基于图像模糊成像模型，选择正则项；构建基于反卷积总体最小二乘的图像半盲去模糊模型；求解图像半盲去模糊模型中的参数潜在的清晰图像；进行偏差修正；参数未收敛或未达到最大迭代次数，则求解图像半盲去模糊模型中的参数潜在的清晰图像，否则输出最终恢复的清晰图像。
[0007]作为本专利技术所述带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法的一种优选方案，其中：所述图像模糊成像模型包括，
[0008][0009]其中，B、I和n分别为m行n列的模糊图像、潜在的清晰图像和随机噪声，k为模糊核，
“”
表示卷积操作。
[0010]作为本专利技术所述带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法的一
种优选方案，其中：为了对图像去模糊，所述图像模糊成像模型中需要引入所述正则项，所述正则项采用稀疏先验正则项，其包括，
[0011]正则项1：潜在清晰图像I的梯度稀疏先验；
[0012]正则项2：模糊核k的稀疏先验；
[0013]正则项3：振铃效应的DCT(Discrete Cosine Transform)系数的稀疏先验；
[0014]正则项4：基于模糊核误差E
k
与潜在的清晰图像I的联合稀疏先验。
[0015]作为本专利技术所述带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法的一种优选方案，其中：所述正则项1：潜在清晰图像I的梯度稀疏先验，具体为：
[0016]所述正则项2：模糊核k的稀疏先验，具体为精化后的模糊核需满足两个约束：
[0017]非负性：模糊核k中的所有元素是非负的，即：k
i,j
≥0，
[0018]归一性：模糊核k中的所有元素的和为1，即：
[0019]所述约束条件通常是通过核归一化的过程而隐式地体现，即模糊核中的负元素被强制设为0和被归一化为1；
[0020]所述正则项3：振铃效应的DCT(Discrete Cosine Transform)系数的稀疏先验，具体为：||h||0；
[0021]所述正则项4：基于模糊核误差E
k
与潜在的清晰图像I的联合稀疏先验，具体为：
[0022]作为本专利技术所述带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法的一种优选方案，其中：所述图像模糊成像模型经过所述正则项3的稀疏先验，可精化为：
[0023][0024]其中，C和h分别表示振铃效应的DCT矩阵和系数，k表示现有的盲反卷积方法估计出的模糊核，E
k
表示模糊核误差。
[0025]作为本专利技术所述带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法的一种优选方案，其中：所述构建基于反卷积总体最小二乘的图像半盲去模糊模型，具体为：
[0026]minΦ(I,E
k
,h)＝ρ(n,E
k
,h)+f(I,E
k
)+g(h)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]其中，表示保真项，g(h)＝λ4||h||0和表示正则项，λ1、λ2、λ3和λ4是正则项的平衡参数，l
[0,1](I)表示限制潜在的清晰图像I的像素值范围在0到1之间。
[0028]作为本专利技术所述带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法的一种优选方案，其中：所述求解图像半盲去模糊模型中的参数潜在的清晰图像，具体为：迭代求解I、E
k
和h，以及I、E
k
和h的第i+1次迭代过程的解析表达式，包括，
[0029]i)I
‑
子问题：固定E
k
和h
i
，求解I
i+1
，
[0030][0031]ii)E
k
‑
子问题：固定I
i+1
和h
i
，求解
[0032][0033]iii)h
‑
子问题：固定I
i+1
和求解h
i+1
，
[0034][0035]作为本专利技术所述带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法的一种优选方案，其中：所述I
‑
子问题中α1、α2和α3表示数值较大的惩罚参数，和w＝I，u、v和w初始值设置为0，α
l
＝10
‑4,κ
l
＝2，(l＝1,2,3)；
[0036]所述I
‑
子问题的第j+1次的迭代步骤如下：
[0037]步骤1：根据式(7)可以求得I
i,j+1
，
[0038][0039]其中，F(g)和F
‑1(g)分别表示快速傅里叶变换和快速傅立叶逆变换。符号
“”
表示共轭转置，和分别表示水平和垂直差分操作；
[0040]步骤2：根据式(8)求得u
j+1
，
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其特征在于：包括，基于图像模糊成像模型，选择正则项；构建基于反卷积总体最小二乘的图像半盲去模糊模型；求解图像半盲去模糊模型中的参数潜在的清晰图像；进行偏差修正；参数未收敛或未达到最大迭代次数，则求解图像半盲去模糊模型中的参数潜在的清晰图像，否则输出最终恢复的清晰图像。2.如权利要求1所述的带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其特征在于：所述图像模糊成像模型包括，其中，B、I和n分别为m行n列的模糊图像、潜在的清晰图像和随机噪声，k为模糊核，表示卷积操作。3.如权利要求2所述的带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其特征在于：为了对图像去模糊，所述图像模糊成像模型中需要引入所述正则项，所述正则项采用稀疏先验正则项，其包括，正则项1：潜在清晰图像I的梯度稀疏先验；正则项2：模糊核k的稀疏先验；正则项3：振铃效应的DCT(Discrete Cosine Transform)系数的稀疏先验；正则项4：基于模糊核误差E
k
与潜在的清晰图像I的联合稀疏先验。4.如权利要求3所述的带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其特征在于：所述正则项1：潜在清晰图像I的梯度稀疏先验，具体为：所述正则项2：模糊核k的稀疏先验，具体为精化后的模糊核需满足两个约束：非负性：模糊核k中的所有元素是非负的，即：k
i,j
≥0，归一性：模糊核k中的所有元素的和为1，即：∑
i
∑
j
k
i,j
＝1，所述约束条件通常是通过核归一化的过程而隐式地体现，即模糊核中的负元素被强制设为0和被归一化为1；所述正则项3：振铃效应的DCT(Discrete Cosine Transform)系数的稀疏先验，具体为：||h||0；所述正则项4：基于模糊核误差E
k
与潜在的清晰图像I的联合稀疏先验，具体为：5.如权利要求4所述的带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其特征在于：所述图像模糊成像模型经过所述正则项3的稀疏先验，可精化为：
其中，C和h分别表示振铃效应的DCT矩阵和系数，k表示现有的盲反卷积方法估计出的模糊核，E
k
表示模糊核误差。6.如权利要求5所述的带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其特征在于：所述构建基于反卷积总体最小二乘的图像半盲去模糊模型，具体为：minΦ(I,E
k
,h)＝ρ(n,E
k
,h)+f(I,E
k
)+g(h)
ꢀꢀꢀꢀꢀꢀꢀ
(3)其中，表示保真项，g(h)＝λ4||h||0和表示正则项，λ1、λ2、λ3和λ4是正则项的平衡参数，l
[0,1]
(I)表示限制潜在的清晰图像I的像素值范围在0到1之间。7.如权利要求6所述的带偏差修正的反卷积总体最小二乘的图像半盲去模糊方法，其特征在于：所述求解图像半盲去模糊模型中的参数潜在的清晰图像，具体为：迭代求解I、E
k
和h，以及I、E
k
和h的第i+1次迭代过程的解析表达式，包括，i)I
‑
子问题：固定E
k
和h
i
，求解I
i+1
，ii)E
k
‑
子问题：固定I
i+1
和h
i
，求解，求解iii)h
‑
子问题：固定I
i+1

【专利技术属性】
技术研发人员：张松林，韩杰，董师梦，
申请(专利权)人：同济大学，
类型：发明
国别省市：