[发明专利]一种优化PSF估计的多特征图像复原方法

权利要求书

1.一种优化PSF估计的多特征图像复原方法，其特征在于，包括如下步骤：

S1：输入模糊图像g；

S2：根据步骤S1输入的模糊图像g盲估计点扩散函数h₀；

S3：根据步骤S1所得结果g与步骤S2所得结果h₀采用Lucy-Richardson复原算法估计假设清晰图像I₀；

S4：构建求解复原图像I与点扩散函数h的目标函数并根据步骤S1所得结果g与步骤S3所得结果I₀计算点扩散函数h₁；

S5：根据步骤S4所得结果h₁分别估计组稀疏重建图像J_r与自相似重建图像J_s；

S6：根据步骤S5所得结果J_r与J_s估计复原图像I；

S7：根据步骤S6所得结果I与步骤S1所得结果g计算优化后的点扩散函数h。

2.根据权利要求1所述的一种优化PSF估计的多特征图像复原方法，其特征在于，所述步骤S2中盲估计点扩散函数h₀的算法是迭代最小二乘算法。

3.根据权利要求1所述的一种优化PSF估计的多特征图像复原方法，其特征在于，所述步骤S4中构建求解复原图像I与点扩散函数h的目标函数表达式为：

其中，g为模糊图像，I为复原图像，为梯度算子，为模糊图像g的梯度图像，为复原图像I的梯度图像，为矩阵二范数的平方，h为点扩散函数，B_jg为从图像g中抽取的图像块，B_j为图像g的抽取矩阵，G^α为图像g的降采样图像，α为降采样因子，C_iG^α为从G^α中抽取的图像块，C_i为图像G^α的抽取矩阵，L_j为B_jg的相似图像块组，A_j为L_j的稀疏表示系数，D_j为L_j经过SVD(Singular Value Decomposition)算法学习得到的稀疏表示字典，γ_t、γ_n、γ_g为正则化常数，T是限制A_j稀疏度的常数，

本发明方法采取交替求解的方法来估计点扩散函数h和复原图像I，首先固定假设的清晰图像I₀，计算点扩散函数h₁，然后在固定点扩散函数h₁的基础上，用组稀疏先验和自相似性先验对模糊图像g重建得到复原图像I，最后根据模糊图像g与复原图像I计算得到优化后的点扩散函数h，

根据上述目标函数计算点扩散函数h₁的表达式为：

其中g为步骤S1输入的模糊图像，I₀为步骤S3得到的假设清晰图像，F(*)为傅里叶变换，为傅里叶变换的复共轭，F^-1(*)为傅里叶逆变换，与为梯度算子，表示傅里叶变换后的乘法。