[发明专利]一种基于退化标定的数字成像系统极限像质提升方法

说明书

本发明公开了一种基于退化标定的数字成像系统极限像质提升方法。本发明包括以下步骤：1)从同一批次的数字成像系统中获取样本成像系统，使用不同的样本成像系统获得实拍退化图像；2)利用深度线性网络获得当前样本成像系统的不同视场的退化点扩散函数；3)构建退化图像和源图像，基于不同视场的退化点扩散函数训练像质提升网络，获得训练后的像质提升网络；4)重复步骤1)～3)对不同的样本成像系统进行矫正，获得每个样本成像系统对应的像质提升网络；5)抽取剩余的数字成像系统，选择最优的样本成像系统，使用该样本成像系统的像质提升网络优化当前数字成像系统的像质。本发明较好地矫正由噪声带来的图像退化，实现像质的极限提升。

技术领域

本发明属于数字图像处理领域，涉及了一种基于退化标定的数字成像系统极限像质提升方法。

背景技术

近年来，高阶非球面和自由曲面逐渐被应用到数字成像系统中以矫正镜头的畸变，它们可以以更少的物理空间解决普通球面透镜难以解决的高阶像差。而伴随着高阶非球面和自由曲面的应用，相机实际拍摄的图像中会出现像质突变的问题，这很大程度上会影响边缘视场的成像质量。但现有的数字图像后处理方法无法应对这类随空间大量变化的退化情况，所以，新的后处理方法亟待提出以解决这类问题。

现有的针对数字成像系统的像质提升方法可以大致概括为两种：(1)基于物理模型的解卷积图像复原算法。它将数字成像系统的退化描述为清晰图像卷积空间变化的模糊核，如果能够估计该模糊核，也就是数字成像系统的点扩散函数，就可以通过解卷积的方式恢复清晰图像。但是由于解卷积问题的病态性，当成像退化随视场发生大量变化时，该类方法难以准确估计数字成像系统的点扩散函数，导致复原结果通常与真实清晰图像有较大偏差，并且应对噪声的鲁棒性较差。(2)基于深度学习的方法更侧重于构建接近真实应用场景的数据集，并将构建好的数据集用以训练神经网络来学习退化模糊图与真实清晰图的映射关系。但是以往基于深度学习的算法通常无法准确地构建数据对，而且利用实拍实验构建数据对十分耗时耗力。同时，这类方法构建数据可移植性很低，移植到新的成像器件上需要做大量的重复工作。

发明内容

为了克服现有技术的不足和解决背景技术中存在的问题，本发明提出一种基于深度线性网络的相机退化标定方法，并且通过标定的结果构建数据集用以像质提升网络的训练，实现数字成像系统的极限像质提升。同时，对于工厂中同一批生产的相机，本发明提出一种可行的方法实现所有待矫正相机的像质提升。

本发明采用的技术方案如下：一种基于退化标定的数字成像系统极限像质提升方法，该方法包括以下步骤：

(1)对于同一批次生产的数字成像系统，抽取预设比例的多个数字成像系统均作为样本成像系统，使用不同的每个样本成像系统分别拍摄标定板后获得原始图像，对原始图像进行处理后，获得不同样本成像系统的实拍退化图像I_de；

(2)利用深度线性网络对一个样本成像系统拍摄得到的所有实拍退化图像I_de进行处理，计算当前样本成像系统的不同视场的退化点扩散函数；

(3)基于不同视场的退化点扩散函数，构建退化图像和源图像，退化图像和源图像输入像质提升网络中进行训练，获得训练后的像质提升网络，实现当前样本成像系统的矫正；

(4)重复步骤(1)～(3)抽取不同的样本成像系统，并对不同的样本成像系统进行矫正，所有的样本成像系统矫正完成后获得每个样本成像系统对应的像质提升网络；

(5)对于同一批次中抽取剩余的数字成像系统，每一个数字成像系统为待矫正状态，根据预设参数选择与当前数字成像系统匹配的样本成像系统，使用该样本成像系统的像质提升网络优化当前数字成像系统的像质。

所述步骤(1)具体为：

(1.1)对于同一批次生产的数字成像系统，以预设比例随机抽取多个数字成像系统均作为样本成像系统；