[发明专利]一种优化PSF估计的多特征图像复原方法

说明书

本发明提供了一种优化PSF估计的多特征图像复原方法，属于图像复原技术领域。该方法首先利用输入的原始低分辨率图像盲估计初始点扩散函数；然后根据该点扩散函数得到假设清晰图像；再根据初始图像和假设清晰图像更新点扩散函数；根据原图和更新的点扩散函数估计组稀疏重建块，根据原图估计自相似特征重建块；最后根据组稀疏重建块和自相似性特征重建块得到最终的图像复原结果；根据原图和最终复原结果图得到最终的点扩散函数。该方法使用图像的自相似性特征、组稀疏特征、点扩散函数相结合的策略，有效改善图像细节信息，可实现减少图像模糊和噪声、提升边缘细节信息的效果，达到提高图像质量的目的。

技术领域

本发明涉及图像复原的技术领域，尤其涉及一种优化PSF估计的多特征图像复原方法。

背景技术

优化PSF估计的多特征图像复原方法，可以很好地复原图像，并优化PSF估计，该方法可应用于天文观测、遥感遥测、军事科学、医学影像、交通监控等领域中，作为多特征图像复原的方法。

图像复原的过程就是从模糊图像中估计点扩散函数，并恢复原始清晰图像的过程。图像复原算法大致可以分为两类：一类是利用模糊图像的特征信息；另一类是利用图像块的结构信息。

基于特征信息来估计点扩散函数并恢复清晰图像的方法，主要包括利用图像特殊的点、图像梯度特征、图像的边缘、频域的零点等。2006年，Fergus等人针对相机抖动引起的图像模糊现象，根据相机运动的复杂路径在空间域上能够保留更显著的图像特征这一特性来对模糊图像进行复原。(参考：Fergus R,Singh B,Hertzmann A,et al.Removing camerashake from a single photograph[J].ACM Transactions on Graphics,2006,25(3):787-794.)但是该方法存在一定的缺陷，其复原后的图像会存在着振铃效应。2009年，Krishnan和Fergus在已知噪声水平的情况下，对图像复原方法进行研究，将超拉普拉斯模型作为正则化约束条件进行图像复原，取得一定的效果。(参考：Krishnan D,FergusR.Fast image deconvolution using hyper-Laplacian priors[C].Proceedings ofNeural Information Processing Systems 2009,Vancouver,British Columbia,Canada,DBLP,2009:1033-1041.)但是，该方法在计算过程中未对边界进行处理，只适用于大尺寸的图像。2011年Haiyong Liao等提出了一种基于拉普拉斯算子的新的全变分模型，利用交替最小化方法估计原始清晰图像和点扩散函数。(参考：Haiyong L,Michael K.Ng.BlindDeconvolution Using Generalized Cross-Validation Approach to RegularizationParameter Estimation[J].IEEE Transactions on Image Processing,2011,20(3):670-680.)但是该算法会产生较多的块效应，严重影响了图像复原的效果。