一种面向泊松噪声图像的自适应复原方法技术

本发明专利技术涉及一种面向泊松噪声图像的自适应复原方法，基于前向后向算法，引入中间变量，将泊松噪声图像复原优化问题分解为两个交替迭代的子问题，通过交替迭代获得清晰的复原图像。本发明专利技术依托前向后向算法构建一种即插即用的数值求解框架，并在交替迭代过程中嵌入遗传算法，解决了每次迭代参数自适应选取的问题，提供了一种框架简洁、适用性强、效果良好、易于工程实现、且自适应高的红外图像自适应复原框架。架。架。

【技术实现步骤摘要】
一种面向泊松噪声图像的自适应复原方法


[0001]本专利技术涉及航天工程图像处理
，尤其涉及一种面向泊松噪声图像的自适应复原方法。

技术介绍

[0002]目前国内外空间中包含了数量巨大的探测卫星，包括天基遥感卫星、红外预警卫星以及航空摄影卫星等。然而，卫星在轨运行期间，由于随机噪声、光学衍射以及相机光轴抖动等对成像系统的影响，使得天基卫星相机载荷探测的图像数据出现模糊的现象，从而引起成像质量的下降，导致严重影响天基卫星的高分辨成像能力和高精度测绘能力。为了提升成像的清晰度和质量，需要对图像进行复原或去模糊处理。
[0003]图像复原或去模糊是图像处理中最基本的问题之一，其主要原理是从含噪声的模糊图像中重建出原始数据。目前的研究主要是针对加性的高斯噪声为主，然而在实际应用中，特别是电子噪声，噪声信号往往是服从泊松分布的。泊松噪声图像复原是典型的非线性成像问题，直接求解比较困难。针对图像复原模型的求解，目前使用较多的框架包括交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)、前向后向算法(Forward Backward Splitting,FBS)等。其中前向后向算法在求解非线性问题时可以避免矩阵求逆，且参数较少，可以降低手工调参工作量等优点，因此，前向后向求解框架在解决泊松噪声复原这一类非线性问题具有明显的优势。
[0004]此外，在泊松图像复原问题中，正则参数的选择会显著影响复原效果，如何选取合适的参数是关键，当前主要是依赖经验手工确认，缺乏自适应性。因此尝试使用遗传算法，结合图像像素分布特点构建图像质量评估函数，自适应选取正则参数使得复原结果达到最佳。遗传算法(Genetic Algorithm,GA)是由John holland于20世纪70年代提出，是一种通过模拟自然进化过程搜索最优求解的方法。遗传算法全局搜索能力强且不易陷入局部最优等特点，是一种高效的随机搜索算法，已广泛应用于图像处理、自适应控制、以及机器学习等领域。根据现有泊松噪声图像复原过程中存在着非线性求解困难且参数手工选取复杂等难题，需要设计一种易于实现的图像自适应复原方法。

技术实现思路

[0005]为解决现有的技术问题，本专利技术提供了一种面向泊松噪声图像的自适应复原方法。
[0006]本专利技术的具体内容如下：一种面向泊松噪声图像的自适应复原方法，基于前向后向算法，引入中间变量，将泊松噪声图像复原优化问题分解为两个交替迭代的子问题，通过交替迭代获得清晰的复原图像，包括如下步骤：
[0007](1)基于最大后验估计定义泊松噪声复原最优化模型：
[0008][0009](2)基于前向后向算法，引入中间变量z，将上述优化模型转为以下交替迭代问题：
[0010][0011]其中0＜γ＜2/L表示迭代步长，L为的利普希茨常数，且
[0012][0013][0014](3)选定初始参数γ，u0，正则函数
[0015](4)代入参数γ与u
k
‑1，求解中间变量z
k
；
[0016](5)基于中间变量z
k
，依托遗传算法完成每次迭代过程中正则参数τ
k
与u
k
的自动寻优；
[0017](6)步骤(4)和步骤(5)交替迭代，完成最优解u
*
的求解；
[0018]其中，为交替迭代后的估计值，u为待复原的图像或者原始图像，<
·
,
·
>为内积算子，1为元素值全为1的列或行向量，K为模糊函数，g为观测数据或者模糊后的图像，log为对数函数，τ为正则参数，非负，为数据保真项，为正则函数；k为交替循环迭代次数；
*
为共轭复数，I为单位矩阵，为卷积算子。
[0019]进一步的，步骤(4)中z
k
的求解可基于傅里叶变换进行快速求解。
[0020]进一步的，步骤(5)中u
k
的优化求解模型根据近似映射算子定义，可视为噪声水平为的去噪问题，基于正则项选取对应求解策略生成去噪后的复原图像。
[0021]进一步的，在步骤(5)求解过程中嵌入遗传算法内循环，正则参数τ作为变量，动态确定每次交替迭代的最优正则参数，并输出最优正则参数对应的复原结果。
[0022]进一步的，在步骤(5)求解过程中，设定τ的取值范围[τ
min
,τ
max
]，并设计种群大小、二进制编码长度、交叉概率、变异概率。
[0023]进一步的，在步骤(5)求解过程中，构建基于局部结构张量的质量评价函数，作为遗传算法的适应度函数，实现对每次迭代复原结果的清晰度和去模糊效果进行评价，基于局部结构张量的质量评价函数包括以下步骤：
[0024](1)将图像等分为R
×
R子区域；
[0025](2)计算各子区域的局部梯度向量矩阵；
[0026](3)基于局部梯度向量矩阵，计算协方差矩阵，并将协方差矩阵进行奇异值分解，获得特征值a1和a2；
[0027](4)通过特征值a1和a2，计算各子区域的局部质量度量；
[0028](5)将图像各点的局部质量度量求和，获取图像的质量评价结果。
[0029]进一步的，遗传算法内循环包括：
[0030]在步骤(5)求解过程中，记第k次交替迭代计算得到的最优正则参数为τ
k
和u
k
，将τ
k
作为第k+1次交替迭代的初始参数，并对τ
k
进行二进制编码，形成初始种群
[0031]针对种群的每个个体进行二进制解码计算
[0032]根据计算每个个体的适应度函数，得到各个体的适应度值，并确定种群中各个体适应度值最优的个体的位置；
[0033]将种群的所有个体按照适应度值从大到小排序，选取前80％的个体为最优个体；
[0034]对选取的最优个体进行交叉和变异操作，并分别计算各最优个体对应的新适应度值，确定该最优个体新的位置，形成新的种群
[0035]通过多次选择交叉变异等操作，输出本次内循环迭代的最优个体和
[0036]通过重复以上步骤，直到第k+1次交替迭代的内循环结束，同时输出第k+1次交替迭代的内循环最优个体u
k+1
和τ
k+1
。
[0037]本专利技术的有益效果：本专利技术依托前向后向算法构建一种即插即用的数值求解框架，并在交替迭代过程中嵌入遗传算法，解决了每次迭代参数自适应选取的问题，提供了一种框架简洁、适用性强、效果良好、易于工程实现、且自适应高的红外图像自适应复原框架。
附图说明
[0038]下面结合附图对本专利技术的具体实施方式做进一步阐明。
[0039]图1为本专利技术的自适应复原求解框架示意图；
[0040]图2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向泊松噪声图像的自适应复原方法，其特征在于：基于前向后向算法，引入中间变量，将泊松噪声图像复原优化问题分解为两个交替迭代的子问题，通过交替迭代获得清晰的复原图像，包括如下步骤：(1)基于最大后验估计定义泊松噪声复原最优化模型：(2)基于前向后向算法，引入中间变量z，将上述优化模型转为以下交替迭代问题：其中0＜γ＜2/L表示迭代步长，L为的利普希茨常数，且的利普希茨常数，且(3)选定初始参数γ，u0，正则函数(4)代入参数γ与u
k
‑1，求解中间变量z
k
；(5)基于中间变量z
k
，依托遗传算法完成每次迭代过程中正则参数τ
k
与u
k
的自动寻优；(6)步骤(4)和步骤(5)交替迭代，完成最优解u
*
的求解；其中，为交替迭代后的估计值，u为待复原的图像或者原始图像，<
·
,
·
>为内积算子，1为元素值全为1的列或行向量，K为模糊函数，g为观测数据或者模糊后的图像，log为对数函数，τ为正则参数，非负，为数据保真项，为正则函数；k为交替循环迭代次数；
*
为共轭复数，I为单位矩阵，为卷积算子。2.根据权利要求1所述的面向泊松噪声图像的自适应复原方法，其特征在于：步骤(4)中z
k
的求解可基于傅里叶变换进行快速求解。3.根据权利要求1所述的面向泊松噪声图像的自适应复原方法，其特征在于：步骤(5)中u
k
的优化求解模型根据近似映射算子定义，可视为噪声水平为的去噪问题，基于正则项选取对应求解策略生成去噪后的复原图像。4.根据权利要求1所述的面向泊松噪声图像的自适应复原方法，其特征在于：在步骤(5)求解过程中嵌入遗传算法内循环，正则参数τ作为变量，动态确定每次交替迭代的最优正则参数，并输出最优正则参数对应的...

【专利技术属性】
技术研发人员：何涛，江涛，孙伟，吕江涛，黄威龙，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：