CN110852973A - 一种脉冲噪声模糊图像非线性复原方法及系统 - Google Patents
一种脉冲噪声模糊图像非线性复原方法及系统 Download PDFInfo
- Publication number
- CN110852973A CN110852973A CN201911100915.9A CN201911100915A CN110852973A CN 110852973 A CN110852973 A CN 110852973A CN 201911100915 A CN201911100915 A CN 201911100915A CN 110852973 A CN110852973 A CN 110852973A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- nonlinear
- impulse noise
- blurred image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000006731 degradation reaction Methods 0.000 claims abstract description 45
- 230000015556 catabolic process Effects 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000002939 conjugate gradient method Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000006002 Pepper Substances 0.000 claims description 18
- 235000002566 Capsicum Nutrition 0.000 claims description 14
- 235000016761 Piper aduncum Nutrition 0.000 claims description 14
- 235000017804 Piper guineense Nutrition 0.000 claims description 14
- 235000008184 Piper nigrum Nutrition 0.000 claims description 14
- 150000003839 salts Chemical class 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 5
- 241000722363 Piper Species 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于数字图像处理技术领域,公开了一种脉冲噪声模糊图像非线性复原方法及系统,脉冲噪声模糊图像非线性复原方法具体包括:建立脉冲噪声模糊图像退化机理模型,进而确定优化框架;构造数据项来建模脉冲噪声;选取图像先验项,结合数据项构造脉冲噪声模糊图像非盲目反卷积模型;利用迭代重加权最小二乘算法和共轭梯度法对非盲目反卷积模型进行数值优化求解,得到复原图像。本发明提出一种脉冲噪声模糊图像非线性复原方法,对脉冲噪声的性质进行分析,针对性地设计出非线性反卷积模型,求解非线性退化的脉冲噪声模糊图像复原问题。
Description
技术领域
本发明属于数字图像处理技术领域,尤其涉及一种脉冲噪声模糊图像非线 性复原方法及系统。
背景技术
目前,业内常用的现有技术是这样的:
当图像存在噪声和模糊的退化时,图像质量严重下降,一方面导致图像的 视觉效果下降,另一方面,退化干扰图像的高层任务,比如分割,目标检测与 识别等等,严重削弱了图像的使用价值。所以退化图像复原是非常有必要的。 图像去模糊问题是一个经典的图像复原问题,非盲反卷积是许多去模糊算法中 的关键部分,非盲指的是图像退化过程中的模糊核已知。基于线性退化模型的 非盲去模糊算法能够较好地复原符合线性退化模型的模糊图像,但是,其对于 不符合线性退化模型的模糊图像无法得到令人满意的结果。实际情况中,图像 常常存在非线性退化,脉冲噪声的污染是一个典型的非线性退化。违背线性退 化模型的模糊图像复原较难,其原因主要在于:
退化过程为非线性,建模较难。退化中的非线性因素的复杂性使得建模较 难,一般的非线性因素包括强噪声、饱和等,强噪声的性质更难分析且作用于 图像的方式为非线性,脉冲噪声由于其灰度截断作用使退化过程变为非线性。
基于非线性退化模型的反卷积模型设计困难。退化模型中的非线性因素对 复原结果有较大的影响,因此,即使对非线性退化过程准确建模,基于非线性 退化模型设计出对非线性因素的影响具有稳健性的反卷积模型仍是很困难的。
基于非线性退化模型的反卷积模型数值求解困难。由于反卷积模型是基于 非线性退化模型设计而来,因此,其一般也是非线性的或者是具有非线性项的, 这导致模型的数值求解更加困难。
经典的非盲目反卷积算法有:维纳滤波,Richradson-Lusy反卷积,约束最 小二乘法。这些算法假设噪声有较简单的分布,比如高斯分布,对清晰图像施 加的先验也比较简单,如Tikhonov约束,因此算法简单,快速,但正是这些简 单的假设和约束,使得这些算法对噪声敏感,复原图像质量较差。
随着自然图像统计性质的发现,如自然图像的梯度幅值具有重尾分布,包 含正则化项的非盲目反卷积算法被提出来,图像先验信息的引入使的算法的复 原效果有较大的提升。但是,当模糊图像中存在非线性退化因素,如脉冲噪声, 饱和像素,基于传统线性数据项的反卷积算法复原得到的图像中通常存在严重 的振铃现象,因此,部分工作从构造非线性数据项的角度出发,抑制非线性因 素的影响,设计非线性反卷积算法。
模糊图像中通常同时存在噪声的退化,噪声的存在使得图像去模糊问题更 加困难。实际情况中经常存在非线性强噪声,导致常用的线性退化模型无法有 效复原图像。针对噪声非线性退化模糊图像的复原,现有方法大致分为两类, 第一类是使用启发式的检测步骤剔除非线性噪声的影响,第二类是使用基于非 L2范数的数据项构造反卷积模型来统一处理所有像素。第一类:先显示地检测 出可能的噪声像素,再对剩余的像素进行去模糊处理;第二类,基于变分模型 的去模糊和噪声去除方法,变分模型的数据项一般使用L0或L1范数。
综上所述,现有技术存在的问题是:
基于传统线性数据项的图像去模糊方法对噪声比较敏感,在图像存在脉冲 噪声退化时,复原图像存在严重的振铃现象,无法恢复清晰图像,复原图像质 量差。
针对噪声非线性退化模糊图像的复原的第一类方法中,启发式检测步骤的 设置通常是没有理论指导的,当启发式检测步骤不准确的时候,复原结果中可 能存在较大的复原误差。
第二类方法有较好的理论解释,但是当选择的非L2范数数据项对于非线性 退化因素的建模不准确或约束不够强时,复原结果也会存在较大的误差。
发明内容
针对现有技术存在的问题,本发明提供了一种脉冲噪声模糊图像非线性复 原方法及系统。
本发明是这样实现的,一种脉冲噪声模糊图像非线性复原方法,所述脉冲 噪声模糊图像非线性复原方法具体包括:
步骤一,建立脉冲噪声模糊图像的退化机理模型,确定优化框架;
步骤二,构造数据项来建模脉冲噪声;
步骤三,选取图像先验项,结合数据项构造脉冲噪声非盲目反卷积模型;
步骤四,数值优化求解:利用迭代重加权最小二乘算法和共轭梯度法求解 非盲目反卷积模型,得到复原图像。
进一步,步骤一中,所述建立模糊图像退化机理模型,确定优化框架具体 包括:
(1)建立脉冲噪声模糊图像非线性退化模型:
(2)根据上述退化模型,基于最大后验概率框架可以将数据保真性和图像 先验结合到统一图像复原框架中,非盲反卷积问题对应于下式所示的优化问题:
其中,P(x|y)是后验概率,根据贝叶斯公式:
P(x|y)∝P(y|x)P(x) ②
其中,P(y|x)是似然概率,P(x)是先验概率。联合以上两式,将①式等价变 换为:
利用③式得到确定如下优化框架:
其中Ψ(Kx-y)为待构造的数据项,具有数据保真性,对应于③式中-logP(y|x) 一项;为待设计的图像先验项即正则化项,约束复原图像符合手工设计的统 计先验分布,对应于③式中-logP(x)一项。
进一步,步骤二中,所述数据项来建模脉冲噪声构造方法具体包括:
(1)选取如下非线性函数用于构造数据项,剔除椒盐噪声对复原过程的影 响:
其中,x为像素点的灰度值;
(2)联合L1范数和上式所示的非线性函数构造如下式所示的数据项:
其中i是像素索引。
进一步,步骤三中,所述脉冲噪声非盲目反卷积模型构造方法具体包括:
先验项依据图像梯度稀疏先验构造:
则非盲反卷积模型:
其中,λx为正则化项权重。
进一步,步骤四中,所述非盲目反卷积模型求解方法具体包括:
(1)将非盲反卷积模型变形为如下式所示的加权最小二乘形式:
其中,W,Wh和Wv为权重对角矩阵,其对角元素的值计算如下所示:
其中,i为矩阵元素索引;
(2)对最小二乘形式的非盲目反卷积模型中的能量函数求导,并令导数等 于0,得到如下线性方程:
进一步,所述共轭梯度算法具体包括:
输入:x0=y;
初始化:r0←Ax0-b,p0←-r0,t←0;
While rt≠0 do;
xt+1←xt+atpt;
rt+1←rt+atApt;
pt+1←-rt+1+βt+1pt;
t←t+1。
进一步,所述非盲反卷积优化问题的算法T1LP具体包括:
输入:模糊图像y,模糊核k,图像正则化项权重λx;
初始化:W0←1,t←0,Thr←3,Tol←1e-4;
relchg←1,x←y,根据公式(9),用共轭梯度法计算x0;
While t<Thr&relchg≥Tol do;
根据式(10),用共轭梯度法计算xt+1;
计算x相对变化relchg←||xt+1-xt||2/||xt+1||2;
更新迭代次数t←t+1
end(while)
输出:去模糊图像x。
本发明的另一目的在于提供一种实现所述脉冲噪声模糊图像非线性复原方 法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在 计算机上运行时,使得计算机执行所述的脉冲噪声模糊图像非线性复原方法。
本发明的另一目的在于提供一种实现所述脉冲噪声模糊图像非线性复原方 法的脉冲噪声模糊图像非线性复原系统,所述脉冲噪声模糊图像非线性复原系 统包括:
优化模型确定模块,用于脉冲噪声模糊图像,建立退化机理模型,进而确 定优化模型;
数据项来建模脉冲噪声构建模块,用于构造数据项来建模脉冲噪声;
脉冲噪声非盲目反卷积模型构建模块,用于选取图像先验项,结合数据项 构造脉冲噪声非盲目反卷积模型;
数值优化求解模块,利用迭代重加权最小二乘算法和共轭梯度法求解非盲 目反卷积模型,得到复原图像。
综上所述,本发明的优点及积极效果为:
本发明提出一种脉冲噪声模糊图像非线性复原方法,对脉冲噪声的性质进 行分析,针对性地设计出非线性反卷积模型,求解非线性退化的模糊图像复原 问题。
本发明在图像去模糊的同时,能有效地抑制脉冲噪声:通过合理构造数据 项,更为准确地建模脉冲噪声的非线性退化,从而提高了去模糊算法对脉冲噪 声的稳健性。
本发明与启发式的检测噪声再降噪的方法相比,通过构造数据项统一处理 噪声点,不会因为检测不准确导致较大的误差,且有较好的理论解释,合理构 造的数据项,能避免较大误差从而取得较好的去噪效果。
仿真实验表明:在模糊图像中存在脉冲噪声退化时,本发明从主观的视觉 效果和客观评价指标上均优于现有去模糊算法,同时能有效地抑制脉冲噪声。
附图说明
图1是本发明实施例提供的脉冲噪声模糊图像非线性复原方法流程图。
图2是本发明实施例提供的脉冲噪声模糊图像非线性复原方法原理图。
图3是本发明实施例提供的图像对比图。从左到右分别是真实图像、退化 图像、复原图像,图像上的指标分别为PSNR,SSIM。
图4是本发明实施例提供的脉冲噪声模糊图像非线性复原系统示意图。
图中:1、优化模型确定模块;2、数据项来建模脉冲噪声构建模块;3、 脉冲噪声非盲目反卷积模型构建模块;4、数值优化求解模块。
图5是本发明实施例提供的运动模糊图像。
图6是本发明实施例提供的三种对比算法复原指标对比柱状图。
图7是本发明实施例提供的本发明与三种对比算法高斯模糊图像复原对比 图。
图8是本发明实施例提供的数据集3中不同椒盐噪声等级图像复原结果图。
图9是本发明实施例提供的算法收敛性指标NSDE曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例, 对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以 解释本发明,并不用于限定本发明。
下面结合附图对本发明的技术方案与技术效果做详细说明。
如图1所示,本发明实施例提供的脉冲噪声模糊图像非线性复原方法具体 包括:
S101,对建立脉冲噪声模糊图像的退化机理模型,确定优化框架。
S102,构造数据项来建模脉冲噪声。
S103,选取图像先验项,结合数据项构造脉冲噪声非盲目反卷积模型。
S104,数值优化求解:利用迭代重加权最小二乘算法和共轭梯度法求解非 盲目反卷积模型,得到复原图像。
图2是本发明实施例提供的脉冲噪声模糊图像非线性复原方法原理图。
步骤S101中,本发明实施例提供的建立模糊图像退化机理模型,确定优化 模型具体包括:
存在脉冲噪声的模糊图像非线性退化模型下所示:
其中,x为原始清晰图像,K为已知模糊核,为未被噪声污染的模糊图像, H代表图像进一步被脉冲噪声污染的过程,y为最终退化后的图像。
根据上述退化模型,确定如下优化模型:
步骤S102中,本发明实施例提供的数据项来建模脉冲噪声构造方法具体包 括:
(1)选取如下非线性函数剔除椒盐噪声的影响:
其中,x为像素点的灰度值。
(2)联合L1范数和上式所示的非线性函数构造如下式所示的数据项:
其中i是像素索引。
步骤S103中,本发明实施例提供的脉冲噪声非盲目反卷积模型构造方法具 体包括:
先验项依据图像梯度稀疏先验构造:
则非盲反卷积模型:
其中,λx为正则化项权重。
步骤S104中,本发明实施例提供的盲目反卷积模型求解方法具体包括:
(1)将非盲反卷积模型变形为如下式所示的加权最小二乘形式:
其中,W,Wh和Wv为权重对角矩阵,其对角元素的值计算如下所示:
其中,i为矩阵元素索引。
(2)对最小二乘形式的非盲目反卷积模型中的能量函数求导,并令导数等 于0,得到如下线性方程:
令b=KTW2y,A是对称正定矩阵,则对上 式用共轭梯度法求解。
本发明实施例提供的共轭梯度算法具体包括:
输入:x0=y;
初始化:r0←Ax0-b,p0←-r0,t←0;
While rt≠0 do;
xt+1←xt+atpt;
rt+1←rt+atApt;
pt+1←-rt+1+βt+1pt;
t←t+1。
本发明实施例提供的非盲反卷积优化问题的算法T1LP具体包括:
输入:模糊图像y,模糊核k,图像正则化项权重λx;
relchg←1,x←y,根据公式(9),用共轭梯度法计算x0;
While t<Thr&relchg≥Tol do;
根据式(10),用共轭梯度法计算xt+1;
计算x相对变化relchg←||xt+1-xt||2/||xt+1||2;
更新迭代次数t←t+1
end(while)
输出:去模糊图像x。
下面结合具体实施例对本发明的技术方案与技术效果做进一步说明。
实施例1:
对存在椒盐噪声(一种脉冲噪声)的模糊图像,去模糊的实现方案如下:
(1)对椒盐噪声模糊图像,建立其退化机理模型,进而确定优化模型: 存在椒盐噪声的模糊图像非线性退化模型如(1)所示:
:其中,x为原始清晰图像,K为已知模糊核,为未被噪声污染的模糊图像,Hsp代表图像进一步被椒盐噪声污染的过程,y为最终退化后的图像。
根据退化模型(1),确定如下优化模型:
(2)根据步骤(1)获得的优化模型,构造数据项来建模脉冲噪声:
对基于线性退化模型构造的反卷积模型,数据项一般是L2范数构成,优化 复原框架如下:
其中为数据项(如果把矩阵展开为向量,矩阵的F范数等价于向量 的L2范数,下文都用L2范数表述),为图像先验项(正则化项)。基于L2 范数的数据项对于脉冲噪声并不适用,需要针对脉冲噪声的特性构造特定的数 据项。
本发明选取如下非线性函数来剔除椒盐噪声的影响,用下式表示:
在自变量绝对值较小(x<0.1)时,(30)式接近于线性函数T(x)=x,在自变量 绝对值较大(x>0.1)时,其接近于常值,具有这种截断性质的非线性函数可以非 常好的剔除大误差的对数据项的影响,在图像中,x为像素点的灰度值。另外, 由于L1范数数据项比L2范数数据项对大误差更稳健,所以,本发明选择联合 L1范数和如式(30)所示的非线性函数构造如下式所示的数据项:
其中i是像素索引。这样构造出来的数据项能有效剔除脉冲噪声,使得去 模糊算法对脉冲噪声具有很好的稳健性。
(3)确定图像先验项,结合步骤(2)获得的数据项构造脉冲噪声非盲目 反卷积模型:
先验项依据图像梯度稀疏先验构造:
则非盲反卷积模型:
其中,λx为正则化项权重。
(4)迭代求解由步骤(3)得到的非盲反卷积模型:利用迭代重加权最小 二乘(IRLS)算法和共轭梯度法(CG)求解非盲目反卷积模型,得到复原图像。
迭代求解过程如下,将式(6)变形为如下式所示的加权最小二乘形式:
其中,W,Wh和Wv为权重对角矩阵,其对角元素的值计算如下所示:
其中,i为图像元素索引。
对(34)中的能量函数求导,并令导数等于0,得到如下线性方程:
下面结合仿真实验对本发明作进一步说明。
(1)仿真数据构造过程
椒盐噪声退化图像由三个步骤生成:第一步,通过除以灰度范围的上限值 (如8位图像的上限值255),将图像灰度收缩到范围[0,1]上,得到原始清晰 图像(ground truth);第二步,使用Matlab函数conv2生成模糊图像,函 数选项为“valid”(由于卷积是一定范围内的像素加权求和,所以在图像边界 处的像素没有足够多的观测值来进行反卷积,因此需要对图像边界处的像素进 行特殊处理,比如舍弃该部分像素,由于边界处没有足够多观测值的像素数量 相对于整幅图像的像素数量通常可以忽略,所以,舍弃这部分的像素并没有太 高的代价;第三步,图像中加入某个等级的椒盐噪声,得到模糊图像(blurry image)。
(2)数据集
选择10幅自然图像,构造10幅原始清晰图像,选择10个模糊核;其中8 个为运动模糊(模糊核1至8),剩余2个为高斯模糊核(模糊核9和模糊核10), 高斯模糊核使用matlab函数“fspecial”生成,模糊核尺寸为21*21,标准差 分别为1.6和2.4。使用10幅原始清晰图像和10个模糊核,固定椒盐噪声等级 为0.02,构造包含100幅模糊图像的数据集1;选择1幅原始清晰图像和1个 运动模糊核,设定7个椒盐噪声等级{0.01,0.02,0.04,0.08,0.16,0.32,0.64}, 构造包含7幅图像的数据集2
(3)依据步骤2,3建模,再根据步骤4求解模型。
(4)算法实现细节
在复原效果和算法速度上折衷处理,IRLS迭代次数设为15,相对误差变 化门限设为10-4。CG迭代次数设为20,相对误差变化门限设为10-4。模型参数λx根据噪声的等级的不同而设置不同,一般规律是:噪声等级越高,正则化参数λx越大。参数具体设置为:对数据集1,λx=1e-2;对数据集2,对应于噪声等级 p=[0.01,0.02,0.04,0.08,0.16,0.32,0.64],λx=[1e-2,1e-2,1e-2,1e-2, 1e-2,2.1e-2,5.5e-2,].
(5)选择三个非盲目反卷积算法进行对比实验,对比算法包括:基于线性 退化模型的算法FIDHL、使用L1范数作为数据项并使用梯度稀疏先验的反卷积 算法L1LP和对脉冲噪声退化像素进行显示处理的算法Cho。
(6)性能评价指标
采用峰值信噪比(PSNR)和结构相似度(SSIM)来评价算法复原性能;采 用归一化不成差分能量(NSDE)来评价算法的收敛性。各指标详细定义如下:
其中,Rmax为图像弧度范围的最大值,如8位图像的最大值Rmax=255,MSE 为均方误差,其定义如下式所示,
结构相似度(SSIM)的定义如下:
其中,μx和分别为复原图像和参考图像的灰度均值,和分别为复原图 像和参考图像的方差,为复原图像和参考图像的协方差,C1和C2为两个正常 数,用于防止出现分母为0的情况。SSIM的值越大,复原图像质量越高。
(7)仿真实验效果:图(3),T1LP和L1LP对椒盐噪声非线性退化模糊图像 进行复原的中间结果图。图(a)和图(b)中分别记录的是L1LP算法和本发明T1LP 算法的中间结果,从左网友,第一行图和第二行图的第一列为椒盐噪声位置图 (根据含椒盐噪声模糊图像和无噪声图像的差值图来决定,非0处为椒盐噪声 位置),第一行图的后面积累为不同迭代次数下的估计椒盐噪声位置图,图上面 的文字显示迭代次数,第二行图的后面几列为不同迭代次数下的复原结果,图 上面的文字显示的是复原指标PSNR和SSIM的值。
图(5)是数据集1中一幅运动模糊图像使用不同去模糊算法的复原结果,用 于同时展示算法的复原指标和视觉质量。数据集1中运动模糊图像复原结果, (a)原始清晰图像,(b)模糊图像,(c)FIDHL结果,(d)Cho结果,(e)L1LP结果,(f)本发明T1LP结果。从图中可以看出,FIDHL算法无法提出椒盐噪声,复原结 果中噪声残留较中,效果很差,Cho、L1LP和本发明T1LP算法对噪声的抑制效 果较好,均得到较好的复原效果,但是,本发明T1LP算法复原图像的PSNR值 比对比算法高4.7dB以上,SSIM值比对比算法高0.06以上,复原效果远高于对 比算法的复原质量。
图(6),本发明与三种对比算法复原指标对比柱状图,每一束从左到右依次 为FIDHL算法,L1LP算法,Cho算法,本发明T1LP算法。横坐标为图像索引, 纵坐标为数据集1中运动模糊图像平均复原指标(PSNR)。
图(7),本发明与三种对比算法高斯模糊图像复原对比。(a)原始清晰图像, (b)模糊图像,(c)FIDHL结果,(d)Cho结果,(e)L1LP结果,(f)本发明T1LP结 果。
图(8),数据集3中不同椒盐噪声等级图像复原结果,从上到下噪声等级依 次为[0.01,0.02,0.04,0.08,0.16,0.32,0.64],(a)原始清晰图像,(b)模糊图 像,(c)FIDHL结果,(d)Cho结果。
图(9),本发明算法收敛性指标NSDE曲线。从曲线看出,NSDE值在最初的 几次迭代中快速下降,在第5次迭代后逐渐稳定,算法收敛。
如图4所示,本发明提供一种脉冲噪声模糊图像非线性复原系统包括:
优化模型确定模块1,用于脉冲噪声模糊图像复原,建立退化机理模型,进 而确定优化模型。
数据项来建模脉冲噪声构建模块2,用于构造数据项来建模脉冲噪声。
脉冲噪声非盲目反卷积模型构建模块3,用于选取图像先验项,结合数据项 构造脉冲噪声非盲目反卷积模型。
数值优化求解模块4,利用迭代重加权最小二乘算法和共轭梯度法求解非盲 目反卷积模型,得到复原图像。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或 无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明 的保护范围之内。
Claims (8)
1.一种脉冲噪声模糊图像非线性复原方法,其特征在于,所述脉冲噪声模糊图像非线性复原方法包括:
步骤一,对建立脉冲噪声模糊图像的退化机理模型,确定优化框架;
步骤二,构造用于建模脉冲噪声的数据项;
步骤三,选取图像先验项,结合数据项构造脉冲噪声模糊图像非盲目反卷积模型;
步骤四,利用迭代重加权最小二乘算法和共轭梯度法对非盲目反卷积模型进行数值优化求解,得到复原图像。
5.如权利要求1所述的脉冲噪声模糊图像非线性复原方法,其特征在于,所述非盲反卷积优化问题的算法T1LP具体包括:
输入:模糊图像y,模糊核k,图像正则化项权重λx;
relchg←1,x←y,根据公式,用共轭梯度法计算x0;
While t<Thr&relchg≥Tol do;
根据式对角元素的值计算公式,用共轭梯度法计算xt+1;
计算x相对变化relchg←||xt+1-xt||2/||xt+1||2;
更新迭代次数t←t+1;
end(while);
输出:去模糊图像x。
6.一种实现权利要求1~5任意一项所述脉冲噪声模糊图像非线性复原方法的信息数据处理终端。
7.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的脉冲噪声模糊图像非线性复原方法。
8.一种实现权利要求1~5任意一项所述脉冲噪声模糊图像非线性复原方法的脉冲噪声模糊图像非线性复原系统,其特征在于,所述脉冲噪声模糊图像非线性复原系统包括:
优化模型确定模块,用于建立脉冲噪声模糊图像的退化机理模型,进而确定优化模型;
数据项构造模块,用于构造数据项来建模脉冲噪声;
脉冲噪声非盲目反卷积模型构建模块,用于选取图像先验项,结合数据项构造脉冲噪声非盲目反卷积模型;
数值优化求解模块,利用迭代重加权最小二乘算法和共轭梯度法求解非盲目反卷积模型,得到复原图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100915.9A CN110852973B (zh) | 2019-11-12 | 2019-11-12 | 一种脉冲噪声模糊图像非线性复原方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100915.9A CN110852973B (zh) | 2019-11-12 | 2019-11-12 | 一种脉冲噪声模糊图像非线性复原方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852973A true CN110852973A (zh) | 2020-02-28 |
CN110852973B CN110852973B (zh) | 2022-09-23 |
Family
ID=69600529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911100915.9A Active CN110852973B (zh) | 2019-11-12 | 2019-11-12 | 一种脉冲噪声模糊图像非线性复原方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852973B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034407A (zh) * | 2021-04-27 | 2021-06-25 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113222860A (zh) * | 2021-06-02 | 2021-08-06 | 哈尔滨工程大学 | 基于噪声结构多重正则化的图像恢复方法及系统 |
CN113238189A (zh) * | 2021-05-24 | 2021-08-10 | 清华大学 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
CN113538374A (zh) * | 2021-07-15 | 2021-10-22 | 中国科学院上海技术物理研究所 | 一种面向高速运动物体的红外图像模糊校正方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105493140A (zh) * | 2015-05-15 | 2016-04-13 | 北京大学深圳研究生院 | 图像去模糊方法及系统 |
CN105976332A (zh) * | 2016-05-03 | 2016-09-28 | 北京大学深圳研究生院 | 基于图像中亮条纹信息的图像去模糊方法 |
CN106530251A (zh) * | 2016-11-03 | 2017-03-22 | 北京航星机器制造有限公司 | 一种盲卷积运动模糊图像复原方法 |
CN106910170A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种图像椒盐噪声的去除方法 |
CN107369139A (zh) * | 2017-06-27 | 2017-11-21 | 五邑大学 | 一种基于混合数据拟合与加权全变差的噪声图像去模糊方法 |
CN107993208A (zh) * | 2017-11-30 | 2018-05-04 | 天津师范大学 | 一种基于稀疏重叠组先验约束的非局部全变分图像复原方法 |
CN110111392A (zh) * | 2018-11-09 | 2019-08-09 | 哈尔滨工业大学(深圳) | 一种基于纳米颗粒标定的高分辨光学成像方法 |
-
2019
- 2019-11-12 CN CN201911100915.9A patent/CN110852973B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105493140A (zh) * | 2015-05-15 | 2016-04-13 | 北京大学深圳研究生院 | 图像去模糊方法及系统 |
CN105976332A (zh) * | 2016-05-03 | 2016-09-28 | 北京大学深圳研究生院 | 基于图像中亮条纹信息的图像去模糊方法 |
US20190139199A1 (en) * | 2016-05-03 | 2019-05-09 | Peking University Shenzhen Graduate School | Image deblurring method based on light streak information in an image |
CN106530251A (zh) * | 2016-11-03 | 2017-03-22 | 北京航星机器制造有限公司 | 一种盲卷积运动模糊图像复原方法 |
CN106910170A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种图像椒盐噪声的去除方法 |
CN107369139A (zh) * | 2017-06-27 | 2017-11-21 | 五邑大学 | 一种基于混合数据拟合与加权全变差的噪声图像去模糊方法 |
CN107993208A (zh) * | 2017-11-30 | 2018-05-04 | 天津师范大学 | 一种基于稀疏重叠组先验约束的非局部全变分图像复原方法 |
CN110111392A (zh) * | 2018-11-09 | 2019-08-09 | 哈尔滨工业大学(深圳) | 一种基于纳米颗粒标定的高分辨光学成像方法 |
Non-Patent Citations (2)
Title |
---|
CHAO WANG等: "High-quality non-blind motion deblurring", 《2009 16TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
饶敬松: "运动模糊图像盲去模糊算法的研究和实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034407A (zh) * | 2021-04-27 | 2021-06-25 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113238189A (zh) * | 2021-05-24 | 2021-08-10 | 清华大学 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
CN113238189B (zh) * | 2021-05-24 | 2023-03-10 | 清华大学 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
CN113222860A (zh) * | 2021-06-02 | 2021-08-06 | 哈尔滨工程大学 | 基于噪声结构多重正则化的图像恢复方法及系统 |
CN113538374A (zh) * | 2021-07-15 | 2021-10-22 | 中国科学院上海技术物理研究所 | 一种面向高速运动物体的红外图像模糊校正方法 |
CN113538374B (zh) * | 2021-07-15 | 2023-11-28 | 中国科学院上海技术物理研究所 | 一种面向高速运动物体的红外图像模糊校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110852973B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852973B (zh) | 一种脉冲噪声模糊图像非线性复原方法及系统 | |
KR101871098B1 (ko) | 이미지 처리 방법 및 장치 | |
Wang et al. | Iterative non-local means filter for salt and pepper noise removal | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
Rodríguez et al. | Mixed Gaussian-impulse noise image restoration via total variation | |
Abiko et al. | Blind denoising of mixed Gaussian-impulse noise by single CNN | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
CN111160229B (zh) | 基于ssd网络的视频目标检测方法及装置 | |
De los Reyes et al. | Bilevel optimization methods in imaging | |
CN111325671B (zh) | 网络训练方法、装置、图像处理方法及电子设备 | |
CN116977187A (zh) | 一种基于梯度场的深度点集重采样方法 | |
Gao et al. | A novel fractional‐order reaction diffusion system for the multiplicative noise removal | |
CN112801890A (zh) | 一种视频处理方法、装置及设备 | |
CN111861931A (zh) | 模型训练、图像增强方法和装置、电子设备及存储介质 | |
Ma et al. | Adaptive image denoising method based on diffusion equation and deep learning | |
Chen et al. | Blind restoration for nonuniform aerial images using nonlocal Retinex model and shearlet-based higher-order regularization | |
Suneetha et al. | An Improved Denoising of Medical Images Based on Hybrid Filter Approach and Assess Quality Metrics | |
Kumar et al. | An efficient image denoising approach to remove random valued impulse noise by truncating data inside sliding window | |
Chen et al. | Image denoising via generative adversarial networks with detail loss | |
CN113506212A (zh) | 一种改进的基于pocs的高光谱图像超分辨率重建方法 | |
Wei et al. | Image denoising with deep unfolding and normalizing flows | |
Sethy et al. | Ann based image restoration in approach of multilayer perceptron | |
Kiani et al. | Solving robust regularization problems using iteratively re-weighted least squares | |
CN111402173A (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 |
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 |