发明内容
本发明解决的问题是提供一种结合权重边缘分析与帧内迭代的图像条纹校正方法,能有效简化图像校正的复杂度,提高系统处理图片的能力和处理速度。
为解决上述问题,本发明实施例提供了一种结合权重边缘分析与帧内迭代的图像条纹校正方法,包括:建立图像迭代校正模型;对图像进行权重边缘分析,获得权重边缘因子矩阵;将权重边缘因子矩阵引入到图像迭代校正模型,对单幅图像进行迭代优化。
可选的,利用惩罚函数法建立所述图像迭代校正模型。
可选的,所述图像迭代校正模型的设计惩罚函数为:J=||f-g||2+α||Dxf||2,其中f为清晰图,g为退化的观测图,Dx为水平差分算子的循环矩阵形式,f=Gg+O,G为增益系数,O为偏置系数。
可选的,G与O的优化迭代方程式子如下:
gi=fi-1(i>1)、f1=g0=g(i≤1),且fi+1=Gi+1gi+1+Oi+1,i为迭代次数。
可选的,对于任意位置(x,y)处的权重边缘因子矩阵M(x,y), 且γ值用来确定M数值的范围, 估计噪声的局部方差其中是观测图g的局部方差,是观测图g的平滑结果的局部方差,max_n(A)代表A中的第n个最大值, s是一个N×N的平滑算子,
可选的,采用Δσ2(x,y)中若干个最大值的平均值作为Δσ2(x,y)的单独最大值。
可选的,对单幅图像进行迭代优化的具体公式为:
其中矩阵Mti+1为利用gi+1获得Mi+1后,将矩阵Mi+1中大于阈值T的区域都设置为1,其余为0,所形成的一个二值化的矩阵。
与现有技术相比,本技术方案具有以下优点:
本发明通过获得权重边缘因子矩阵,并利用权重边缘因子矩阵引入到图像迭代校正模型,对单幅图像进行迭代优化,能有效简化图像校正的复杂度,能提高系统处理图片的能力,且处理效果较佳。
具体实施方式
下面结合附图,通过具体实施例,对本发明的技术方案进行清楚、完整的描述。
请参考图1,为本发明实施例的结合权重边缘分析与帧内迭代的图像条纹校正方法的流程示意图,包括:
步骤S101,建立图像迭代校正模型;
步骤S102,对图像进行权重边缘分析,获得权重边缘因子矩阵;
步骤S103,将权重边缘因子矩阵引入到图像迭代校正模型,对单幅图像进行迭代优化。
具体的,执行步骤S101,建立图像迭代校正模型。
在本实施例中,利用惩罚函数法建立所述图像迭代校正模型。所述图像迭代校正模型的设计惩罚函数为:J=||f-g||2+α||Dxf||2,其中f为校正后的清晰图,g为未校正的退化观测图,Dx为水平差分算子的循环矩阵形式,f=Gg+O,G为增益系数,O为偏置系数。
其中,G与O的优化迭代方程式子如下:
gi=fi-1(i>1)、f1=g0=g(i≤1),且fi+1=Gi+1gi+1+Oi+1,i为迭代次数,即fi+1为第i+1次迭代后的清晰图,g为第i+1次迭代前未校正的退化观测图。
执行步骤S102,对图像进行权重边缘分析,获得权重边缘因子矩阵。
权重边缘因子矩阵M的值是由局部的信号和噪声决定,此矩阵的设计是为了进行边缘分析。M在局部窗口N×N内计算,对于任意位置(x,y)处的权重边缘因子矩阵M(x,y), max_n(A)代表A中的第n个最大值, 且γ值用来确定M数值的范围, 其中为估计噪声的局部方差,是观测图g的局部方差,是观测图g的平滑结果的局部方差,s是一个N×N的平滑算子,
在本实施例中,M(x,y)∈(0,1)。矩阵M根据观测图像g估计得到,M中的数据从0到1变化,即图像内容从边缘到平坦区域的变化,也就是说:M越小,则越可能是边缘区域,越大则越接近平坦区域。
执行步骤S103,将权重边缘因子矩阵引入到图像迭代校正模型,对单幅图像进行迭代优化。
由于噪声在最终的观测图像中呈现条纹状,在图像的边缘区域,即灰度变换剧烈区域,条纹的视觉效果不强;而在平坦区域,灰度变换不剧烈的区域,条纹的视觉效果很强。因此,对于不同的内容区域,优化的权重应该不同。于是将权重边缘因子矩阵引入到图像迭代校正模型。
在步骤S101中,第i次迭代结果为fi+1=Gi+1gi+1+Oi+1,对于任意的迭代次数i,插入一个“M操作”步骤,使得i+1的迭代过程改进为:
并且gi=fi-1(i>1)、f1=g1=g(i=1)
利用gi+1获得Mi+1后,将矩阵Mi+1中大于阈值T的区域都设置为1,其余为0,形成一个二值化的矩阵Mti+1。其中,阈值T处于[0,1]之间,用于把权重矩阵M中大于阈值T的较大区域的像素找出并标定出来,所述阈值T根据不同图像进行调节。
因此,对单幅图像进行迭代优化公式为通过多次迭代,最终实现单帧迭代优化校正,获得校正图像。
请参考图2和图3,图2是本发明实施例中未经过校正的测试图,当阈值T为0.7,迭代次数为10次,G1(i=1)的值为0.9,O1(i=1)的值为0.1,图3为本实施例中采用上述公式获得的校正后的清晰图,从图中看出,能明显地校正图像的条纹。
目前对条纹图像的评价一般使用粗糙度指数因子与剩余非均匀性进行评价。
粗糙度指数因子(roughness index,ρ)时一种无参考的非均匀性的客观评价指数,通常被用来衡量非均匀性校正的效果,这个因子主要衡量图像的高通内容信息。ρ越小,图像越好,非均匀性校正算法越佳。对于任意图像f,其ρ定义为:
其中h1(i,j)=δi-1,j-δi,j且h2(i,j)=δi,j-1-δi,j。δi,j指的是克罗内克符号(kronecker delta),||f||1就是f的L1范数。对于一幅均匀图像,ρ=0,随着探测器探测到的信号变化而变化。
另外一种常用的评价手段称为“剩余非均匀性”
fij是坐标(i,j)的强度(像素值),代表图像f的平均强度。同样,Ur越小,非均匀性校正质量越好。
表1所示是图像校正前后的评价指数对比。从表1可以发现,粗糙度指数因子和剩余非均匀性都表明值在减小,表明条纹图像得到了很好地校正,效果很好。
表1
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。