CN104091315B - 一种车牌图像去模糊的方法及系统 - Google Patents

Abstract

本发明公开了一种车牌图像去模糊的方法及系统，其中，该方法包括：基于稀疏表达系数和角度之间的函数关系依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数；根据所述卷积核角度参数，并基于频谱特性来进行长度估计，获得卷积核长度参数；利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像。通过采用本发明公开的方法及系统提高了图像的去模糊效果，减少了计算复杂度，且具有较高鲁棒性。

Description

一种车牌图像去模糊的方法及系统

技术领域

本发明涉及图像处理技术领域，尤其涉及一种车牌图像去模糊的方法及系统。

背景技术

近年来，随着城市主干道和高速公路的车辆监控系统越来越普及，监控摄像头的取证为超速等违法行车行为提供了证据。然而对于超速行驶的车辆，很多时候拍摄到的车牌遭受严重的模糊影响，甚至人眼无法识别出确切的车牌，这为法律的取证造成了障碍，对于高速运动的车牌去模糊有着很迫切的实际需求和重大意义。

快速发展的盲去图像卷积(BID)技术为去除由于运动造成的模糊带来了机遇。对于图像模糊的问题，一般分为两类：1)由空间不变的卷积核引起的模糊；2)由空间变化的卷积核引起的模糊。超速运动的车牌适用于第一类情况。在数学上，卷积核造成的模糊的模型可以描述为：

B(x,y)＝k(x,y)*I(x,y)+G(x,y) (1)

其中B(x,y)为我们得到的模糊图像，k(x,y)表示卷积核，I(x,y)为我们希望恢复的清晰图像，G(x,y)一般认为是高斯噪声，*代表卷积算子。图像去模糊的目的就是通过B(x,y)得到I(x,y)以提高客观和主观质量，或者恢复已经被破坏的语义信息。

目前，对于超速运动的车牌这种情况，图像的去模糊面临以下几个挑战：1)由于监控摄像头是对整个车辆的拍照取证，所以车牌在整个图像中只占很小的一个区域，所得到的图像的分辨率不高甚至很低，并不能提供很有效的细节；2)此外相比车牌大小，由车辆运动引起的模糊是很巨大的，卷积核的大小甚至达到很多车牌同样的尺寸，即便大尺寸的边缘信息也遭到严重的破坏；3)监控摄像头拍摄的监控图像经常遭受过饱和等光学现象的剧烈影响。基于以上三点，真实场景下的运动车牌去模糊仍是一个开放性问题。

发明人在进行发明创造的过程中，发现现有技术主要存在如下缺陷：

1)最大后验概率(MAP)算法。该算法通过预测后的大尺度边缘可以提高估计卷积核的准确度，但是引入的一个重要问题就是当模糊图像中的边缘信息不足够多时，就无法准确估计出卷积核甚至根本无法估计出卷积核。导致该算法强烈地依赖于图片内容。此外，该算法仅能对卷积核不是很大的情况进行处理(卷积核的大小相对于观察到的图片很小的情况)，对于高速运动的车牌，这个假设并不成立。该算法并不能有效地处理车牌去模糊的问题。

2)最大化边缘分布方法。该方法虽然可以避免由于MAP失效导致的卷积核估计失败。然而，由于该方法引入了EM算法(平均-最大化算法)，不可避免地增加了算法的技术复杂度，对于不同的先验知识，算法的设计复杂度也将增加。由于理论上的分析只能保证该方法处理卷积核比较小的情况。并且在实际情况中，根据该方法设计的算法并不是很稳定，对于不同的图片甚至需要不同的先验知识。

3)参数化卷积核估计的方法。通过采用该方法可提高卷积核估计的准确度及减少计算复杂度。但是，该方法使用了一个很强的假设：自然图像的频率谱是各向同性的。这个假设忽略了图像内容对频谱的影响，为了符合这个假设，图片的尺寸一般需要很大，但是对于高速运动的车牌，其边缘主要集中在水平和竖直方向上，另外一般获取的车牌尺寸比较小，无法符合各向同性的假设。

发明内容

本发明的目的是提供一种车牌图像去模糊的方法及系统，提高了图像的去模糊效果，减少了计算复杂度，且具有较高鲁棒性。

本发明的目的是通过以下技术方案实现的：

一种车牌图像去模糊的方法，该方法包括：

基于稀疏表达系数和卷积核角度参数之间的函数关系具有凸函数性质，以及在期望的卷积核角度参数上具有最小的稀疏表达系数的基础上，依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数；

根据所述卷积核角度参数，并基于线型卷积核具有类辛格SINC函数频谱特性和自然图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度参数；

利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像。

一种车牌图像去模糊的系统，该系统包括：

卷积核角度估计模块，用于基于稀疏表达系数和卷积核角度参数中之间的函数关系具有凸函数性质，以及在期望的卷积核角度参数上具有最小的稀疏表达系数的基础上，依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数；

卷积核长度估计模块，用于根据所述卷积核角度参数，并基于线型卷积核具有类辛格SINC函数频谱特性和自然图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度参数；

去卷积模糊模块，用于利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像。

由上述本发明提供的技术方案可以看出，该方法的去模糊过程能够克服图片分辨率低，细节受到严重破坏等不利条件，模糊图片经处理后能被人眼识别；该方法通过利用稀疏表达系数和角度之间的函数关系来完成；对于长度的估计，利用频谱特性来完成，从而能较好的确定卷积核的参数，提高了图像的去模糊效果，具有计算准确性高、时间复杂度低的特点，并表现出很强的鲁棒性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例一提供的一种车牌图像去模糊的方法的流程图；

图2为本发明实施例二提供的在不同长度设定下，参数A和θ的关系示意图；

图3为本发明实施例三提供的一种车牌图像去模糊的系统的示意图；

图4为本发明实施例四提供的现有技术的三种图像去模糊方法与本发明方法的对比结果示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

图1为本发明实施例一提供的一种车牌图像去模糊的方法的流程图。如图1所示，该方法主要包括如下步骤：

步骤11、基于稀疏表达系数和角度之间的函数关系依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数。

具体来说，是基于稀疏表达系数和卷积核角度参数中之间的函数关系具有凸函数性质，以及在期望的卷积核角度参数上具有最小的稀疏表达系数的基础上，依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数。

本发明实施例中，述粗粒度角度估计的步骤包括：

获取初始模糊图像Y、预设的步长Δ及预设的卷积核长度l、卷积初始角度θ₀(卷积核可以由长度和角度唯一的确定)，循环进行下述步骤，直至收敛：

生成该初始模糊图像的卷积核其中，表示由参数l,θ_m确定的卷积核，m表示循环次数；

将所述卷积核带入下式替代变量k：

其中，I表示希望恢复的清晰图像，Y为观测到的模糊图像，|I|_TV表示变量I的总变分差和(total variation)；表示k*I-Y的Frobenius范数(弗罗贝尼乌斯范数)，λ表示平衡因子，*代表卷积算子；

分别对应卷积核计算得到并带入下式替代变量I：

minΣ|α_j|

s.t Ω_jI＝Dα_j；

其中，Ω_j表示抽取图像中一个小块(patch)的操作，D表示事先训练得到的字典，α_j表示图像中的一个小块在字典上的稀疏表示；

计算得到其中，A＝Σ|α_j|，即所有小块的稀疏表达稀疏系数绝对值之和；

若所述中的最小值为则表示已收敛；

若所述中的最小值为则θ_m+1←θ_m-Δ；

若所述中的最小值为则θ_m+1←θ_m+Δ；

获得粗粒度角度估计结果θ_m。

所述精细角度估计的步骤包括：

获取初始模糊图像Y、粗粒度角度估计结果θ_m以及预设的长度l'(该长度l'可以与之前的长度l相等或不相等)；

以所述初始模糊图像的(θ_m,l')为中心，生成一系列的参数对(θ_i,l_i')对应生成的卷积核记为k_i；

将所述卷积核k_i带入下式替代变量k：

对应计算得到I_i，并带入下式替代变量I：

minΣ|α_j|

s.t Ω_jI＝Dα_j；

计算得到A_i，其中，A＝Σ|α_j|；

对所述A_i按照大小顺序进行排序，并选出最小的n个A_i对应的角度θ_i；

计算所述最小的n个A_i对应的角度θ_i的平均值θ，并将该平均值θ作为精细角度估计结果。

步骤12、根据所述卷积核角度参数，并基于频谱特性来进行长度估计，获得卷积核长度参数。

具体来说，是根据所述卷积核角度参数，并基于线型卷积核具有类SINC(辛格)函数频谱特性和自然图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度参数

本步骤具体实现过程如下：

获取初始模糊图像以及精细角度估计结果θ；

将所述初始模糊图像扩展到N×N的大小，并计算其傅里叶变换的幅度值，并在此之上计算对数记做log(|F_B|)；

在精细角度估计结果θ上，做Radon变换，结果记做

使用最小二乘方法对所述进行多项式拟合，拟合结果记为得到所述与所述相减之差的连续极小值之间的距离d；具体的：在计算扩展到N×N大小初始模糊图像的傅里叶变换的幅度时，对应的卷积核傅里叶变换的幅度记为F_k，且依次对所述F_k做对数运算及Radon变换，结果记为

当趋近所述F_k的零点时，所述和之间的误差最大，则通过下式的局部极值来检测F_k的零点：

通过检测的局部极小值，得到F_k两个连续零点之间的距离d(即，与所述相减之差的连续极小值之间的距离d)。

从而获得卷积核长度参数：L＝N/d。

步骤13、利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像。

示例性的，本步骤所述的去模糊算法可以为已知卷积核去图像模糊算法(NBID)。

另一方面，还可以预先根据清晰的图像进行训练，获得清晰图像的先验知识；具体的：采用稀疏表达算法来训练得到一个可以稀疏地表达清晰图像的字典D，该训练为针对图像中的每一小块(patch)所进行。

需要强调的是，本发明实施例上述执行步骤中所包含的预设参数可根据实际情况或者经验来确定，此处并不进行限制。

本发明实施例的去模糊过程能够克服图片分辨率低，细节受到严重破坏等不利条件，模糊图片经处理后能被人眼识别；该方法通过利用稀疏表达系数和角度之间的函数关系来完成；对于长度的估计，利用频谱特性来完成，从而能较好的确定卷积核的参数，提高了图像的去模糊效果，具有计算准确性高、时间复杂度低的特点，并表现出很强的鲁棒性。

实施例二

为了便于理解本发明，下面对本发明做进一步的说明。

首先，介绍本发明的设计原理，以便说明本发明的可实施性。从照相机的成像原理出发，对监控摄像头的成像过程进行数学建模，推导出在很弱的假设条件下，由于高速运动引起的车牌模糊可以使用线性卷积核进行建模。

对于一个运动的平面，不同时刻的成像之间有如下投影变换关系：

其中，K是相机的参数矩阵，R是相机的旋转运动矩阵，t是相机和平面的相对运动向量，s＝(-sinβ,-cosαcosβ,-sinαcosβ)^T是平面的法向量，其中(α,β)分别为该平面的法向量和相机坐标系的坐标轴之间的角度，d'为平面到相机中心的垂直距离。假设s和t是平行的(只要车牌被正确安装)，经过推导可以得到：

将上式进一步展开，可以得到在车牌区域占整个图片的比例不是很大的情况下，上述推导获得的式子和线性卷积核有着同样的表现形式。该推导过程证明，对于高速运动导致的车牌模糊可以使用线性卷积核进行建模。从而将卷积核的估计问题进一步转化为参数估计问题，只需要估计出角度和长度两个参数即可。

同时，还可以预先根据清晰的图像进行训练，获得清晰图像的先验知识；具体的：采用稀疏表达算法来训练得到一个可以稀疏地表达清晰图像的字典D，该训练为针对图像中的每一小块(patch)所进行。

然后，再依次进行角度、长度估计；具体过程如下：

1)角度估计。

本实施例中角度估计主要包括粗粒度角度估计和精细角度估计两部分。以此可以大大减小算法的计算复杂度，在粗粒度角度估计时，其将给出大致的角度范围，但存在一定的误差；精细角度估计则根据粗粒度角度估计模块输出的结果，在一定的范围内精细地确定最终的估计结果。

本发明实施例中，尝试利用下面的优化问题去进行角度估计：

s.t Ω_jX＝Dα_j；(2)

其中，I表示希望恢复的清晰图像；k_l,θ表示由角度θ和长度l确定的卷积核，但是此处长度l的设定不重要，长度l可以设定为任意一个适中的数值；*代表卷积算子；Ω_j表示抽取图像中一个小块(patch)的操作；D表示事先训练得到的字典；式(2)是一个两层(two-layer)的优化问题，问题的求解十分复杂。因此，将其转化为：

和

minΣ|α_j|；(2-2)

s.t Ω_jI＝Dα_j；

对于一个确定的角度θ，可以得到一个对应的Σ|α_j|，为便于表示，此处令A＝Σ|α_j|。因此，A可以做角度θ的一个函数，记为f。

而所述f具有凸函数的特性，对于角度的估计是很有利的；为了证明所述f具有凸函数的特性，我们进行了实验，在实验中我们使用的卷积核参数为(θ＝80°,l＝35)，使用该卷积核对清晰的图像进行卷积，将得到的模糊图像按照上述步骤进行实验。实验结果如图3所示，为不同长度设定下，A和θ的关系；图3中的曲线自上向下长度依次设定为：50、45、40、35、30、25(单位为像素)。从图3可以看出，即使在上述步骤中使用错误的长度设定，A仍是在θ＝80°附近取得最小值。

本发明实施例中，利用图3展示的f具有凸函数的性质，得到一个初步的角度估计结果。在求解式(2)的时候，最棘手的问题是求解其梯度。而f具有凸函数的性质为算法设计提供了两个有利的条件：1)局部最优值就是全局最优值；2)梯度可以通过两次求解式(2)得到。

根据上述特性，首先进行粗粒度角度估计，先获取初始模糊图像Y、预设的步长Δ及随意设定的长度l、初始角度θ₀，此时的循环次数m＝0；

再循环执行下述步骤，直至收敛：

a.生成该初始模糊图像的卷积核

b.将该卷积核带入式(2-1)代替变量k_l,θ，计算得到

c.将计算得到带入式(2-2)代替变量I，计算得到

d.若所述中的最小值为则表示已收敛；

若所述中的最小值为则θ_m+1←θ_m-Δ；

若所述中的最小值为则θ_m+1←θ_m+Δ；

e.m←m+1；

结束循环，并输出获得粗粒度角度估计结果θ_m。

然后，在粗粒度角度估计的基础上精细地确定最终的角度。由于噪声的存在和长度设定的不确定性，所以在粗粒度角度估计中一般采用比较大的步长，大步长可以提高鲁棒性但是同时使得角度估计存在一定的误差，这一问题将在精细角度估计中解决。

精细角度估计从下述两个方面进行优化：1)在多个长度设定下求解式(2)；2)采用求和的方式减小噪声的影响。由于粗粒度角度估计已经给出角度的大致范围，所以角度的搜索范围大大减小。在精细角度估计时不再采用梯度下降的方法，而是采用遍历的方法；然后选择出最优的备选角度，求平均数得到最终结果。精细角度估计的算法流程如下：

a.获取初始模糊图像Y、粗粒度角度估计结果θ_m以及预设的长度l'；

b.以所述初始模糊图像的(θ_m,l')为中心，生成一系列的参数对(θ_i,l_i')对应的卷积核k_i；

c.将所述卷积核k_i带入式(2-1)代替变量k_l,θ，计算得到I_i；

d.将I_i带入式(2-2)代替变量I，计算得到A_i；

e.对所述A_i按照大小顺序进行排序，并选出最小的n个A_i对应的角度θ_i；

f.计算所述最小的n个A_i对应的角度θ_i的平均值θ，并将该平均值θ作为精细角度估计结果。

2)长度估计。

通常情况，在完成角度估计后再进行长度的估计，在进行长度估计时，主要涉及傅里叶变换，Radon变换，曲线拟合等技术。

本发明实施例中，将式(1)左右两侧进行傅里叶变换可以得到：

F_B(u,v)＝F_k(u,v)F_I(u,v)+F_G(u,v)；

其中，F_B表示对初始模糊图像B进行傅里叶变换。由于卷积核k是线性的，所以F_k(u,v)在沿运动方向的角度上也有类SINC函数的形状。假设在此方向上F_k(u,v)两个连续零点之间的距离为d，图片的尺寸为N，则可以得到卷积核k的长度为：

L＝N/d；(3)

长度估计的核心便是在特定方向上如何从F_B(u,v)得到F_k(u,v)在此方向上的两个连续零点之间的距离。

由于噪声等多种因素的影响，F_k(u,v)的零点并不直接表现为F_B(u,v)的零点，但是在相关位置附近，仍然有很强的特殊性。为了检测到这些相关的位置点，对傅里叶变换之后的幅度首先计算其对数，然后在角度估计过程中获得的角度上进行Radon变换得到(忽略噪声的影响)：

其中，表示对F_B的对数log(|F_B|)做Radon变换，此处ρ表示频率。对于自然图像，在某个角度上根据能量衰减理论可以假设：

其中，a,b,c,d表示其系数，即可以使用一个三阶多项式表示。

由于在进行长度估计时，角度是固定的，因此，可以省略角度。对于而言，绝大时候起到主要作用，只有在F_k(u,v)的零点附近，F_k(u,v)才会明显地体现出作用。

基于这个原理，采用三阶多项式曲线拟合拟合的方法使用最小二乘方法，记做由于在F_k(u,v)的零点附近，拟合的三阶多项式曲线和的误差最大，可以通过下式的局部极值来检测F_k(u,v)的零点：

通过检测的局部极小值，得到F_k(u,v)两个连续零点之间的距离d，然后通过公式(3)得到卷积核的长度。

基于上述理论，长度估计的流程如下：

a.获取初始模糊图像以及精细角度估计结果θ；

b.将所述初始模糊图像扩展到N×N的大小，并计算其傅里叶变换的幅度，并在此之上计算对数记做log(|F_B|)；

c.在精细角度估计结果θ上，做Radon变换，结果记做

d.使用最小二乘方法对所述进行三阶多项式拟合，拟合结果记为并得到所述与所述相减之差的连续极小值之间的距离d；

e.计算卷积核长度参数：L＝N/d。

最后，可以利用卷积核角度与长度参数构造出卷积核，再利用任意已知的图像去模糊算法获得清晰图像。

本发明实施例的去模糊过程能够克服图片分辨率低，细节受到严重破坏等不利条件，模糊图片经处理后能被人眼识别；该方法通过利用稀疏表达系数和角度之间的函数关系来完成；对于长度的估计，利用频谱特性来完成，从而能较好的确定卷积核的参数，提高了图像的去模糊效果，具有计算准确性高、时间复杂度低的特点，并表现出很强的鲁棒性。

实施例三

图3为本发明实施例三提供的一种车牌图像去模糊的系统的示意图。如图1所示，该系统主要包括：

卷积核角度估计模块31，用于基于稀疏表达系数和卷积核角度参数中之间的函数关系具有凸函数性质，以及在期望的卷积核角度参数上具有最小的稀疏表达系数的基础上，依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数；

卷积核长度估计模块32，用于根据所述卷积核角度参数，并基于线型卷积核具有类辛格SINC函数频谱特性和自然图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度参数；

去卷积模糊模块33，用于利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像。

进一步的，所述卷积核角度估计模块31包括：粗粒度角度估计模块311，用于粗粒度角度估计；所述粗粒度角度估计的步骤包括：

获取初始模糊图像Y、预设的步长Δ及预设的卷积核长度l、初始角度θ₀，循环进行下述步骤，直至收敛：

生成该初始模糊图像的卷积核其中，m表示循环次数；

将所述卷积核带入下式替代变量k：

其中，I表示希望恢复的清晰图像，Y为观测到的模糊图像，|I|_TV表示变量I的总变分差和(total variation)；表示k*I-Y的Frobenius范数(弗罗贝尼乌斯范数)，λ表示平衡因子，*代表卷积算子；

计算得到并带入下式替代I：

minΣ|α_j|

s.t Ω_jI＝Dα_j；

其中，Ω_j表示抽取图像中一个小块(patch)的操作，D表示事先训练得到的字典；α_j表示图像中的一个小块在字典上的稀疏表示；

计算得到其中，A＝Σ|α_j|；

若所述中的最小值为则表示已收敛；

若所述中的最小值为则θ_m+1←θ_m-Δ；

若所述中的最小值为则θ_m+1←θ_m+Δ；

获得粗粒度角度估计结果θ_m。

进一步的，所述卷积核角度估计模块31还包括：精细角度估计模块312，用于精细角度估计；所述精细角度估计的步骤包括：

获取初始模糊图像、粗粒度角度估计结果θ_m以及预设的长度l'；

以所述初始模糊图像的(θ_m,l')为中心，生成一系列的参数对(θ_i,l_i')对应的卷积核k_i；

将所述卷积核k_i带入下式替代变量k：

计算得到I_i，并带入下式替代变量I：

minΣ|α_j|

s.t Ω_jI＝Dα_j；

计算得到A_i，其中，A＝Σ|α_j|；

对所述A_i按照大小顺序进行排序，并选出最小的n个A_i对应的角度θ_i；

计算所述n个A_i对应的角度θ_i的平均值θ，并将该平均值θ作为精细角度估计结果。

进一步的，所述卷积核长度估计模块32获得卷积核长度参数的步骤包括：

获取初始模糊图像以及精细角度估计结果θ；

将所述初始模糊图像扩展到N×N的大小，并计算其傅里叶变换的幅度，并在此之上计算对数记做log(|F_B|)；

在精细角度估计结果θ上，做Radon变换，结果记做其中，ρ表示频率；

使用最小二乘方法对所述进行多项式拟合，拟合结果记为并所述与所述之差的连续极小值之间的距离d；

从而获得卷积核长度参数：L＝N/d。

进一步的，计算距离d的步骤包括：

在计算扩展到N×N大小初始模糊图像的傅里叶变换的幅度时，对应的卷积核傅里叶变换的幅度记为F_k，且依次对所述F_k做对数运算及Radon变换，结果记为

当趋近所述F_k的零点时，所述和之间的误差最大，则通过下式的局部极值来检测F_k的零点：

通过检测的局部极小值，得到F_k两个连续零点之间的距离d。

进一步的，该系统还包括：

训练模块34，用于根据清晰的图像进行训练，获得清晰图像的先验知识；具体的：采用稀疏表达算法来训练得到一个可以稀疏地表达清晰图像的字典，该训练为针对图像中的每一小块patch所进行。

需要说明的是，上述系统中包含的各个功能模块所实现的功能的具体实现方式在前面的各个实施例中已经有详细描述，故在这里不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

实施例四

为了进一步说明本发明的算法和系统对车牌去模糊的创新性和有效性，我们进行了对比实验。在该对比实验中，我们将三个基于最大后验(MAP)方法和本发明的方法进行对比，实验数据为真实采集的运动车牌模糊图像。

其中，对比方法一，在MAP框架的基础上引入了一个对图像噪声的概率分布约束和图像平滑性的约束，来提高去模糊的效果；对比方法二，介绍了新的更倾向于得到一个锐利的图像的先验知识，这种新先验知识的引入提高了去模糊算法的速度和鲁棒性；对比方法三，则是利用了图像和卷积核在小波变换之后系数都十分稀疏的特性。

对于MAP方法，需要提供卷积核的高度和宽度参数，我们设置为比“真实卷积核”的参数稍大(此处的真实卷积核表示在此卷积核设置下，使用已知卷积核的去卷积方法可以得到最好的结果)，以得到MAP的去卷积结果。对于本发明的方法，我们将初始化的角度设定为90°。由于没有真正的实际的清晰图像，我们将算法鲁棒性和主观质量效果对比展示在附图4中。其中算法的鲁棒性是算法能够给出结果的比率(并不保证结果的有效性)，主观质量是指能够对人眼识别车牌有很大帮助的比率。对于遭受严重模糊影响的车牌图像，甚至人眼无法识别出准确结果的车牌，经过本发明方法的处理能过得到一个可被人眼轻松识别的结果，对车牌的可读性有巨大的提升；而作为对比方法的MAP方法对车牌的识别并没有帮助甚至出现恶化。

本实施例表明，本发明的方法对比以前的现有方法有明显的性能提高，尤其是在语义信息方面的提升上。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种车牌图像去模糊的方法，其特征在于，该方法包括：

基于稀疏表达系数和卷积核角度参数之间的函数关系具有凸函数性质，以及在期望的卷积核角度参数上具有最小的稀疏表达系数的基础上，依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数；

根据所述卷积核角度参数，并基于线型卷积核具有类辛格SINC函数频谱特性和自然图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度参数；

利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像；

其中，所述粗粒度角度估计的步骤包括：

获取初始模糊图像Y、预设的步长Δ及预设的卷积核长度l、初始角度θ₀，循环进行下述步骤，直至收敛：

生成该初始模糊图像的卷积核其中，m表示循环次数；

将所述卷积核带入下式替代参数k：

$\underset{I}{\arg \min }{\left|I\right|}_{TV}+\frac{\mathrm{\λ}}{2}{\left|k*I-Y\right|}_F^2;$

其中，I表示希望恢复的清晰图像，Y为观测到的模糊图像，|I|_TV表示变量I的总变分差和；表示k*I-Y的弗罗贝尼乌斯范数Frobenius范数，λ表示平衡因子，*代表卷积算子；

计算得到并带入下式替代变量I：

min∑|α_j|

s.t Ω_jI＝Dα_j；

其中，Ω_j表示抽取图像中一个小块patch的操作，D表示事先训练得到的字典，α_j表示图像中的一个小块在字典上的稀疏表示；

计算得到其中，A＝∑|α_j|；

若所述中的最小值为则表示已收敛；

若所述中的最小值为则θ_m+1←θ_m-Δ；

若所述中的最小值为则θ_m+1←θ_m+Δ；

获得粗粒度角度估计结果θ_m；

所述精细角度估计的步骤包括：

获取初始模糊图像、粗粒度角度估计结果θ_m以及预设的长度l'；

以所述初始模糊图像的(θ_m,l')为中心，生成一系列的参数对(θ_i,l_i')对应生成的卷积核记为k_i；

将所述卷积核k_i带入下式替代变量k：

$\underset{I}{\arg \min }{\left|I\right|}_{TV}+\frac{\mathrm{\λ}}{2}{\left|k*I-Y\right|}_F^2;$

计算得到I_i，并带入下式替代变量I：

minΣ|α_j|

s.t Ω_jI＝Dα_j；

计算得到A_i，其中，A＝Σ|α_j|；

对所述A_i按照大小顺序进行排序，并选出最小的n个A_i对应的角度θ_i；

计算所述最小的n个A_i对应的角度θ_i的平均值θ，并将该平均值θ作为精细角度估计结果；

所述获得卷积核长度参数的步骤包括：

获取初始模糊图像以及精细角度估计结果θ；

将所述初始模糊图像扩展到N×N的大小，并计算其傅里叶变换的幅度，并在此之上计算对数记做log(|F_B|)；

在精细角度估计结果θ上，做Radon变换，结果记做其中，ρ表示频率；

使用最小二乘方法对所述进行多项式拟合，拟合结果记为并得到所述与所述相减之差的连续极小值之间的距离d；

从而获得卷积核长度参数：L＝N/d。

2.根据权利要求1所述的方法，其特征在于，计算距离d的步骤包括：

在计算扩展到N×N大小初始模糊图像的傅里叶变换的幅度时，对应的卷积核傅里叶变换的幅度记为F_k，且依次对所述F_k做对数运算及Radon变换，结果记为

当趋近所述F_k的零点时，所述和之间的误差最大，则通过下式的局部极值来检测F_k的零点：

${\hat{R}}_{log\left(\right|F_k\left|\right)}\left(\mathrm{\ρ}\right)=R_{log\left(\right|F_B\left|\right)}\left(\mathrm{\ρ}\right)-{\hat{R}}_{log\left(\right|F_B\left|\right)}\left(\mathrm{\ρ}\right);$

通过检测的局部极小值，得到F_k两个连续零点之间的距离d。

3.根据权利要求1或2所述的方法，其特征在于，该方法还包括：

根据清晰的图像进行训练，获得清晰图像的先验知识；具体的：采用稀疏表达算法来训练得到一个可以稀疏地表达清晰图像的字典，该训练为针对图像中的每一小块patch所进行。

4.一种车牌图像去模糊的系统，其特征在于，该系统包括：

卷积核角度估计模块，用于基于稀疏表达系数和卷积核角度参数中之间的函数关系具有凸函数性质，以及在期望的卷积核角度参数上具有最小的稀疏表达系数的基础上，依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数；

卷积核长度估计模块，用于根据所述卷积核角度参数，并基于线型卷积核具有类辛格SINC函数频谱特性和自然图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度参数；

去卷积模糊模块，用于利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像；

其中，所述卷积核角度估计模块包括：粗粒度角度估计模块，用于粗粒度角度估计；所述粗粒度角度估计的步骤包括：

获取初始模糊图像Y、预设的步长Δ及预设的卷积核长度l、初始角度θ₀，循环进行下述步骤，直至收敛：

生成该初始模糊图像的卷积核其中，m表示循环次数；

将所述卷积核带入下式替代参数k：

$\underset{I}{\arg \min }{\left|I\right|}_{TV}+\frac{\mathrm{\λ}}{2}{\left|k*I-Y\right|}_F^2;$

其中，I表示希望恢复的清晰图像，Y为观测到的模糊图像，|I|_TV表示变量I的总变分差和；表示k*I-Y的弗罗贝尼乌斯范数Frobenius范数，λ表示平衡因子，*代表卷积算子；

计算得到并带入下式替代变量I：

minΣ|α_j|

s.t Ω_jI＝Dα_j；

其中，Ω_j表示抽取图像中一个小块patch的操作，D表示事先训练得到的字典，α_j表示图像中的一个小块在字典上的稀疏表示；

计算得到其中，A＝Σ|α_j|；

若所述中的最小值为则表示已收敛；

若所述中的最小值为则θ_m+1←θ_m-Δ；

若所述中的最小值为则θ_m+1←θ_m+Δ；

获得粗粒度角度估计结果θ_m；

所述卷积核角度估计模块还包括：精细角度估计模块，用于精细角度估计；所述精细角度估计的步骤包括：

获取初始模糊图像、粗粒度角度估计结果θ_m以及预设的长度l'；

以所述初始模糊图像的(θ_m,l')为中心，生成一系列的参数对(θ_i,l_i')对应生成的卷积核记为k_i；

将所述卷积核k_i带入下式替代变量k：

$\underset{I}{\arg \min }{\left|I\right|}_{TV}+\frac{\mathrm{\λ}}{2}{\left|k*I-Y\right|}_F^2;$

计算得到I_i，并带入下式替代变量I：

minΣ|α_j|

s.t Ω_jI＝Dα_j；

计算得到A_i，其中，A＝Σ|α_j|；

对所述A_i按照大小顺序进行排序，并选出最小的n个A_i对应的角度θ_i；

计算所述最小的n个A_i对应的角度θ_i的平均值θ，并将该平均值θ作为精细角度估计结果；

所述卷积核长度估计模块获得卷积核长度参数的步骤包括：

获取初始模糊图像以及精细角度估计结果θ；

将所述初始模糊图像扩展到N×N的大小，并计算其傅里叶变换的幅度，并在此之上计算对数记做log(|F_B|)；

在精细角度估计结果θ上，做Radon变换，结果记做

使用最小二乘方法对所述进行多项式拟合，拟合结果记为并得到所述与所述相减之差的连续极小值之间的距离d；

从而获得卷积核长度参数：L＝N/d。

5.根据权利要求4所述的系统，其特征在于，计算距离d的步骤包括：

在计算扩展到N×N大小初始模糊图像的傅里叶变换的幅度时，对应的卷积核傅里叶变换的幅度记为F_k，且依次对所述F_k做对数运算及Radon变换，结果记为

当趋近所述F_k的零点时，所述和之间的误差最大，则通过下式的局部极值来检测F_k的零点：

${\hat{R}}_{log\left(\right|F_k\left|\right)}\left(\mathrm{\ρ}\right)=R_{log\left(\right|F_B\left|\right)}\left(\mathrm{\ρ}\right)-{\hat{R}}_{log\left(\right|F_B\left|\right)}\left(\mathrm{\ρ}\right);$

通过检测的局部极小值，得到F_k两个连续零点之间的距离d。

6.根据权利要求4或5所述的系统，其特征在于，该系统还包括：

训练模块，用于根据清晰的图像进行训练，获得清晰图像的先验知识；具体的：采用稀疏表达算法来训练得到一个可以稀疏地表达清晰图像的字典，该训练为针对图像中的每一小块patch所进行。