CN117557459A - 图像的盲复原方法及装置、存储介质和电子设备 - Google Patents
图像的盲复原方法及装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117557459A CN117557459A CN202311570321.0A CN202311570321A CN117557459A CN 117557459 A CN117557459 A CN 117557459A CN 202311570321 A CN202311570321 A CN 202311570321A CN 117557459 A CN117557459 A CN 117557459A
- Authority
- CN
- China
- Prior art keywords
- image
- restored
- blind restoration
- blind
- algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 147
- 238000012545 processing Methods 0.000 claims abstract description 115
- 238000007781 pre-processing Methods 0.000 claims abstract description 54
- 238000003709 image segmentation Methods 0.000 claims abstract description 42
- 238000006731 degradation reaction Methods 0.000 claims abstract description 20
- 230000015556 catabolic process Effects 0.000 claims abstract description 19
- 238000009792 diffusion process Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 25
- 238000004364 calculation method Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像的盲复原方法及装置、存储介质和电子设备，涉及信息安全技术领域、金融科技领域或其他相关领域。该方法包括：获取待复原图像，其中，待复原图像为经过图像退化后的图像；对待复原图像进行预处理，得到预处理后的待复原图像；获取盲复原算法的约束条件，其中，盲复原算法用于对退化的图像进行盲复原处理，约束条件为基于待复原图像对应的图像分割阈值确定的约束条件；基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像。通过本申请，解决了相关技术中采用全变分正则化盲复原算法对图像进行盲复原处理，导致对图像进行盲复原处理的效果较差的问题。
Description
技术领域
本申请涉及信息安全技术领域、金融科技领域或其他相关领域，具体而言，涉及一种图像的盲复原方法及装置、存储介质和电子设备。
背景技术
目前，人脸识别被广泛应用于银行业务系统中，识别图像的质量是检测准确性的关键。然而在实际情况中，由于成像系统及外界因素的原因，会造成图像失真、退化。为了去除图像模糊、失真等情况，提高识别准确度，就需要对退化图像使用图像复原技术。复原技术就是对经过成像系统得到的退化图像进行反卷积处理，恢复出图像原本的质量。相关技术中一般采用全变分正则化盲复原算法对图像进行盲复原处理，比如可以利用最大似然估计法，通过求解全变分来得到原始清晰图像的最佳估计值，虽然在理想状态下，求解全变分可以保证得到最佳的复原结果，但是当系统存在噪声生，该问题就属于病态问题，使得复原结果对输入图像非常敏感，如果输入图像存在微小误差，则会导致复原结出现较大误差。因此需要引入正则项来对复原过程进行约束，从而保证算法可靠性。全变分正则化复原算法通过引入全变分正则项来解决不适定问题。经过迭代计算，就可以得到复原图像。
但是，相关技术中的全变分正则化图像盲复原算法原理复杂度过高，导致计算速度慢。且算法未对噪声进行处理，若系统中含有噪声，则会降低图像复原效果。且图像复原结果太依赖于正则化参数的选择，如果没有选择合适的参数，也会影响复原图像的质量。
针对相关技术中采用全变分正则化盲复原算法对图像进行盲复原处理，导致对图像进行盲复原处理的效果较差的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种图像的盲复原方法及装置、存储介质和电子设备，以解决相关技术中采用全变分正则化盲复原算法对图像进行盲复原处理，导致对图像进行盲复原处理的效果较差的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种图像的盲复原方法。该方法包括：获取待复原图像，其中，所述待复原图像为经过图像退化后的图像；对所述待复原图像进行预处理，得到预处理后的待复原图像，其中，所述预处理为以下至少之一：去除噪声处理和去除伪影处理；获取盲复原算法的约束条件，其中，所述盲复原算法用于对退化的图像进行盲复原处理，所述约束条件为基于所述待复原图像对应的图像分割阈值确定的约束条件；基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像。
进一步地，基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像包括：将所述约束条件添加至所述盲复原算法中，得到添加约束条件的盲复原算法；利用所述添加约束条件的盲复原算法对所述预处理后的待复原图像进行迭代变换，得到所述复原图像，其中，所述迭代变换至少包括空间域和时间域之间的迭代变换。
进一步地，获取盲复原算法的约束条件包括：提取所述待复原图像中每个像素点的灰度值，得到S个灰度值，其中，S为大于1的正整数；依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值；从所述S个灰度值中获取大于所述图像分割阈值的灰度值，得到T个灰度值，其中，T为小于S的正整数；基于所述T个灰度值确定所述待复原图像中的目标区域；依据所述待复原图像中的目标区域确定所述盲复原算法的约束条件。
进一步地，依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值包括：获取所述S个灰度值的分布情况；依据泊松分布函数和所述S个灰度值的分布情况确定目标阈值；基于所述目标阈值确定所述图像分割阈值。
进一步地，若所述预处理为去除噪声处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：获取所述待复原图像对应的梯度信息集合，其中，所述梯度信息集合中至少包括所述待复原图像中每个像素点的梯度信息；依据所述梯度信息集合对每个像素点进行扩散处理，得到每个像素点的扩散速度；基于每个像素点的扩散速度确定噪声点集合，其中，所述噪声点集合中至少包括N个噪声点，其中，N为正整数；从所述待复原图像中去除所述N个噪声点，得到所述预处理后的待复原图像。
进一步地，若所述预处理为去除伪影处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：确定所述待复原图像的边界区域；获取所述边界区域中的M个像素值，其中，M为正整数；对所述M个像素值进行加权处理，得到加权处理后的像素值；基于所述加权处理后的像素值，得到所述预处理后的待复原图像。
进一步地，在基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像之后，所述方法还包括：从所述复原图像中提取目标人脸图像；判断所述目标人脸图像与预设人脸图像是否相同；若所述目标人脸图像与所述预设人脸图像不相同，则表示人脸识别失败；若所述目标人脸图像与所述预设人脸图像相同，则表示人脸识别成功。
为了实现上述目的，根据本申请的另一方面，提供了一种图像的盲复原装置。该装置包括：第一获取单元，用于获取待复原图像，其中，所述待复原图像为经过图像退化后的图像；第一处理单元，用于对所述待复原图像进行预处理，得到预处理后的待复原图像，其中，所述预处理为以下至少之一：去除噪声处理和去除伪影处理；第二获取单元，用于获取盲复原算法的约束条件，其中，所述盲复原算法用于对退化的图像进行盲复原处理，所述约束条件为基于所述待复原图像对应的图像分割阈值确定的约束条件；第二处理单元，用于基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像。
进一步地，所述第二处理单元包括：第一添加模块，用于将所述约束条件添加至所述盲复原算法中，得到添加约束条件的盲复原算法；第一变换模块，用于利用所述添加约束条件的盲复原算法对所述预处理后的待复原图像进行迭代变换，得到所述复原图像，其中，所述迭代变换至少包括空间域和时间域之间的迭代变换。
进一步地，所述第二获取单元包括：第一提取模块，用于提取所述待复原图像中每个像素点的灰度值，得到S个灰度值，其中，S为大于1的正整数；第一确定模块，用于依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值；第一获取模块，用于从所述S个灰度值中获取大于所述图像分割阈值的灰度值，得到T个灰度值，其中，T为小于S的正整数；第二确定模块，用于基于所述T个灰度值确定所述待复原图像中的目标区域；第三确定模块，用于依据所述待复原图像中的目标区域确定所述盲复原算法的约束条件。
进一步地，所述第一确定模块包括：第一获取子模块，用于获取所述S个灰度值的分布情况；第一确定子模块，用于依据泊松分布函数和所述S个灰度值的分布情况确定目标阈值；第二确定子模块，用于基于所述目标阈值确定所述图像分割阈值。
进一步地，若所述预处理为去除噪声处理，则所述第一处理单元包括：第二获取模块，用于获取所述待复原图像对应的梯度信息集合，其中，所述梯度信息集合中至少包括所述待复原图像中每个像素点的梯度信息；第一处理模块，用于依据所述梯度信息集合对每个像素点进行扩散处理，得到每个像素点的扩散速度；第四确定模块，用于基于每个像素点的扩散速度确定噪声点集合，其中，所述噪声点集合中至少包括N个噪声点，其中，N为正整数；第一去除模块，用于从所述待复原图像中去除所述N个噪声点，得到所述预处理后的待复原图像。
进一步地，若所述预处理为去除伪影处理，则所述第一处理单元包括：第五确定模块，用于确定所述待复原图像的边界区域；第三获取模块，用于获取所述边界区域中的M个像素值，其中，M为正整数；第二处理模块，用于对所述M个像素值进行加权处理，得到加权处理后的像素值；第六确定模块，用于基于所述加权处理后的像素值，得到所述预处理后的待复原图像。
进一步地，所述装置还包括：第一提取单元，用于在基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像之后，从所述复原图像中提取目标人脸图像；第一判断单元，用于判断所述目标人脸图像与预设人脸图像是否相同；第一确定单元，用于若所述目标人脸图像与所述预设人脸图像不相同，则表示人脸识别失败；第二确定单元，用于若所述目标人脸图像与所述预设人脸图像相同，则表示人脸识别成功。
为了实现上述目的，根据本申请的另一方面，提供了一种计算机可读存储介质，所述存储介质存储程序，其中，所述程序执行上述的任意一项所述的图像的盲复原方法。
为了实现上述目的，根据本申请的另一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的任意一项所述的图像的盲复原方法。
通过本申请，采用以下步骤：获取待复原图像，其中，待复原图像为经过图像退化后的图像；对待复原图像进行预处理，得到预处理后的待复原图像，其中，预处理为以下至少之一：去除噪声处理和去除伪影处理；获取盲复原算法的约束条件，其中，盲复原算法用于对退化的图像进行盲复原处理，约束条件为基于待复原图像对应的图像分割阈值确定的约束条件；基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像，解决了相关技术中采用全变分正则化盲复原算法对图像进行盲复原处理，导致对图像进行盲复原处理的效果较差的问题。通过对待复原图像进行预处理，得到预处理后的待复原图像，并获取盲复原算法的约束条件，再基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像，从而可以提升对图像进行盲复原的效率和质量，且可以避免噪声对图像盲复原过程的影响，进而可以提升对图像进行盲复原处理的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的图像的盲复原方法的流程图；
图2是根据本申请实施例提供的图像的盲复原方法的流程图一；
图3是根据本申请实施例提供的可选的图像的盲复原方法的流程图；
图4是根据本申请实施例提供的图像的盲复原装置的示意图；
图5是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
退化：成像系统受各种因素的影响，导致了图像质量的降低，称之为图像退化。
图像复原：利用退化过程的先验知识，去恢复已被退化图像的本来面目。
下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的图像的盲复原方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取待复原图像，其中，待复原图像为经过图像退化后的图像。
例如，可以先获取经过图像退化后的图像。
步骤S102，对待复原图像进行预处理，得到预处理后的待复原图像，其中，预处理为以下至少之一：去除噪声处理和去除伪影处理。
例如，可以对退化后的图像去除噪声和去除图像边界的伪影。
步骤S103，获取盲复原算法的约束条件，其中，盲复原算法用于对退化的图像进行盲复原处理，约束条件为基于待复原图像对应的图像分割阈值确定的约束条件。
例如，可以获取约束盲复原算法的约束条件，且可以根据图像分割阈值得到该盲复原算法的约束条件。
步骤S104，基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像。
例如，可以根据盲复原算法和盲复原算法的约束条件对预处理后的退化图像进行盲复原。
需要说明的是，本申请实施例提供的图像的盲复原方法可以应用于金融场景中。
通过上述的步骤S101至S104，通过对待复原图像进行预处理，得到预处理后的待复原图像，并获取盲复原算法的约束条件，再基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像，从而可以提升对图像进行盲复原的效率和质量，且可以避免噪声对图像盲复原过程的影响，进而可以提升对图像进行盲复原处理的效果。
可选地，在本申请实施例提供的图像的盲复原方法中，若预处理为去除噪声处理，则对待复原图像进行预处理，得到预处理后的待复原图像包括：获取待复原图像对应的梯度信息集合，其中，梯度信息集合中至少包括待复原图像中每个像素点的梯度信息；依据梯度信息集合对每个像素点进行扩散处理，得到每个像素点的扩散速度；基于每个像素点的扩散速度确定噪声点集合，其中，噪声点集合中至少包括N个噪声点，其中，N为正整数；从待复原图像中去除N个噪声点，得到预处理后的待复原图像。
例如，为了增加复原算法对噪声的鲁棒性，减小噪声干扰，对退化图像预去噪是一种有效的方法。由于噪声多存在于图像高频部分，这部分也包含了图像边缘细节，而传统的线性去噪法无法做到去噪的同时，保留图像的边缘信息。非线性去噪方法在此基础上，保留了一定的边缘信息，但还是丢失了部分结构特征，去噪结果并不理想。为了能更好地判别图像高频噪声与边缘信息，比如可以使用P-M各向异性扩散方程去除噪声，该方法可以通过计算图像像素的梯度来对图像的不同部分进行不同程度的扩散，平滑掉了噪声，同时可以较好的保留图像边缘部分，
通过上述的方案，可以方便的去除掉退化图像的噪声。
可选地，在本申请实施例提供的图像的盲复原方法中，若预处理为去除伪影处理，则对待复原图像进行预处理，得到预处理后的待复原图像包括：确定待复原图像的边界区域；获取边界区域中的M个像素值，其中，M为正整数；对M个像素值进行加权处理，得到加权处理后的像素值；基于加权处理后的像素值，得到预处理后的待复原图像。
例如，可以通过利用MATLAB(一种高级编程语言和环境，用于数值计算、可视化和编程开发)带有的edgetaper函数(一种信号处理函数)对图像进行预处理，可以抑制伪影的产生。edgetaper函数按照点扩展函数的自相关系数，通过对靠近边界的图像部分进行加权，适当模糊图像边界，将边缘变得光滑，使高频降低的幅度变小，减少了图像边界出现的伪影，使输出图像的中心部分保持清晰，在边缘部分变得光滑。
通过上述的方案，可以方便的去除掉退化图像边界出现的伪影。
可选地，在本申请实施例提供的图像的盲复原方法中，获取盲复原算法的约束条件包括：提取待复原图像中每个像素点的灰度值，得到S个灰度值，其中，S为大于1的正整数；依据S个灰度值确定待复原图像对应的图像分割阈值；从S个灰度值中获取大于图像分割阈值的灰度值，得到T个灰度值，其中，T为小于S的正整数；基于T个灰度值确定待复原图像中的目标区域；依据待复原图像中的目标区域确定盲复原算法的约束条件。
例如，可以先计算图像像素的灰度分布，并进行归一化处理。然后可以通过归一化的灰度分布得到的阈值，然后可以将灰度值大于阈值的部分作为图像支持域(上述的目标区域)，并可以根据图像支持域得到盲复原算法的约束条件。
通过上述的方案，可以快速准确的计算得到盲复原算法的约束条件。
可选地，在本申请实施例提供的图像的盲复原方法中，依据S个灰度值确定待复原图像对应的图像分割阈值包括：获取S个灰度值的分布情况；依据泊松分布函数和S个灰度值的分布情况确定目标阈值；基于目标阈值确定图像分割阈值。
例如，可以利用泊松分布函数和图像像素的灰度分布进行计算，得到一个阈值(上述的目标阈值)，然后可以再根据泊松分布函数和计算得到的阈值，得到一个最佳的阈值(上述的图像分割阈值)。
通过上述的方案，可以快速准确的计算得到图像分割阈值。
图2是根据本申请实施例提供的图像的盲复原方法的流程图一，如图2所示，在本申请实施例提供的图像的盲复原方法中，基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像包括：
步骤S201，将约束条件添加至盲复原算法中，得到添加约束条件的盲复原算法；
步骤S202，利用添加约束条件的盲复原算法对预处理后的待复原图像进行迭代变换，得到复原图像，其中，迭代变换至少包括空间域和时间域之间的迭代变换。
例如，图像迭代盲复原算法的主要思想是在空域和时域中同时对复原图像和点扩展函数交替进行迭代估计，通过在迭代过程中添加适当的约束条件使算法收敛来得到复原图像，因此，算法的复原效果主要受到约束条件的影响。约束条件主要是结合图像的统计学特性和先验知识进行设定的，其中约束条件有非负性约束、确定性约束和能量恒定约束。比如，可以先将约束条件添加至盲复原算法中，然后再利用添加约束条件的盲复原算法对预处理后的待复原图像进行空域和时域之间的迭代变换，得到复原图像。
通过上述的方案，利用图像迭代盲复原算法可以快速准确的得到复原图像。
可选地，在本申请实施例提供的图像的盲复原方法中，在基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像之后，该方法还包括：从复原图像中提取目标人脸图像；判断目标人脸图像与预设人脸图像是否相同；若目标人脸图像与预设人脸图像不相同，则表示人脸识别失败；若目标人脸图像与预设人脸图像相同，则表示人脸识别成功。
例如，可以利用复原图像进行人脸识处理，比如，可以从复原图像中提取人脸图像，然后可以判断提取出的人脸图像与预设人脸图像是否相同；若提取出的人脸图像与预设人脸图像不相同，则表示人脸识别失败；若提取出的人脸图像与预设人脸图像相同，则表示人脸识别成功。
通过上述的方案，可以更好的进行人脸识别处理。
例如，在金融机构系统业务中，信息录入或身份认证等场景，人脸识别是常用的一种手段。识别系统的准确性自然与获取到的图像的清晰度密不可分。但是由于在图像获取、传输及存储过程中，图像无法避免受到来自光学系统衍射、系统噪声、成像设备与物体之间的相对运动等多方面因素的干扰。导致获取到的图像出现模糊、失真等退化情况，严重影响了图像的质量。
为了解决图像退化情况，通常使用图像复原算法对图像进行处理，减弱外界因素对图像造成的退化影响，尽量还原图像的原始面貌，提高图像质量。
本实施例克服了全变分正则化盲复原算法复原速度慢、易受到噪声影响，且复原质量依赖参数选择且复原图像质量不佳的不足。提供了一种收敛速度快、抗噪性强，复原质量更高的图像盲复原算法。
例如，本实施例提出了一种高效图像盲复原算法。例如，图3是根据本申请实施例提供的可选的图像的盲复原方法的流程图，如图3所示，首先对退化图像采用P-M各向异性扩散方程算法进行去噪预处理，在去除噪声的同时最大程度的保留了图像的边缘细节。其次通过函数edgetaper对图像做进一步的处理，减轻复原图像边界出现的振铃伪影。最后利用泊松分布的最小阈值法求解有限支持域，将得到的支持域替代原始输入图像，作为迭代盲复原算法中频域约束的作用范围，通过迭代计算得到复原图像。
比如，以下将对算法各部分进行详细介绍。
1、图像迭代盲复原算法
图像迭代盲复原算法的主要思想是在空域和时域中同时对复原图像和点扩展函数交替进行迭代估计，通过在迭代过程中添加适当的约束条件使算法收敛来得到复原图像，因此，算法的复原效果主要受到约束条件的影响。约束条件主要是结合图像的统计学特性和先验知识进行设定的，其中约束条件有非负性约束、确定性约束和能量恒定约束。
非负性约束指支持域内所有点的像素值不小于零，其表示为：
其中，为迭代m次时的图像估计值，m为迭代次数。
图像支持域是指图像中所有非零像素构成的最小区域，在图像迭盲复原算法中，支持域为矩形。确定性约束是指在一个稳定的成像系统中，点扩展函数取值是确定的。能量恒定约束是指将图像中所有小于零的像素值重新分配，使点扩展函数能量保持恒定，公式如下：
E为所有负值像素值之和，将E进行平均，则有：
其中，N为图像像素总数。能量恒定约束保证了迭代出的估计值没有负值部分，加快了算法收敛速度。
对退化图像每进行一次迭代，都会得到估计值他们分别是/>和/>经过傅里叶变换的形式。而且，本实施例中的x和y表示像素，且x表示横坐标上的像素，y表示纵坐标上的像素；/>中的u和v表示x和y经过时域后的像素；/>中的x和y表示空域的像素。其中g(x,y)为退化图像，/>具有可逆的性质。为了使/>满足频域约束条件，有如下三种情况：
当时，则：
如果|G(u,v)|＜noise level，则：
如果则：
式中β是限制参数，通常为常数，会改变算法的收敛速度。
以上三种情况中，如果则利用/>和/>共同参与对复原图像与点扩展函数估计值的计算。如果图像存在噪声较少的部分，则仅用/>进行估计。如果/>则用式(1-6)获得估计值的倒数的平均值作为下次迭代的初值，因为/>可能是低水平的噪声，对等式两端取倒数可以减小噪声对复原结果造成的影响。
综上所述，可以得到迭代盲复原算法的公式为：
其中，m为迭代次数，α为乘子系数，受图像加性噪声能量影响。
2、P-M各向异性扩散方程去噪算法
为了增加复原算法对噪声的鲁棒性，减小噪声干扰，对退化图像预去噪是一种有效的方法。由于噪声多存在于图像高频部分，这部分也包含了图像边缘细节，而传统的线性去噪法无法做到去噪的同时，保留图像的边缘信息。非线性去噪方法在此基础上，保留了一定的边缘信息，但还是丢失了部分结构特征，去噪结果并不理想。为了能更好地判别图像高频噪声与边缘信息，可以使用P-M各向异性方程，该方法通过计算图像像素的梯度来对图像的不同部分进行不同程度的扩散，平滑掉了噪声，同时可以较好的保留图像边缘部分，其表达式如下：
式中It(x,y)是迭代次数为t的图像，t为迭代次数，x和y表示像素，且x表示横坐标上的像素，y表示纵坐标上的像素，div是散度算子，为梯度算子，Δ为Laplacian算子，/>和ct(x,y)分别为图像迭代t次的梯度及扩散系数。扩散系数在不同扩散方向是不同的，并且它与像素坐标和迭代次数相关，以此实现自适应扩散。ct(x,y)取值通常取为单调非负减函数g(·)，且g(·)满足/>图像梯度函数满足上述要求，因此将扩散系数ct(x,y)用图像梯度表示，有：
将式(1-9)带入式(1-8)，可得：
对于图像来说，其内部区域的灰度变化较小，其梯度值也较小，结合式(1-9)可知，点扩散系数较大，增大了像素点的扩散程度，起到了平滑噪声的作用。而图像边缘部分的灰度变化较小，其梯度值较大，由于梯度较大使得扩散系数ct(x,y)较小，减小了扩散程度，保持了图像边缘的清晰。
综上所述，扩散程度的大小由函数g(·)决定，这也决定算法对图像去噪和保持边缘的程度。针对对比度较强的图像，提出函数：
式中k为常数，如果k设置的过大，则扩散系数较大，导致处理后的图像出现模糊，损失了图像细节。如果k设置的过小，则扩散系数接近于零，导致算法迭代次数太小，没有起到去噪的作用。
在对P-M方程进行求解时，首先需要将图像离散化，因此可以将式(1-9)变换为：
其中，It(i,j)为迭代t次时的离散图像，λ为常数，通常取值在0至1/4之间，其目的是为了保证去噪过程中解的稳定性。另外，上述式(1-12)中的t+1代表迭代t+1次时的离散图像，上述式(1-12)中的x和y表示连续的像素，上述式(1-12)中的i和j表示离散的像素。如果λ取值过小，则会增加算法的迭代次数，降低了运算速度。分别为像素It(i,j04邻域的扩散系数，/> 分别为像素It(i,j)4邻域的差分，它们的表达式如下：
3、边界伪影去除
在图像盲复原算法中，如果对图像的边界处理不当，则会在复原图像的边界出现振铃伪影现象。这是因为退化图像边界处部分像素值是视野外的图像与点扩展函数的卷积，但在成像过程中，边界之外的像素已经丢失。而图像盲复原算法为了提高运算速度，假设输入图像已经被延拓以提供边界外的信息。往往会在频域处理反卷积问题中使用快速傅里叶变换技术，用循环卷积来替代线性卷积。快速傅里叶变换技术假设图像被周期延拓，但这种假设会使图像边界部分的频率骤然下降，边界处的不连续导致复原图像出现伪影。
本算法通过利用MATLAB带有的edgetaper函数对图像进行预处理，可以抑制伪影的产生。edgetaper函数按照点扩展函数的自相关系数，通过对靠近边界的图像部分进行加权，适当模糊图像边界，将边缘变得光滑，使高频降低的幅度变小，减少了图像边界出现的伪影，使输出图像的中心部分保持清晰，在边缘部分变得光滑。
4、图像支持域估计
在迭代图像盲复原算法中，复原结果容易受到输入图像估计值的影响，如不添加有效的约束项，则会造成算法收敛性差，甚至出现算法发散的情况。如果能够对退化图像的有限支持域进行准确估计并添加至约束条件中，就可以保证算法收敛，减少计算时间，提升复原质量。迭代图像盲复原算法将图像中非零像素值的最小矩形区域作为图像支持域进行迭代计算。但是图像中的形状通常是不规则的。如果还将矩形作为图像支持域，则会引入一部分背景信息，导致构建出的图像支持域偏大，影响了复原图像的质量。当然，如果估计出的图像支持域偏小，也无法达到最佳的复原效果。通过充分结合图像先验信息，准确估计图像的有限支持域，可以有效提高复原质量，解决迭代盲复原算法的解模糊问题，提高算法收敛速度。基于泊松分布最小误差阈值法是一种估计支持域的方法，该方法将图像中的目标区域和背景区域进行分割，将目标区域作为支持域，背景区域作为非支持域。由于图像灰度分布更符合泊松分布，因此该方法估计出的支持域准确性更高。此外，相较基于信息熵、聚类等支持域求解法，基于泊松分布的最小误差阈值法计算简单，效率更高。
5、基于泊松分布的最小误差阈值法求解图像支持域
估计图像支持域的目的是通过计算得到一个图像分割阈值，以阈值为标准，将图像分割成支持域和非支持域，其过程如下。
设i为图像灰度，其满足均值为λj的泊松分布：
其中，j＝0,1，通过贝叶斯最小误差分类准则可求出阈值M。
式中，P0为非支持域的先验概率，P1为支持域的先验概率，I为像素最大灰度值。
对图像的灰度分布H(i)进行归一化，可得：
此时h(i)与非支持域及支持域先验概率之间的关系为：
h(i)＝P0×p(i|0)+P1×p(i|1) (1-17)
结合图像灰度分布和阈值M，计算图像像素平均值和方差λ：
最后求得修正后的最佳阈值M*为：
综上所述，图像支持域的具体步骤如下：
(1)计算图像像素的灰度分布，并进行归一化处理，得到h(i)。
(2)通过归一化的灰度分布h(i)及利用式(1-15)得到的阈值M，计算灰度值小于M部分的像素平均值P0(M)，方差λ0及先验概率p(i|0)。计算灰度值大于M部分的像素平均值P1(M)，方差λ1及先验概率p(i|1)。
(3)通过式(1-21)分别计算灰度值为M及M+1的误差函数e(M)及e(M+1)。
(4)当e(M+1)大于e(M)时，停止计算，将此时的M作为最佳阈值M*。当e(M+1)小于e(M)时，M＝M+1，重复进行步骤(2)和(3)。
(5)根据最佳阈值M*，将图像分为两部分，将大于M*的部分作为图像支持域，组成M(x，y)，小于M*的部分作为非支持域，即背景区域。
另外，本实施例具有如下有益效果：
为了解决图像出现的退化问题，提高图像质量，进一步将图像应用于人脸识别系统，提高识别准确度。本发明提出一种高效图像盲复原算法。利用P-M各向异性扩散方程去除退化荧光图像中的噪声，并通过edgetaper函数去除图像边缘的振铃伪影，再利用基于泊松分布的最小阈值法对图像的支持域进行估计，将得到支持域引入至空域和频域的约束条件中，将其嵌入在迭代盲复原算法。与全变分正则化图像复原算法相比，该算法有效抑制了噪声，无需依赖参数的选择，加快了计算速度，复原图像的质量更高。
综上，本申请实施例提供的图像的盲复原方法，通过获取待复原图像，其中，待复原图像为经过图像退化后的图像；对待复原图像进行预处理，得到预处理后的待复原图像，其中，预处理为以下至少之一：去除噪声处理和去除伪影处理；获取盲复原算法的约束条件，其中，盲复原算法用于对退化的图像进行盲复原处理，约束条件为基于待复原图像对应的图像分割阈值确定的约束条件；基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像，解决了相关技术中采用全变分正则化盲复原算法对图像进行盲复原处理，导致对图像进行盲复原处理的效果较差的问题。通过对待复原图像进行预处理，得到预处理后的待复原图像，并获取盲复原算法的约束条件，再基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像，从而可以提升对图像进行盲复原的效率和质量，且可以避免噪声对图像盲复原过程的影响，进而可以提升对图像进行盲复原处理的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种图像的盲复原装置，需要说明的是，本申请实施例的图像的盲复原装置可以用于执行本申请实施例所提供的用于图像的盲复原方法。以下对本申请实施例提供的图像的盲复原装置进行介绍。
图4是根据本申请实施例的图像的盲复原装置的示意图。如图4所示，该装置包括：第一获取单元401、第一处理单元402、第二获取单元403和第二处理单元404。
具体地，第一获取单元401，用于获取待复原图像，其中，待复原图像为经过图像退化后的图像；第一处理单元402，用于对待复原图像进行预处理，得到预处理后的待复原图像，其中，预处理为以下至少之一：去除噪声处理和去除伪影处理；第二获取单元403，用于获取盲复原算法的约束条件，其中，盲复原算法用于对退化的图像进行盲复原处理，约束条件为基于待复原图像对应的图像分割阈值确定的约束条件；第二处理单元404，用于基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像。
综上，本申请实施例提供的图像的盲复原装置，通过第一获取单元401获取待复原图像，其中，待复原图像为经过图像退化后的图像；第一处理单元402对待复原图像进行预处理，得到预处理后的待复原图像，其中，预处理为以下至少之一：去除噪声处理和去除伪影处理；第二获取单元403获取盲复原算法的约束条件，其中，盲复原算法用于对退化的图像进行盲复原处理，约束条件为基于待复原图像对应的图像分割阈值确定的约束条件；第二处理单元404基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像，解决了相关技术中采用全变分正则化盲复原算法对图像进行盲复原处理，导致对图像进行盲复原处理的效果较差的问题。通过对待复原图像进行预处理，得到预处理后的待复原图像，并获取盲复原算法的约束条件，再基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像，从而可以提升对图像进行盲复原的效率和质量，且可以避免噪声对图像盲复原过程的影响，进而可以提升对图像进行盲复原处理的效果。
可选地，在本申请实施例提供的图像的盲复原装置中，第二处理单元404包括：第一添加模块，用于将约束条件添加至盲复原算法中，得到添加约束条件的盲复原算法；第一变换模块，用于利用添加约束条件的盲复原算法对预处理后的待复原图像进行迭代变换，得到复原图像，其中，迭代变换至少包括空间域和时间域之间的迭代变换。
可选地，在本申请实施例提供的图像的盲复原装置中，第二获取单元403包括：第一提取模块，用于提取待复原图像中每个像素点的灰度值，得到S个灰度值，其中，S为大于1的正整数；第一确定模块，用于依据S个灰度值确定待复原图像对应的图像分割阈值；第一获取模块，用于从S个灰度值中获取大于图像分割阈值的灰度值，得到T个灰度值，其中，T为小于S的正整数；第二确定模块，用于基于T个灰度值确定待复原图像中的目标区域；第三确定模块，用于依据待复原图像中的目标区域确定盲复原算法的约束条件。
可选地，在本申请实施例提供的图像的盲复原装置中，第一确定模块包括：第一获取子模块，用于获取S个灰度值的分布情况；第一确定子模块，用于依据泊松分布函数和S个灰度值的分布情况确定目标阈值；第二确定子模块，用于基于目标阈值确定图像分割阈值。
可选地，在本申请实施例提供的图像的盲复原装置中，若预处理为去除噪声处理，则第一处理单元402包括：第二获取模块，用于获取待复原图像对应的梯度信息集合，其中，梯度信息集合中至少包括待复原图像中每个像素点的梯度信息；第一处理模块，用于依据梯度信息集合对每个像素点进行扩散处理，得到每个像素点的扩散速度；第四确定模块，用于基于每个像素点的扩散速度确定噪声点集合，其中，噪声点集合中至少包括N个噪声点，其中，N为正整数；第一去除模块，用于从待复原图像中去除N个噪声点，得到预处理后的待复原图像。
可选地，在本申请实施例提供的图像的盲复原装置中，若预处理为去除伪影处理，则第一处理单元402包括：第五确定模块，用于确定待复原图像的边界区域；第三获取模块，用于获取边界区域中的M个像素值，其中，M为正整数；第二处理模块，用于对M个像素值进行加权处理，得到加权处理后的像素值；第六确定模块，用于基于加权处理后的像素值，得到预处理后的待复原图像。
可选地，在本申请实施例提供的图像的盲复原装置中，该装置还包括：第一提取单元，用于在基于盲复原算法和约束条件对预处理后的待复原图像进行盲复原处理，得到复原图像之后，从复原图像中提取目标人脸图像；第一判断单元，用于判断目标人脸图像与预设人脸图像是否相同；第一确定单元，用于若目标人脸图像与预设人脸图像不相同，则表示人脸识别失败；第二确定单元，用于若目标人脸图像与预设人脸图像相同，则表示人脸识别成功。
图像的盲复原装置包括处理器和存储器，上述的第一获取单元401、第一处理单元402、第二获取单元403和第二处理单元404等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提升对图像进行盲复原处理的效果。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述图像的盲复原方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述图像的盲复原方法。
如图5所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取待复原图像，其中，所述待复原图像为经过图像退化后的图像；对所述待复原图像进行预处理，得到预处理后的待复原图像，其中，所述预处理为以下至少之一：去除噪声处理和去除伪影处理；获取盲复原算法的约束条件，其中，所述盲复原算法用于对退化的图像进行盲复原处理，所述约束条件为基于所述待复原图像对应的图像分割阈值确定的约束条件；基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像。
处理器执行程序时还实现以下步骤：基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像包括：将所述约束条件添加至所述盲复原算法中，得到添加约束条件的盲复原算法；利用所述添加约束条件的盲复原算法对所述预处理后的待复原图像进行迭代变换，得到所述复原图像，其中，所述迭代变换至少包括空间域和时间域之间的迭代变换。
处理器执行程序时还实现以下步骤：获取盲复原算法的约束条件包括：提取所述待复原图像中每个像素点的灰度值，得到S个灰度值，其中，S为大于1的正整数；依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值；从所述S个灰度值中获取大于所述图像分割阈值的灰度值，得到T个灰度值，其中，T为小于S的正整数；基于所述T个灰度值确定所述待复原图像中的目标区域；依据所述待复原图像中的目标区域确定所述盲复原算法的约束条件。
处理器执行程序时还实现以下步骤：依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值包括：获取所述S个灰度值的分布情况；依据泊松分布函数和所述S个灰度值的分布情况确定目标阈值；基于所述目标阈值确定所述图像分割阈值。
处理器执行程序时还实现以下步骤：若所述预处理为去除噪声处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：获取所述待复原图像对应的梯度信息集合，其中，所述梯度信息集合中至少包括所述待复原图像中每个像素点的梯度信息；依据所述梯度信息集合对每个像素点进行扩散处理，得到每个像素点的扩散速度；基于每个像素点的扩散速度确定噪声点集合，其中，所述噪声点集合中至少包括N个噪声点，其中，N为正整数；从所述待复原图像中去除所述N个噪声点，得到所述预处理后的待复原图像。
处理器执行程序时还实现以下步骤：若所述预处理为去除伪影处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：确定所述待复原图像的边界区域；获取所述边界区域中的M个像素值，其中，M为正整数；对所述M个像素值进行加权处理，得到加权处理后的像素值；基于所述加权处理后的像素值，得到所述预处理后的待复原图像。
处理器执行程序时还实现以下步骤：在基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像之后，所述方法还包括：从所述复原图像中提取目标人脸图像；判断所述目标人脸图像与预设人脸图像是否相同；若所述目标人脸图像与所述预设人脸图像不相同，则表示人脸识别失败；若所述目标人脸图像与所述预设人脸图像相同，则表示人脸识别成功。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取待复原图像，其中，所述待复原图像为经过图像退化后的图像；对所述待复原图像进行预处理，得到预处理后的待复原图像，其中，所述预处理为以下至少之一：去除噪声处理和去除伪影处理；获取盲复原算法的约束条件，其中，所述盲复原算法用于对退化的图像进行盲复原处理，所述约束条件为基于所述待复原图像对应的图像分割阈值确定的约束条件；基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像包括：将所述约束条件添加至所述盲复原算法中，得到添加约束条件的盲复原算法；利用所述添加约束条件的盲复原算法对所述预处理后的待复原图像进行迭代变换，得到所述复原图像，其中，所述迭代变换至少包括空间域和时间域之间的迭代变换。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：获取盲复原算法的约束条件包括：提取所述待复原图像中每个像素点的灰度值，得到S个灰度值，其中，S为大于1的正整数；依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值；从所述S个灰度值中获取大于所述图像分割阈值的灰度值，得到T个灰度值，其中，T为小于S的正整数；基于所述T个灰度值确定所述待复原图像中的目标区域；依据所述待复原图像中的目标区域确定所述盲复原算法的约束条件。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值包括：获取所述S个灰度值的分布情况；依据泊松分布函数和所述S个灰度值的分布情况确定目标阈值；基于所述目标阈值确定所述图像分割阈值。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：若所述预处理为去除噪声处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：获取所述待复原图像对应的梯度信息集合，其中，所述梯度信息集合中至少包括所述待复原图像中每个像素点的梯度信息；依据所述梯度信息集合对每个像素点进行扩散处理，得到每个像素点的扩散速度；基于每个像素点的扩散速度确定噪声点集合，其中，所述噪声点集合中至少包括N个噪声点，其中，N为正整数；从所述待复原图像中去除所述N个噪声点，得到所述预处理后的待复原图像。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：若所述预处理为去除伪影处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：确定所述待复原图像的边界区域；获取所述边界区域中的M个像素值，其中，M为正整数；对所述M个像素值进行加权处理，得到加权处理后的像素值；基于所述加权处理后的像素值，得到所述预处理后的待复原图像。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像之后，所述方法还包括：从所述复原图像中提取目标人脸图像；判断所述目标人脸图像与预设人脸图像是否相同；若所述目标人脸图像与所述预设人脸图像不相同，则表示人脸识别失败；若所述目标人脸图像与所述预设人脸图像相同，则表示人脸识别成功。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种图像的盲复原方法，其特征在于，包括：
获取待复原图像，其中，所述待复原图像为经过图像退化后的图像；
对所述待复原图像进行预处理，得到预处理后的待复原图像，其中，所述预处理为以下至少之一：去除噪声处理和去除伪影处理；
获取盲复原算法的约束条件，其中，所述盲复原算法用于对退化的图像进行盲复原处理，所述约束条件为基于所述待复原图像对应的图像分割阈值确定的约束条件；
基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像。
2.根据权利要求1所述的方法，其特征在于，基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像包括：
将所述约束条件添加至所述盲复原算法中，得到添加约束条件的盲复原算法；
利用所述添加约束条件的盲复原算法对所述预处理后的待复原图像进行迭代变换，得到所述复原图像，其中，所述迭代变换至少包括空间域和时间域之间的迭代变换。
3.根据权利要求1所述的方法，其特征在于，获取盲复原算法的约束条件包括：
提取所述待复原图像中每个像素点的灰度值，得到S个灰度值，其中，S为大于1的正整数；
依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值；
从所述S个灰度值中获取大于所述图像分割阈值的灰度值，得到T个灰度值，其中，T为小于S的正整数；
基于所述T个灰度值确定所述待复原图像中的目标区域；
依据所述待复原图像中的目标区域确定所述盲复原算法的约束条件。
4.根据权利要求3所述的方法，其特征在于，依据所述S个灰度值确定所述待复原图像对应的所述图像分割阈值包括：
获取所述S个灰度值的分布情况；
依据泊松分布函数和所述S个灰度值的分布情况确定目标阈值；
基于所述目标阈值确定所述图像分割阈值。
5.根据权利要求1所述的方法，其特征在于，若所述预处理为去除噪声处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：
获取所述待复原图像对应的梯度信息集合，其中，所述梯度信息集合中至少包括所述待复原图像中每个像素点的梯度信息；
依据所述梯度信息集合对每个像素点进行扩散处理，得到每个像素点的扩散速度；
基于每个像素点的扩散速度确定噪声点集合，其中，所述噪声点集合中至少包括N个噪声点，其中，N为正整数；
从所述待复原图像中去除所述N个噪声点，得到所述预处理后的待复原图像。
6.根据权利要求1所述的方法，其特征在于，若所述预处理为去除伪影处理，则对所述待复原图像进行预处理，得到预处理后的待复原图像包括：
确定所述待复原图像的边界区域；
获取所述边界区域中的M个像素值，其中，M为正整数；
对所述M个像素值进行加权处理，得到加权处理后的像素值；
基于所述加权处理后的像素值，得到所述预处理后的待复原图像。
7.根据权利要求1所述的方法，其特征在于，在基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像之后，所述方法还包括：
从所述复原图像中提取目标人脸图像；
判断所述目标人脸图像与预设人脸图像是否相同；
若所述目标人脸图像与所述预设人脸图像不相同，则表示人脸识别失败；
若所述目标人脸图像与所述预设人脸图像相同，则表示人脸识别成功。
8.一种图像的盲复原装置，其特征在于，包括：
第一获取单元，用于获取待复原图像，其中，所述待复原图像为经过图像退化后的图像；
第一处理单元，用于对所述待复原图像进行预处理，得到预处理后的待复原图像，其中，所述预处理为以下至少之一：去除噪声处理和去除伪影处理；
第二获取单元，用于获取盲复原算法的约束条件，其中，所述盲复原算法用于对退化的图像进行盲复原处理，所述约束条件为基于所述待复原图像对应的图像分割阈值确定的约束条件；
第二处理单元，用于基于所述盲复原算法和所述约束条件对所述预处理后的待复原图像进行盲复原处理，得到复原图像。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储程序，其中，所述程序执行权利要求1至7中任意一项所述的图像的盲复原方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的图像的盲复原方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311570321.0A CN117557459A (zh) | 2023-11-22 | 2023-11-22 | 图像的盲复原方法及装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311570321.0A CN117557459A (zh) | 2023-11-22 | 2023-11-22 | 图像的盲复原方法及装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117557459A true CN117557459A (zh) | 2024-02-13 |
Family
ID=89821499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311570321.0A Pending CN117557459A (zh) | 2023-11-22 | 2023-11-22 | 图像的盲复原方法及装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557459A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118314289A (zh) * | 2024-06-07 | 2024-07-09 | 浙江大学 | 基于双目红外图像的高炉料面三维重建方法及装置 |
-
2023
- 2023-11-22 CN CN202311570321.0A patent/CN117557459A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118314289A (zh) * | 2024-06-07 | 2024-07-09 | 浙江大学 | 基于双目红外图像的高炉料面三维重建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rodríguez | Total variation regularization algorithms for images corrupted with different noise models: a review | |
| JP6507846B2 (ja) | 画像ノイズ除去方法及び画像ノイズ除去装置 | |
| US9262815B2 (en) | Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term | |
| KR101871098B1 (ko) | 이미지 처리 방법 및 장치 | |
| US8380000B2 (en) | Methods of deblurring image and recording mediums having the same recorded thereon | |
| Chen et al. | Split Bregmanized anisotropic total variation model for image deblurring | |
| CN105740876B (zh) | 一种图像预处理方法及装置 | |
| Hintermüller et al. | Subspace correction methods for a class of nonsmooth and nonadditive convex variational problems with mixed L^1/L^2 data-fidelity in image processing | |
| Dai et al. | Entropy-based bilateral filtering with a new range kernel | |
| Bindilatti et al. | A nonlocal poisson denoising algorithm based on stochastic distances | |
| US20150254814A1 (en) | Globally dominant point spread function estimation | |
| Harizanov et al. | Epigraphical projection for solving least squares Anscombe transformed constrained optimization problems | |
| CN117557459A (zh) | 图像的盲复原方法及装置、存储介质和电子设备 | |
| Zhang | Two-step non-local means method for image denoising | |
| Adam et al. | Combined higher order non-convex total variation with overlapping group sparsity for impulse noise removal | |
| Liu et al. | A modified convex variational model for multiplicative noise removal | |
| Shi et al. | Fast linear motion deblurring for 2d barcode | |
| Karnaukhov et al. | Restoration of noisy multispectral images with a geodetic distance filter | |
| Chen et al. | Inexact alternating direction method based on proximity projection operator for image inpainting in wavelet domain | |
| Chan et al. | Pixel filtering and reallocation with histograms of second-order derivatives of pixel values for electron microscope images | |
| Das et al. | Design of RAMF for Impulsive Noise Cancelation from Chest X-Ray Image | |
| Jayapal et al. | Automated lion optimization algorithm assisted Denoising approach with multiple filters | |
| Feng et al. | Models for multiplicative noise removal | |
| Duman | An Edge Preserving Image Denoising Framework Based on Statistical Edge Detection and Bilateral Filter | |
| Azhar et al. | Texture-oriented image denoising technique for the removal of random-valued impulse noise |
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 |