一種基于顯著性檢測的模糊圖像盲復(fù)原方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及模糊圖像盲復(fù)原方法，特別涉及一種基于顯著性檢測的模糊圖像盲復(fù) 原方法。
【背景技術(shù)】
[0002] 在數(shù)碼相機等光學(xué)系統(tǒng)成像時，鏡頭和成像場景之間的相對運動或者鏡頭散焦均 會導(dǎo)致采集到的圖像或視頻模糊，造成圖像邊緣信息減弱，嚴(yán)重影響圖像質(zhì)量，很難再準(zhǔn)確 地檢測出圖像中的感興趣區(qū)域。一般通過圖像復(fù)原可以在一定程度上改善圖像質(zhì)量，恢復(fù) 出一部分邊緣信息。圖像復(fù)原時根據(jù)模糊核是否已知，分為模糊核未知的盲復(fù)原和模糊核 已知的非盲復(fù)原，在實際應(yīng)用中，由于很難獲得模糊核，圖像盲復(fù)原應(yīng)用更廣。現(xiàn)有的效果 較好的模糊圖像盲復(fù)原方法均采用先估計模糊核再利用模糊核和模糊圖像復(fù)原出清晰圖 像的步驟，模糊核估計是否準(zhǔn)確直接影響了復(fù)原效果的好壞，下面我們討論現(xiàn)有的模糊圖 像盲復(fù)原方法存在的問題。
[0003] 現(xiàn)有的盲復(fù)原方法大多采用檢測圖像的強邊緣進行模糊核估計，在估計之前為了 得到增強的邊緣典型的方法是采用雙邊濾波、沖擊濾波加強邊緣，然后再計算梯度圖像，獲 取強邊緣信息。這種方法與直接獲取邊緣信息的盲復(fù)原方法相比，突出了主要影響因素，取 得了不錯的效果，在大部分自然場景中都比較實用。但是對于場景中存在周期性紋理、網(wǎng) 格、細小邊緣等特征的圖像，現(xiàn)有方法仍然采用前述方法進行邊緣提取用于模糊核估計，沒 有考慮排除細小邊緣對復(fù)原過程的影響，在復(fù)原過程中，這一不利因素會導(dǎo)致圖像復(fù)原失 敗。因此現(xiàn)有大多數(shù)方法均不能準(zhǔn)確估計出模糊核而導(dǎo)致復(fù)原質(zhì)量較差，難以得到實際應(yīng) 用。如圖1(a)~（d)所示為現(xiàn)有典型模糊復(fù)原方法的復(fù)原結(jié)果示意圖，圖1(a)為合成的 具有大量細節(jié)紋理區(qū)域的模糊圖像，其模糊核已知如圖1(c)，圖1(b)為現(xiàn)有方法的復(fù)原結(jié) 果，其估計的模糊核如圖1(d)所示。
[0004] 從圖I (a)~（d)所示的結(jié)果來看，由于模糊核的估計不準(zhǔn)確，導(dǎo)致復(fù)原圖像質(zhì)量 并沒有明顯的改善。造成這一問題的主要原因是圖像中的網(wǎng)狀區(qū)域由于尺寸較小，小于模 糊核的尺寸，在模糊過程中原圖像的信息被完全覆蓋，在復(fù)原過程中得不到準(zhǔn)確的復(fù)原造 成的。針對細節(jié)導(dǎo)致圖像復(fù)原質(zhì)量較差這一問題，也有相關(guān)文獻進行過討論，主要采取的方 法是對梯度圖像進行加權(quán)，分別計算每個梯度值的重要程度形成權(quán)值，用加權(quán)后的梯度圖 像進行模糊核估計。往往并不能準(zhǔn)確設(shè)計出針對梯度值設(shè)計加權(quán)算法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為了解決現(xiàn)有技術(shù)對模糊核的估計不準(zhǔn)確，導(dǎo)致復(fù)原圖像質(zhì)量并 沒有明顯的改善以及不能準(zhǔn)確設(shè)計出針對梯度值設(shè)計加權(quán)算法的問題，而提出的一種基于 顯著性檢測的模糊圖像盲復(fù)原方法。
[0006] 上述的發(fā)明目的是通過以下技術(shù)方案實現(xiàn)的：
[0007] 步驟一：輸入模糊圖像F，提取模糊圖像F的紅色分量圖像r、綠色分量圖像g和藍 色分量圖像b，計算模糊圖像F的亮度圖像I = (r+g+b)/3,利用I計算得到模糊圖像F的 梯度圖像VF;
[0008] 步驟二：利用r、g和b計算紅色對應(yīng)通道的分量圖像R、綠色對應(yīng)通道的分量圖像 G、藍色對應(yīng)通道的分量圖像B和黃色對應(yīng)通道的分量圖像Y ;
[0009] 步驟三：根據(jù)R，G，B，Y計算亮度，顏色和方向顯著性子圖；
[0010] 步驟四：對亮度、顏色和方向三種顯著性子圖進行歸一化處理，得到對應(yīng)的亮度分 量顯著性圖7、顏色分量顯著性圖C和方向分量顯著性圖Zh
[0011] 步驟五：利用7、C和〇計算總的顯著性圖Stl:
[0012]
【主權(quán)項】
1. 一種基于顯著性檢測的模糊圖像盲復(fù)原方法，其特征在于一種基于顯著性檢測的模 糊圖像盲復(fù)原方法具體是按照以下步驟進行的： 步驟一：輸入模糊圖像F，提取模糊圖像F的紅色分量圖像r、綠色分量圖像g和藍色分 量圖像b，計算模糊圖像F的亮度圖像I = (r+g+b)/3,利用I計算得到模糊圖像F的梯度 圖像VF ; 步驟二：利用r、g和b計算紅色對應(yīng)通道的分量圖像R、綠色對應(yīng)通道的分量圖像G、藍 色對應(yīng)通道的分量圖像B和黃色對應(yīng)通道的分量圖像Y ; 步驟三：根據(jù)R，G，B，Y計算亮度，顏色和方向顯著性子圖； 步驟四：對亮度、顏色和方向三種顯著性子圖進行歸一化處理，得到對應(yīng)的亮度分量顯 著性圖|7、顏色分量顯著性圖C和方向分量顯著性圖O ; 步驟五：利用7、C和O計算總的顯著性圖Stl:
其中，#(·)表示歸一化過程； 步驟六：將得到的顯著性圖Stl插值放大得到與模糊圖像F同尺寸的顯著性圖S，并且對 S進行閾值處理，形成二值化掩膜圖像B (i，j); 步驟七：利用掩膜圖像B (i，j)和梯度圖像▽/,計算得到經(jīng)過顯著性梯度篩選的梯度 圖像VFi; VF(/,./)=VF(/,./)x/i(/,./) 其中為圖像VP；中點i，j的像素值，VF(/，./)為圖像中點i，j的像素值； 步驟八：采用L1/12范數(shù)正則化方法將篩選后的梯度圖像進行模糊核估計和圖像 復(fù)原即得到最終的復(fù)原圖像D ;即完成了一種基于顯著性檢測的模糊圖像盲復(fù)原方法。
2. 根據(jù)權(quán)利要求1所述一種基于顯著性檢測的模糊圖像盲復(fù)原方法，其特征在于：步 驟一中利用I計算得到模糊圖像F的梯度圖像VF具體為：
其中，為圖像F(i，j)對應(yīng)的水平梯度值，為圖像F(i，j)對應(yīng)的 垂直梯度值，'^(/，/)為圖像1^，」_)對應(yīng)的梯度值，'^(/',./)為7/?中點1」_)的像素值； I (i，j)為橫、縱坐標(biāo)為i，j的亮度圖像像素點。
3. 根據(jù)權(quán)利要求1所述一種基于顯著性檢測的模糊圖像盲復(fù)原方法，其特征在于：步 驟二中利用r、g和b根據(jù)計算紅色對應(yīng)通道的分量圖像R、綠色對應(yīng)通道的分量圖像G、藍 色對應(yīng)通道的分量圖像B和黃色對應(yīng)通道的分量圖像Y具體過程為： R = r-(g+b)/2 G = g-(r+b)/2 B = b-(r+g)/2〇 Y = (r+g)/2-1r-gI/2-b 〇
4. 根據(jù)權(quán)利要求1所述一種基于顯著性檢測的模糊圖像盲復(fù)原方法，其特征在于：步 驟三中根據(jù)R，G，B，Y計算亮度，顏色和方向顯著性子圖具體為：
其中，，s = c+ δ，δ = 3, 4, c = 2, 3, 4表示中心層，s = c+ δ表示周圍層，δ = 3, 4 為變量，1(c)表示中心層亮度圖像，Θ表示計算中心層和周圍層的差，I(s)表示周圍層亮 度圖像，R(C)表示紅色對應(yīng)通道在中心層的分量圖像；R(S)表示紅色對應(yīng)通道在周圍層的 分量圖像；G(C)為綠色對應(yīng)通道在中心層的的分量圖像，G(S)為綠色對應(yīng)通道在周圍層的 的分量圖像，B(C)為藍色對應(yīng)通道在中心層的分量圖像；B(S)為藍色對應(yīng)通道在周圍層的 分量圖像；Y(C)黃色對應(yīng)通道在中心層的分量圖像；Y(S)黃色對應(yīng)通道在周圍層的分量圖 像；0(c，s，Θ)表示方向顯著性子圖，Θ為方向濾波角度；〇( c，Θ)表示在中心層方向濾波 角度為Θ的方向顯著性子圖；〇(s，Θ)表示在周圍層方向濾波角度為Θ的方向顯著性子 圖；RG(c，s)表示紅綠通道的顯著性檢測子圖，BY(c，s)表示藍黃通道顯著性檢測子圖。
5. 根據(jù)權(quán)利要求1所述一種基于顯著性檢測的模糊圖像盲復(fù)原方法，其特征在于：步 驟四中對亮度、顏色和方向三種顯著性子圖進行歸一化處理，得到對應(yīng)的亮度分量顯著性 圖7、顏色分量顯著性圖C和方向分量顯著性圖O :
其中，?表示將各顯著性子圖均縮放到第4尺度相加。
6. 根據(jù)權(quán)利要求1所述一種基于顯著性檢測的模糊圖像盲復(fù)原方法，其特征在于：步 驟六中將得到的顯著性圖Stl插值放大得到與模糊圖像F同尺寸的顯著性圖S，并且對S進 行閾值處理，形成二值化掩膜圖像B (i，j)具體為：
其中，S (i，j)為顯著性圖S中點i，j的像素值，T為閾值，一般T值在0. 1到0.5之間。
7.根據(jù)權(quán)利要求1所述一種基于顯著性檢測的模糊圖像盲復(fù)原方法，其特征在于：步 驟八中采用L1/12范數(shù)正則化方法將篩選后的梯度圖像VFi進行模糊核估計和圖像復(fù)原即 得到最終的復(fù)原圖像D具體過程為： (1) 建立優(yōu)化函數(shù)計算篩選后的梯度圖像VC:
其中，X為f的高頻分量，f為模糊圖像F的待估計清晰圖像，h為待估計模糊核，€>為 卷積運算，11 · 11 i為矩陣1范數(shù)運算，11 · 11 2為矩陣2范數(shù)運算，M · 11為矩陣范數(shù)運 算，入，爐為可調(diào)參數(shù)，入為控制數(shù)據(jù)保真項Vfll2的權(quán)重，取值范圍為30~100， P為控制模糊核正則項I |h| I權(quán)重；取值范圍為0. 001~1; (2) 設(shè)初始值b為不等于0的矩陣帶入公式（4)中進行迭代計算，迭代次數(shù)為20~30 次后得到交替優(yōu)化的變量X和h ; (3) 交替優(yōu)化的變量h為最終得到模糊核的估計h% (4) 采用優(yōu)化函數(shù)計算估計出的hlP模糊圖像F得到清晰圖像的估計D :
其中，Af為f對應(yīng)的梯度圖像，I卜I I °為矩陣α范數(shù)運算，α取值范圍為〇. 6~ 0.8, β為可調(diào)參數(shù)，用于控制數(shù)據(jù)保真項If ?/-Fll2和正則項I I Af|「之間的權(quán)重，取 值范圍500~2000,通過對上述優(yōu)化函數(shù)求解，即可得到最終的復(fù)原圖像D。
【專利摘要】一種基于顯著性檢測的模糊圖像盲復(fù)原方法，本發(fā)明涉及模糊圖像盲復(fù)原方法。本發(fā)明是要解決現(xiàn)有技術(shù)對模糊核的估計不準(zhǔn)確，導(dǎo)致復(fù)原圖像質(zhì)量并沒有明顯的改善以及不能準(zhǔn)確設(shè)計出梯度值加權(quán)算法的問題，而提出的一種基于顯著性檢測的模糊圖像盲復(fù)原方法。該方法首先進行基于圖像亮度、顏色和方向的顯著性檢測，得到綜合顯著性圖；其次利用顯著性圖生成反映圖像中視覺顯著部分的掩膜圖像；然后利用掩膜圖像對模糊圖像的梯度圖像進行過濾篩選，得到反映圖像顯著結(jié)構(gòu)的梯度圖像；最后利用經(jīng)過篩選的梯度圖像采用歸一化稀疏正則化方法進行復(fù)原，得到模糊核和清晰圖像的估計。本發(fā)明應(yīng)用于模糊圖像盲復(fù)原領(lǐng)域。
【IPC分類】G06T7-00, G06T5-00
【公開號】CN104766287
【申請?zhí)枴緾N201510233113
【發(fā)明人】遆曉光, 尹磊, 傅紹文, 高磊
【申請人】哈爾濱工業(yè)大學(xué)
【公開日】2015年7月8日
【申請日】2015年5月8日