CN101587588B - 一种气动光学退化图像序列自适应校正方法 - Google Patents

Abstract

本发明公开了一种气动光学退化图像序列自适应校正方法，步骤为：①将退化序列图像按相邻两帧成对分组；②规定点扩展函数支撑域总的变化范围，③确定当前组图像的点扩展函数的支撑域变化范围；④对当前组图像进行图像校正；⑤度量图象恢复效果的品质；⑥根据校正图像品质度量结果迭代递推估计最优点扩展函数支撑域及其点扩展函数；⑦选择相邻两组图像共有帧的最佳校正结果；⑧循环执行，完成对退化序列图像的校正。本发明能在点扩展函数支撑域未知的条件下，利用图像的品质度量准则，自适应得出最优的图像校正结果，并且利用序列图像中相邻帧的信息，缩小寻优范围，提高校正效率，对气动光学退化图像序列实现有效的快速的校正。

Description

一种气动光学退化图像序列自适应校正方法

技术领域

本发明属于气动光学与图像处理相结合的交叉科学技术领域，具体涉及一种气动光学退化图像序列自适应校正方法。

背景技术

气动光学是研究高速绕流对高速飞行器成像探测的影响的一门学科。带有光学成像探测系统的高速飞行器在大气层内飞行时，光学头罩与来流之间形成复杂的流场，对光学成像探测系统造成除热辐射外的光学波前传输畸变或传输干扰，引起被观测对象图像的偏移、抖动、模糊，这种效应就称为气动光学传输效应(Aero-Optical Transmission Effect)。这种效应降低了成像探测系统的效能，严重时使其完全丧失功能。因此需要发明新的数字处理技术，改善和恢复成像的品质，这就是图像校正。

气动光学退化图像校正的困难之处在于其退化模型是未知的和随机变化的，而且退化图像还含有传感器噪声，这进一步地增加了恢复或校正的难度。气动光学退化图像校正是一个跨学科的前沿性课题，极富有挑战性，它具有很大的应用前景，一直是科技界的研究热点。

在湍流退化图像恢复问题中，气动光学效应随机点扩展函数的正确估计是其核心部分。传统的图像校正技术都是在退化模型确定和已知的情况下进行校正的(见文献：H.C.Andrews，B.R.Hunt.Digital Image Restoration.Englewood Cliffs，NJ：Prentice Hall，1977.)，即先确定点扩展函数或其参数，然后利用诸如逆滤波和维纳滤波这样的方法恢复图像。由于湍流流场对目标成像影响的复杂多变性，导致湍流光学点扩展函数难以测定，其形式也无法事先确定，而且是随机变化的。故上述方法是很难满足实际应用的。

张天序、洪汉玉提出的两帧退化图像校正算法(见文献Zhang Tianxu，Hong Hanyu，Shen Jun.Restoration algorithms for turbulence-degraded imagesbased on optimized estimation of discrete values of overall point spread functions.Optical Engineering，2005，44(1))，虽能够对气动光学退化图像实现较好的校正，但需指定点扩展函数的支撑域大小，这在实际应用中很难做到，限制了该方法的效能。另外，序列图像的信息也未能充分利用，而且，对校正后的图像没有品质评价的可计算准则。

发明内容

本发明的目的在于提供一种气动光学退化图像序列自适应校正方法，该方法能在点扩展函数支撑域未知的条件下，自适应地估计点扩展函数，快速有效地校正气动光学退化图像序列。

本发明提供的气动光学退化图像序列自适应校正方法，其步骤包括：

(1)将退化图像序列(f₁，f₂，f₃，......，f_T-2，f_T-1，f_T)按相邻两帧成对分组，每一组图像构成校正和恢复运算的基本处理对象：

(f₁，f₂)，(f₂，f₃)(f₃，f₄)，......，(f_T-2，f_T-1)，(f_T-1，f_T)

T为退化图像的帧数；

(2)设定点扩展函数支撑域的总变化范围，其最小取值M_min×M_min和最大取值M_max×M_max；

(3)对一组图像(f_i-1，f_i)自适应确定该组图像的点扩展函数支撑域的变化范围，其最小值为M_low×M_low，最大值为M_high×M_high，i为退化图像的帧序号，f_i表示第i帧图像，i的初始值为2，若i为2或L的整数倍，L的取值范围为2至T，则M_low＝M_min，M_high＝M_max，转入步骤(4)；否则，取M_low＝M_k-2，M_high＝M_k+2，M_k为上一组得出的最优点扩展函数支撑域；

(4)令M＝M_low+m-1，1≤m≤k，k＝M_high-M_low+1；首先估计两帧图像的点扩展函数h_i-1(x，y)和h_i(x，y)，(x，y)分别表示图像高度和宽度方向上的象素坐标；再利用估计的两帧图像的点扩展函数对两帧图像进行校正恢复，得到两帧图像的恢复图像o_(i-1)m(u，v)和o_(i)m(u，v)；

(5)分别计算恢复图像o_(i-1)m(u，v)和o_(i)m(u，v)的图像模糊度D_(i-1)m和D_(i)m，对图象恢复效果的品质进行度量；

(6)令m＝m+1，若M＜M_high，则重复步骤(4)和(5)，否则，转入步骤(7)；

(7)求m＝1，2，...，k时D_(i-1)m和D_(i)m的最小值，设该最小值所对应的标号为K，设M_best＝M_low+K-1，则最优点扩展函数支撑域为M_best×M_best，所对应估计出的点扩展函数及其校正后的图像o_(i-1)K和o_(i)K为最优校正结果；

(8)对于相邻两组图像所求出的最优校正结果o_(i-2)K和o_(i-1)K，o_(i-1)K和o_(i)K，比较两次求出的o_(i-1)K，选取两者中更优的作为校正的输出结果；

(9)令i＝i+1，若i≤T，重复步骤(3)到(9)；若i＞T，则序列图像校正结束。

传统的基于总体点扩展函数的两帧校正算法虽能够对气动光学退化图像实现较好的校正，但需指定点扩展函数的支撑域大小，这在实际应用中很难做到，限制了该方法的效能。同时，序列图像的信息也未能充分利用，而且，对校正后的图像没有品质评价的可计算准则。本发明所提出的一种气动光学退化图像序列自适应校正方法，能在点扩展函数支撑域未知的条件下，利用图像的品质度量准则，自适应地估计得出最优的点扩展函数支撑域，同时得到最优的点扩展函数，从而得出最优的图像校正结果，并且利用序列图像中相邻帧的信息，缩小寻优范围，提高校正效率，对气动光学退化图像序列实现有效的快速的校正。

附图说明

图1是本发明气动光学退化图像序列自适应校正方法的流程图；

图2给出气动光学模拟仿真序列退化图像的第一帧和第二帧在不同支撑域下，应用基于总体点扩展函数的两帧校正算法的校正结果以及模糊度结果的例子；

图(2a)是气动光学模拟仿真序列退化图像的原始图像；

图(2b)和(2c)是气动光学模拟仿真序列退化图像的第一帧和第二帧图像；

图(2d)和(2e)是图像(2b)和(2c)在点扩展函数支撑域为2×2时的校正结果；

图(2f)和(2g)是图(2b)和(2c)在点扩展函数支撑域为3×3时的校正结果；

图(2h)和(2i)是图(2b)和(2c)在点扩展函数支撑域为4×4时的校正结果；

图(2j)和(2k)是图(2b)和(2c)在点扩展函数支撑域为5×5时的校正结果；

图(2l)和(2m)是图(2b)和(2c)在点扩展函数支撑域为6×6时的校正结果；

图(2n)和(2o)是图(2b)和(2c)在点扩展函数支撑域为7×7时的校正结果；

图(2p)和(2q)是图(2b)和(2c)在点扩展函数支撑域为8×8时的校正结果；

图(2r)和(2s)是图(2b)和(2c)在点扩展函数支撑域为9×9时的校正结果；

图(2t)和(2u)是图(2b)和(2c)在点扩展函数支撑域为10×10时的校正结果；

图(2v)和(2w)是图(2b)和(2c)在点扩展函数支撑域为11×11时的校正结果；

图(2x)和(2y)是图像(2b)和(2c)经模糊度判据寻优后得出的最优校正结果；

图3是点扩展函数支撑域在2×2～11×11时校正图像的模糊度变化曲线；

图(4a)和(4b)是图(2b)和(2c)的退化点扩展函数三维显示图，点扩展函数支撑域为7×7；

图(4c)和(4d)是由图(2e)和(2f)估计出的点扩展函数三维显示图，点扩展函数支撑域为3×3；

图(4e)和(4f)是由图(2w)和(2x)，即最优校正结果估计出的点扩展函数三维显示图，点扩展函数支撑域为7×7；

图(5a)和(5b)是气动光学模拟仿真序列退化图像的第一帧和第二帧图像；

图(5c)和(5d)是图(5a)和(5b)在点扩展函数支撑域为5×5时的校正结果；

图(5e)和(5f)是图(5a)和(5b)在点扩展函数支撑域为6×6时的校正结果；

图(5g)和(5h)是图(5a)和(5b)在点扩展函数支撑域为7×7时的校正结果；

图(5i)和(5j)是图(5a)和(5b)在点扩展函数支撑域为8×8时的校正结果；

图(5k)和(5l)是图(5a)和(5b)在点扩展函数支撑域为9×9时的校正结果；

图(5m)和(5n)是图(5a)和(5b)经模糊度判据寻优后得出的最优校正结果；

图(6a)和(6b)是图(5a)和(5b)的退化点扩展函数三维显示图，点扩展函数支撑域为7×7；

图(6c)和(6d)是图(5m)和(5n)，即最优校正结果估计出的点扩展函数三维显示图，点扩展函数支撑域为7×7；

图7和图8给出了某气动光学效应风洞退化序列图像应用本发明校正方法的进行序列图像校正的部分校正结果，图7示出了该序列的第0帧和第1帧图像的点扩展函数支撑域寻优过程，图8给出了该序列的第1帧和第2帧图像在前两帧点扩展函数支撑域估计基础上的寻优过程；

图(7a)和(7b)是某气动光学效应风洞退化序列图像的第0帧和第1帧退化图像；

图(7c)和(7d)是第0帧和第1帧退化图像在点扩展函数支撑域为2×2时的校正结果；

图(7e)和(7f)是第0帧和第1帧退化图像在点扩展函数支撑域为3×3时的校正结果；

图(7g)和(7h)是第0帧和第1帧退化图像在点扩展函数支撑域为4×4时的校正结果；

图(7i)和(7j)是第0帧和第1帧退化图像在点扩展函数支撑域为5×5时的校正结果；

图(7k)和(7l)是第0帧和第1帧退化图像在点扩展函数支撑域为6×6时的校正结果；

图(7m)和(7n)是第0帧和第1帧退化图像在点扩展函数支撑域为7×7时的校正结果；

图(7o)和(7p)是第0帧和第1帧退化图像在点扩展函数支撑域为8×8时的校正结果；

图(7q)和(7r)是经模糊度判据寻优后得出的第0帧和第1帧退化图像在点扩展函数支撑域为3×3时的最优校正结果；

图(8a)和(8b)是某气动光学效应风洞退化序列图像的第1帧和第2帧退化图像；

图(8c)和(8d)是第1帧和第2帧退化图像在点扩展函数支撑域为2×2时的校正结果；

图(8e)和(8f)是第1帧和第2帧退化图像在点扩展函数支撑域为3×3时的校正结果；

图(8g)和(8h)是第1帧和第2帧退化图像在点扩展函数支撑域为4×4时的校正结果；

图(8i)和8(j)是第1帧和第2帧退化图像在点扩展函数支撑域为5×5时的校正结果；

图(8k)和(8l)是经模糊度判据寻优后得出的第1帧和第2帧退化图像在点扩展函数支撑域为3×3时的最优校正结果；

图(9a)和(9b)是从图(7a)和(7b)(即第0帧和第1帧图像)得到最优校正结果图(7q)和(7r)时估计出的点扩展函数二维剖面显示图，点扩展函数支撑域为3×3；

图(9c)和(9d)是从图(8a)和(8b)(即第1帧和第2帧图像)得到最优校正结果图(8k)和(8l)时估计出的点扩展函数二维剖面显示图，点扩展函数支撑域为3×3；

图10是与图7和图8同一序列中的第11帧和第12帧退化图像应用本发明校正方法的进行图像校正的校正结果；

图(10a)和(10b)是某气动光学效应风洞退化序列图像的第11帧和第12帧退化图像；

图(10c)和(10d)是该序列第11帧和第12帧退化图像在点扩展函数支撑域为2×2时的校正结果；

图(10e)和(10f)是该序列第11帧和第12帧退化图像在点扩展函数支撑域为3×3时的校正结果；

图(10g)和(10h)是该序列第11帧和第12帧退化图像在点扩展函数支撑域为4×4时的校正结果；

图(10i)和(10j)是该序列第11帧和第12帧退化图像在点扩展函数支撑域为5×5时的校正结果；

图(10k)和(10l)是该序列第11帧和第12帧退化图像在点扩展函数支撑域为6×6时的校正结果；

图(10m)和(10n)是该序列第11帧和第12帧退化图像在点扩展函数支撑域为7×7时的校正结果；

图(10o)和(10p)是该序列第11帧和第12帧退化图像在点扩展函数支撑域为8×8时的校正结果；

图(10q)和(10r)是经模糊度判据寻优后得出的第0帧和第1帧退化图像在点扩展函数支撑域为3×3时的最优校正结果。

具体实施方式

下面结合附图和实例对本发明作进一步详细的说明。

(1)将退化图像序列(f₁，f₂，f₃，......，f_T-2，f_T-1，f_T)按相邻两帧成对分组，每一组图像构成校正和恢复运算的基本处理对象：

(f₁，f₂)，(f₂，f₃)(f₃，f₄)，......，(f_T-2，f_T-1)，(f_T-1，f_T)

T为退化图像的帧数；

如仿真图像图像序列(图2a、2b和图5a、5b))，分别将第一帧、第二帧图像以及第二帧、第三帧图像成对分组，后面的仿真图像类似处理，同样对于实际风洞图像(图7a、7b)和图8a、8b))将序列图像分成第0、1帧一组，第1、2帧一组，以此类推进行序列图像校正。

(2)设定点扩展函数支撑域的总变化范围，其最小取值M_min×M_min和最大取值M_max×M_max；

点扩展函数支撑域的最小取值M_min×M_min显然大于1×1，一般取2×2，点扩展函数支撑域的最大取值M_max×M_max可根据退化严重程度设定，不大于(N×N)/25，N×N为图像分辨率。

(3)对一组图像(f_i-1，f_i)自适应确定该组图像的点扩展函数支撑域的变化范围，其最小值为M_low×M_low，最大值为M_high×M_high，i为退化图像的帧序号，f_i表示第i帧图像，i的初始值为2，若i为2或L的整数倍，L的取值范围为2至T，则M_low＝M_min，M_high＝M_max，转入步骤(4)；否则，取M_low＝M-2，M_high＝M_k+2，M_k为上一组得出的最优点扩展函数支撑域；

图5c～5h示出在进行第1、2帧这一组图像校正时，根据前一组的后一帧图像估计出的最优点扩展函数支撑域，缩小该组校正的点扩展函数支撑域寻优范围，节省计算时间。

(4)按照步骤(4.1)至(4.2)对每组图像进行图像校正，其具体过程为：

(4.1)令M＝M_low+m-1，1≤m≤k，k＝M_high-M_low+1；利用步骤(4.1.1)至(4.1.3)估计两帧图像的点扩展函数h_i-l(x，y)和h_i(x，y)，(x，y)分别表示图像高度和宽度方向上的象素坐标；

(4.1.1)对图像(f_i-1，f_i)中的两帧图像分别作快速傅立叶变换(FFT)；

两帧退化图像为f_i-1(x，y)和f_i(x，y)，图像分辨率为N×N。快速傅立叶变换(FFT)后得到的两帧图像的频谱分别为F_i-1(u，v)和F_i(u，v)，(u，v)分别表示频谱高度和宽度方向上的象素坐标。

(4.1.2)两帧退化图像的频谱相除 $D(u,v)=\frac{F_{i-1}(u,v)}{F_i(u,v)},$ 得到D(u，v)，并用幅度Q(u，v)和相位角φ(u，v)表示；

D(u，v)为复数形式，可以表示为：D(u，v)＝R(u，v)+jI(u，v)，R(u，v)为D(u，v)的实部，I(u，v)为D(u，v)的虚部，j为虚部符号。将D(u，v)用幅度Q(u，v)和相位角φ(u，v)表示为：D(u，v)＝Q(u，v)exp[j2πφ(u，v)/N]

其中， $Q(u,v)=\sqrt{R^2(u,v)+I^2(u,v)},$ $\mathrm{\φ}(u,v)=\arctan \frac{I(u,v)}{R(u,v)}.$

(4.1.3)将步骤(4.1.2)中计算出的Q(u，v)和φ(u，v)代入如下方程组，求解出两帧退化图像所对应的点扩展函数：

其中，M为点扩展函数支撑域，h_i-1(x，y)和h_i(x，y)为要求解的两帧退化图像所对应的点扩展函数；

所需求解的上述方程组(包括实部和虚部)中含有未知变量h_i-1(x，y)及h_i(x，y)(x，y＝0，1，...，M-1)共2M²个。而方程组中方程个数为2N²。我们注意到图像频谱在频率域uv中具有共轭对称性，因此2N²个方程中大约有一半是重合的。因此，要想准确求解h_i-1(x，y)及h_i(x，y)，必须保证：N²+4＞2M²，即 $N>\sqrt{2}M.$ 由于之前确定的点扩展函数的变化范围的上限为(N×N)/25，即 $N>5M>\sqrt{2}M,$ 可以保证方程式是有解的。

从2N²个方程中，挑选出(2M²-1)个方程构成具有线性无关的方程组，求解方程组，获得两帧退化图像的点扩展函数h_i-1(x，y)和h_i(x，y)。

(4.2)利用估计的退化图像的点扩展函数进行两帧图像的校正恢复，得到恢复图像。

(4.2.1)对h_i-1(x，y)和h_i(x，y)分别进行傅立叶变换，得到

及

采用逆滤波得到原图像的频谱

${\hat{O}}_c(u,v)=\frac{{\hat{H}}_c^{*}(u,v)F_c(u,v)}{{\left|{\hat{H}}_c(u,v)\right|}^2+\mathrm{\λ}},c=i-1,i$

式中

为

的复共扼，λ为一个较小的常数，如λ可取为0.1，c为此两帧图像的序号。

(4.2.2)对

和

进行反傅立叶变换后，得到恢复图像o_i-1(u，v)和o_i(u，v)。

(5)分别计算恢复图像o_i-1(u，v)和o_i(u，v)的图像模糊度，对图象恢复(校正)效果的品质进行度量。

对于一帧校正后的灰度图像，其图像模糊度的计算过程如下：

(5.1)对整幅恢复图像进行1层哈尔(Harr)离散小波分解；

对待评价的恢复图像o_i-1(u，v)或o_i(u，v)进行一层Harr小波变换后得到了低频分量矩阵LL、水平细节分量矩阵HL、垂直细节分量矩阵LH和对角细节分量矩阵HH；

(5.2)根据下式对对角细节分量矩阵HH计算得到|HH|_gray；

${\left|\mathrm{HH}\right|}_{\mathrm{gray}}(m,n)=\frac{\left|\mathrm{HH}\right|(m,n)-\min \left(\right|\mathrm{HH}\left|\right)}{\max \left(\right|\mathrm{HH}\left|\right)-\min \left(\right|\mathrm{HH}\left|\right)}\×255$

(m，n)分别表示图像进行一层Harr小波变换后某一分量矩阵高度和宽度方向上的象素坐标；

(5.3)遍历|HH|_gray中每个像素，判断是否是模糊边缘特征点，记录模糊边缘特征点的数目N₁；同时记录|HH|_gray中灰度值大于零的象素点的数目N₂；

模糊边缘特征点是指某一象素点的八邻域内的象素点的值都与该象素点的值相等的象素点。

(5.4)确定全图的模糊度为D： $D=\frac{N_1}{N_2}.$

(6)令m＝m+1，若M＜M_high，则重复步骤(4)和(5)，对新的M的取值，记录图像f_i-1的校正后图像o_(i-1)m在不同支撑域下的模糊度值为D_(i-1)m(m＝1、2、…k)，同样记录图像f_i的校正后图像o_(i)m在不同支撑域下的模糊度值为D_(i)m(m＝1、2、…k)；否则，步骤(7)；

(7)求D_(i-1)m和D_(i)m(m＝1，2，...，k)的最小值，该最小值所对应的标号为K，设M_best＝M_low+K-1，则最优点扩展函数支撑域为M_best×M_best，所对应估计出的点扩展函数及其校正后的图像o_(i-1)K和o_(i)K为最优校正结果；

(8)对于相邻两组图像所求出的最优校正结果o_(i-2)K和o_(i-1)K，o_(i-1)K和o_(i)K，比较两次求出的o_(i-1)K，选取两者中更优的作为校正的输出结果；

图2c～2v示出模拟仿真图像在点扩展函数支撑域从2×2到11×11时计算得出的图像模糊度数值，根据图3示出的曲线，我们可以清楚地看出，在点扩展函数支撑域为7×7时，计算得出的模糊度最小，所得结果最优。

图4a、4b是图2b、2c的退化点扩展函数三维显示图，点扩展函数支撑域为7×7；相较于图4c、4d点扩展函数支撑域为3×3估计出的点扩展函数三维显示图像；估计出的点扩展函数图像和模拟仿真的退化点扩展函数相差很大，利用本发明的寻优方法，得到最优点扩展函数支撑域为7×7，其估计出的点扩展函数三维图像如图4e、4f，对比于图4a、4b，估计出的结果与模拟仿真的结果十分相似。

(9)令i＝i+1，若i≤T，重复步骤(3)到(9)；若i＞T，则序列图像校正结束。

附图2～10所示的反映了本发明在典型实施例中使用上述方法的有效性，根据所选择的点扩展函数支撑域大小的不同，对退化图像的校正效果也大不相同，通过模糊度准则进行自适应寻优，得到模糊度最小情况下的最优校正结果，相较于普通的基于总体点扩展函数的两帧校正算法，本发明可以更为高效的获得效果更好的校正结果。对于序列图像的校正，每两帧图像会以前面一组图像的后一帧图像估计出的最优点扩展函数支撑域的值为基础，缩小自身校正时的支撑域变化范围，从而在保证校正效果的同时达到节省时间的目的。在进行L组(如L＝10)图像校正之后，重新将点扩展函数支撑域的估计范围扩大为最初状态，以保证序列图像的校正效果。如图10，在对该风洞图像序列进行校正过程中，每经历10帧之后(如第11帧图像开始)，将点扩展函数支撑域的估计范围扩大为最初状态，保证校正效果。

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。

Claims (2)

1.一种气动光学退化图像序列自适应校正方法，其步骤包括：

(1)将退化图像序列(f₁，f₂，f₃，......，f_T-2，f_T-1，f_T)按相邻两帧成对分组，每一组图像构成校正和恢复运算的基本处理对象：

(f₁，f₂)，(f₂，f₃)(f₃，f₄)，......，(f_T-2，f_T-1)，(f_T-1，f_T)

T为退化图像的帧数；

(2)设定点扩展函数支撑域的总变化范围，其最小取值M_min×M_min和最大取值M_max×M_max；

(3)对一组图像(f_i-1，f_i)自适应确定该组图像的点扩展函数支撑域的变化范围，其最小值为M_low×M_low，最大值为M_high×M_high，i为退化图像的帧序号，f_i表示第i帧图像，i的初始值为2，若i为2或L的整数倍，L的取值范围为2至T，则M_low＝M_min，M_high＝M_max，转入步骤(4)；否则，取M_low＝M_k-2，M_high＝M_k+2，M_k为上一组得出的最优点扩展函数支撑域；

(4)令M＝M_low+m-1，1≤m≤k，k＝M_high-M_low；首先估计两帧图像的点扩展函数h_i-1(x，y)和h_i(x，y)，(x，y)分别表示图像高度和宽度方向上的象素坐标；再利用估计的两帧图像的点扩展函数对两帧图像进行校正恢复，得到两帧图像的恢复图像o_(i-1)m(u，v)和o_(i)m(u，v)；

(5)分别计算恢复图像o_(i-1)m(u，v)和o_(i)m(u，v)的图像模糊度D_(i-1)m和D_(i)m，对图象恢复效果的品质进行度量；

(6)令m＝m+1，若M＜M_high，则重复步骤(4)和(5)，否则，步骤(7)；

(7)求m＝1，2，...，k时D_(i-1)m和D_(i)m的最小值，设该最小值所对应的标号为K，设M_best＝M_low+K-1，则最优点扩展函数支撑域为M_best×M_best，所对应估计出的点扩展函数及其校正后的图像o_(i-1)K和o_(i)K为最优校正结果；

(8)对于相邻两组图像所求出的最优校正结果o_(i-2)K和o_(i-1)K，o_(i-1)K和o_(i)K，比较两次求出的o_(i-1)K，选取两者中更优的作为校正的输出结果；

(9)令i＝i+1，若i≤T，重复步骤(3)到(9)；若i＞T，则序列图像校正结束。

2.根据权利要求1所述的气动光学退化图像序列自适应校正方法，其特征在于：步骤(4)中，按照下述过程估计两帧图像的点扩展函数h_i-1(x，y)和h_i(x，y)：

(4A)对图像(f_i-1，f_i)中的两帧图像分别作快速傅立叶变换，得到两帧图像的频谱分别为F_i-1(u，v)和F_i(u，v)，(u，v)分别表示频谱高度和宽度方向上的象素坐标；

(4B)将两帧图像的频谱相除，得到

并用幅度Q(u，v)和相位角φ(u，v)表示；

(4C)将步骤(4B)中计算出的Q(u，v)和φ(u，v)代入如下方程组，求解出两帧图像所对应的点扩展函数h_i-1(x，y)和h_i(x，y)：

其中，N×N为图像分辨率。

Images