CN117173058A - 空变模糊图像统一复原方法及系统 - Google Patents
空变模糊图像统一复原方法及系统 Download PDFInfo
- Publication number
- CN117173058A CN117173058A CN202311450901.6A CN202311450901A CN117173058A CN 117173058 A CN117173058 A CN 117173058A CN 202311450901 A CN202311450901 A CN 202311450901A CN 117173058 A CN117173058 A CN 117173058A
- Authority
- CN
- China
- Prior art keywords
- image
- variant
- space
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000009499 grossing Methods 0.000 claims abstract description 12
- 230000000452 restraining effect Effects 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明公开了一种空变模糊图像统一复原方法，包括以下步骤：S1、输入模糊图像；S2、利用平滑项对模糊图像进行滤波，将滤波后的图像与原模糊图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算和自适应阈值来筛选大梯度目标区域；S3、对大梯度目标区域进行模糊核估计，并计算整个平滑图像的初始空变模糊核；S4、根据初始空变模糊核构建逐点复原模型；S5、采用分裂Bregman方法将逐点复原模型中的图像小波正则化项和梯度正则化项分解成多个变量，通过滤除误差之后的模糊核以及shearlet小波正则化项来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。本发明能够更精确地估计模糊核并提高复原图像的质量。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种空变模糊图像统一复原方法及系统。
背景技术
图像复原技术在目标探测中起着重要作用，研究和提出面向目标识别的航天探测空变模糊图像统一复原方法，探索其中隐藏的科学问题，将具有深远的科学意义和广阔的应用价值。这类问题的研究和解决将有助于将图像复原技术应用于航天探测和目标检测识别过程中，实现图像高清晰化，弥补光学成像系统硬件技术的不足，推动我国航天探测技术的高端发展，不仅对我国探测技术的提高和应用有很大的促进作用，而且对光学、数学、航天、信息等多学科交叉有重大的现实意义和科学价值。
成像系统在宽视场拍摄瞬间，目标实际成像会受到湍流随机干扰、对焦不准、口径受限、目标运动、光学衍射、散射等多种外部因素或这些因素的综合影响，这时，各区域可能会受到邻近区域景象反射过来的光点干扰，导致不同像素点模糊程度有所差异。近年来，许多方法已被提出并应用于模糊图像复原。然而，这些图像复原方法一般假定图像的模糊是空不变的，忽视了不同区域的模糊程度差异。因此，设计一种新的空变模糊图像统一复原方法变得十分必要。
发明内容
本发明主要目的在于体用一种能够更精确地估计模糊核并提高复原图像的质量的空变模糊图像统一复原方法及系统。
本发明所采用的技术方案是：
提供一种空变模糊图像统一复原方法，包括以下步骤：
S1、输入模糊图像；
S2、利用平滑项对模糊图像进行滤波，将滤波后的图像与原模糊图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算筛选出大梯度目标区域，再通过自适应阈值来进一步消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度；
S3、对优化后的大梯度目标区域进行模糊核估计，并计算整个平滑图像的初始空变模糊核；
S4、根据初始空变模糊核构建逐点复原模型，在逐点复原模型中加入shearlet小波正则化项来提高图像的局部细节复原效果，并添加空变模糊核误差稀疏性先验项来滤除模糊核误差；
S5、采用分裂Bregman方法将逐点复原模型中的图像小波正则化项和梯度正则化项分解成多个变量，利用消除模糊核误差项的方式对模糊核进行不断优化，通过滤除误差之后的模糊核以及shearlet小波正则化项来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。
接上述技术方案，步骤S3中具体对大梯度目标区域的模糊核利用一阶泰勒展开式插值方法进行插值获取整个平滑图像的初始空变模糊核。
接上述技术方案，步骤S4中通过加入shearlet小波正则化项将模糊图像分解得到低频段系数和不同方向的高频段系数，并通过L1范数来约束小波分解,提高图像局部细节复原效果。
接上述技术方案，步骤S4中将基于L0范数的稀疏性先验作为空变模糊核误差稀疏性先验项来滤除模糊核误差项，利用优化得到的精确模糊核来迭代求解更佳的复原图像。
接上述技术方案，步骤S2中，若大梯度目标区域中的像素点灰度值大于自适应阈值，则赋值为目标区域，否则赋值为非目标区域。
接上述技术方案，步骤S3中，具体通过设定大梯度目标区域的模糊核大小为对应的原模糊图像的区域大小，采用交替最小化方法优化中间清晰图像和模糊核的交替迭代过程，来得到大梯度目标区域的模糊核。
本发明还提供一种空变模糊图像统一复原系统，包括：
图像输入模块，用于输入模糊图像；
大梯度目标区域筛选模块，用于利用平滑项对模糊图像进行滤波，将滤波后的图像与原模糊图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算筛选出大梯度目标区域，再通过自适应阈值来进一步消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度，得到优化后的大梯度目标区域；
模糊核估计模块，用于对优化后的大梯度目标区域进行模糊核估计，并计算整个平滑图像的初始空变模糊核；
逐点复原模型构建模块，用于根据初始空变模糊核构建逐点复原模型，在逐点复原模型中加入shearlet小波正则化项来提高图像的局部细节复原效果，并添加空变模糊核误差稀疏性先验项来滤除模糊核误差；
复原模块，用于采用分裂Bregman方法将逐点复原模型中的图像小波正则化项和梯度正则化项分解成多个变量，利用消除模糊核误差项的方式对模糊核进行不断优化，通过滤除误差之后的模糊核以及shearlet小波正则化项来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。
接上述技术方案，模糊核估计模块具体对大梯度目标区域的模糊核利用一阶泰勒展开式插值方法进行插值获取整个平滑图像的初始空变模糊核。
接上述技术方案，逐点复原模型构建模块具体将基于L0范数的稀疏性先验作为空变模糊核误差稀疏性先验项来滤除模糊核误差项，利用优化得到的精确模糊核来迭代求解更佳的复原图像。
本发明还提供一种计算机存储介质，其内存储有可被处理器执行的计算机程序，该计算机程序执行上述技术方案所述的空变模糊图像统一复原方法。
本发明产生的有益效果是：本发明通过利用平滑项对图像进行滤波和自适应阈值对大梯度目标区域进行筛选，利用自适应阈值可以消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度，防止图像在平坦区域仍有意义，同时去除邻域内不连续杂乱像素点的影响；使用shearlet小波正则化和空变模糊核误差稀疏性先验，可提高图像的局部细节复原效果并滤除误差；通过采用分裂Bregman方法进行逐点复原，加快迭代速度，最终实现精确的图像复原。本发明的方法对于空变模糊图像的复原具有较好的效果，能够提升图像质量和细节清晰度，并具有较高的准确性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例1中空变模糊图像统一复原方法的流程图；
图2是本发明实施例2中空变模糊图像统一复原方法的流程图；
图3是本发明实施例2的输入模糊图像；
图4为本发明实施例2中对梯度区域筛选图并估计其对应输入模糊图像的模糊核示意图；其中（a）为大梯度目标区域，（b）为大梯度目标区域对应的原图区域，（c）为大梯度目标区域的模糊核；
图5为本发明实施例2中Shearlet小波的频域剖分图和频域支撑几何特征；
图6中（a）为初始空变模糊核，（b）为三维显示图像，（c）为初始空变模糊核的复原结果；
图7中（a）为滤除误差的空变模糊核，（b）为三维显示图像，（c）为滤除误差后的最终复原结果。
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，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，该实施例的空变模糊图像统一复原方法包含以下步骤：
S1、输入模糊图像；
S2、利用平滑项对模糊图像进行滤波，将滤波后的图像与原模糊图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算筛选出大梯度目标区域，再通过自适应阈值来进一步消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度；
S3、对优化后的大梯度目标区域进行模糊核估计，并计算整个平滑图像的初始空变模糊核；
S4、根据初始空变模糊核构建逐点复原模型，在逐点复原模型中加入shearlet小波正则化项来提高图像的局部细节复原效果，并添加空变模糊核误差稀疏性先验项来滤除模糊核误差；
S5、采用分裂Bregman方法将逐点复原模型中的图像小波正则化项和梯度正则化项分解成多个变量，利用消除模糊核误差项的方式对模糊核进行不断优化，通过滤除误差之后的模糊核以及shearlet小波正则化项来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。
进一步地，步骤S2中，为了寻找有效信息较多的连续梯度区域，本发明利用平滑项与原图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算并采用自适应阈值来筛选有利于模糊核估计的大梯度目标区域。
所定义的平滑项为：
其中；C是相邻像素点对的合集，其中/>值是0或1，分别表示非目标和目标区域，/>为二值函数，当/>时，/>，当/>时，/>；参数，/>是像素点/>和/>灰度差值的一个权衡因子，当两者的灰度值的欧式距离/>相差较小时，此时为了放大这种差别，/>值较大，反之，/>值较小。
其中，基于自适应阈值筛选大梯度目标区域图像主要包括步骤：
通过拉普拉斯运算筛选出大梯度目标区域后，进一步获取有利于模糊核估计的大梯度目标区域，以梯度目标区域中每个像素点为中心，以r=n×n为邻域，/>为邻域内像素索引，/>，/>，并且/>；
利用自适应阈值可以消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度，防止图像在平坦区域仍有意义，同时去除邻域内不连续杂乱像素点的影响；
大于阈值输出1，否则输出0，得到/>。并获得对应的模糊图像中最佳模糊核估计区域。
进一步地，步骤S3中，对筛选出来的大梯度目标区域进行模糊核估计，对大梯度目标区域的模糊核利用一阶泰勒展开式插值方法进行插值获取初始空变模糊核。
步骤S4中，在逐点复原模型中加入shearlet小波正则化来提高图像的局部细节复原效果，添加空变模糊核误差稀疏性先验来滤除误差；
shearlet小波正则化项将模糊图像分解得到低频段系数和不同方向的高频段系数，本发明通过L1范数来约束小波分解,提高图像局部细节复原效果；
为了获得更加精确的空变模糊核，本发明在逐点复原模型中建立基于L0范数的稀疏性先验作为空变模糊核误差稀疏性先验项来估计误差项，从而可以利用优化得到的精确模糊核来迭代求解更佳的复原图像。
步骤S5中分裂Bregman方法将图像小波正则化项和梯度正则化项分解成多个变量，利用误差项不断对模糊核来进行优化，通过滤除误差之后的模糊核以及shearlet小波正则化来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。
实施例2
该实施例基于实施例，如图2所示，区别在于对各个步骤采用较佳的方法进行实现。
步骤S1中，输入模糊图像（如图3所示），其尺寸为166×216；
建立模糊图像的数学模型为：
(1)
式中是模糊核，/>是清晰图像，/>是模糊图像，/>是噪声，/>表示二维卷积。在空变模糊中，由于图像各点位置的模糊核是不同的，/>是变换的。将/>用列向量堆积起来，则空变模糊模型用矩阵向量的卷积形式可表达为：
(2)
其中,/>,/>分别为/>，/>，/>的一维堆积列向量，矩阵/>称为空变模糊核,在空变模型中，/>的每一行对应不同像素点的模糊核。
步骤S2中，利用平滑项对图像进行滤波，本发明定义平滑项为：
（3）
其中；C是相邻像素点对的合集，其中/>值是0和1，分别表示非目标和目标区域，/>为二值函数，当/>时，/>，当/>时，/>；参数，/>是像素点/>和/>灰度差值的一个权衡因子，当两者的灰度值的欧式距离/>相差较小时，此时为了放大这种差别，/>值较大，反之，/>值较小。
将平滑项与原图像进行卷积得到平滑图像：
(4)
对平滑图像进行拉普拉斯运算来获取大梯度目标区域：
(5)
通过上式计算得到了大梯度目标区域，再使用自适应阈值进行筛选，得到有利于模糊核估计的大梯度目标区域。定义自适应阈值：
(6)
式中，以梯度图中每个像素点/>为中心，以r=n×n为邻域，/>为邻域内像素索引，/>，/>，并且/>，此方法可滤除对估计模糊核不利的部分区域，得到/>：
(7)
式中：为一个阶跃函数，大于阈值/>输出1，否则输出0，得到/>，并得到对应原图像中最佳模糊核估计大梯度目标区域，如图4所示。
步骤S3中，设定大梯度目标区域的模糊核大小为对应的原图像中区域大小，采用交替最小化方法优化中间清晰图像I和模糊核K的交替迭代过程，来得到大梯度目标区域的模糊核，将步骤S2中得到的2块区域设为，其中/>。根据图像模糊的原数学模型及其模型的推导，引入一个辅助变量t，通过求解来更新模糊核：
(8)
(9)
对大梯度目标区域的模糊核利用一阶泰勒展开式插值方法进行插值获取初始空变模糊核，得到整个图像的初始空变模糊核，具体地，基于上式求核模型（8）和（9）得到的两个模糊核，两个模糊核的坐标分别为和/>，首先，本发明将函数/>在第一个模糊核的坐标/>处进行二维泰勒展开，展开到一阶项：
(10)
其中，和/>分别表示/>在/>处关于/>和/>的偏导数,而和/>分别是待插值点与已知第一个模糊核的坐标在/>方向和/>方向上的距离。
接下来，可以将上述公式在点和/>处各展开一阶，得到：
(11)
(12)
综合上述三个展开式，我们可以得到一个近似的插值函数：
(13)
其中，/>，/>，从而可以得到未知像素点/>的插值结果，最终遍历插值整幅图像，获得初始空变模糊核如图6中(a)所示。
如图6中(b)所示，通过插值获取的初始模糊核一般会存在误差，因为插值无法将每个像素点的空变模糊核都估计准确，存在一定的误差，如图6中(c)所示，用初始空变模糊核复原图像会导致复原图像存在振铃、伪影等现象。
本发明在建立空变模糊模型中添加一种新的空变模糊核稀疏性先验来滤除误差，将公式(2)转化为带有模糊核误差的形式：
(14)
其中为空变模糊核中的误差，在逐点复原模型中采用交替迭代的方法来减小模糊核的误差。
步骤S4中，利用shearlet小波离散系统表示不同尺度和方向的特征：
(15)
式中,/>和/>表示水平和竖直方向分布，/>。函数/>生成多尺度系统在频域内对应的低频区域，多尺度系统/>和/>分别对应竖直和水平方向的高频区域.
对于图像，其多尺度变换将/>映射到不同尺度j、旋转参数k、平移位置m下的小波系数，/>表示/>中的函数内积，定义小波正则化项/>：
（16）
Shearlet小波系统具备尺度变换和几何变换的能力，这种合成小波系统具有多分辨率分析的特性，可以在不同尺度、位置和方向上构建Parseval框架。从图5可知，每一个支撑在大小为/>、方向沿着斜率/>的梯形对上，使用shearlet系统可以将空变模糊图像进行分解，得到低频部分系数和不同方向的高频部分系数。本发明采用L1范数来约束小波分解/>，以提高图像局部细节复原效果。
通过上述分析，建立逐点复原模型：
(17)
模型中，表示滤除误差的模糊核，/>、/>和/>为正则化系，/>表示傅里叶变换矩阵，/>表示梯度正则化项，/>为梯度算子，用来约束复原结果的局部边缘光滑性。
步骤S5中，采用分裂Bregman方法来解决（17）中L1范数正则化问题，引入辅助变量，/>和/>来转化/>上的无约束最小化问题，通过分裂Bregman方法，公式（17）可以进一步转化为一个无约束的最小化问题：
(18)
其中，和/>是Bregman惩罚参数，变量/>和/>通过Bregman迭代进行确定，最小化问题（18）可以进一步转换为以下子问题。
1）求解的子问题是
（19）
公式（19）由一个具有四个2范数的凸函数，可以直接对进行求导，然后将最小化问题导出：
（20）
其中
（21）
其中，/>，/>是/>，/>，/>的转置运算符。现在利用等式/>，和/>来推导：
（22）
因此，要解出，必须倒置的方程组是循环方程组，我们可以把这个系统写成，其中/>是对角算子：
（23）
由于该系统是循环结构，可以用两个傅里叶变换来求解的最优解：
（24）
2）求解的子问题是
（25）
为了滤除空变模糊核误差，在逐点复原过程中利用模糊核误差项不断对模糊核来进行优化。
3）求解，/>和/>的子问题是
(26)
可以通过收缩运算符进行求解，公式如下：
（27）
最后，Bregman变量可以按以下方式更新：
（28）
表示迭代次数，使用公式（22）可以计算出/>，/>和/>，其中子问题使用Bregman迭代方法交替求解，可以更快的收敛子问题。直到在迭代过程中达到迭代终止条件：
(29)
本发明中设定为。
由此实现逐点复原图像，通过滤除误差之后的模糊核以及shearlet小波正则化来约束复原图像，多个变量不断进行交替迭代，最终得到滤除误差的精确模糊核和复原图像/>，使得恢复的图像质量相比初始模糊核复原的图像恢复有了明显改善。
通过上式计算并输出滤除误差后的复原结果及精确空变模糊核，如图7所示。
通过上述方法，本发明输入一帧模糊图像可以自动输出一帧清晰图像，不需要知道模糊图像的退化方式和模式，并广泛适用于各种实际光谱图像复原。
实施例3
该实施例主要用于实现上述方法实施例1，该实施例的空变模糊图像统一复原系统包括：
图像输入模块，用于输入模糊图像；
大梯度目标区域筛选模块，用于利用平滑项对模糊图像进行滤波，将滤波后的图像与原模糊图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算筛选出大梯度目标区域，再通过自适应阈值来进一步消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度，得到优化后的大梯度目标区域；
模糊核估计模块，用于对优化后的大梯度目标区域进行模糊核估计，并计算整个平滑图像的初始空变模糊核；
逐点复原模型构建模块，用于根据初始空变模糊核构建逐点复原模型，在逐点复原模型中加入shearlet小波正则化项来提高图像的局部细节复原效果，并添加空变模糊核误差稀疏性先验项来滤除模糊核误差；
复原模块，用于采用分裂Bregman方法将逐点复原模型中的图像小波正则化项和梯度正则化项分解成多个变量，利用消除模糊核误差项的方式对模糊核进行不断优化，通过滤除误差之后的模糊核以及shearlet小波正则化项来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。
进一步地，模糊核估计模块具体对大梯度目标区域的模糊核利用一阶泰勒展开式插值方法进行插值获取整个平滑图像的初始空变模糊核。
逐点复原模型构建模块具体将基于L0范数的稀疏性先验作为空变模糊核误差稀疏性先验项来滤除模糊核误差项，利用优化得到的精确模糊核来迭代求解更佳的复原图像。
上述各个模块主要用于实现上述方法实施例中的各个步骤，在此不一一赘述。
实施例4
本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质被处理器执行时实现方法实施例的空变模糊图像统一复原方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种空变模糊图像统一复原方法，其特征在于，包括以下步骤：
S1、输入模糊图像；
S2、利用平滑项对模糊图像进行滤波，将滤波后的图像与原模糊图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算筛选出大梯度目标区域，再通过自适应阈值来进一步消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度；
S3、对优化后的大梯度目标区域进行模糊核估计，并计算整个平滑图像的初始空变模糊核；
S4、根据初始空变模糊核构建逐点复原模型，在逐点复原模型中加入shearlet小波正则化项来提高图像的局部细节复原效果，并添加空变模糊核误差稀疏性先验项来滤除模糊核误差；
S5、采用分裂Bregman方法将逐点复原模型中的图像小波正则化项和梯度正则化项分解成多个变量，利用消除模糊核误差项的方式对模糊核进行不断优化，通过滤除误差之后的模糊核以及shearlet小波正则化项来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。
2.根据权利要求1所述的空变模糊图像统一复原方法，其特征在于，步骤S3中具体对大梯度目标区域的模糊核利用一阶泰勒展开式插值方法进行插值获取整个平滑图像的初始空变模糊核。
3.根据权利要求1所述的空变模糊图像统一复原方法，其特征在于，步骤S4中通过加入shearlet小波正则化项将模糊图像分解得到低频段系数和不同方向的高频段系数，并通过L1范数来约束小波分解,提高图像局部细节复原效果。
4.根据权利要求1所述的空变模糊图像统一复原方法，其特征在于，步骤S4中将基于L0范数的稀疏性先验作为空变模糊核误差稀疏性先验项来滤除模糊核误差项，利用优化得到的精确模糊核来迭代求解更佳的复原图像。
5.根据权利要求1所述的空变模糊图像统一复原方法，其特征在于，步骤S2中，若大梯度目标区域中的像素点灰度值大于自适应阈值，则赋值为目标区域，否则赋值为非目标区域。
6.根据权利要求1所述的空变模糊图像统一复原方法，其特征在于，步骤S3中，具体通过设定大梯度目标区域的模糊核大小为对应的原模糊图像的区域大小，采用交替最小化方法优化中间清晰图像和模糊核的交替迭代过程，来得到大梯度目标区域的模糊核。
7.一种空变模糊图像统一复原系统，其特征在于，包括：
图像输入模块，用于输入模糊图像；
大梯度目标区域筛选模块，用于利用平滑项对模糊图像进行滤波，将滤波后的图像与原模糊图像进行卷积得到平滑图像，对平滑图像进行拉普拉斯运算筛选出大梯度目标区域，再通过自适应阈值来进一步消除大梯度目标区域中的梯度锯齿形小峰值，剔除小结构梯度，得到优化后的大梯度目标区域；
模糊核估计模块，用于对优化后的大梯度目标区域进行模糊核估计，并计算整个平滑图像的初始空变模糊核；
逐点复原模型构建模块，用于根据初始空变模糊核构建逐点复原模型，在逐点复原模型中加入shearlet小波正则化项来提高图像的局部细节复原效果，并添加空变模糊核误差稀疏性先验项来滤除模糊核误差；
复原模块，用于采用分裂Bregman方法将逐点复原模型中的图像小波正则化项和梯度正则化项分解成多个变量，利用消除模糊核误差项的方式对模糊核进行不断优化，通过滤除误差之后的模糊核以及shearlet小波正则化项来约束复原图像，多个变量不断进行交替迭代，最终得到各点的精确空变模糊核和复原图像。
8.根据权利要求7所述的空变模糊图像统一复原系统，其特征在于，模糊核估计模块具体对大梯度目标区域的模糊核利用一阶泰勒展开式插值方法进行插值获取整个平滑图像的初始空变模糊核。
9.根据权利要求7所述的空变模糊图像统一复原系统，其特征在于，逐点复原模型构建模块具体将基于L0范数的稀疏性先验作为空变模糊核误差稀疏性先验项来滤除模糊核误差项，利用优化得到的精确模糊核来迭代求解更佳的复原图像。
10.一种计算机存储介质，其特征在于，其内存储有可被处理器执行的计算机程序，该计算机程序执行权利要求1-6中任一项所述的空变模糊图像统一复原方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450901.6A CN117173058B (zh) | 2023-11-03 | 2023-11-03 | 空变模糊图像统一复原方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450901.6A CN117173058B (zh) | 2023-11-03 | 2023-11-03 | 空变模糊图像统一复原方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173058A true CN117173058A (zh) | 2023-12-05 |
| CN117173058B CN117173058B (zh) | 2024-02-02 |
Family
ID=88939883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311450901.6A Active CN117173058B (zh) | 2023-11-03 | 2023-11-03 | 空变模糊图像统一复原方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173058B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000004363A (ja) * | 1998-06-17 | 2000-01-07 | Olympus Optical Co Ltd | 画像復元方法 |
| CN104134196A (zh) * | 2014-08-08 | 2014-11-05 | 重庆大学 | 基于非凸高阶全变差模型的Split Bregman权值迭代图像盲复原方法 |
| 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 |
| CN109360157A (zh) * | 2018-08-22 | 2019-02-19 | 浙江工业大学 | 基于tv和小波正则化的空间变化模糊图像复原方法 |
| US20190139199A1 (en) * | 2016-05-03 | 2019-05-09 | Peking University Shenzhen Graduate School | Image deblurring method based on light streak information in an image |
| CN113658061A (zh) * | 2021-07-28 | 2021-11-16 | 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 |
| CN113935925A (zh) * | 2021-12-17 | 2022-01-14 | 武汉工程大学 | 气动光学效应空变模糊图像复原方法及系统 |
| CN113962908A (zh) * | 2021-12-21 | 2022-01-21 | 武汉工程大学 | 气动光学效应大视场退化图像逐点校正复原方法及系统 |
-
2023
- 2023-11-03 CN CN202311450901.6A patent/CN117173058B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000004363A (ja) * | 1998-06-17 | 2000-01-07 | Olympus Optical Co Ltd | 画像復元方法 |
| CN104134196A (zh) * | 2014-08-08 | 2014-11-05 | 重庆大学 | 基于非凸高阶全变差模型的Split Bregman权值迭代图像盲复原方法 |
| 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 |
| US20190139199A1 (en) * | 2016-05-03 | 2019-05-09 | Peking University Shenzhen Graduate School | Image deblurring method based on light streak information in an image |
| CN109360157A (zh) * | 2018-08-22 | 2019-02-19 | 浙江工业大学 | 基于tv和小波正则化的空间变化模糊图像复原方法 |
| CN113658061A (zh) * | 2021-07-28 | 2021-11-16 | 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 |
| CN113935925A (zh) * | 2021-12-17 | 2022-01-14 | 武汉工程大学 | 气动光学效应空变模糊图像复原方法及系统 |
| CN113962908A (zh) * | 2021-12-21 | 2022-01-21 | 武汉工程大学 | 气动光学效应大视场退化图像逐点校正复原方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| FUQIANG QIN.ET AL: ""Kernel learning for blind image recovery from motion blur"", 《SPRINGER》 * |
| 杨昶龙: ""空变运动模糊区域检测与参数估计"", 《知网》 * |
| 洪汉玉等: ""多视点模糊图像复原方法研究"", 《中南民族大学学报（自然科学版）》, vol. 34, no. 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173058B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Solving inverse problems with piecewise linear estimators: From Gaussian mixture models to structured sparsity | |
| Hacohen et al. | Deblurring by example using dense correspondence | |
| US20140354886A1 (en) | Device, system, and method of blind deblurring and blind super-resolution utilizing internal patch recurrence | |
| Nair et al. | Fast high-dimensional bilateral and nonlocal means filtering | |
| CN112215773B (zh) | 基于视觉显著性的局部运动去模糊方法、装置及存储介质 | |
| Davy et al. | Non-local video denoising by CNN | |
| Gilboa | Nonlinear eigenproblems in image processing and computer vision | |
| WO2023115801A1 (zh) | 气动光学效应大视场退化图像逐点校正复原方法及系统 | |
| Dong et al. | Image restoration: a data-driven perspective | |
| Jon et al. | Image restoration using overlapping group sparsity on hyper-Laplacian prior of image gradient | |
| CN109064402B (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
| CN116091322B (zh) | 超分辨率图像重建方法和计算机设备 | |
| WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| Lee et al. | Group sparse representation for restoring blurred images with Cauchy noise | |
| Cai et al. | Self-adapted optimization-based video magnification for revealing subtle changes | |
| Ally et al. | Diffusion-driven image denoising model with texture preservation capabilities | |
| Mandal et al. | Employing structural and statistical information to learn dictionary (s) for single image super-resolution in sparse domain | |
| CN117173058B (zh) | 空变模糊图像统一复原方法及系统 | |
| CN107798663B (zh) | 一种基于偏微分方程和bm3d的无参数化图像恢复方法 | |
| CN115953299A (zh) | 一种红外遥感图像超分辨率方法及系统 | |
| CN112862729B (zh) | 一种基于特征曲线指导的遥感图像去噪方法 | |
| CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
| Jiang | A multi-parameter regularization model for deblurring images corrupted by impulsive noise | |
| Karras et al. | New PDE-based methods for image enhancement using SOM and Bayesian inference in various discretization schemes | |
| CN115526785A (zh) | 一种基于fcfds改进nlm的oct图像去噪方法 |
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 |