CN104599242A - 使用多尺度非局部正则的模糊核估计方法 - Google Patents

Abstract

本发明公开了一种使用多尺度非局部正则的模糊核估计方法，基于图像的盲去模糊问题中，后验的清晰图像和模糊核都是未知的，这是图像盲去模糊中极具挑战的难点，本发明在基于图像块的先验的基础上，引入了一种多尺度的非局部的先验正则策略。这种策略在图像金字塔求解模糊核的最粗略两层去加入这种策略，有效的限制了解的空间范围，使得模糊核的求解向着正确的方向演化，从而求出更加清晰的模糊核，这样就会为下一步求解清晰的图像奠定了基础，然后使用一种图像非盲去模糊的方法最后实现了图像的盲去模糊，实验结果证明提出的方法是有效和优于现有的一些先进的方法的。

Description

使用多尺度非局部正则的模糊核估计方法

技术领域

本发明属于自然图像处理技术领域，涉及图像的盲去模糊的应用，详细的，是一种使用多尺度非局部正则的模糊核估计方法。使用该方法可以更加有效的估计图像模糊的原因，从而进一步得到清晰的后验图像，其应用范围广泛，可以针对多种不同的模糊类型进行模糊图像复原。

背景技术

图像盲去模糊是指估计出一些已经获得的模糊图像的降质原因，即寻找出模糊核，然后进行图像的复原工作，因为清晰的后验图像和模糊核均是未知的，这使得盲去模糊变成了一个极度病态的问题。在现实生活中这项技术也有很广泛的应用，譬如在我们的摄像或者拍照的过程中由于成像设备的散焦，拍摄者与成像设备之间的相对运动，都会造成图像的模糊现象产生，如何从这些模糊图像中估计和复原出清晰地图像成为一个很具有商业意义的课题，在国内外的做图像处理的研究机构和商业公司中也得到了广泛的研究。

可以把现有的一些先进的图像盲去模糊方法分为两大类，其中一类关注于探索图像的先验知识的去实现图像的盲去模糊，典型的，Fergus R,Singh B,Hertzmann A,et al.Removing camera shake from a single photograph[C]//ACM Transactions on Graphics(TOG).ACM,2006,25(3):787-794.依据真实自然场景图像的分布的特点，即清晰和锐化的图像其梯度分布服从重尾分布。使用最大后验概率的方法(MAP)，该文求解出了有最大概率的模糊核和后验清晰的图像，然而由于复杂的数学优化过程，去实施这样一个算法被认为很有挑战，而且，该方法的结果包含许多不必要的人工产物；

图像边缘是图像理解和识别的关键因素。在图像的盲去模糊中更是如此，另外一类方法致力于利用明显锐化的边缘去从模糊的降质观测中恢复出清晰的图像，Q.Shan,J.Jia,and A.Agarwala.High-quality motion deblurring from a single image.ACM Trans.Graph.,27(3)中shan等人也使用了很强的正则项去保持强壮的图像边缘，他们的实验结果表明，模糊核在由粗到细的迭代优化求解过程中收敛到了可靠的解。但是这些方法利用的图像的先验知识不太充分。

发明内容

本发明的目的在于针对现有技术的不足，提出一种使用多尺度非局部正则的模糊核估计方法，估计出准确的模糊核，然后实施图像的盲复原。实现本发明目的的技术方法是：使用基于块的图像先验的非局部相似性的正则方法去正则化图像盲去模糊这一极度病态逆问题，即考虑在金字塔模型的同一层中，迭代出来的清晰后验图像也具有局部自相似性，这些相似性可以体现在清晰的边缘，线，转角，T-连接点。基于此点考虑，本文只在在金字塔最粗略两层最后一次迭代中加入图像的非局部相似性正则去求解每一层最后迭代的清晰后验图像，然后利用该迭代出来的清晰后验图像去估计一个真实可靠模糊核，循环金字塔模型，直至求出最后的模糊核，最后利用一种基于图像块的图像非盲去模糊方法求解出清晰的图像。

为实现上述目的，本发明包括如下步骤：

(1)将待处理的模糊图像y用大小为k_size_guess×k_size_guess、标准差为k_size_guess/6的高斯模糊核进行模糊处理4次，处理后的图像记为y⁰，用以平滑图像中的噪声影响；

(2)计算指示步骤1中处理后的图像y⁰的梯度边缘的映射图；

(3)根据预先设定的模糊核的大小k_size_guess×k_size_guess与设定的最粗略层的模糊核的大小3×3的比例关系计算迭代金字塔的层数num_levels；

(4)使用双线性插值的方法缩放y⁰至当前图像迭代金字塔的最粗略层的大小，m被用来标记在迭代金字塔的哪一层，初始为0，即最粗略层；

(5)将步骤2计算出来的梯度边缘的映射图使用最近邻插值算法缩放至与同样的大小，其中，m＝0，...，num_levels，然后二值化，得到该金字塔层的初始二进制掩模；

(6)将步骤5得到的该金字塔层的初始二进制掩模利用圆盘半径为3×3的结构元素进行膨胀运算，记为rmap_m，m＝0，...，num_levels；

(7)设置迭代次数为7，判断是否为最后一次迭代且当前金字塔层数m≤1，若是则使用迭代再权重的最小二乘方法(IRLS)求解公式(1)得到中间迭代后验图像x，否则 使用迭代再权重的最小二乘方法(IRLS)求解公式(2)得到中间迭代后验图像x；

$\begin{array}{c}x=\underset{x}{\arg \min }\underset{D*}{\mathrm{\Σ}}{\mathrm{\ω}}_{*}{\left|\right|{\mathrm{KD}}_{*}x-D_{*}y\left|\right|}^2+\mathrm{\α}{\left|\right|D_{h}x\left|\right|}^2+\mathrm{\α}{\left|\right|D_{v}x\left|\right|}^2+\frac{\mathrm{\β}}{\left|M\right|}\underset{i\∈M}{\mathrm{\Σ}}\mathrm{\ρ}(P_{i}x-q^i)\\ +\mathrm{\γ}\underset{i\∈M}{\mathrm{\Σ}}{\mathrm{\σ}}^i-F_{\mathrm{ref}}^{-1}{\left(F_{\mathrm{\σ},x}\left({\mathrm{\σ}}^i\right)\right)}^2+\mathrm{\η}\underset{x_i\∈x}{\mathrm{\Σ}}{\left|\right|x_i-b_i^T{\mathrm{\χ}}_i\left|\right|}_2^2\end{array}---\left(1\right)$

$\begin{array}{c}x=\underset{x}{\arg \min }\underset{D*}{\mathrm{\Σ}}{\mathrm{\ω}}_{*}{\left|\right|{\mathrm{KD}}_{*}x-D_{*}y\left|\right|}^2+\mathrm{\α}{\left|\right|D_{h}x\left|\right|}^2+\mathrm{\α}{\left|\right|D_{v}x\left|\right|}^2+\frac{\mathrm{\β}}{\left|M\right|}\underset{i\∈M}{\mathrm{\Σ}}\mathrm{\ρ}(P_{i}x-q^i)\\ +\mathrm{\γ}\underset{i\∈M}{\mathrm{\Σ}}{\mathrm{\σ}}^i-F_{\mathrm{ref}}^{-1}{\left(F_{\mathrm{\σ},x}\left({\mathrm{\σ}}^i\right)\right)}^2\end{array}---\left(2\right)$

在如上的式子中，x是清晰的后验图像，ω_*是保真项||KD_*x-D_*y||²的权重系数，在保真项中，K，y，D_*分别是模糊核矩阵，模糊的输入图像矩阵(m＝0......num_levels)，以及在不同方向上的偏微分导数的矩阵形式，||·||²为矩阵的2范数的数学形式，α是是高斯正则项的正则权重，D_h和D_v是水平和垂直方向上的一阶偏微分导数算子，P_i是是用来提取在后验图像x在位置i周围大小为5×5的图像块，qⁱ为预先训练好的基于图像块的先验，qⁱ＝σⁱZⁱ+μⁱ，其中Zⁱ是用来逼近在像素i位置的样例图像块，σⁱ为图像块在该位置的反差，μⁱ为图像块的均值，M为rmap₀的矩阵形式，|M|是指在M中的非零的元素，ρ()的代价的函数采用了Lorentzian代价的函数形式，即ρ()＝log(1+r²/2ξ²)，F_σ,x是后验图像x反差{σⁱ}的经验累积分布，F_ref是参考图像块的局部反差的累积分布，γ为该项中的正则项权重，最后一项即是多尺度非局部正则项其中η是该项的正则权重，x_i是一个局部图像块，为非局部权重的向量，χ_i是相似的图像块向量；

(8)固定步骤7得到的中间迭代后验图像x不变，然后使用共轭梯度下降算法(CG)最小化其中ω_*为保真项的权重，δ_*为对应于D_*的偏微分导数，求解当前金字塔层迭代的模糊核k；

(9)以递增倍数为上采样(即插值将图像变大)步骤7求解出来的中间迭代后验图像x和在当前金字塔层求解出来的模糊核k一次；

(10)如果m＜num_levels，则，用步骤9上采样后的中间迭代后验图像x更新金字塔的当前层的m＝1，...，num_levels，并且m＝m+1更新m，重复执行步骤5-9，如果m＝num_levels，输出此时的模糊核k，并记其矩阵形式为K；

(11)使用半二次分割(Half Quadratic Splitting)的优化算法求解得到最终的清晰图像x，半二次分割(Half Quadratic Splitting)的优化算法使用如下公式：

$f_p\left(x\right|y)=\frac{\mathrm{\λ}}{2}{\left|\right|\mathrm{Kx}-y\left|\right|}^2-\underset{i}{\mathrm{\Σ}}\log p\left(P_{i}x\right)---\left(3\right)$

其中，P_i是从图像中提取第i个图像块，logp(P_ix)是在先验知识p下的第i个图像块的似然项，为保真项，λ为该项的系数,y为模糊的输入图像，x为欲待求解的清晰图像。

本发明与现有的技术相比具有以下优点：

1.本发明在基于图像块的先验的基础上，引入了一种多尺度的非局部的先验正则策略。这种策略在图像金字塔求解模糊核的粗略两层去加入这种策略，有效的限制了解的空间范围，使得模糊核的求解向着正确的方向演化，从而求出更加清晰的模糊核，这样就会为下一步求解清晰的图像奠定了基础；

2.充分的利用了外部样例图像的冗余性并结合图像的非局部自相似性的先验知识。

附图说明

图1是本发明的总流程图；

图2是本发明仿真使用的一幅合成的模糊的降质图像，图像右下角为合成所用的模糊核；

图3是Krishnan D,Tay T,Fergus R.Blind deconvolution using a normalized sparsity measure[C]//Computer Vision and Pattern Recognition(CVPR),2011 IEEE Conference on.IEEE,2011:233-240.中的方法复原的结果；

图4是Sun L,Cho S,Wang J,et al.Edge-based blur kernel estimation using patch priors[C]//Computational Photography(ICCP),2013 IEEE International Conference on. IEEE,2013:1-8.中的方法复原的结果；

图5是用本发明对图2实施盲去模糊的结果。

图6是三种方法对图2实施盲去模糊的局部效果对比图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1：将待处理的模糊图像y用大小为k_size_guess×k_size_guess、标准差为k_size_guess/6的高斯模糊核进行模糊处理4次，处理后的图像记为y⁰，用以平滑图像中的噪声影响；

步骤2：计算指示步骤1中处理后的图像y⁰的梯度边缘的映射图

2a)使用大小为3×3，标准差为0.5的高斯模糊核对步骤1处理后的图像y⁰进行滤波处理，得到滤波后的图像；

2b)分别计算步骤2a)滤波后的图像的横向和纵向的梯度图像gx和gy；

2c)使用一个11×11的单位矩阵h2分别与梯度图像gx和gy进行滤波，生成新的梯度图像gx_sum和gy_sum；

2d)计算top矩阵，top为gx_sum与自身点乘的乘积加上gy_sum与自身点乘的乘积；

2e)计算bot矩阵，bot矩阵为在步骤2d)计算出来的top矩阵与单位矩阵h2卷积后加0.1；

2f)将矩阵top点除bot可得待处理的模糊图像的梯度映射图。

步骤3：根据预先设定的模糊核的大小k_size_guess×k_size_guess与设定的最粗略层的模糊核的大小3×3的比例关系计算迭代金字塔的层数num_levels；

步骤4：使用双线性插值的方法缩放y⁰至当前图像迭代金字塔的最粗略层的大小，m被用来标记在迭代金字塔的哪一层，初始为0，即最粗略层；

步骤5：将步骤2计算出来的梯度边缘的映射图使用最近邻插值算法缩放至与同样的大小，其中，m＝0，...，num_levels，然后二值化，得到该金字塔层的初始二进制掩模；

步骤6：将步骤5得到的该金字塔层的初始二进制掩模利用圆盘半径为3×3的结构元素进行膨胀运算，记为rmap_m，m＝0，...，num_levels；

步骤7：设置迭代次数为7，判断是否为最后一次迭代且当前金字塔层数m≤1，若是则使用迭代再权重的最小二乘方法(IRLS)求解公式(4)得到中间迭代后验图像x，否则使用迭代再权重的最小二乘方法(IRLS)求解公式(5)得到中间迭代后验图像x；

$\begin{array}{c}x=\underset{x}{\arg \min }\underset{D*}{\mathrm{\Σ}}{\mathrm{\ω}}_{*}{\left|\right|{\mathrm{KD}}_{*}x-D_{*}y\left|\right|}^2+\mathrm{\α}{\left|\right|D_{h}x\left|\right|}^2+\mathrm{\α}{\left|\right|D_{v}x\left|\right|}^2+\frac{\mathrm{\β}}{\left|M\right|}\underset{i\∈M}{\mathrm{\Σ}}\mathrm{\ρ}(P_{i}x-q^i)\\ +\mathrm{\γ}\underset{i\∈M}{\mathrm{\Σ}}{\mathrm{\σ}}^i-F_{\mathrm{ref}}^{-1}{\left(F_{\mathrm{\σ},x}\left({\mathrm{\σ}}^i\right)\right)}^2+\mathrm{\η}\underset{x_i\∈x}{\mathrm{\Σ}}{\left|\right|x_i-b_i^T{\mathrm{\χ}}_i\left|\right|}_2^2\end{array}---\left(4\right)$

$\begin{array}{c}x=\underset{x}{\arg \min }\underset{D*}{\mathrm{\Σ}}{\mathrm{\ω}}_{*}{\left|\right|{\mathrm{KD}}_{*}x-D_{*}y\left|\right|}^2+\mathrm{\α}{\left|\right|D_{h}x\left|\right|}^2+\mathrm{\α}{\left|\right|D_{v}x\left|\right|}^2+\frac{\mathrm{\β}}{\left|M\right|}\underset{i\∈M}{\mathrm{\Σ}}\mathrm{\ρ}(P_{i}x-q^i)\\ +\mathrm{\γ}\underset{i\∈M}{\mathrm{\Σ}}{\mathrm{\σ}}^i-F_{\mathrm{ref}}^{-1}{\left(F_{\mathrm{\σ},x}\left({\mathrm{\σ}}^i\right)\right)}^2\end{array}---\left(5\right)$

在如上的式子中，x是清晰的后验图像，ω_*是保真项||KD_*x-D_*y||²的权重系数，在保真项中，K，y，D_*分别是模糊核矩阵，模糊的输入图像矩阵(m＝0......num_levels)，以及在不同方向上的偏微分导数的矩阵形式，||·||²为矩阵的2范数的数学形式，α是是高斯正则项的正则权重，D_h和D_v是水平和垂直方向上的一阶偏微分导数算子，P_i是是用来提取在后验图像x在位置i周围大小为5×5的图像块，qⁱ为预先训练好的基于图像块的先验，qⁱ＝σⁱZⁱ+μⁱ，其中Zⁱ是用来逼近在像素i位置的样例图像块，σⁱ为图像块在该位置的反差，μⁱ为图像块的均值，M为rmap₀的矩阵形式，|M|是指在M中的非零的元素，ρ()的代价的函数采用了Lorentzian代价的函数形式，即ρ()＝log(1+r²/2ξ²)，F_σ,x是后验图像x反差{σⁱ}的经验累积分布，F_ref是参考图像块的局部反差的累积分布，γ为该项中的正则项权重，最后一项即是多尺度非局部正则项其中η是该项的正则权重，取值为0.255，x_i是一个局部图像块， 为非局部权重的向量，χ_i是相似的图像块向量；

7a)设x_i是一个5×5局部图像块，通过在中间迭代的后验图像x寻找相 似的图像块本发明选取了最相似于x_i的10个图像块，并且计算用于计算误差值 而后计算非局部权重在本发明中h取值为65， 然后记是包含所有因子的向量，而χ_i是包含所有的向量；

7b)设rⁱ＝P_ix-qⁱ依据当前给定的σⁱ计算权重ω_i

ω_i＝(2ξ²+r_i ^Tr_i)^-1   (6) 

上式中ξ是σⁱZⁱ+μⁱ去代表图像块的误差；

7c)使用加权的最小二乘算法去更新σⁱ；

${\mathrm{\σ}}^i\←\frac{\frac{{\mathrm{\ω}}_i\mathrm{\β}}{\left|M\right|}{Z}^{i^T}(P_{i}x-{\mathrm{\μ}}^i)-\mathrm{\γ}{F}_{\mathrm{ref}}^1\left(F_{\mathrm{\σ},x}\left({\mathrm{\σ}}^i\right)\right)}{\frac{{\mathrm{\ω}}_i\mathrm{\β}}{\left|M\right|}{Z}^{i^T}{Z}^i-\mathrm{\γ}}---\left(7\right)$

7d)维持其他变量不变，对于每一个像素位置i，找一个最相似于的图像块Zⁱ，然后更新Zⁱ；

7e)更新求解中间迭代后验图像x。

步骤8：固定步骤7得到的中间迭代后验图像x不变，然后使用共轭梯度下降算法(CG)最小化其中ω_*为保真项的权重，δ_*为对应于D_*的偏微分导数，求解当前金字塔层迭代的模糊核k；

步骤9：以递增倍数为上采样(即插值将图像变大)步骤7求解出来的中间迭代后验图像x和在当前金字塔层求解出来的模糊核k一次；

步骤10：如果m＜num_levels，则，用步骤9上采样后的中间迭代后验图像x更新金字塔的当前层的m＝1，...，num_levels，并且m＝m+1更新m，重复执行步骤5-9，如果m＝num_levels，输出此时的模糊核k，并记其矩阵形式为K；

步骤11：使用半二次分割(Half Quadratic Splitting)的优化算法求解得到最终的 清晰图像x，半二次分割(Half Quadratic Splitting)的优化算法使用如下公式：

$f_p\left(x\right|y)=\frac{\mathrm{\λ}}{2}{\left|\right|\mathrm{Kx}-y\left|\right|}^2-\underset{i}{\mathrm{\Σ}}\log p\left(P_{i}x\right)---\left(8\right)$

其中，P_i是从图像中提取第i个图像块，logp(P_ix)是在先验知识p下的第i个图像块的似然项，为保真项，λ为该项的系数,y为模糊的输入图像，x为欲待求解的清晰图像。

其中，k_size_guess为根据模糊程度设置的用户参数，取奇数；另外获取预先训练好的基于图像块的先验包括以下步骤：

a):以的比例下采样(插值使图像变小)训练公开图像数据集BSD500中的图像，用以减少该图像集中的噪声以及人工产物；

b):采用与步骤2相同的处理方法计算指示公开图像数据集BSD500中的图像的梯度边缘的映射图集；

c):将在图像b)中计算出来的指示图像的梯度边缘的映射图集二值化得到其映射图集二进制掩模集；

d)将在步骤c)得到的二进制掩模集与公开图像数据集BSD500中的数据进行或运算计算最后的掩模集；

e):利用在d)获得的掩模集从公开图像数据集BSD500中的数据中提取5×5的块，产生220KB的图像块，通过减去均值并且除以标准差来正则化这220KB的图像块；

f)设定聚类中心为2560，然后使用标准的k均值算法去学习在步骤3f)中得到的220KB的图像块中有代表性的图像块，形成2560个聚类簇，将这些聚类簇按照尺寸大小排序，然后提取2560个聚类中心为有代表性的图像块。

计算迭代金字塔的层数num levels包括：将向下取整作为金字塔的层数num_levels。

本发明的效果可以通过下面的实验仿真进一步说明：

1、实验条件与方法

硬件平台为：Intel Core2 Duo CPU E65502.33GHZ、2GB RAM；

软件平台为：MATLAB R2013a；

实验方法：分别为本发明和现有的Fergus’06的方法即(1)以及Cho’09的方法即(2)，这都是本领域具有代表性的方法。

2、仿真内容与结果

用本发明和现有的Krishnan’s的方法以及Libsun’s的方法分别对图2所示的模糊图像进行盲复原仿真，该图右下方为合成所用的真实模糊核；图3是Krishnan’s方法Krishnan D,Tay T,Fergus R.Blind deconvolution using a normalized sparsity measure[C]//Computer Vision and Pattern Recognition(CVPR),2011 IEEE Conference on.IEEE,2011:233-240.中的方法复原的结果；图4是Libsun’s方法Sun L,Cho S,Wang J,et al.Edge-based blur kernel estimation using patch priors[C]//Computational Photography(ICCP),2013 IEEE International Conference on.IEEE,2013:1-8.中的方法复原的结果；图5是用本发明对图2实施盲去模糊的结果。图6是三种方法对图2实施盲去模糊的局部效果对比图。图2的右下角为合成模糊图像时的模糊核，图3-5中估计出来的模糊核在该图的右下角。

仿真实验中，应用峰值信噪(PSNR)，结构相似性指数(SSIM)和结构相似度(FSIM)作为评价指标。

评价结果如表1所示，其中，Alg1是本发明的方法，Alg2是Krishnan’s的方法即，Alg3是Libsun’s的方法。

表1.本发明和两种对比方法在仿真实验中得到的PSNR值(单位为dB)，及SSIM，FSIM

3.实验结果分析 

对比本发明得到的盲复原结果图5Krishnan’s的方法的盲复原结果图3和Libsun’s的方法得到的复原结果图4可以看出，图5所示的本发明得到的盲复原结果得到了相对于其他两种方法更好的实验结果，图5引入了一种多尺度的非局部的先验正则策略。这种策略在图像金字塔求解模糊核的最粗略两层去加入这种策略，有效的限制了解的空间范围，使得模糊核的求解向着正确的方向演化，从 而求出更加清晰的模糊核，这样就会为下一步求解清晰的图像奠定了基础，然后使用一种图像非盲去模糊的方法最后实现了图像的盲去模糊，不仅有效地去除了模糊，而且还保留了更多的图像细节，实验结果证明提出的方法是有效和优于现有的一些先进的方法的。

在实验中PSNR，SSIM，FSIM评价指标都说明了本方法的有效性。

Claims (7)

1.一种使用多尺度非局部正则的模糊核估计方法，包括如下步骤：

步骤1：将待处理的模糊图像y用大小为k_size_guess×k_size_guess、标准差为k_size_guess/6的高斯模糊核进行模糊处理4次，处理后的图像记为y⁰，用以平滑图像中的噪声影响；

步骤2：计算指示步骤1中处理后的图像y⁰的梯度边缘的映射图；

步骤3：根据预先设定的模糊核的大小k_size_guess×k_size_guess与设定的最粗略层的模糊核的大小3×3的比例关系计算迭代金字塔的层数num_levels；

步骤4：使用双线性插值的方法缩放y⁰至当前图像迭代金字塔的最粗略层的大小，m被用来标记在迭代金字塔的哪一层，初始为0，即最粗略层；

步骤5：将步骤2计算出来的梯度边缘的映射图使用最近邻插值算法缩放至与同样的大小，其中，m＝0，...，num_levels，然后二值化，得到该金字塔层的初始二进制掩模；

步骤6：将步骤5得到的该金字塔层的初始二进制掩模利用圆盘半径为3×3的结构元素进行膨胀运算，记为rmap_m，m＝0，...，num_levels；

步骤7：设置迭代次数为7，判断是否为最后一次迭代且当前金字塔层数m≤1，若是则使用迭代再权重的最小二乘方法(IRLS)求解公式(1)得到中间迭代后验图像x，否则使用迭代再权重的最小二乘方法(IRLS)求解公式(2)得到中间迭代后验图像x；

                                                                   

在如上的式子中，x是清晰的后验图像，ω_*是保真项||KD_*x-D_*y||²的权重系数，在保真项中，K，y，D_*分别是模糊核矩阵，模糊的输入图像矩阵以及在不同方向上的偏微分导数的矩阵形式，||·||²为矩阵的2范数的数学形式，α是是高斯正则项的正则权重，D_h和D_v是水平和垂直方向上的一阶偏微分导数算子，P_i是是用来提取在后验图像x在位置i周围大小为5×5的图像块，qⁱ为预先训练好的基于图像块的先验，qⁱ＝σⁱZⁱ+μⁱ，其中Zⁱ是用来逼近在像素i位置的样例图像块，σⁱ为图像块在该位置的反差，μⁱ为图像块的均值，M为rmap₀的矩阵形式，|M|是指在M中的非零的元素，ρ()的代价的函数采用了Lorentzian代价的函数形式，即ρ()＝log(1+r²/2ξ²)，F_σ,x是后验图像x反差{σⁱ}的经验累积分布，F_ref是参考图像块的局部反差的累积分布，γ为该项中的正则项权重，最后一项即是多尺度非局部正则项其中η是该项的正则权重，x_i是一个局部图像块，为非局部权重的向量，χ_i是相似的图像块向量；

步骤8：固定步骤7得到的中间迭代后验图像x不变，然后使用共轭梯度下降算法(CG)最小化其中ω_*为保真项的权重，δ_*为对应于D_*的偏微分导数，求解当前金字塔层迭代的模糊核k；

步骤9：以递增倍数为上采样(即插值将图像变大)步骤7求解出来的中间迭代后验图像x和在当前金字塔层求解出来的模糊核k一次；

步骤10：如果m＜num_levels，则，用步骤9上采样后的中间迭代后验图像x更新金字塔的当前层的num_levels，并且m＝m+1更新m，重复执行步骤5-9，如果m＝num_levels，输出此时的模糊核k，并记其矩阵形式为K；

步骤11：使用半二次分割(Half Quadratic Splitting)的优化算法求解得到最终的清晰图像x，半二次分割(Half Quadratic Splitting)的优化算法使用如下公式：

其中，P_i是从图像中提取第i个图像块，logp(P_ix)是在先验知识p下的第i个图像块的似然项，为保真项，λ为该项的系数,y为模糊的输入图像，x为欲待求解的清晰图像。

2.根据权利要求1所述的使用多尺度非局部正则的模糊核估计方法,其中,k_size_guess为根据模糊程度设置的用户参数，取奇数。

3.根据权利要求1所述的一种使用多尺度非局部正则的模糊核估计方法，其中，步骤2计算指示步骤1中处理后的图像y⁰的梯度边缘的映射图包括：

2a)使用大小为3×3，标准差为0.5的高斯模糊核对步骤1处理后的图像y⁰进行滤波处理，得到滤波后的图像；

2b)分别计算步骤2a)滤波后的图像的横向和纵向的梯度图像gx和gy；

2c)使用一个11×11的单位矩阵h2分别与梯度图像gx和gy进行滤波，生成新的梯度图像gx_sum和gy_sum；

2d)计算top矩阵，top为gx_sum与自身点乘的乘积加上gy_sum与自身点乘的乘积；

2e)计算bot矩阵，bot矩阵为在步骤2d)计算出来的top矩阵与单位矩阵h2卷积后加0.1；

2f)将矩阵top点除bot可得待处理的模糊图像的梯度映射图。

4.根据权利要求1所述的使用多尺度非局部正则的模糊核估计方法，其中，获取预先训练好的基于图像块的先验包括以下步骤：

3a):以的比例下采样(插值使图像变小)训练公开图像数据集BSD500中的图像，用以减少该图像集中的噪声以及人工产物；

3b):采用与步骤2相同的处理方法计算指示公开图像数据集BSD500中的图像的梯度边缘的映射图集；

3c):将在图像3b)中计算出来的指示图像的梯度边缘的映射图集二值化得到其映射图集二进制掩模集；

3d)将在步骤3c)得到的二进制掩模集与公开图像数据集BSD500中的数据进行或运算计算最后的掩模集；

3e):利用在3d)获得的掩模集从公开图像数据集BSD500中的数据中提取5×5的块，产生220KB的图像块，通过减去均值并且除以标准差来正则化这220KB的图像块；

3f)设定聚类中心为2560，然后使用标准的k均值算法去学习在步骤3f)中得到的220KB的图像块中有代表性的图像块，形成2560个聚类簇，将这些聚类簇按照尺寸大小排序，然后提取2560个聚类中心为有代表性的图像块。

5.根据权利要求1所述的使用多尺度非局部正则的模糊核估计方法，其中，步骤3根据预先设定的模糊核的大小k_size_guess×k_size_guess与设定的最粗略层的模糊核的大小3×3的比例关系计算迭代金字塔的层数num_levels包括：

将向下取整作为金字塔的层数num_levels。

6.根据权利要求1所述的使用多尺度非局部正则的模糊核估计方法,其中,步骤7具体包括：

7a)设x_i是一个5×5局部图像块，通过在中间迭代的后验图像x寻找相似的图像块本发明选取了最相似于x_i的10个图像块，并且计算用于计算误差值 而后计算非局部权重在本发明中h取值为65， 然后记是包含所有因子的向量，而χ_i是包含所有的向量；

7b)设rⁱ＝P_ix-qⁱ依据当前给定的σⁱ计算权重ω_i

上式中ξ是σⁱZⁱ+μⁱ去代表图像块的误差；

7c)使用加权的最小二乘算法去更新σⁱ；

7d)维持其他变量不变，对于每一个像素位置i，找一个最相似于的图像块Zⁱ，然后更新Zⁱ；

7e)更新求解中间迭代后验图像x。

7.根据权利要求1所述的使用多尺度非局部正则的模糊核估计方法,其中,η的取值为0.255。