[发明专利]一种脉冲噪声模糊图像非线性复原方法及系统

说明书

本发明属于数字图像处理技术领域，公开了一种脉冲噪声模糊图像非线性复原方法及系统，脉冲噪声模糊图像非线性复原方法具体包括：建立脉冲噪声模糊图像退化机理模型，进而确定优化框架；构造数据项来建模脉冲噪声；选取图像先验项，结合数据项构造脉冲噪声模糊图像非盲目反卷积模型；利用迭代重加权最小二乘算法和共轭梯度法对非盲目反卷积模型进行数值优化求解，得到复原图像。本发明提出一种脉冲噪声模糊图像非线性复原方法，对脉冲噪声的性质进行分析，针对性地设计出非线性反卷积模型，求解非线性退化的脉冲噪声模糊图像复原问题。

技术领域

本发明属于数字图像处理技术领域，尤其涉及一种脉冲噪声模糊图像非线 性复原方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

当图像存在噪声和模糊的退化时，图像质量严重下降，一方面导致图像的 视觉效果下降，另一方面，退化干扰图像的高层任务，比如分割，目标检测与 识别等等，严重削弱了图像的使用价值。所以退化图像复原是非常有必要的。 图像去模糊问题是一个经典的图像复原问题，非盲反卷积是许多去模糊算法中 的关键部分，非盲指的是图像退化过程中的模糊核已知。基于线性退化模型的 非盲去模糊算法能够较好地复原符合线性退化模型的模糊图像，但是，其对于 不符合线性退化模型的模糊图像无法得到令人满意的结果。实际情况中，图像 常常存在非线性退化，脉冲噪声的污染是一个典型的非线性退化。违背线性退 化模型的模糊图像复原较难，其原因主要在于：

退化过程为非线性，建模较难。退化中的非线性因素的复杂性使得建模较 难，一般的非线性因素包括强噪声、饱和等，强噪声的性质更难分析且作用于 图像的方式为非线性，脉冲噪声由于其灰度截断作用使退化过程变为非线性。

基于非线性退化模型的反卷积模型设计困难。退化模型中的非线性因素对 复原结果有较大的影响，因此，即使对非线性退化过程准确建模，基于非线性 退化模型设计出对非线性因素的影响具有稳健性的反卷积模型仍是很困难的。

基于非线性退化模型的反卷积模型数值求解困难。由于反卷积模型是基于 非线性退化模型设计而来，因此，其一般也是非线性的或者是具有非线性项的， 这导致模型的数值求解更加困难。

经典的非盲目反卷积算法有：维纳滤波，Richradson-Lusy反卷积，约束最 小二乘法。这些算法假设噪声有较简单的分布，比如高斯分布，对清晰图像施 加的先验也比较简单，如Tikhonov约束，因此算法简单，快速，但正是这些简 单的假设和约束，使得这些算法对噪声敏感，复原图像质量较差。

随着自然图像统计性质的发现，如自然图像的梯度幅值具有重尾分布，包 含正则化项的非盲目反卷积算法被提出来，图像先验信息的引入使的算法的复 原效果有较大的提升。但是，当模糊图像中存在非线性退化因素，如脉冲噪声， 饱和像素，基于传统线性数据项的反卷积算法复原得到的图像中通常存在严重 的振铃现象，因此，部分工作从构造非线性数据项的角度出发，抑制非线性因 素的影响，设计非线性反卷积算法。

模糊图像中通常同时存在噪声的退化，噪声的存在使得图像去模糊问题更 加困难。实际情况中经常存在非线性强噪声，导致常用的线性退化模型无法有 效复原图像。针对噪声非线性退化模糊图像的复原，现有方法大致分为两类， 第一类是使用启发式的检测步骤剔除非线性噪声的影响，第二类是使用基于非 L2范数的数据项构造反卷积模型来统一处理所有像素。第一类：先显示地检测 出可能的噪声像素，再对剩余的像素进行去模糊处理；第二类，基于变分模型 的去模糊和噪声去除方法，变分模型的数据项一般使用L0或L1范数。

综上所述，现有技术存在的问题是：

基于传统线性数据项的图像去模糊方法对噪声比较敏感，在图像存在脉冲 噪声退化时，复原图像存在严重的振铃现象，无法恢复清晰图像，复原图像质 量差。