本发明专利技术涉及基于有效特征裁选掩模构造的图像自动恢复方法，其特征在于其步骤是：图像的自动恢复，不需要先验信息；本算法可以在没有模糊形式和模糊核参数的情况下，自动恢复复杂运动轨迹下的运动模糊和一定大小范围内的失焦模糊；提高处理速度在迭代过程中引入预增强步骤，减少了迭代次数；采用图像梯度而不是图像像素值进行计算；获得更清晰的处理后图像；恢复前对图像强边缘区域进行预增强；算法更稳定。
【技术实现步骤摘要】
本专利技术涉及一种数字图像处理，具体涉及。
技术介绍
假设模糊图像是由清晰图像和模糊核做卷积得到，一般的图像恢复技术(非盲恢复)是通过观察模糊图像由经验推测模糊的形式，(比如运动模糊、失焦模糊)，进而试验出有关模糊核的参数，最后对模糊图像进行反卷积得到清晰图像。同业中使用的多是非盲恢复非盲恢复的主要缺点是由经验得到的模糊核缺乏准确度，尤其对于轨迹较复杂的运动模糊，这种方式无法准确估计出模糊核，导致非盲恢复适用范围窄。图像盲恢复不需要有关模糊核的先验信息，只需要一幅模糊图像就可以进行复杂降质过程下图像的恢复，适用范围更广，恢复效果也更好、更精确。有一种简单盲恢复需要模糊的形式已知，计算模糊核的参数并做反卷积得到恢复后的图像。这种方法的缺点同非盲恢复类似，需要预先估计模糊形式，并且模糊核的形状或轨迹要求比较简单。已有专利多是简单盲恢复，仍然有对模糊形式的假设，如运动模糊图像的盲恢复方法(申请号200810115097. 5，申请人北京航空航天大学)，通过估计运动模糊核的大小和方向进行恢复，而实际情况下运动轨迹复杂多样，基本不存在一个单一的方向，所以此方法适用性不广。现有文献中的盲恢复技术缺点运算量大处理速度慢，不够鲁棒(恢复出的图像会偏离原图)，对参数要求高(作者jiajiaya，文章High_quality Motion Deblurring from a Single Image),过度增强、对模糊核约束过多导致模糊核的过度平滑或过度稀疏 (作者cho,文章:Fast Motion Deblurring)。
技术实现思路
为了克服上述缺陷，本专利技术的目的是提供一种。为了实现上述目的，本专利技术采用如下技术方案 ，其步骤是1.图像的自动恢复，不需要先验信息本算法可以在没有模糊形式和模糊核参数的情况下，自动恢复复杂运动轨迹下的运动模糊和一定大小范围内的失焦模糊2.提高处理速度在迭代过程中引入预增强步骤，减少了迭代次数； 采用图像梯度而不是图像像素值进行计算。3.获得更清晰的处理后图像恢复前对图像强边缘区域进行预增强。4.算法更稳定对梯度图像进行裁选得到掩模，掩模为零的区域不参与运算，从而实现了对有效特征的筛选。使用多尺度处理的框架，采用交替迭代的方法对每个尺度依次进行处理，增加了待估计的模糊核(点扩展函数PSF)较大时算法的稳定性；加入清晰图像的预增强步骤，使用引导滤波对图像的强边缘区域进行预增强，在增强的过程中始终以原模糊图像的灰度范围作为指导，避免了过度增强；对梯度图像进行裁选从梯度图像在各个位置的密度和方向两方面评价恢复特征，设置裁选规则，得到图像掩模，掩模值为零的区域将不参与运算，有效减少了结果模糊核的噪声；模糊核的估计均在梯度图像进行，过程分为粗糙估计和精细估计两种第一次迭代进行粗糙估计，获得模糊核的覆盖范围，即待恢复结构周围的渐变区域，为下一步迭代梯度图像的精细裁选提供条件；之后进行的迭代过程均为精细估计，此时图像已经被正确裁选，使得模糊核的估计过程更加鲁棒。设计了快速的图像非盲恢复算法，由于之前几个步骤的加入使得我们的算法鲁棒性较高，可以容忍稍差的非盲恢复结果，使得算法可以进一步提高速度。单尺度盲恢复算法流程(流程图右半部分)简述如下(1)首先读入模糊图像J，手动给定模糊核大小(该数值只需大于真实模糊核大小)。进行中间迭代盲恢复的过程，包括预增强图像、获得掩模、裁选梯度图像、模糊核估计和一个非盲恢复步骤，得到估计的清晰图像￡和模糊核I。(2)迭代，得到最终的恢复结果。多尺度盲恢复步骤如下(1)首先在最粗尺度2 (以三个尺度为例)上，进行单尺度盲恢复处理得到该尺度的估计清晰图像和J2。(2)将JS上采样得到在尺度1上模糊核的初值《进行单尺度盲恢复处理，得到尺度1的估计清晰图像 和J3。(3)循环⑵步，直到在尺度0上得到估计清晰图像ZO和仰为止。上一部分已有总体流程图，现解释关键流程的原理和实现过程 图像预增强使用引导滤波对图像的强边缘区域进行预增强，在增强的过程中始终以原模糊图像的灰度范围作为指导，避免过度增强； 裁选梯度图像裁选目的是选出对图像恢复最有帮助的特征参与运算，特征量化的标准即裁选规则主要有两个1.每个像素点周围区域的梯度分布密度统计，避免使用边缘分布过度密集的区域，边缘的密度分布和阈值可以由原来的梯度图像和模糊核的覆盖范围估计出；2梯度图像中各个梯度方向上的像素点数应该保持平衡，通过对图像进行 (0，45，90，135度)四个梯度方向的扫描实现。综合两种指标设定阈值，获得裁选掩模，进行图像的裁选。假设原图像为I，掩模为M，则裁选后图像I’为权利要求1.，其特征在于其步骤是 图像的自动恢复，不需要先验信息；本算法可以在没有模糊形式和模糊核参数的情况下，自动恢复复杂运动轨迹下的运动模糊和一定大小范围内的失焦模糊； 提高处理速度在迭代过程中引入预增强步骤，减少了迭代次数； 采用图像梯度而不是图像像素值进行计算； 获得更清晰的处理后图像； 恢复前对图像强边缘区域进行预增强； 算法更稳定；设计了快速的图像非盲恢复算法，由于之前几个步骤的加入单尺度盲恢复算法，可以容忍稍差的非盲恢复结果，使得算法可以进一步提高速度。2.如权利要求1所述的，其特征在于单尺度盲恢复算法流程(流程图右半部分)简述如下首先读入模糊图像/，手动给定模糊核大小(该数值只需大于真实模糊核大小)， 进行中间迭代盲恢复的过程，包括预增强图像、获得掩模、裁选梯度图像、模糊核估计和一个非盲恢复步骤，得到估计的清晰图像￡和模糊核I， 迭代，得到最终的恢复结果， 多尺度盲恢复步骤如下(1)首先在最粗尺度2(以三个尺度为例)上，进行单尺度盲恢复处理得到该尺度的估计清晰图像￡2和JS(2)将J3上采样得到在尺度1上模糊核的初值JO进行单尺度盲恢复处理，得到尺度1的估计清晰图像ZI和JH.,(3)循环(2)步，直到在尺度0上得到估计清晰图像￡0和助为止， 上一部分已有总体流程图，现解释关键流程的原理和实现过程 图像预增强使用引导滤波对图像的强边缘区域进行预增强，在增强的过程中始终以原模糊图像的灰度范围作为指导，避免过度增强； 裁选梯度图像裁选目的是选出对图像恢复最有帮助的特征参与运算，特征量化的标准即裁选规则主要有两个`1.每个像素点周围区域的梯度分布密度统计，避免使用边缘分布过度密集的区域，边缘的密度分布和阈值可以由原来的梯度图像和模糊核的覆盖范围估计出；2梯度图像中各个梯度方向上的像素点数应该保持平衡，通过对图像进行 (0，45，90，135度)四个梯度方向的扫描实现，综合两种指标设定阈值，获得裁选掩模，进行图像的裁选， 假设原图像为I，掩模为M，则裁选后图像I’为Γ =IIM, I表示矩阵点乘梯度图像裁选完毕后的后处理如果被选择的区域只占原图大小的一小部分，则对原图进行进一步剪裁，梯度图也做相应的剪裁，缩小参与运算的图像大小， (粗糙/精细)模糊核估计模糊核估计不加入正则项，以防止估计结果的过度平滑或稀疏， 粗糙模糊核估计，采用整幅模糊图像/和预增强图像的梯度图像P^pj估计模糊核 χ，也就是最小化其中,(广/^財^/),^』/)“^^ 0JMv^ VMPA+V^IVB精细模糊核估计，采用裁选后的模糊图像梯度‘4和预增强并裁选过的梯本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：尚凌辉，高勇，王弘玥，马艳霞，
申请(专利权)人：浙江捷尚视觉科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。