CN111986121B - 基于Framelet l0范数约束的模糊图像非盲复原方法 - Google Patents
基于Framelet l0范数约束的模糊图像非盲复原方法 Download PDFInfo
- Publication number
- CN111986121B CN111986121B CN202011016903.0A CN202011016903A CN111986121B CN 111986121 B CN111986121 B CN 111986121B CN 202011016903 A CN202011016903 A CN 202011016903A CN 111986121 B CN111986121 B CN 111986121B
- Authority
- CN
- China
- Prior art keywords
- image
- variables
- model
- expression
- fuzzy
- 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 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 230000014509 gene expression Effects 0.000 claims description 26
- 238000005457 optimization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007918 pathogenicity Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000725 suspension Substances 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及本发明基于Framelet l0范数约束的模糊图像非盲复原方法,包括:对模糊图像的噪声进行建模;用清晰图像的Framelet多尺度分解系数的l0范数对清晰图像进行建模;将两个模型进行加权求和,构建模糊图像复原问题模型;对模糊图像复原问题模型进行转化;采用实际的模糊图像对辅助变量的两第一变量进行初始化,采用与图像尺寸相同的全零矩阵对辅助变量的两第二变量进行初始化;采用基于变量分离策略的轮换迭代算法,对清晰图像、辅助变量的两第二变量以及两第一变量进行更新,实现对转化后的问题进行求解;得到复原图像。上述技术方案中提供的基于Framelet l0范数约束的模糊图像非盲复原方法,能有效解决现有技术方案复原的清晰图像细节分辨能力较差的问题。
Description
技术领域
本发明涉及计算机数字图像处理技术领域,具体涉及一种基于Framelet l0范数约束的模糊图像非盲复原方法。
背景技术
在日常摄影或医学影像检测等应用领域中,由于外界振动等影响经常会使所得的图像发生模糊,而采用三脚架、悬浮镜片镜头等稳像设备来提升成像质量又会提升成本,并且携带不便。因此,通过数学方法设计软件,对模糊图像进行后期处理,提升其分辨率和对比度显得尤为重要。图像建模是数字图像处理领域重要的研究手段之一,常用的图像建模方法有基于贝叶斯概率框架的建模方法等。基于图像的Framelet分解对图像进行建模方法能够对图像进行多尺度分解,由于分解过程中使用的基是冗余的,因此会使分解系数产生稀疏特性,即图像分解后的系数绝大多数为零,仅有极少数的系数值非零;这种情况可以对清晰图像的概率分布特征进行准确建模,提升复原图像中的细节分辨能力。因此,本发明采用基于图像的Framelet分解方法提出一种新的模糊图像复原方法。
发明内容
本发明的目的是提供一种基于Framelet l0范数约束的模糊图像非盲复原方法,能有效解决现有技术方案复原的清晰图像细节分辨能力较差的问题。
为解决上述技术问题,本发明采用了以下技术方案:
本发明基于Framelet l0范数约束的模糊图像非盲复原方法,包括以下步骤:
1)用泊松概率分布模型对模糊图像的噪声进行建模,得到模糊图像噪声模型;
2)用清晰图像的Framelet多尺度分解系数的l0范数对清晰图像进行建模,得到清晰图像模型;
3)将模糊图像噪声模型和清晰图像模型进行加权求和,构建模糊图像复原问题模型;
4)引入两组辅助变量,对模糊图像复原问题模型进行转化;
5)采用实际的模糊图像对辅助变量的两第一变量进行初始化,采用与图像尺寸相同的全零矩阵对辅助变量的两第二变量进行初始化;
6)采用基于变量分离策略的轮换迭代算法,对清晰图像、辅助变量的两第二变量以及两第一变量进行更新,实现对步骤4)转化后的问题进行求解;其中迭代停止时的清晰图像估值即为复原图像。
步骤1)中模糊图像噪声模型的表达式为:
其中,n表示图像中的像素总数,j表示像素索引;g表示模糊图像,o表示清晰图像,h表示点扩散函数,ho表示不带噪声的理想模糊图像,P(g|ho)为噪声发生的概率。
步骤2)中清晰图像模型的表达式为:
-lnP(o)∝||Do||0
其中,D表示Framelet多尺度分解运算,||Do||0表示清晰图像Framelet多尺度分解所得系数中非零元素的个数。
步骤3)中模糊图像复原问题模型的表达式为
其中,λ为约束系数。
步骤4)模糊图像复原问题模型转化后的表达式为:
其中,β为惩罚系数,(u1,d1),(u2,d2)为两组辅助变量,u1和u2为辅助变量的第一变量,d1和d2为辅助变量的第二变量。
步骤6)基于变量分离策略的轮换迭代算法的求解步骤为:
61)固定(u1,d1,u2,d2)的估计值,对o进行更新,其表达式为:
62)固定(o,d1,u2,d2)的估计值,对u1进行更新,其表达式为:
63)固定(o,u1,d1,d2)的估计值,对u2进行更新,其表达式为:
64)固定(o,u1,u2,d2)的估计值,对d1进行更新,其表达式为:
d1=d1+u1-ho
65)固定(o,u1,d1,u2)的估计值,对d2进行更新,其表达式为:
d2=d2+u2-o
其中,迭代停止的标志是迭代次数不小于100次。
上述技术方案中提供的基于Framelet l0范数约束的模糊图像非盲复原方法,首先基于泊松概率分布模型对模糊图像中的噪声进行建模,然后对清晰图像进行Framelet分解,并采用l0范数对Framelet分解系数进行建模,形成正则化约束条件,可以有效克服模糊图像复原的病态性问题,减少噪声等负面效应对复原结果的影响。
同时,本发明将上述噪声模型和稀疏模型进行加权求和得到模糊图像复原问题模型,针对该问题模型,采用基于双辅助变量的轮换优化迭代方法,通过引入辅助变量对待优化值及其优化估计误差进行近似,进而对清晰图像及辅助变量进行轮换迭代优化,最终得到与模糊图像对应的复原图像。
即本发明提出的方法能够对泊松噪声条件下的模糊图像复原问题进行准确建模,并且其轮换迭代方法具有较高的运行效率,能对模糊图像进行有效复原,提高图像的细节分辨能力,得到高质量的复原图像。
附图说明
图1为本发明基于Framelet l0范数约束的模糊图像复原方法的流程图;
图2为本发明实施例中的模糊图像;
图3为本发明实施例中模糊图像对应的点扩散函数;
图4为本发明实施例中复原图像。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行具体说明。应当理解,以下文字仅仅用以描述本发明的一种或几种具体的实施方式,并不对本发明具体请求的保护范围进行严格限定。
本实施例为图2所述的模糊图像为例,对本发明的技术方案进行说明,本发明基于Framelet l0范数约束的模糊图像非盲复原方法,其流程图如图1所示,具体包括以下步骤:
步骤1,用泊松概率分布模型对模糊图像的噪声进行建模,其表达式如下:
其中,n表示图像中的像素总数,j表示像素索引。g表示模糊图像,o表示清晰图像,h表示点扩散函数,ho表示不带噪声的理想模糊图像,P(g|ho)为噪声发生的概率。点扩散函数如本实施例图3所示。
步骤2,用清晰图像的Framelet多尺度分解系数的l0范数对清晰图像进行建模,其表达式如下:
-lnP(o)∝||Do||0
其中,D表示Framelet多尺度分解运算,||Do||0表示清晰图像Framelet多尺度分解所得系数中非零元素的个数。
步骤3,引入约束系数λ,将步骤1和步骤2中的模型进行加权求和,构建模糊图像复原问题模型,表达式如下:
步骤4,引入一个惩罚系数β和两组辅助变量(u1,d1),(u2,d2)分别对ho和Do进行近似,并将步骤2中的问题模型进行转化,表达式如下:
步骤5,用实际的模糊图像对u1和u2进行初始化,用与图像尺寸相同的全零矩阵对d1和d2进行初始化;
步骤6,采用基于变量分离策略的轮换迭代算法,对步骤4中的问题模型进行求解,其步骤如下:
61)固定(u1,d1,u2,d2)的估计值,对o进行更新,其表达式为:
62)固定(o,d1,u2,d2)的估计值,对u1进行更新,其表达式为:
63)固定(o,u1,d1,d2)的估计值,对u2进行更新,其表达式为:
64)固定(o,u1,u2,d2)的估计值,对d1进行更新,其表达式为:
d1=d1+u1-ho
65)固定(o,u1,d1,u2)的估计值,对d2进行更新,其表达式为:
d2=d2+u2-o
上述迭代终止的标志是迭代次数不少于100次,停止时o的估值即为复原图像。本实施例的复原图像如图4所示。
本发明提出了一种基于泊松概率模型和清晰图像Framelet分解系数的l0范数约束的模糊图像复原方法,利用它能够利用已知的点扩散函数对模糊图像进行高质量复原,显著改善图像质量,提升图像细节的分辨能力。将实施例中图4与图2比较,可见图像的模糊效应被有效去除,图像细节得到有效恢复,可见本发明方法对模糊图像复原的有效性。
上面结合实施例对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,对于本技术领域的普通技术人员来说,在获知本发明中记载内容后,在不脱离本发明原理的前提下,还可以对其作出若干同等变换和替代,这些同等变换和替代也应视为属于本发明的保护范围。
Claims (2)
1.一种基于Framelet l0范数约束的模糊图像非盲复原方法,其特征在于,包括以下步骤:
1)用泊松概率分布模型对模糊图像的噪声进行建模,得到模糊图像噪声模型;
模糊图像噪声模型的表达式为:
其中,n表示图像中的像素总数,j表示像素索引;g表示模糊图像,o表示清晰图像,h表示点扩散函数,ho表示不带噪声的理想模糊图像,P(g|ho)为噪声发生的概率;
2)用清晰图像的Framelet多尺度分解系数的l0范数对清晰图像进行建模,得到清晰图像模型;
清晰图像模型的表达式为:
-lnP(o)∝||Do||0
其中,D表示Framelet多尺度分解运算,||Do||0表示清晰图像Framelet多尺度分解所得系数中非零元素的个数;
3)引入约束系数λ,将模糊图像噪声模型和清晰图像模型进行加权求和,构建模糊图像复原问题模型;
模糊图像复原问题模型的表达式为
4)引入两组辅助变量(u1,d1),(u2,d2),对模糊图像复原问题模型进行转化;
转化后的模糊图像复原问题模型表达式为:
其中,β为惩罚系数,u1和u2为辅助变量的第一变量,d1和d2为辅助变量的第二变量;
5)采用实际的模糊图像对辅助变量的两第一变量进行初始化,采用与图像尺寸相同的全零矩阵对辅助变量的两第二变量进行初始化;
6)采用基于变量分离策略的轮换迭代算法,对清晰图像、辅助变量的两第二变量以及两第一变量进行更新,实现对步骤4)转化后的问题进行求解;其中迭代停止时的清晰图像估值即为复原图像。
2.根据权利要求1所述的基于Framelet l0范数约束的模糊图像非盲复原方法,其特征在于,步骤6)基于变量分离策略的轮换迭代算法的求解步骤为:
61)固定(u1,d1,u2,d2)的估计值,对o进行更新,其表达式为:
62)固定(o,d1,u2,d2)的估计值,对u1进行更新,其表达式为:
63)固定(o,u1,d1,d2)的估计值,对u2进行更新,其表达式为:
64)固定(o,u1,u2,d2)的估计值,对d1进行更新,其表达式为:
d1=d1+u1-ho
65)固定(o,u1,d1,u2)的估计值,对d2进行更新,其表达式为:
d2=d2+u2-o
其中,迭代停止的标志是迭代次数不小于100次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016903.0A CN111986121B (zh) | 2020-09-24 | 2020-09-24 | 基于Framelet l0范数约束的模糊图像非盲复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016903.0A CN111986121B (zh) | 2020-09-24 | 2020-09-24 | 基于Framelet l0范数约束的模糊图像非盲复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986121A CN111986121A (zh) | 2020-11-24 |
CN111986121B true CN111986121B (zh) | 2024-01-09 |
Family
ID=73450180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011016903.0A Active CN111986121B (zh) | 2020-09-24 | 2020-09-24 | 基于Framelet l0范数约束的模糊图像非盲复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986121B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658061B (zh) * | 2021-07-28 | 2024-04-16 | 南京航空航天大学 | 一种面向混合约束条件的模糊图像复原方法及终端 |
CN113570522B (zh) * | 2021-07-28 | 2024-04-16 | 南京航空航天大学 | 一种基于混合约束条件的雾霾图像复原方法及终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254309A (zh) * | 2011-07-27 | 2011-11-23 | 清华大学 | 一种基于近红外图像的运动模糊图像去模糊方法和装置 |
CN102867289A (zh) * | 2012-08-20 | 2013-01-09 | 清华大学 | 互补模糊图像采集系统及利用该系统的模糊图像恢复方法 |
CN104008531A (zh) * | 2014-06-17 | 2014-08-27 | 中国电子科技集团公司第二十八研究所 | 一种基于混合型马尔科夫专家场的模糊图像盲复原方法 |
CN104021529A (zh) * | 2014-06-17 | 2014-09-03 | 中国电子科技集团公司第二十八研究所 | 一种模糊图像非盲复原方法 |
CN107451973A (zh) * | 2017-07-31 | 2017-12-08 | 西安理工大学 | 基于丰富边缘区域提取的运动模糊图像复原方法 |
CN108681995A (zh) * | 2018-05-20 | 2018-10-19 | 北京联合大学 | 一种基于变分贝叶斯估计的去运动模糊的方法 |
KR20190024636A (ko) * | 2017-08-30 | 2019-03-08 | 한국과학기술원 | 확장된 뉴럴 네트워크를 이용한 영상 복원 방법 및 장치 |
KR20190086338A (ko) * | 2018-01-12 | 2019-07-22 | 한국과학기술원 | 뉴럴 네트워크를 이용한 엑스선 전산단층 촬영 영상 처리 방법 및 그 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8447135B2 (en) * | 2011-03-02 | 2013-05-21 | Nanyang Technological University | Methods and systems for generating enhanced images using Euler's Elastica model |
-
2020
- 2020-09-24 CN CN202011016903.0A patent/CN111986121B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254309A (zh) * | 2011-07-27 | 2011-11-23 | 清华大学 | 一种基于近红外图像的运动模糊图像去模糊方法和装置 |
CN102867289A (zh) * | 2012-08-20 | 2013-01-09 | 清华大学 | 互补模糊图像采集系统及利用该系统的模糊图像恢复方法 |
CN104008531A (zh) * | 2014-06-17 | 2014-08-27 | 中国电子科技集团公司第二十八研究所 | 一种基于混合型马尔科夫专家场的模糊图像盲复原方法 |
CN104021529A (zh) * | 2014-06-17 | 2014-09-03 | 中国电子科技集团公司第二十八研究所 | 一种模糊图像非盲复原方法 |
CN107451973A (zh) * | 2017-07-31 | 2017-12-08 | 西安理工大学 | 基于丰富边缘区域提取的运动模糊图像复原方法 |
KR20190024636A (ko) * | 2017-08-30 | 2019-03-08 | 한국과학기술원 | 확장된 뉴럴 네트워크를 이용한 영상 복원 방법 및 장치 |
KR20190086338A (ko) * | 2018-01-12 | 2019-07-22 | 한국과학기술원 | 뉴럴 네트워크를 이용한 엑스선 전산단층 촬영 영상 처리 방법 및 그 장치 |
CN108681995A (zh) * | 2018-05-20 | 2018-10-19 | 北京联合大学 | 一种基于变分贝叶斯估计的去运动模糊的方法 |
Non-Patent Citations (5)
Title |
---|
Blind Image Deconvolution Using the Gaussian Scale Mixture Fields of Experts Prior;Shuyin Tao 等;《2017 International Conference on Progress in Informatics and Computing (PIC)》;全文 * |
Color image restoration based on framelet regularization;Yan-Ran Li 等;《2012 International Conference on Systems and Informatics (ICSAI2012)》;全文 * |
基于学习字典和稀疏约束的湍流退化图像盲复原;鱼轮;李晖晖;;电子测量技术(第17期);全文 * |
基于总变分和稀疏正则化的大气湍流退化图像盲解卷积复原;周海蓉;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第8期);全文 * |
泊松噪声污染模糊图像的非盲去卷积方法;董文德 等;《南京理工大学学报》;第40卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111986121A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Denoising prior driven deep neural network for image restoration | |
CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
Dong et al. | Nonlocally centralized sparse representation for image restoration | |
CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
Dong et al. | Centralized sparse representation for image restoration | |
CN109064412B (zh) | 一种低秩图像的去噪方法 | |
CN111079532A (zh) | 一种基于文本自编码器的视频内容描述方法 | |
CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
CN107610069B (zh) | 基于共享k-svd字典的dvs可视化视频去噪方法 | |
CN111986121B (zh) | 基于Framelet l0范数约束的模糊图像非盲复原方法 | |
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 | |
CN104008531B (zh) | 一种基于混合型马尔科夫专家场的模糊图像盲复原方法 | |
CN113570516B (zh) | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN111986122B (zh) | 基于混合型总变分正则化的模糊图像非盲复原方法 | |
CN109767389A (zh) | 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法 | |
CN112116541A (zh) | 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 | |
CN105590296A (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
CN111754430A (zh) | 基于纯四元数字典学习的彩色图像去噪方法 | |
CN116862795A (zh) | 一种基于逐像素退化预测网络的多级去运动模糊方法 | |
CN112184571A (zh) | 一种基于非凸秩近似的鲁棒主成分分析方法 | |
CN113658061B (zh) | 一种面向混合约束条件的模糊图像复原方法及终端 | |
Bao et al. | Half quadratic splitting method combined with convolution neural network for blind image deblurring | |
Wu et al. | Compressed sensing via a deep convolutional auto-encoder | |
CN114820389B (zh) | 一种基于无监督解耦表征的人脸图像去模糊方法 |
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 |