CN108335268A - 一种基于盲解卷积的彩色图像去模糊的方法 - Google Patents

Abstract

本发明公开了一种基于盲解卷积的彩色图像去模糊的方法，其特征在于，包括如下步骤：读入原始彩色模糊图像I；掩膜MASK‑I；采用最大值抑制对掩膜MASK‑B进行细化；掩膜MASK‑B与原始彩色模糊图像I分别进行分块；每个块中的像素按照列向量的形式排列；每个列向量的像素值相加求和；选取有效列向量保存；列向量进行聚类；新列向量再转换成图像块；新的图像块转换成准清晰的图像X1；对图像X1取掩膜MASK‑X1；进行傅里叶反卷积得到模糊核k1；得到RGB三个通道的再清晰图像，进行4次迭代运算得到最终彩色清晰图像。这种方法图像去模糊的效果好，且去模糊速度快、方法简单、便于实施。

Description

一种基于盲解卷积的彩色图像去模糊的方法

技术领域

本发明涉及图像处理领域，具体是一种基于盲解卷积的彩色图像去模糊的方法。

背景技术

图像去模糊是将人们得到的已有的模糊图像，通过采用特定的方法来去除图像中的模糊，从而得到理想的清晰图像。近年来，随着人们对图像的清晰度要求越来越高，去模糊的方法不断涌现，涉及的应用领域越来越广泛，由于光学系统的装配、拍摄对焦不准或拍摄时的移动等均会使图像模糊，因此日常生产生活中对图像进行去模糊操作有其重要意义，要取得比较好的处理效果，不同原因导致的模糊往往需要不同的处理方法。按照模糊的区域来划分，可分为：全局模糊和局部模糊。全局的模糊主要是由于拍摄设备的运动造成的，而局部模糊是由于单个物体的运动造成的。从实用性来说，全局模糊要好于局部模糊。理由有三：(1)全局模糊可以用一个模糊核来恢复，因此最主要的任务就是PSF的估计，而局部模糊的模糊核是随位置变化的，难度要大很多，结果也就不稳定很多。(2)造成全局模糊的原因是手持拍摄设备在曝光时间比较长的情况下进行拍摄，在拍摄过程中经常能遇到。而局部模糊仅仅限于对运动物体的拍摄，比如运动的汽车或者行走中的人，一般说来，拍摄这些场景的机会比较有限，实用性也不大。(3)全局模糊在绝大部分情况下都是不期望的效果，而局部模糊在很多时候是不需要去除的，甚至是刻意追求的一种效果。

目前，常用的图像去模糊的算法主要包括：L-R算法(Lucy-RichardsonAlgorithm)、维纳滤波器(Wiener Filter)、约束最小乘方算法(CLS Algorithm)和盲解卷积算法。L-R算法需要考虑物体的先验信息，无需模糊图像的噪声信息，适用于线性和非线性成像模型，解具有唯一性，但需要增加迭代次数并限制偏离阈值才能达到更好的效果，因此有一定的局限性；约束最小乘方算法的复原效果好于维纳滤波算法，但约束最小乘方算法的推导假设是随机场是均匀的，以及谱密度已知的前提下，不适合广泛应用；盲解卷积算法可以同时恢复图像和点扩散函数(模糊核)，在对失真情况毫无先验知识的情况下，仍能实现对模糊图像的恢复操作，因此具有很好的可实施性，但其也会产生振铃效应。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于盲解卷积的彩色图像去模糊的方法。这种方法图像去模糊的效果好，且去模糊速度快、方法简单、便于实施。

实现本发明目的的技术方案是：

一种基于盲解卷积的彩色图像去模糊的方法，包括如下步骤：

S1：读入原始彩色模糊图像I；

S2：提取原始彩色模糊图像I的边缘，即掩膜MASK-I；

S3：将掩膜MASK-I进行二值化，得到二值化后的掩膜MASK-B，采用最大值抑制对掩膜MASK-B进行细化，再对细化后的掩膜进行膨胀操作；

S4：对经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分别进行分块；

S5：将经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分成的每个块中的像素按照列向量的形式排列；

S6：将经过步骤S3后的掩膜MASK-B块列向量中的每个列向量的像素值相加求和；

S7：根据步骤S6得到的每个列向量的和值，选取有效列向量保存；

S8：将有效列向量所在位置对应的原始彩色模糊图像I分块后像素排列成的列向量进行聚类，分成两类，分别用每一类的中心像素替代原来每个有效列向量中的其他同类的像素值；

S9：将替换后的新列向量再转换成图像块；

S10：将新的图像块转换成准清晰的图像X1；

S11：采用Edge Boxes方法，对图像X1取掩膜MASK-X1；

S12：将经过步骤S3后的掩膜MASK-I与掩膜MASK-X1进行傅里叶反卷积，得到模糊核k1；

S13：将模糊核k1与原始彩色模糊图像I的每个通道分别进行反卷积，得到RGB三个通道的再清晰图像，分别为x1-1、x1-2、x1-3；

S14：将RGB三个通道的再清晰图像x1-1、x1-2、x1-3合并为彩色清晰图像x1，重复步骤S2-S14，将第一次处理之后的清晰的图像x1看作是新的原始彩色模糊图像I，分别求出第二次迭代后的模糊核k2、彩色清晰图像x2，以此类推，进行4次迭代运算得到最终彩色清晰图像。

步骤S2中所述掩膜包括：

1)模糊图像用卷积过程描述，即

其中y代表模糊图像，k代表模糊核，x代表清晰图像，n代表加性噪声，是卷积符号；

2)采用Edge Boxes方法，检测原始彩色模糊图像I的边缘，提取边缘做掩膜MASK-I。

步骤S3中所述的最大值抑制为：最大值抑制主要是为了更精确的定位图像的边缘轮廓，定位图像的边缘轮廓用梯度变化表征边缘时，梯度变化较大的区域通常比较宽，所以利用x和y方向的梯度确定一个法向arctan(y/x)，然后在法向上判断当前梯度测量是否是一个峰值，即局部极大值，如果是就保留，不是极大值就抑制，如设置为0，这样就能将边缘定位在1-2像素宽，相邻像素有时候求极大值的方向恰好互不干扰，其中图像中像素点(x,y)的梯度以及梯度幅值和方向分别为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)；

G_y(x,y)＝f(x,y+1)-f(x,y-1)；

G_x(x,y)、G_y(x,y)分别表示输入图像中像素点(x,y)处的水平、垂直方向梯度值，M(x,y)表示梯度幅值，θ(x,y)表示梯度方向。

图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓，其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。

步骤S4所述的分块为：将经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分别划分成包含5*5个像素的块。

步骤S7所述有效列向量为：步骤S6得到的每个列向量的和值中，大于5且小于15的块列向量。

步骤S8中所述聚类包括：

1)聚类方法采用改进的k均值(k-means)聚类：

其中，ρ表示改进的k均值(k-means)聚类在一个块中的结果，P表示选取的有效块，x_j表示该有效块中的像素，k表示类别，c_k表示该有效块中的聚类中心，c₁表示第一类聚类中心，c₂表示第二类聚类中心，r_jk值为1或0，即当x_j属于第一聚类，r_j1＝1，r_j2＝0；当x_j属于第二聚类，r_j1＝0，r_j2＝1；

2)欧氏距离为：

其中，假设给定的数据集X＝{x_m|m＝1,2,...,total},X中的样本用d个描述属性A₁,A₂...A_d维度来表示，数据样本x_i＝(x_i1,x_i2,…x_id),x_j＝(x_j1,x_j2,…x_jd)，其中x_i1,x_i2,…x_id和x_j1,x_j2,…x_jd分别是样本x_i和x_j对应d个描述属性A₁,A₂,…A_d的具体取值，样本x_i和x_j之间的相似度通常用它们之间的距离d(x_i,x_j)来表示，距离越小，样本x_i和x_j越相似，差异度越小；距离越大，样本x_i和x_j越不相似，差异度越大。

步骤S13中所述反卷积为：由于模糊核未知，需要先通过反卷积求出模糊核，即

其中y代表模糊图像，k代表模糊核，x代表清晰图像，代表反卷积符号。

与现有技术相比，本技术方案有以下优点：

1.本技术方案通过采用最大值抑制可以对提取的边缘进行细化，从而提高边缘的准确性。

2.本技术方案通过使用改进的k均值(k-means)聚类，然后用中心像素代替得到初步的清晰图像，可以更有效的分离聚类中心，同时增强边缘对比度，使边缘更加清晰。

这种方法图像去模糊的效果好，且去模糊速度快、方法简单、便于实施。

附图说明

图1为实施例的方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明内容作进一步的阐述，但不是对本发明的限定。

实施例：

参照图1，一种基于盲解卷积的彩色图像去模糊的方法，包括如下步骤：

S1：读入原始彩色模糊图像I；

S2：提取原始彩色模糊图像I的边缘，即掩膜MASK-I；

S3：将掩膜MASK-I进行二值化，得到二值化后的掩膜MASK-B，采用最大值抑制对掩膜MASK-B进行细化，再对细化后的掩膜进行膨胀操作；

S4：对经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分别进行分块；

S5：将经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分成的每个块中的像素按照列向量的形式排列；

S6：将经过步骤S3后的掩膜MASK-B块列向量中的每个列向量的像素值相加求和；

S7：根据步骤S6得到的每个列向量的和值，选取有效列向量保存；

S8：将有效列向量所在位置对应的原始彩色模糊图像I分块后像素排列成的列向量进行聚类，分成两类，分别用每一类的中心像素替代原来每个有效列向量中的其他同类的像素值；

S9：将替换后的新列向量再转换成图像块；

S10：将新的图像块转换成准清晰的图像X1；

S11：采用Edge Boxes方法，对图像X1取掩膜MASK-X1；

S12：将经过步骤S3后的掩膜MASK-I与掩膜MASK-X1进行傅里叶反卷积，得到模糊核k1；

S13：将模糊核k1与原始彩色模糊图像I的每个通道分别进行反卷积，得到RGB三个通道的再清晰图像，分别为x1-1、x1-2、x1-3；

S14：将RGB三个通道的再清晰图像x1-1、x1-2、x1-3合并为彩色清晰图像x1，重复步骤S2-S14，将第一次处理之后的清晰的图像x1看作是新的原始彩色模糊图像I，分别求出第二次迭代后的模糊核k2、彩色清晰图像x2，以此类推，进行4次迭代运算得到最终彩色清晰图像。

步骤S2中所述掩膜包括：

1)模糊图像用卷积过程描述，即

其中y代表模糊图像，k代表模糊核，x代表清晰图像，n代表加性噪声，是卷积符号；

2)采用Edge Boxes方法，可以准确找到图像中个物体的边缘信息，检测原始彩色模糊图像I的边缘，提取边缘做掩膜MASK-I。

步骤S3中所述的最大值抑制为：最大值抑制主要是为了更精确的定位图像的边缘轮廓，定位图像的边缘轮廓用梯度变化表征边缘时，梯度变化较大的区域通常比较宽，所以利用x和y方向的梯度确定一个法向arctan(y/x)，然后在法向上判断当前梯度测量是否是一个峰值，即局部极大值，如果是就保留，不是极大值就抑制，如设置为0，这样就能将边缘定位在1-2像素宽，相邻像素有时候求极大值的方向恰好互不干扰，其中图像中像素点(x,y)的梯度以及梯度幅值和方向分别为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)；

G_y(x,y)＝f(x,y+1)-f(x,y-1)；

G_x(x,y)、G_y(x,y)分别表示输入图像中像素点(x,y)处的水平、垂直方向梯度值，M(x,y)表示梯度幅值，θ(x,y)表示梯度方向。

图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓，其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。

步骤S4所述的分块为：将经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分别划分成包含5*5个像素的块。

步骤S7所述有效列向量为：步骤S6得到的每个列向量的和值中，大于5且小于15的块列向量。

步骤S8中所述聚类包括：

1)聚类方法采用改进的k均值(k-means)聚类：

其中，ρ表示改进的k均值(k-means)聚类在一个块中的结果，P表示选取的有效块，x_j表示该有效块中的像素，k表示类别，c_k表示该有效块中的聚类中心，c₁表示第一类聚类中心，c₂表示第二类聚类中心，r_jk值为1或0，即当x_j属于第一聚类，r_j1＝1，r_j2＝0；当x_j属于第二聚类，r_j1＝0，r_j2＝1；

2)欧氏距离为：

其中，假设给定的数据集X＝{x_mm＝1,2,...,total},X中的样本用d个描述属性A₁,A₂...A_d维度来表示，数据样本x_i＝(x_i1,x_i2,…x_id),x_j＝(x_j1,x_j2,…x_jd)，其中x_i1,x_i2,…x_id和x_j1,x_j2,…x_jd分别是样本x_i和x_j对应d个描述属性A₁,A₂,…A_d的具体取值，样本x_i和x_j之间的相似度通常用它们之间的距离d(x_i,x_j)来表示，距离越小，样本x_i和x_j越相似，差异度越小；距离越大，样本x_i和x_j越不相似，差异度越大。

步骤S13中所述反卷积为：由于模糊核未知，需要先通过反卷积求出模糊核，即

其中y代表模糊图像，k代表模糊核，x代表清晰图像，代表反卷积符号。

Claims (7)

1.一种基于盲解卷积的彩色图像去模糊的方法，其特征在于，包括如下步骤：

S1：读入原始彩色模糊图像I；

S2：提取原始彩色模糊图像I的边缘，即掩膜MASK-I；

S3：将掩膜MASK-I进行二值化，得到二值化后的掩膜MASK-B，采用最大值抑制对掩膜MASK-B进行细化，再对细化后的掩膜进行膨胀操作；

S4：对经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分别进行分块；

S5：将经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分成的每个块中的像素按照列向量的形式排列；

S6：将经过步骤S3后的掩膜MASK-B块列向量中的每个列向量的像素值相加求和；

S7：根据步骤S6得到的每个列向量的和值，选取有效列向量保存；

S8：将有效列向量所在位置对应的原始彩色模糊图像I分块后像素排列成的列向量进行聚类，分成两类，分别用每一类的中心像素替代原来每个有效列向量中的其他同类的像素值；

S9：将替换后的新列向量再转换成图像块；

S10：将新的图像块转换成准清晰的图像X1；

S11：采用Edge Boxes方法，对图像X1取掩膜MASK-X1；

S12：将经过步骤S3后的掩膜MASK-I与掩膜MASK-X1进行傅里叶反卷积，得到模糊核k1；

S13：将模糊核k1与原始彩色模糊图像I的每个通道分别进行反卷积，得到RGB三个通道的再清晰图像，分别为x1-1、x1-2、x1-3；

S14：将RGB三个通道的再清晰图像x1-1、x1-2、x1-3合并为彩色清晰图像x1，重复步骤S2-S14，将第一次处理之后的清晰的图像x1看作是新的原始彩色模糊图像I，分别求出第二次迭代后的模糊核k2、彩色清晰图像x2，以此类推，进行4次迭代运算得到最终彩色清晰图像。

2.根据权利要求1所述的基于盲解卷积的彩色图像去模糊的方法，其特征在于，步骤S2中所述掩膜包括：

1)模糊图像用卷积过程描述，即

其中y代表模糊图像，k代表模糊核，x代表清晰图像，n代表加性噪声，是卷积符号；

2)采用Edge Boxes方法，检测原始彩色模糊图像I的边缘，提取边缘做掩膜MASK-I。

3.根据权利要求1所述的基于盲解卷积的彩色图像去模糊的方法，其特征在于，步骤S3中所述的最大值抑制为：定位图像的边缘轮廓用梯度变化表征边缘时，利用x和y方向的梯度确定一个法向arctan(y/x)，然后在法向上判断当前梯度测量是否是一个峰值，即局部极大值，如果是就保留，不是极大值就抑制，这样就能将边缘定位在1-2像素宽，其中图像中像素点(x,y)的梯度以及梯度幅值和方向分别为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)；

G_y(x,y)＝f(x,y+1)-f(x,y-1)；

G_x(x,y)、G_y(x,y)分别表示输入图像中像素点(x,y)处的水平、垂直方向梯度值，M(x,y)表示梯度幅值，θ(x,y)表示梯度方向。

4.根据权利要求1所述的基于盲解卷积的彩色图像去模糊的方法，其特征在于，步骤S4所述的分块为：将经过步骤S3后的掩膜MASK-B与原始彩色模糊图像I分别划分成包含5*5个像素的块。

5.根据权利要求1所述的基于盲解卷积的彩色图像去模糊的方法，其特征在于，步骤S7所述有效列向量为：步骤S6得到的每个列向量的和值中，大于5且小于15的块列向量。

6.根据权利要求1所述的基于盲解卷积的彩色图像去模糊的方法，其特征在于，步骤S8中所述聚类包括：

1)聚类方法采用改进的k均值(k-means)聚类：

其中，ρ表示改进的k均值(k-means)聚类在一个块中的结果，P表示选取的有效块，x_j表示该有效块中的像素，k表示类别，c_k表示该有效块中的聚类中心，c₁表示第一类聚类中心，c₂表示第二类聚类中心，r_jk值为1或0，即当x_j属于第一聚类，r_j1＝1，r_j2＝0；当x_j属于第二聚类，r_j1＝0，r_j2＝1；

2)欧氏距离为：

其中，假设给定的数据集X＝{x_m|m＝1,2,...,total},X中的样本用d个描述属性A₁,A₂...A_d维度来表示，数据样本x_i＝(x_i1,x_i2,…x_id),x_j＝(x_j1,x_j2,…x_jd)，其中x_i1,x_i2,…x_id和x_j1,x_j2,…x_jd分别是样本x_i和x_j对应d个描述属性A₁,A₂,…A_d的具体取值，样本x_i和x_j之间的相似度通常用它们之间的距离d(x_i,x_j)来表示，距离越小，样本x_i和x_j越相似，差异度越小；距离越大，样本x_i和x_j越不相似，差异度越大。

7.根据权利要求1所述的基于盲解卷积的彩色图像去模糊的方法，其特征在于，

步骤S13中所述反卷积为：

其中y代表模糊图像，k代表模糊核，x代表清晰图像，代表反卷积符号。