CN109919872B - 一种图像复原方法、系统、可读存储介质及计算机设备 - Google Patents

Abstract

本公开提供了一种图像复原方法、系统、可读存储介质及计算机设备。其中，一种图像复原方法，包括从有雾的原图像中计算出背景光和透射图，并将有雾的原图像分解为红绿蓝三通道图；根据大气散射模型，构建出目标函数；所述目标函数为求解五个累加项的累加和最小值时的真实图像、透射图和噪声图；将背景光和透射图输入目标函数，再分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像；合成去雾后的红、绿、蓝三通道图像，得到去雾后的真实图像。

Description

一种图像复原方法、系统、可读存储介质及计算机设备

技术领域

本公开属于图像处理领域，尤其涉及一种图像复原方法、系统、可读存储介质及计算机设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

目前，图像去雾算法中应用最为广泛的数学模型为McCartney提出的大气散射模型：

L^C(x)＝J^C(x)t(x)+B^C[1-t(x)]C∈{R,G,B} (1)

图像去雾的原理即是通过先验规律从有雾图像L^C中计算出背景光B^C和透射图t(x)，从而还原出去雾后的图像J^C。发明人发现，采用图像去雾原理获取的透射图t(x)中往往存在大量噪声，导致去雾后的图像J^C也存在噪声。虽然采用边缘保持算法对透射图进行平滑可以在一定程度上抑制噪声，但会导致输出图像的物体边缘模糊。

发明内容

为了解决上述问题，本公开的第一方面提供了一种图像复原方法，其能够达到去雾的同时保持物体边缘及抑制噪声的目的。

本公开的第一方面的一种图像复原方法的技术方案为：

一种图像复原方法，包括：

从有雾的原图像中计算出背景光和透射图，并将有雾的原图像分解为红绿蓝三通道图；

根据大气散射模型，构建出目标函数；所述目标函数为求解五个累加项的累加和最小值时的真实图像、透射图和噪声图；其中，第一个累加项为真实图像的数据保持项的平方；第二个累加项为透射图数据保持项与第一调节因子的乘积；第三个累加项为透射图平滑项的平方与第二调节因子的乘积；第四个累加项为噪声抑制项的平方与第三调节因子的乘积；第五个累加项为真实图像的物体边缘保持项的平方与第四调节因子的乘积；

将背景光和透射图输入目标函数，再分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像；

合成去雾后的红、绿、蓝三通道图像，得到去雾后的真实图像。

为了解决上述问题，本公开的第二方面提供了一种图像复原系统。

本公开的第二方面的一种图像复原系统的技术方案为：

一种图像复原系统，包括：

原图像分解模块，其用于从有雾的原图像中计算出背景光和透射图，并将有雾的原图像分解为红绿蓝三通道图；

目标函数构建模块，其用于根据大气散射模型，构建出目标函数；所述目标函数为求解五个累加项的累加和最小值时的真实图像、透射图和噪声图；其中，第一个累加项为真实图像的数据保持项的平方；第二个累加项为透射图数据保持项与第一调节因子的乘积；第三个累加项为透射图平滑项的平方与第二调节因子的乘积；第四个累加项为噪声抑制项的平方与第三调节因子的乘积；第五个累加项为真实图像的物体边缘保持项的平方与第四调节因子的乘积；

去雾后三通道图像求解模块，其用于将背景光和透射图输入目标函数，再分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像；

真实图像获取模块，其用于合成去雾后的红、绿、蓝三通道图像，得到去雾后的真实图像。

为了解决上述问题，本公开的第三方面提供了一种计算机可读存储介质。

本公开的第三方面的一种计算机可读存储介质的技术方案为：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述的图像复原方法中的步骤。

为了解决上述问题，本公开的第四方面提供了一种计算机设备。

本公开的第四方面的一种计算机设备的技术方案为：

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述的图像复原方法中的步骤。

本公开的有益效果是：

由于获取的透射图包含大量噪声，本公开利用包含噪声的大气散射模型构建出目标函数，再利用将背景光和透射图以及分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像，最后合成去雾后的红、绿、蓝三通道图像，得到真实图像，达到了去雾的同时保持物体边缘及抑制噪声的目的。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开实施例提供的图像复原方法流程图；

图2(a)是本公开实施例提供的图像复原方法的实验1的原图像；

图2(b)是本公开实施例提供的图像复原方法的实验1的噪声图像；

图2(c)是本公开实施例提供的图像复原方法的实验1的去雾后的真实图像；

图3(a)是本公开实施例提供的图像复原方法的实验2的原图像；

图3(b)是本公开实施例提供的图像复原方法的实验2的噪声图像；

图3(c)是本公开实施例提供的图像复原方法的实验2的去雾后的真实图像；

图4(a)是本公开实施例提供的图像复原方法的实验3的原图像；

图4(b)是本公开实施例提供的图像复原方法的实验3的噪声图像；

图4(c)是本公开实施例提供的图像复原方法的实验3的去雾后的真实图像；

图5(a)是本公开实施例提供的图像复原方法的实验4的原图像；

图5(b)是本公开实施例提供的图像复原方法的实验4的噪声图像；

图5(c)是本公开实施例提供的图像复原方法的实验4的去雾后的真实图像；

图6是本公开实施例提供的图像复原系统结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步地说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例的图像复原方法，至少包括：

(1)从有雾的原图像中计算出背景光和透射图，并将有雾的原图像分解为红绿蓝三通道图。

根据暗通道先验理论，暗通道中最亮的1‰的像素一般位于雾最浓的区域。因此，取暗通道中最亮的1‰像素对应的原图像的像素均值作为背景光值。背景光值计算方法如下：

式中，L_Dark(x)为获取的暗通道图，L^C(x)为有雾的图像，index_≥0.1％{}表示提取最亮1‰像素的坐标，mean{}表示计算图像均值，C为图像的R,G,B颜色通道，Ω(x)为中心点在x的卷积模板，本实施例中滤波模板尺寸取9。

透射图计算方法如公式(4)所示：

式中，

为透射图的计算值，从输入的有雾图像中计算所得，该值是目标函数(7)的输入之一；B^C为上述步骤计算出的背景光值。因为像素值取值范围在[0,255]区间，归一化后取值范围为[0,1]，所以本实施例中

(2)根据大气散射模型，构建出目标函数；所述目标函数为求解五个累加项的累加和最小值时的真实图像、透射图和噪声图；其中，第一个累加项为真实图像的数据保持项的平方；第二个累加项为透射图数据保持项与第一调节因子的乘积；第三个累加项为透射图平滑项的平方与第二调节因子的乘积；第四个累加项为噪声抑制项的平方与第三调节因子的乘积；第五个累加项为真实图像的物体边缘保持项的平方与第四调节因子的乘积；

将背景光和透射图输入目标函数，再分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像；

合成去雾后的红、绿、蓝三通道图像，得到去雾后的真实图像。

由于获取的透射图包含大量噪声，故本实施例在大气散射模型中创新性地加入噪声项P(x)，本实施例的大气散射模型，如公式(5)所示：

L^C(x)＝J^C(x)[t(x)+P(x)]+B^C[1-t(x)-P(x)] (5)

其中P(x)为透射图噪声，将透射图噪声项提出，公式(5)可化简为：

L^C(x)＝J^C(x)t(x)+B^C[1-t(x)]+N^C(x) (6)

式中N^C(x)＝P(x)[J^C(x)-B^C]为噪声总和。

根据本实施例提出的鲁棒大气散射模型，创新性地构建公式(7)所示的目标函数。其中

为真实图像J的数据保持项，

为透射图数据保持项，

为透射图平滑项，‖N‖₂为噪声抑制项，

为真实图像J的物体边缘保持项。

式中t表示目标函数(7)中待优化求解的透射图(向量形式)，N表示目标函数(7)中待优化求解的噪声图像(向量形式)，L表示输入的有雾图像(向量形式)，°表示向量元素对应相乘，‖‖₂表示L2范数，||₁表示L1范数，L为有雾的图像(单通道)，B为背景光值(单通道)，

为透射图计算值(由公式(4)计算，为向量形式)，

表示梯度算子，β，ε，δ，ω为调节因子(固定常数)，G是经放大因子M放大后的输入图像的梯度，G的计算公式如下：

式中λ，σ为放大因子M的调节因子(固定常数)。λ越大，σ越大则放大因子M的放大倍数越大。

由于存在

目标函数(7)的优化问题为非凸优化，可采用共轭梯度法PCG、交替方向极小化方法(ADM)等方法进行优化。

需要说明的是，上述优化方法并不影响图像复原的结果。

为了方便计算，本实施例采用交替方向极小化方法(ADM)对目标函数进行优化。

首先用辅助变量T代替

目标函数转化为如下方程：

引入拉格朗日乘子Z，获得拉格朗日增广方程：

式中<A,B>表示向量A与B的内积。该目标函数的优化问题可分解为多个子问题进行优化求解。分解为子问题后，通过迭代的方式不断更新每个变量，从而实现目标函数优化，在迭代过程中将其他变量视为常数，具体步骤如下：

J子问题求解：对公式(11)求J的偏导数时，不包含J的项导数为0，故可删除不包含J的项，化简为公式(13)：

化为矩阵形式，如公式(14)所示：

式中

为对角矩阵(元素为向量t_k的各个元素)，D为四邻域差分矩阵，t_k，N_k，L，G为列向量，k为迭代次数。

公式(14)对J求偏导数并令为0，可求出J：

J_k+1＝(t_k ^Tt_k+ωD^TD)^-1{t_k[L-(1-t_k)B-N_k]+ωD^TG} (15)

t子问题求解：将公式(11)中不包含t的项删除，如公式(16)所示：

化为矩阵形式，如公式(17)所示：

式中

为对角矩阵(元素为向量J_k+1的各个元素)，Z_k，N_k，T_k，L为列向量，u_k为辅助变量T与Dt的相似度调节因子(固定常数)。

公式(17)对t求偏导数并令为0，可求出t：

式中I为单位矩阵。

N子问题求解：将公式(11)中不包含N的项删除，如公式(19)所示：

化为矩阵形式，如下所示：

式对N求偏导数并令为0，可求出N：

T子问题求解：将公式(11)中不包含T的项删除，如公式(22)所示：

化为矩阵形式，如公式(23)所示：

式对T求偏导数并令为0，可求出T：

T_k+1＝sign(Dt_k+1+Z_k/μ_k)max(|Dt_k+1+Z_k/μ_k|-β/μ_k,0) (24)

式中sign()为符号函数。

更新Z和μ：更新方法如公式(25)(26)所示：

Z_k+1＝Z_k+μ_k(Dt_k+1-T_k+1) (25)

μ_k+1＝ρμ_k (26)

式中ρ为迭代步长。

公式(7)所示的目标函数优化方法具体实施如Algorithm-1所示：

为验证本实施例的图像复原方法的有效性，采用多幅图像进行测试。测试结果如图2(a)-图5(c)所示，原图像存在模糊、对比度低等特点。经过本实施例的图像复原方法处理后，图片清晰、对比度提高、噪声减小，且远景处的物体边缘不存在模糊的现象。实验结果表明：本实施例的图像复原方法效果显著。同时也展示出噪声图像，如图2(b)、图3(b)、图4(b)和图5(b)所示。其中，噪声图像值为10^-3量级，通过数值放大后显示。

由于获取的透射图包含大量噪声，本实施例利用包含噪声的大气散射模型构建出目标函数，再利用将背景光和透射图以及分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像，最后合成去雾后的红、绿、蓝三通道图像，得到真实图像，达到了去雾的同时保持物体边缘及抑制噪声的目的。

在另一实施例中，如图6所示，提供了一种图像复原系统，其至少包括：

(1)原图像分解模块，其用于从有雾的原图像中计算出背景光和透射图，并将有雾的原图像分解为红绿蓝三通道图。

根据暗通道先验理论，暗通道中最亮的1‰的像素一般位于雾最浓的区域。因此，取暗通道中最亮的1‰像素对应的原图像的像素均值作为背景光值。背景光值计算方法如下：

式中，L_Dark(x)为获取的暗通道图，L^C(x)为有雾的图像，index_≥0.1％{}表示提取最亮1‰像素的坐标，mean{}表示计算图像均值，C为图像的R,G,B颜色通道，Ω(x)为中心点在x的卷积模板，本实施例中滤波模板尺寸取9。

透射图计算方法如公式(4)所示：

式中，

为透射图的计算值，从输入的有雾图像中计算所得，该值是目标函数(7)的输入之一；B^C为上述步骤计算出的背景光值。因为像素值取值范围在[0,255]区间，归一化后取值范围为[0,1]，所以本实施例中

(2)目标函数构建模块，其用于根据大气散射模型，构建出目标函数；所述目标函数为求解五个累加项的累加和最小值时的真实图像、透射图和噪声图；其中，第一个累加项为真实图像的数据保持项的平方；第二个累加项为透射图数据保持项与第一调节因子的乘积；第三个累加项为透射图平滑项的平方与第二调节因子的乘积；第四个累加项为噪声抑制项的平方与第三调节因子的乘积；第五个累加项为真实图像的物体边缘保持项的平方与第四调节因子的乘积；

其中，在所述目标函数构建模块中：

由于获取的透射图包含大量噪声，故本实施例在大气散射模型中创新性地加入噪声项P(x)，本实施例的大气散射模型，如公式(5)所示：

L^C(x)＝J^C(x)[t(x)+P(x)]+B^C[1-t(x)-P(x)] (5)

其中P(x)为透射图噪声，将透射图噪声项提出，公式(5)可化简为：

L^C(x)＝J^C(x)t(x)+B^C[1-t(x)]+N^C(x) (6)

式中N^C(x)＝P(x)[J^C(x)-B^C]为噪声总和。

根据本实施例提出的鲁棒大气散射模型，创新性地构建公式(7)所示的目标函数。其中

为真实图像J的数据保持项，

为透射图数据保持项，

为透射图平滑项，‖N‖₂为噪声抑制项，

为真实图像J的物体边缘保持项。

式中t表示目标函数(7)中待优化求解的透射图(向量形式)，N表示目标函数(7)中待优化求解的噪声图像(向量形式)，L表示输入的有雾图像(向量形式)，°表示向量元素对应相乘，‖‖₂表示L2范数，||₁表示L1范数，L为有雾的图像(单通道)，B为背景光值(单通道)，

为透射图计算值(由公式(4)计算，为向量形式)，

表示梯度算子，β，ε，δ，ω为调节因子(固定常数)，G是经放大因子M放大后的输入图像的梯度，G的计算公式如下：

式中λ，σ为放大因子M的调节因子(固定常数)。λ越大，σ越大则放大因子M的放大倍数越大。

(3)去雾后三通道图像求解模块，其用于将背景光和透射图输入目标函数，再分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像；

具体地，在所述去雾后三通道图像求解模块中，采用交替方向极小化方法对目标函数进行优化，其过程为：

将目标函数的优化问题分解为多个子问题进行优化求解；

分解为子问题后，通过迭代的方式不断更新每个变量，从而实现目标函数优化；其中，在迭代过程中其他变量被视为常数。

由于存在

目标函数(7)的优化问题为非凸优化，可采用共轭梯度法PCG、交替方向极小化方法(ADM)等方法进行优化。

需要说明的是，上述优化方法并不影响图像复原的结果。

为了方便计算，本实施例采用交替方向极小化方法(ADM)对目标函数进行优化，其优化过程如图像复原方法中的描述一致，此处不再累述。

(4)真实图像获取模块，其用于合成去雾后的红、绿、蓝三通道图像，得到去雾后的真实图像。

由于获取的透射图包含大量噪声，本实施例利用包含噪声的大气散射模型构建出目标函数，再利用将背景光和透射图以及分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像，最后合成去雾后的红、绿、蓝三通道图像，得到真实图像，达到了去雾的同时保持物体边缘及抑制噪声的目的。

在另一实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所示的图像复原方法中的步骤。

在另一实施例中，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1所示的图像复原方法中的步骤。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.一种图像复原方法，其特征在于，包括：

从有雾的原图像中计算出背景光和透射图，并将有雾的原图像分解为红绿蓝三通道图；

根据大气散射模型，构建出目标函数；所述目标函数为求解五个累加项的累加和最小值时的真实图像、透射图和噪声图；其中，第一个累加项为真实图像的数据保持项的平方；第二个累加项为透射图数据保持项与第一调节因子的乘积；第三个累加项为透射图平滑项的平方与第二调节因子的乘积；第四个累加项为噪声抑制项的平方与第三调节因子的乘积；第五个累加项为真实图像的物体边缘保持项的平方与第四调节因子的乘积；

将背景光和透射图输入目标函数，再分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像；

合成去雾后的红、绿、蓝三通道图像，得到去雾后的真实图像；

目标函数为：

其中：

为真实图像J的数据保持项；

为透射图数据保持项；

为透射图平滑项；

为真实图像J的物体边缘保持项；‖N‖₂为噪声抑制项；t表示待求解的透射图；

为透射图计算值；N表示单通道噪声图像；L表示单通道有雾图像；

表示向量元素对应相乘；‖ ‖₂表示L2范数，| |₁表示L1范数；B为单通道背景光值；

表示梯度算子；β，ε，δ，ω分别为第一调节因子、第二调节因子、第三调节因子和第四调节因子，均为常数；G是放大后的单通道有雾图像的梯度。

2.如权利要求1所述的一种图像复原方法，其特征在于，大气散射模型为：

L^C(x)＝J^C(x)t(x)+B^C[1-t(x)]+N^C(x)

其中，L^C(x)为有雾的原图像；J^C(x)为去雾后的真实图像；t(x)为透射图；B^C为背景光；N^C(x)为噪声总和。

3.如权利要求1所述的一种图像复原方法，其特征在于，采用交替方向极小化方法对目标函数进行优化，其过程为：

将目标函数的优化问题分解为多个子问题进行优化求解；

分解为子问题后，通过迭代的方式不断更新每个变量，从而实现目标函数优化；其中，在迭代过程中其他变量被视为常数。

4.一种图像复原系统，其特征在于，包括：

原图像分解模块，其用于从有雾的原图像中计算出背景光和透射图，并将有雾的原图像分解为红绿蓝三通道图；

目标函数构建模块，其用于根据大气散射模型，构建出目标函数；所述目标函数为求解五个累加项的累加和最小值时的真实图像、透射图和噪声图；其中，第一个累加项为真实图像的数据保持项的平方；第二个累加项为透射图数据保持项与第一调节因子的乘积；第三个累加项为透射图平滑项的平方与第二调节因子的乘积；第四个累加项为噪声抑制项的平方与第三调节因子的乘积；第五个累加项为真实图像的物体边缘保持项的平方与第四调节因子的乘积；

去雾后三通道图像求解模块，其用于将背景光和透射图输入目标函数，再分别将红、绿、蓝单通道图输入目标函数，求解得到去雾后的红、绿、蓝三通道图像；

真实图像获取模块，其用于合成去雾后的红、绿、蓝三通道图像，得到去雾后的真实图像；

目标函数为：

其中：

为真实图像J的数据保持项；

为透射图数据保持项；

为透射图平滑项；

为真实图像J的物体边缘保持项；‖N‖₂为噪声抑制项；t表示待求解的透射图；

为透射图计算值；N表示单通道噪声图像；L表示单通道有雾图像；

表示向量元素对应相乘；‖ ‖₂表示L2范数，| |₁表示L1范数；B为单通道背景光值；

表示梯度算子；β，ε，δ，ω分别为第一调节因子、第二调节因子、第三调节因子和第四调节因子，均为常数；G是放大后的单通道有雾图像的梯度。

5.如权利要求4所述的一种图像复原系统，其特征在于，在所述目标函数构建模块中，大气散射模型为：

L^C(x)＝J^C(x)t(x)+B^C[1-t(x)]+N^C(x)

其中，L^C(x)为有雾的原图像；J^C(x)为去雾后的真实图像；t(x)为透射图；B^C为背景光；N^C(x)为噪声总和。

6.如权利要求4所述的一种图像复原系统，其特征在于，在所述去雾后三通道图像求解模块中，采用交替方向极小化方法对目标函数进行优化，其过程为：

将目标函数的优化问题分解为多个子问题进行优化求解；

分解为子问题后，通过迭代的方式不断更新每个变量，从而实现目标函数优化；其中，在迭代过程中其他变量被视为常数。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一项所述的图像复原方法中的步骤。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一项所述的图像复原方法中的步骤。

Images