[发明专利]一种基于变分贝叶斯估计的去运动模糊的方法

说明书

本发明一种基于变分贝叶斯估计的去运动模糊的方法，在变分贝叶斯估计和自然图像梯度统计特性结合的基础上，针对复原过程中出现的振铃效应，提出基于循环边界统计均值滤波图像复原中去振铃的方法，最后用Richardson‑Lucy算法对图像复原。变分贝叶斯估计核心思想是用一个较易处理的近似全后验分布来逼近真实的后验概率分布。本发明提供的方法求解快速，鲁棒性高，能够有效地去除图像中因相机抖动而产生的模糊，而且在保持图像边缘和细节的同时，可以较好地降低噪声和振铃效应对图像复原质量的影响。

技术领域

本发明属于图像复原技术领域，涉及一种基于变分贝叶斯估计的去运动模糊的方法。

背景技术

近年来，运动模糊图像去模糊技术一直是图像复原技术研究中的一个热点研究内容，它不仅具有重要的理论意义，在实际应用中也有迫切需求，如智能车驾驶技术、刑事侦查等方面。

有很多因素会造成图像的运动模糊，根据不同的模糊形成方式可以分成以下两类：成像设备的抖动时的焦距调节不准确，被成像物体发生迅速地移动。针对这类运动模糊的图像，国内外诸多专家和学者对运动模糊图像复原展开了研究并取得了一系列研究成果。运动模糊图像复原属于盲复原领域，盲复原方法很多，其中目前备受关注的方法主要有两类：正则化方法和基于贝叶斯的方法。在现有技术中，现有的图像去运动模糊方法存在明显的噪声现象和振铃效应，影响了复原图像的质量。

发明内容

本发明提供了一种基于变分贝叶斯估计的去运动模糊的方法，有效地去除了图像中因相机抖动而产生的模糊，解决了复原图像过程中明显的噪声现象和振铃效应，是一种复原效果好，且鲁棒性高的盲去运动模糊的方法。

为了实现上述目的，本发明采取了如下的技术方案：

步骤1：建立运动模糊图像退化数学模型。图像的模糊降质过程可以用下面的数学模型来描述，如公式(1)所示：

其中f表示原清晰图像，h表示模糊核即降质函数，g表示模糊图像，n表示噪声。根据贝叶斯原理，则有下式成立：

步骤2：选择合适的概率模型，包括原始图像的先验概率模型以及降质函数和噪声的先验概率模型。

图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以认为是图像灰度概率密度的估计。高斯混合模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。零均值高斯混合模型能够很好地近似“重尾”分布。所以采用零均值混合高斯模型来近似长尾分布，它可以提供良好近似的经验分布，同时使我们的算法有易于处理的估计过程。假设{▽f}中各个元素是独立同分布的，则清晰图像梯度的概率密度函数可表示为高斯混合模型函数：

其中C表示零均值高斯模型的总数，v_c和π_c分别表示第C个零均值高斯模型的方差和权重，N表示高斯分布，i表示图像中像素的索引。混合高斯模型使用C(基本为3到5)个高斯模型来表征图像中各个像素点的特征所以本文实验中取C＝4。v_c和π_c的值是使用经典的EM算法(期望最大化)求解出来的。

由于所有降质函数都趋向于稀疏性，即降质函数中的大多数值为零，而非零值形成了一种类似曲线的路径，下降得比高斯分布更快，类似于指数分布。因此本文采用混合指数分布对降质函数进行建模。假设降质函数中的元素是独立同分布的，为了保证能量守恒，要求降质函数中的值均大于等于零且和为1，则：

其中D表示指数分布模型的总数，λ_d和π_d分别表示第d个指数分布的尺度因子和权重，E表示指数分布，j表示降质函数中元素的索引。在多次实验中发现，当D＝4时效果更好。