CN110517197B - 基于参数模型的单幅图像去模糊方法 - Google Patents
基于参数模型的单幅图像去模糊方法 Download PDFInfo
- Publication number
- CN110517197B CN110517197B CN201910756634.2A CN201910756634A CN110517197B CN 110517197 B CN110517197 B CN 110517197B CN 201910756634 A CN201910756634 A CN 201910756634A CN 110517197 B CN110517197 B CN 110517197B
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- fuzzy
- parameter
- kernel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000008878 coupling Effects 0.000 claims abstract description 15
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 238000006731 degradation reaction Methods 0.000 claims abstract description 12
- 238000011478 gradient descent method Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于参数模型的单幅图像去模糊方法,用于解决现有模糊图像复原方法复原的图像效果差的技术问题。技术方案是首先利用L1正则化盲卷积去模糊方法,得到初步估计的非参数化的模糊核。将该模糊核作为参数退化耦合模型的输入,对其进行中心重定位,再用最小二乘法求解耦合模型能量最小值,并结合梯度下降法来更新参数,从而交替计算得到最终的三个参数值,根据求出的参数计算得到参数化模糊核。最后利用求得的参数化模糊核与原始模糊图像,利用约束最小二乘滤波方法进行非盲反卷积去模糊操作,得到复原图像。本发明采用基于参数模型模糊核估计方法,增加了算法鲁棒性,提高了图像去模糊性能,能很好的恢复出具有大量纹理细节的清晰图像。
Description
技术领域
本发明涉及一种模糊图像复原方法,特别是涉及一种基于参数模型的单幅图像去模糊方法。
背景技术
未知模糊形式的盲卷积去模糊方法是图像复原领域的重要研究方向。论文《AModified Newton Projection Method for L1-Regularized Least Squares ImageDeblurring》,Journal of Mathematical Imaging and Vision,2015,51(1):195-208.公开了一种采用L1正则化对模糊图像进行复原的方法,利用图像可稀疏表示的特点,在估计模糊核过程中,将L1范数作为约束条件求取使能量最小化时模糊核的最优值,即求解L1范数下的最小二乘问题,使得当模糊长度较大时能稳定的恢复图像,以达到能准确复原出清晰图像的效果。但该方法未考虑模糊核本身的结构特性,对高斯噪声的鲁棒性较低,当模糊图像具有较多纹理细节时,会通过平滑局部的纹理细节以使全局图像的去模糊效果达到最优,从而导致复原结果纹理细节不够清晰。另外,当模糊尺度增大时,L1正则化方法易产生振铃现象,从而影响复原的效果。
发明内容
为了克服现有模糊图像复原方法复原的图像效果差的不足,本发明提供一种基于参数模型的单幅图像去模糊方法。该方法首先利用L1正则化盲卷积去模糊方法,得到初步估计的非参数化的模糊核。将该模糊核作为参数退化耦合模型的输入,对其进行中心重定位,再用最小二乘法求解耦合模型能量最小值,并结合梯度下降法来更新参数,从而交替计算得到最终的三个参数值,根据求出的参数计算得到参数化模糊核。最后利用求得的参数化模糊核与原始模糊图像,利用约束最小二乘滤波方法进行非盲反卷积去模糊操作,得到复原图像。本发明采用基于参数模型模糊核估计方法,考虑了模糊核的结构特性,增加了算法的鲁棒性,提高了图像去模糊的性能,能很好的恢复出具有大量纹理细节的清晰图像。
本发明解决其技术问题所采用的技术方案是:一种基于参数模型的单幅图像去模糊方法,其特点是包括以下步骤:
步骤一、估计非参数模糊核。
将模糊图像的退化建模为g=k*f+η,其中,g为模糊图像,k为模糊核,f为待复原图像,η为噪声。输入一张模糊图像,在k与f都未知的情况下,利用L1正则化盲反卷积去模糊方法对模糊核进行初步估计。L1正则化模型表示为
其中,▽为图像的梯度信息,||·||1为该项的L1范数,||·||2为该项的L2范数,λ与β分别为待复原图像一范数与模糊核二范数的系数项。设定λ=0.1,β=0.1。
对公式(3)做傅里叶变换,令其优化函数导数为零,并在频率域上求解,求解公式为:
步骤二、建立耦合模型计算模糊核参数。
建立图像退化耦合模型:
g=km(s,θ)*kg(σ2)*f+η (5)
其中,km(s,θ)表示运动模糊,参数s为运动模糊的长度,θ为运动模糊的角度。kg(σ2)表示高斯模糊,参数σ2为高斯模糊核的方差,η为噪声。该模型中,模糊核被表示为:
k=km(s,θ)*kg(σ2) (6)
其能量公式为:
E=||k-km(s,θ)*kg(σ2)||2 (7)
其中,E为退化耦合模型的总能量。通过L1正则化盲卷积去模糊方法得到初步估计的非参数模糊核k0后,对该模糊核中心(x,y)进行重定位,通过公式(8)求取模糊核水平方向x与垂直方向y的平均加权值,得到新的中心(X,Y)。
式中,(i,j)为k0的索引坐标,kij为k0在(i,j)处的索引值。
通过公式(9)将模糊核整体平移至重定位后的中心点。
其中,(i′,j′)为(i,j)平移变换后的索引下标,kx,ky分别为模糊核k0的高度与宽度。
分别对三个参数s,θ和σ2迭代进行更新,以使能量函数达到最小值。通过高斯牛顿迭代方法,利用偏导定义计算参数的值,根据公式(7)所示能量函数,得到能量函数对s的导数为:
利用梯度下降法更新s的值,第t+1次迭代过程中,s的更新公式为:
式中,βs为更新的步长,本发明设定βs=10。
参数θ的优化方式与s类似,能量最小化公式如下所示:
利用梯度下降法来更新θ的值,第t+1次迭代过程中,θ的更新公式为:
式中,βθ为更新的步长,设定βθ=5。
由于该函数中含有指数项,故引入对数项n(σ2)=ln(kg(σ2))替换高斯函数kg(σ2)。
结合公式(7),通过优化如下公式来获取参数σ2:
利用梯度下降法来更新参数σ2,第t+1次迭代过程中,σ2的更新公式为:
步骤三、反卷积得到清晰图像。
通过参数退化耦合模型计算得到三个参数s,θ和σ2的值后,根据公式k=km(s,θ)*kg(σ2)求得最终估计的模糊核kf。利用kf与原始模糊图像g,在频率域上用约束最小二乘方滤波方法进行非盲反卷积,即:
本发明的有益效果是:该方法首先利用L1正则化盲卷积去模糊方法,得到初步估计的非参数化的模糊核。将该模糊核作为参数退化耦合模型的输入,对其进行中心重定位,再用最小二乘法求解耦合模型能量最小值,并结合梯度下降法来更新参数,从而交替计算得到最终的三个参数值,根据求出的参数计算得到参数化模糊核。最后利用求得的参数化模糊核与原始模糊图像,利用约束最小二乘滤波方法进行非盲反卷积去模糊操作,得到复原图像。本发明采用基于参数模型模糊核估计方法,考虑了模糊核的结构特性,增加了算法的鲁棒性,提高了图像去模糊的性能,能很好的恢复出具有大量纹理细节的清晰图像。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于参数模型的单幅图像去模糊方法具体步骤如下:
1)估计非参数模糊核。
将模糊图像的退化建模为g=k*f+η,其中,g为模糊图像,k为模糊核,f为待复原图像,η为噪声。输入一张模糊图像,在k与f都未知的情况下,利用L1正则化盲反卷积去模糊方法对模糊核进行初步估计。L1正则化模型由公式(1)表示
其中,▽为图像的梯度信息,||·||1为该项的L1范数,||·||2为该项的L2范数,λ与β分别为待复原图像一范数与模糊核二范数的系数项。设定λ=0.1,β=0.1。
对公式(3)做傅里叶变换,令其优化函数导数为零,并在频率域上求解,求解公式为:
2)建立耦合模型计算模糊核参数。
根据模糊核在短曝光时间下呈较短的连续直线这一结构特性,建立图像退化耦合模型:
g=km(s,θ)*kg(σ2)*f+η (5)
其中,km(s,θ)表示运动模糊,参数s为运动模糊的长度,θ为运动模糊的角度。kg(σ2)表示高斯模糊,参数σ2为高斯模糊核的方差,η为噪声。该模型中,模糊核被表示为:
k=km(s,θ)*kg(σ2) (6)
该问题仍是模型的能量最小化问题,其能量公式为:
E=||k-km(s,θ)*kg(σ2)||2 (7)
其中,E为退化耦合模型的总能量。通过L1正则化盲卷积去模糊方法得到初步估计的非参数模糊核k0后,对该模糊核中心(x,y)进行重定位,通过公式(8)求取模糊核水平方向x与垂直方向y的平均加权值,得到新的中心(X,Y)。
式中,(i,j)为k0的索引坐标,kij为k0在(i,j)处的索引值。
通过公式(9)将模糊核整体平移至重定位后的中心点。
其中,(i′,j′)为(i,j)平移变换后的索引下标,kx,ky分别为模糊核k0的高度与宽度。
分别对三个参数s,θ和σ2迭代进行更新,以使能量函数达到最小值。通过高斯牛顿迭代方法,利用偏导定义计算参数的值,根据公式(7)所示能量函数,得到能量函数对s的导数为:
利用梯度下降法更新s的值,第t+1次迭代过程中,s的更新公式为:
式中,βs为更新的步长,本发明设定βs=10。
参数θ的优化方式与s类似,能量最小化公式如下所示:
利用梯度下降法来更新θ的值,第t+1次迭代过程中,θ的更新公式为:
式中,βθ为更新的步长,设定βθ=5。
由于该函数中含有指数项,给后续偏导数的求解带来了一定的难度,引入对数项n(σ2)=ln(kg(σ2))替换高斯函数kg(σ2)。
结合公式(7),通过优化如下公式来获取参数σ2:
利用梯度下降法来更新参数σ2,第t+1次迭代过程中,σ2的更新公式为:
3)反卷积得到清晰图像。
通过参数退化耦合模型计算得到三个参数s,θ和σ2的值后,根据公式k=km(s,θ)*kg(σ2)求得最终估计的模糊核kf。利用kf与原始模糊图像g,在频率域上用约束最小二乘方滤波方法进行非盲反卷积,即:
Claims (1)
1.一种基于参数模型的单幅图像去模糊方法,其特征在于包括以下步骤:
步骤一、估计非参数模糊核;
将模糊图像的退化建模为g=k*f+η,其中,g为模糊图像,k为模糊核,f为待复原图像,η为噪声;输入一张模糊图像,在k与f都未知的情况下,利用L1正则化盲反卷积去模糊方法对模糊核进行初步估计;L1正则化模型表示为
对公式(3)做傅里叶变换,令其优化函数导数为零,并在频率域上求解,求解公式为:
步骤二、建立耦合模型计算模糊核参数;
建立图像退化耦合模型:
g=km(s,θ)*kg(σ2)*f+η (5)
其中,km(s,θ)表示运动模糊,参数s为运动模糊的长度,θ为运动模糊的角度;kg(σ2)表示高斯模糊,参数σ2为高斯模糊核的方差,η为噪声;该模型中,模糊核被表示为:
k=km(s,θ)*kg(σ2) (6)
其能量公式为:
E=||k-km(s,θ)*kg(σ2)||2 (7)
其中,E为退化耦合模型的总能量;通过L1正则化盲卷积去模糊方法得到初步估计的非参数模糊核k0后,对该模糊核中心(x,y)进行重定位,通过公式(8)求取模糊核水平方向x与垂直方向y的平均加权值,得到新的中心(X,Y);
式中,(i,j)为k0的索引坐标,kij为k0在(i,j)处的索引值;
通过公式(9)将模糊核整体平移至重定位后的中心点;
其中,(i′,j′)为(i,j)平移变换后的索引下标,kx,ky分别为模糊核k0的高度与宽度;
分别对三个参数s,θ和σ2迭代进行更新,以使能量函数达到最小值;通过高斯牛顿迭代方法,利用偏导定义计算参数的值,根据公式(7)所示能量函数,得到能量函数对s的导数为:
利用梯度下降法更新s的值,第t+1次迭代过程中,s的更新公式为:
式中,βs为更新的步长,设定βs=10;
参数θ的优化方式与s类似,能量最小化公式如下所示:
利用梯度下降法来更新θ的值,第t+1次迭代过程中,θ的更新公式为:
式中,βθ为更新的步长,设定βθ=5;
由于该函数中含有指数项,故引入对数项n(σ2)=ln(kg(σ2))替换高斯函数kg(σ2);
结合公式(7),通过优化如下公式来获取参数σ2:
利用梯度下降法来更新参数σ2,第t+1次迭代过程中,σ2的更新公式为:
步骤三、反卷积得到清晰图像;
通过参数退化耦合模型计算得到三个参数s,θ和σ2的值后,根据公式k=km(s,θ)*kg(σ2)求得最终估计的模糊核kf;利用kf与原始模糊图像g,在频率域上用约束最小二乘方滤波方法进行非盲反卷积,即:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910756634.2A CN110517197B (zh) | 2019-08-16 | 2019-08-16 | 基于参数模型的单幅图像去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910756634.2A CN110517197B (zh) | 2019-08-16 | 2019-08-16 | 基于参数模型的单幅图像去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517197A CN110517197A (zh) | 2019-11-29 |
CN110517197B true CN110517197B (zh) | 2022-09-09 |
Family
ID=68625336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910756634.2A Active CN110517197B (zh) | 2019-08-16 | 2019-08-16 | 基于参数模型的单幅图像去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517197B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028168B (zh) * | 2019-12-06 | 2022-09-13 | 河海大学常州校区 | 一种含噪声模糊的高能闪光图像去模糊方法 |
CN111815537B (zh) * | 2020-07-16 | 2022-04-29 | 西北工业大学 | 一种新型图像盲解去模糊方法 |
CN112132758B (zh) * | 2020-08-05 | 2024-06-21 | 浙江工业大学 | 基于非对称光学系统点扩散函数模型的图像复原方法 |
CN112116541B (zh) * | 2020-09-24 | 2024-05-14 | 南京航空航天大学 | 基于梯度l0范数和总变分正则化约束的模糊图像复原方法 |
CN112488946B (zh) * | 2020-12-03 | 2024-04-09 | 重庆邮电大学 | 一种针对驾驶室环境的单尺度运动模糊图像帧复原方法 |
CN113033542B (zh) * | 2021-04-25 | 2024-03-01 | 中国电子系统技术有限公司 | 一种文本识别模型的生成方法以及装置 |
US11704777B2 (en) | 2021-08-27 | 2023-07-18 | Raytheon Company | Arbitrary motion smear modeling and removal |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930601B (zh) * | 2010-09-01 | 2012-02-08 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
CN102170526B (zh) * | 2011-03-22 | 2012-09-05 | 公安部第三研究所 | 散焦模糊核计算及其散焦模糊图像清晰化处理方法 |
CN103337057B (zh) * | 2013-07-05 | 2015-12-02 | 西北工业大学 | 基于多尺度自相似的运动模糊图像盲复原方法 |
CN106875349A (zh) * | 2016-12-30 | 2017-06-20 | 无锡高新兴智能交通技术有限公司 | 盲图像复原方法中模糊核的计算方法及盲图像复原方法 |
CN107871310B (zh) * | 2017-10-26 | 2019-11-22 | 武汉大学 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
CN108389204B (zh) * | 2018-03-16 | 2021-08-27 | 华南理工大学 | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 |
CN109003234B (zh) * | 2018-06-21 | 2019-11-12 | 东南大学 | 针对运动模糊图像复原的模糊核计算方法 |
-
2019
- 2019-08-16 CN CN201910756634.2A patent/CN110517197B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110517197A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517197B (zh) | 基于参数模型的单幅图像去模糊方法 | |
CN110992262B (zh) | 一种基于生成对抗网络的遥感图像超分辨重建方法 | |
WO2018227882A1 (zh) | 基于先验约束和离群值抑制的图像去模糊方法 | |
CN106709877B (zh) | 一种基于多参数正则优化模型的图像去模糊方法 | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN108564544B (zh) | 基于边缘感知的图像盲去模糊组合稀疏优化方法 | |
CN111047544B (zh) | 一种基于非线性退化模型的饱和图像去模糊方法 | |
CN109636722B (zh) | 一种基于稀疏表示的在线字典学习超分辨率重建的方法 | |
CN107194873B (zh) | 基于耦合字典学习的低秩核范数正则人脸图像超分辨方法 | |
CN108648162B (zh) | 一种基于噪声水平的梯度相关tv因子图像去噪去模糊方法 | |
CN108765330A (zh) | 基于全局和局部先验联合约束的图像去噪方法和装置 | |
CN107730459B (zh) | 一种基于非线性动态系统的图像去模糊方法 | |
CN116563146A (zh) | 基于可学习曲率图的图像增强方法与系统 | |
CN107451961B (zh) | 多幅模糊噪声图像下清晰图像的恢复方法 | |
Laghrib et al. | A non-convex pde-constrained denoising model for impulse and gaussian noise mixture reduction | |
CN111986122A (zh) | 基于混合型总变分正则化的模糊图像非盲复原方法 | |
CN117726537A (zh) | 自适应多尺度特征融合AMFFD-Net的SAR图像去噪网络方法及系统 | |
CN107292855A (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN107590781B (zh) | 基于原始对偶算法的自适应加权tgv图像去模糊方法 | |
CN111626943B (zh) | 基于一阶前向后向算法的全变分图像去噪方法 | |
CN113240581A (zh) | 一种针对未知模糊核的真实世界图像超分辨率方法 | |
CN112862684A (zh) | 一种深度图超分辨率重建和去噪神经网络的数据处理方法 | |
CN111986121A (zh) | 基于Framelet l0范数约束的模糊图像非盲复原方法 | |
CN115880199A (zh) | 一种长波红外高光谱与多光谱图像融合方法、系统及介质 | |
CN109002802A (zh) | 基于自适应鲁棒主成分分析的视频前景分离方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |