[发明专利]基于稀疏性度量的图像盲去模糊方法

说明书

技术领域

本发明属于图像处理技术领域，具体地说是一种对模糊图像进行盲去模糊方法，该方法可用于对各种未知模糊类型的模糊图像进行去模糊。

背景技术

图像去模糊是图像处理学中的重要领域，其目的就是要尽可能恢复退化后的模糊图像的本来面目。图像去模糊分为两大类型：图像非盲去模糊和图像盲去模糊。图像非盲去模糊是指在已知退化的模糊核条件下求清晰图像的过程，这类问题已经研究的非常纯熟，现有很多技术可以得到非常清晰的解。图像盲去模糊是指在不知道模糊核的情况下，从退化图像中估计出原始图像的过程。由于可以利用的经验知识比较少，图像盲去模糊非常困难，但是此类问题更符合实际需求，因而图像盲去模糊问题成为现代研究的热点。

图像盲去模糊的方法按传统上分为参数法和迭代法两大类，所谓参数法，即模型参数法，就是将模糊核和真实图像用数学模型加以描述，模型的参数需要进行辨识。在参数法中，典型的有先验模糊辨识法和ARMA参数估计法。它们的缺点是计算量太大，解不唯一，以及估计算法往往不稳定、效果差。所谓的迭代法，是利用真实图像和模糊核的先验约束，通过算法的迭代过程，来辨识真实图像和模糊核的方法。迭代法是图像盲去模糊算法中应用最广泛的一类算法。盲去模糊迭代法的经典方法为IBD算法。IBD算法的缺点是对初始值敏感，有时不能收敛甚至不能得到良好的解。

上述传统的盲去模糊方法不但效果差而且在实际应用中不能很好的实现，因此，目前国际上提出了一些改进上述缺点的经典图像盲去模糊方法。首先，I.Rob Fergus等人提出基于图像梯度分布的贝叶斯方法，参见文章《Removing Camera shake from a Single Photograph》,2006,ACM Transactions on Graphics,vol.25,pp.787-794。这种方法分析了图像的梯度分布，用曲线对梯度分布进行拟合，先求出模糊核，再用经典的Lucy-Richardson迭代法进行图像的非盲去模糊。这是一种有效的去模糊方法。但是，这种方法解出的模糊核不够精确，代价方程的求解方法也不够先进，因此会产生振铃效应，对噪声也十分敏感。同时，Dilip Krishman等人运用模糊核和图像的先验特性，通过迭代求解的方式进行去模糊，参见文章《Blind Deconvolution Using a Normalized Sparsity Measure》,In Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition(CVPR’2011),2011,pp.233–240。该方法虽能较好的恢复图像。但是，这种方法的解不够稳定，对不同模糊图像求解的效果差异很大，此外，这种方法仍然会产生一定的振铃效应，并且也对噪声十分敏感。

发明内容

本发明的目的在于克服上述已有技术的不足，提出基于稀疏度测量的图像盲去模糊方法，以更好的去除振铃效应，消除对噪声的敏感性。

实现本发明目的的技术思路是：利用上述两种经典的盲去模糊方法，求出的两个基本模糊核，然后进行线性组合加权，得到模糊核字典，通过引入稀疏度度量，找到更精确的模糊核，再以L0-abs作为主要非盲去模糊的求解方法，进行图像去模糊。其主要步骤包括：

(1)利用基于图像梯度分布法和基于先验特性法，分别得到2个基本的初始模糊核k_f和k_s；

(2)利用基本初始模糊核k_f和k_s，构建模糊核字典k_d：

2a)初始化模糊核k_f的线性加权系数α＝0，模糊核k_s的线性加权系数β＝1，设置迭代索引的初始值i＝1;

2b)按下面公式形成模糊核字典k_d中的元素kⁱ：

                  kⁱ＝α×k_f+β×k_s，

其中，i∈1,2,...10，代表模糊核字典k_d中的十个元素的索引；

2c)改变索引：i＝i+1，并且改变线性加权系数的值：α＝α+0.1，β＝β-0.1;