一种车牌图像去模糊的方法及系统的制作方法
【专利摘要】本发明公开了一种车牌图像去模糊的方法及系统，其中，该方法包括：基于稀疏表达系数和角度之间的函数关系依次进行粗粒度角度估计与精细角度估计，获得卷积核角度参数；根据所述卷积核角度参数，并基于频谱特性来进行长度估计，获得卷积核长度参数；利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像。通过采用本发明公开的方法及系统提高了图像的去模糊效果，减少了计算复杂度，且具有较高鲁棒性。
【专利说明】
【技术领域】
[0001] 本发明涉及图像处理【技术领域】，尤其涉及一种车牌图像去模糊的方法及系统。 一种车牌图像去模糊的方法及系统
【背景技术】
[0002] 近年来，随着城市主干道和高速公路的车辆监控系统越来越普及，监控摄像头的 取证为超速等违法行车行为提供了证据。然而对于超速行驶的车辆，很多时候拍摄到的车 牌遭受严重的模糊影响，甚至人眼无法识别出确切的车牌，这为法律的取证造成了障碍，对 于高速运动的车牌去模糊有着很迫切的实际需求和重大意义。
[0003] 快速发展的盲去图像卷积（BID)技术为去除由于运动造成的模糊带来了机遇。对 于图像模糊的问题，一般分为两类：1)由空间不变的卷积核引起的模糊；2)由空间变化的 卷积核引起的模糊。超速运动的车牌适用于第一类情况。在数学上，卷积核造成的模糊的 模型可以描述为：
[0004]
【权利要求】
1. 一种车牌图像去模糊的方法，其特征在于，该方法包括： 基于稀疏表达系数和卷积核角度参数之间的函数关系具有凸函数性质，以及在期望的 卷积核角度参数上具有最小的稀疏表达系数的基础上，依次进行粗粒度角度估计与精细角 度估计，获得卷积核角度参数； 根据所述卷积核角度参数，并基于线型卷积核具有类辛格SINC函数频谱特性和自然 图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度参数； 利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊算法获得清晰图像。
2. 根据权利要求1所述的方法，其特征在于，所述粗粒度角度估计的步骤包括： 获取初始模糊图像Y、预设的步长△及预设的卷积核长度1、初始角度，循环进行下 述步骤，直至收敛： 生成该初始模糊图像的卷积核
其中，m表示循环次数； 将所述卷积核
带入下式替代参数k :
其中，I表示希望恢复的清晰图像，Y为观测到的模糊图像，11 |τν表示变量I的总变分 差和；
.表示k*I-Y的弗罗贝尼乌斯范数Frobenius范数，λ表示平衡因子，*代表 卷积算子； 计算得到
，并带入下式替代变量I :
其中，Ω」表示抽取图像中一个小块patch的操作，D表示事先训练得到的字典，α』表 示图像中的一个小块在字典上的稀疏表示； 计算得到
，其中，
若所述
i中的最小值为.
，则表示已收敛； 若所述
中的最小值为
，则
若所述
中的最小值为
则
获得粗粒度角度估计结果θπ。
3. 根据权利要求1或2所述的方法，其特征在于，所述精细角度估计的步骤包括： 获取初始模糊图像、粗粒度角度估计结果θπ#及预设的长度1' ； 以所述初始模糊图像的（θπ，1'）为中心，生成一系列的参数对（0^1/)对应生成的 卷积核记为&; 将所述卷积核h带入下式替代变量k :
计算得到Ii，并带入下式替代变量I:
计算得到Ai，其中，
对所述Ai按照大小顺序进行排序，并选出最小的η个Ai对应的角度Θ i ; 计算所述最小的η个化对应的角度平均值Θ，并将该平均值Θ作为精细角度 估计结果。
4. 根据权利要求1所述的方法，其特征在于，所述获得卷积核长度参数的步骤包括： 获取初始模糊图像以及精细角度估计结果Θ ; 将所述初始模糊图像扩展到NXN的大小，并计算其傅里叶变换的幅度，并在此之上计 算对数记做
； 在精细角度估计结果Θ上，做Radon变换，结果记做
其中，P表示频率； 使用最小二乘方法对所述
进行多项式拟合，拟合结果记为.
并 得到所述
与所述
相减之差的连续极小值之间的距离d ; 从而获得卷积核长度参数：
5. 根据权利要求4所述的方法，其特征在于，计算距离d的步骤包括： 在计算扩展到NXN大小初始模糊图像的傅里叶变换的幅度时，对应的卷积核傅里叶 变换的幅度记为Fk，且依次对所述Fk做对数运算及Radon变换，结果记为
当趋近所述Fk的零点时，所述
和.
之间的误差最大，则通过下式 的局部极值来检测Fk的零点：
通过检测
的局部极小值，得到Fk两个连续零点之间的距离d。
6. 根据权利要求1、2、4或5所述的方法，其特征在于，该方法还包括： 根据清晰的图像进行训练，获得清晰图像的先验知识；具体的：采用稀疏表达算法来 训练得到一个可以稀疏地表达清晰图像的字典，该训练为针对图像中的每一小块patch所 进行。
7. -种车牌图像去模糊的系统，其特征在于，该系统包括： 卷积核角度估计模块，用于基于稀疏表达系数和卷积核角度参数中之间的函数关系具 有凸函数性质，以及在期望的卷积核角度参数上具有最小的稀疏表达系数的基础上，依次 进行粗粒度角度估计与精细角度估计，获得卷积核角度参数； 卷积核长度估计模块，用于根据所述卷积核角度参数，并基于线型卷积核具有类辛格 SINC函数频谱特性和自然图像的频谱衰减特性来进行卷积核的长度估计，获得卷积核长度 参数； 去卷积模糊模块，用于利用卷积核角度与长度参数构造出卷积核，再利用图像去模糊 算法获得清晰图像。
8. 根据权利要求7所述的系统，其特征在于，所述卷积核角度估计模块包括：粗粒度角 度估计模块，用于粗粒度角度估计；所述粗粒度角度估计的步骤包括： 获取初始模糊图像Y、预设的步长△及预设的卷积核长度1、初始角度，循环进行下 述步骤，直至收敛： 生成该初始模糊图像的卷积核
，其中，m表示循环次数； 将所述卷积核
带入下式替代参数k :
其中，I表示希望恢复的清晰图像，Y为观测到的模糊图像，11 |τν表示变量I的总变分 差和；
表示k*I-Y的弗罗贝尼乌斯范数Frobenius范数，λ表示平衡因子，*代表 卷积算子； 计算得到
，并带入下式替代变量I :
其中，Ω」表示抽取图像中一个小块patch的操作，D表示事先训练得到的字典，α』表 示图像中的一个小块在字典上的稀疏表示； 计算得到2
，其中，
若所述>
中的最小值为_
，则表示已收敛； 若所述
中的最小值为^
，则
若所述
中的最小值为
，则
获得粗粒度角度估计结果θπ。
9. 根据权利要求7或8所述的系统，其特征在于，所述卷积核角度估计模块包括：精细 角度估计模块，用于精细角度估计；所述精细角度估计的步骤包括： 获取初始模糊图像、粗粒度角度估计结果θπ#及预设的长度1' ； 以所述初始模糊图像的（θπ，1'）为中心，生成一系列的参数对（0^1/)对应生成的 卷积核记为&; 将所述卷积核h带入下式替代变量k :
计算得到Ii，并带入下式替代变量I :
计算得到Αρ其中，
； 对所述Ai按照大小顺序进行排序，并选出最小的η个Ai对应的角度Θ i ; 计算所述最小的η个化对应的角度平均值Θ，并将该平均值Θ作为精细角度 估计结果。
10. 根据权利要求7所述的系统，其特征在于，所述卷积核长度估计模块获得卷积核长 度参数的步骤包括： 获取初始模糊图像以及精细角度估计结果Θ ; 将所述初始模糊图像扩展到NXN的大小，并计算其傅里叶变换的幅度，并在此之上计 算对数记做l〇g(|FB|); 在精细角度估计结果Θ上，做Radon变换，结果记做
; 使用最小二乘方法对所述
进行多项式拟合，拟合结果记为
，并 得到所述
与所述j
相减之差的连续极小值之间的距离d ; 从而获得卷积核长度参数：
11. 根据权利要求10所述的系统，其特征在于，计算距离d的步骤包括： 在计算扩展到NXN大小初始模糊图像的傅里叶变换的幅度时，对应的卷积核傅里叶 变换的幅度记为Fk，且依次对所述Fk做对数运算及Radon变换，结果记为
; 当趋近所述Fk的零点时，所述
和
之间的误差最大，则通过下式 的局部极值来检测Fk的零点：
通过检测，
^的局部极小值，得到Fk两个连续零点之间的距离d。
12. 根据权利要求7、8、10或11所述的系统，其特征在于，该系统还包括： 训练模块，用于根据清晰的图像进行训练，获得清晰图像的先验知识；具体的：采用稀 疏表达算法来训练得到一个可以稀疏地表达清晰图像的字典，该训练为针对图像中的每一 小块patch所进行。
【文档编号】G06T5/00GK104091315SQ201410355699
【公开日】2014年10月8日 申请日期:2014年7月22日 优先权日:2014年7月22日
【发明者】李厚强, 卢庆博, 周文罡 申请人:中国科学技术大学