本发明属于图像数据处理领域，具体涉及一种凝视红外退化图像自适应复原方法。
背景技术：
：在红外图像采集、传输和处理过程中，由于受大气扰动、光学系统聚焦不良、景物和成像装置的相对运动等因素影响，导致得到的图像质量下降，图像变得模糊。为了获得高信噪比、高清晰度的图像，需要根据图像退化模型对退化图像进行复原。图像复原是图像处理领域中一个基础性、前提性的处理过程，在初级视觉处理中占有极其重要的地位，国内外学者都很重视这方面的研究。图像复原根据已知的先验知识多少可分为典型的图像复原和图像盲目复原两大类。图像复原的难易程度主要取决于先验知识掌握的精确程度。典型的图像复原是根据确定的先验知识计算系统退化的点扩散函数，然后利用逆滤波、最小二乘滤波等反退化的方法，对退化图像进行复原，如逆滤波法、空域滤波方法、以及代数方法等。图像盲目复原是指不需要系统退化的先验知识或仅需要部分系统退化的先验知识，通过对退化过程(模糊和噪声)建立模型，进而从退化图像特征中估计真实图像，如零叶面分离法、ARMA参数估计法、先验模糊辨识法等。现有的红外图像复原方法存在以下缺点：(1)多数现有的红外图像复原方法仅适用于高信噪比的输入图像，随着输入图像信噪比下降，复原图像视觉效果变差，不利用人类或机器对图像的理解和分析；(2)多数现有的红外图像复原方法对整幅图像使用同一正则化参数进行正则化，没有利用局部特征信息，导致复原过程中损失了大量细节信息；(3)多数现有的图像复原方法运算量大，不易于硬件实时实现。技术实现要素：为了解决上述问题，本发明提供了一种凝视红外退化图像自适应复原方法，方法简单、适用性强、效果良好、且适合硬件实时实现。本发明凝视红外退化图像自适应复原方法，主要包括以下步骤：S1、获取输入图像I；S2、构造图像退化模型A；S3、计算所述输入图像的信息熵以及计算所述输入图像的各向异性扩散系数；S4、根据所述信息熵和各向异性扩散系数计算任一坐标(i,j)处的正则化系数λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，H(i,j)为坐标(i,j)处的信息熵，G(i,j)为坐标(i,j)处的各向异性扩散系数，Hmax和Hmin分别为信息熵H中的最大值和最小值，Gmax和Gmin分别表示各向异性扩散系数G中的最大值和最小值，0≤a≤1，0≤b≤1，a+b＝1；S5、根据输入图像I、图像退化模型A以及正则化系数λ(i,j)计算复原图像Iout；S6、输出复原图像Iout。优选的是，所述步骤S2中，图像退化模型A选用高斯低通滤波器，表达式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐标位置(i,j)的系数，D(i,j)是坐标(i,j)距傅里叶变换原点的距离，σ1表示高斯曲线扩展的程度。优选的是，所述步骤S3中，以坐标(i,j)为中心的邻域P×Q的信息熵H(i,j)表达式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐标(i,j)位置处的灰度分布概率，I(i,j)和I(i+m,j+n)分别表示图像I的坐标(i,j)和坐标(i+m,j+n)位置处的灰度值，1≤m≤P，1≤n≤Q。优选的是，所述步骤S3中，图像的各向异性扩散系数基于如下方程求取：∂I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)为时刻t坐标(i,j)位置处的图像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的扩散系数函数，是对图像I求偏导运算，这里，各向异性扩散系数的函数表达式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是图像邻域标准差。优选的是，所述步骤S4中，a与b均取值0.5。优选的是，所述步骤S5中，根据输入图像I、图像退化模型A以及正则化系数λ(i,j)计算复原图像Iout时采用迭代法。上述方案中优选的是，所述步骤S5中，采用迭代法求取第k+1次迭代图像Ik+1的表达式如下所示：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>其中，Ik+1(i,j)表示图像Ik+1在坐标(i,j)位置处的灰度值，Ik(i,j)表示图像Ik在坐标(i,j)位置处的灰度值，U(i,j)表示正则化因子U在坐标(i,j)位置处的正则化值，A表示图像退化模型，*是卷积运算，是相关运算，·是相乘运算，复原图像Iout＝Ik+1。在上述任一方案中优选的是，所述步骤S5中，所述迭代次数为5～20。与现有技术相比，本发明具有以下显著优点：(1)特别针对低信噪比红外图像，在抑制噪声的同时能有效恢复细节信息；(2)根据图像局部区域的信息熵和各向异性扩散系数自适应计算正则化参数，具备多尺度复原能力，实现了图像平滑区正则化能力强，图像细节区正则化能力弱；(3)图像退化模型能够根据实际退化过程灵活构建；(4)不存在高阶运算和复杂结构，算法运算量小，易于硬件实时实现。附图说明图1为本发明凝视红外退化图像自适应复原方法的一优选实施例的流程图。具体实施方式为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。本发明凝视红外退化图像自适应复原方法如图1所示，主要包括以下步骤：S1、获取输入图像I；S2、构造图像退化模型A；S3、计算所述输入图像的信息熵以及计算所述输入图像的各向异性扩散系数；S4、根据所述信息熵和各向异性扩散系数计算任一坐标(i,j)处的正则化系数λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，H(i,j)为坐标(i,j)处的信息熵，G(i,j)为坐标(i,j)处的各向异性扩散系数，Hmax和Hmin分别为信息熵H中的最大值和最小值，Gmax和Gmin分别表示各向异性扩散系数G中的最大值和最小值，0≤a≤1，0≤b≤1，a+b＝1；S5、根据输入图像I、图像退化模型A以及正则化系数λ(i,j)计算复原图像Iout；S6、输出复原图像Iout。优选的是，所述步骤S2中，图像退化模型A选用高斯低通滤波器，表达式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐标位置(i,j)的系数，D(i,j)是坐标(i,j)距傅里叶变换原点的距离，σ1表示高斯曲线扩展的程度。下面以具体实例来说明本发明凝视红外退化图像自适应复原方法。实施例1、红外热像仪焦平面阵列大小是640×512，工作帧频是每秒50帧。图像处理平台采用DSP+FPGA架构，凝视红外退化图像自适应复原方法在DSP处理器中实现，满足实时处理的需求。可以理解的是，在步骤S1中，DSP处理器输入图像是16位数字图像，图像尺寸是640×512，以下描述中，图像的坐标(i,j)中i，j的分别取整数，且1≤i≤512，1≤j≤640。本实施例中，对图像进行恢复处理通常需要根据一定的图像退化模型来进行，一个简单的通用图像退化模型可将图像的退化过程模型化为一个作用在原始图像f(x,y)上的退化系统H，作用结果与一个高斯噪声n(x,y)的联合作用导致产生出了退化图像g(x,y)。根据上述退化系统H可以从给定的退化图像g(x,y)得到原始图像f(x,y)的一个近似结果。去除高斯噪声的方法有直方图变换，低通滤波，高通滤波，逆滤波，维纳滤波，中值滤波等，本实施例步骤S2中，图像退化模型A选用高斯低通滤波器，表达式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐标位置(i,j)的系数，D(i,j)是坐标(i,j)距傅里叶变换原点的距离，σ1表示高斯曲线扩展的程度，e为自然常数，约为2.71828。图像退化模型选用高斯低通滤波器，设置滤波器尺寸为5×5，标准偏差为0.6，则滤波器矩阵表达如表1所示：表15×5高斯低通滤波器00.00040.00170.000400.00040.02740.10990.02740.00040.00170.10990.44070.10990.00170.00040.02740.10990.02740.000400.00040.00170.00040步骤S3中，分别计算图像的信息熵与各项异性扩散系数，可以理解的是，上述技术方法存在多样性，下面以某一具体方程进行说明。所述步骤S3中，以坐标(i,j)为中心的邻域P×Q的信息熵H(i,j)表达式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐标(i,j)位置处的灰度分布概率，I(i,j)和I(i+m,j+n)分别表示图像I的坐标(i,j)和坐标(i+m,j+n)位置处的灰度值，1≤m≤P，1≤n≤Q。下面选用7*7邻域计算信息熵进行说明，即P＝7，Q＝7，以Iin作为输入图像代替上述公式的的图像I，则替代后的表达式如下所示：H(i,j)=-Σm=17Σn=17p(i,j)·lgp(i,j)]]>p(i,j)=Iin(i,j)/[Σm=17Σn=17Iin(i+m,j+n)]]]>其中，1≤m≤7，1≤n≤7，1≤i≤512，1≤j≤640。图像的各向异性扩散系数G基于如下方程求取：∂I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)为时刻t坐标(i,j)位置处的图像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的扩散系数函数，是对图像I求偏导运算，这里，各向异性扩散系数的函数表达式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是图像邻域标准差，为0.6，邻域为5×5。可以理解的是，对所述640×512的图像来说，任一像素值存在对应的信息熵与各项异性扩散系数，以H(i,j)及G(i,j)分布进行表示，因此，对于信息熵来说，存在最大值Hmax和最小值Hmin，同理，对于各向异性扩散系数G来说，存在最大值Gmax和最小值Gmin。正则化处理主要是要解决复原方法中病态问题。正则化系数λ在能够衡量信号奇异性的同时能够更好地保持信号的细节信息。正则化系数λ增大时，可有效抑制高频噪声，然而，图像细节保持能力变差；正则化系数λ减小时，图像细节保持能力增强。因此，根据图像内容自适应计算正则化系数是复原算法成功的关键。信息熵H表征图像灰度分布的聚集特性，图像越均匀，信息熵越大。各向异性扩散系数G表征图像的平滑程度，图像越均匀，各向异性扩散系数越小。为了最大程度去除复原过程中产生的奇异值，并保持图像的细节信息，本发明结合信息熵H与各向异性扩散系数G的特点，在所述步骤S4中，根据所述信息熵和各向异性扩散系数计算任一坐标(i,j)处的正则化系数λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，a、b是常系数，用于反映信息熵和各向异性扩散系数载正则化时占的比重，0≤a≤1，0≤b≤1，a+b＝1。本实施例中，为保证通用性和最佳处理效果，a与b均取值0.5，构建的正则化系数在抑制平滑区域(正则化系数λ增大)的高频噪声的同时使边缘细节信息(正则化系数λ减小)得到有效保持。步骤S5中，根据输入图像I、图像退化模型A以及正则化系数λ(i,j)计算复原图像Iout，以下公式中，复原图像Iout＝Ik+1，输入的图像I＝Ik,公式如下：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>为了使复原图像更接近实际图像，上述公式也可以作为迭代公式进行使用，迭代次数一般选取为5～20次，即当k＝1时，其为原始图像，之后的第k+1次的图像灰度值依次在第k次的图像灰度值上进行计算，其中，Ik+1(i,j)表示图像Ik+1在坐标(i,j)位置处的灰度值，Ik(i,j)表示图像Ik在坐标(i,j)位置处的灰度值，U(i,j)表示正则化因子U在坐标(i,j)位置处的正则化值，选用Tikhonov模型计算。A表示图像退化模型，*是卷积运算，是相关运算，1≤i≤512，1≤j≤640，本实施例中k＝5，·是相乘运算，复原图像Iout＝I6。实施例2、红外热像仪焦平面阵列大小是320×256，工作帧频是每秒50帧。图像处理平台采用DSP+FPGA架构，凝视红外退化图像自适应复原方法在DSP处理器中实现，满足实时处理的需求。可以理解的是，在步骤S1中，DSP处理器输入图像是16位数字图像，图像尺寸是320×256，以下描述中，图像的坐标(i,j)中i，j的分别取整数，且1≤i≤256，1≤j≤320。本实施例中，对图像进行恢复处理通常需要根据一定的图像退化模型来进行，一个简单的通用图像退化模型可将图像的退化过程模型化为一个作用在原始图像f(x,y)上的退化系统H，作用结果与一个高斯噪声n(x,y)的联合作用导致产生出了退化图像g(x,y)。根据上述退化系统H可以从给定的退化图像g(x,y)得到原始图像f(x,y)的一个近似结果。去除高斯噪声的方法有直方图变换，低通滤波，高通滤波，逆滤波，维纳滤波，中值滤波等，本实施例步骤S2中，图像退化模型A选用高斯低通滤波器，表达式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐标位置(i,j)的系数，D(i,j)是坐标(i,j)距傅里叶变换原点的距离，σ1表示高斯曲线扩展的程度，e为自然常数，约为2.71828。图像退化模型选用高斯低通滤波器，设置滤波器尺寸为5×5，标准偏差为0.6，则滤波器矩阵表达如表1所示：表15×5高斯低通滤波器00.00040.00170.000400.00040.02740.10990.02740.00040.00170.10990.44070.10990.00170.00040.02740.10990.02740.000400.00040.00170.00040步骤S3中，分别计算图像的信息熵与各项异性扩散系数，可以理解的是，上述技术方法存在多样性，下面以某一具体方程进行说明。所述步骤S3中，以坐标(i,j)为中心的邻域P×Q的信息熵H(i,j)表达式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐标(i,j)位置处的灰度分布概率，I(i,j)和I(i+m,j+n)分别表示图像I的坐标(i,j)和坐标(i+m,j+n)位置处的灰度值，1≤m≤P，1≤n≤Q。下面选用10*10邻域计算信息熵进行说明，即P＝10，Q＝10，以Iin作为输入图像代替上述公式的的图像I，则替代后的表达式如下所示：H(i,j)=-Σm=110Σn=110p(i,j)·lgp(i,j)]]>p(i,j)=Iin(i,j)/[Σm=110Σn=110Iin(i+m,j+n)]]]>其中，1≤m≤10，1≤n≤10，1≤i≤256，1≤j≤320。图像的各向异性扩散系数G基于如下方程求取：∂I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)为时刻t坐标(i,j)位置处的图像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的扩散系数函数，是对图像I求偏导运算，这里，各向异性扩散系数的函数表达式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是图像邻域标准差，为0.6，邻域为5×5。可以理解的是，对所述320×256的图像来说，任一像素值存在对应的信息熵与各项异性扩散系数，以H(i,j)及G(i,j)分布进行表示，因此，对于信息熵来说，存在最大值Hmax和最小值Hmin，同理，对于各向异性扩散系数G来说，存在最大值Gmax和最小值Gmin。正则化处理主要是要解决复原方法中病态问题。正则化系数λ在能够衡量信号奇异性的同时能够更好地保持信号的细节信息。正则化系数λ增大时，可有效抑制高频噪声，然而，图像细节保持能力变差；正则化系数λ减小时，图像细节保持能力增强。因此，根据图像内容自适应计算正则化系数是复原算法成功的关键。信息熵H表征图像灰度分布的聚集特性，图像越均匀，信息熵越大。各向异性扩散系数G表征图像的平滑程度，图像越均匀，各向异性扩散系数越小。为了最大程度去除复原过程中产生的奇异值，并保持图像的细节信息，本发明结合信息熵H与各向异性扩散系数G的特点，在所述步骤S4中，根据所述信息熵和各向异性扩散系数计算任一坐标(i,j)处的正则化系数λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，a、b是常系数，用于反映信息熵和各向异性扩散系数载正则化时占的比重，0≤a≤1，0≤b≤1，a+b＝1。本实施例中，为保证通用性和最佳处理效果，a与b均取值0.5，构建的正则化系数在抑制平滑区域(正则化系数λ增大)的高频噪声的同时使边缘细节信息(正则化系数λ减小)得到有效保持。步骤S5中，根据输入图像I、图像退化模型A以及正则化系数λ(i,j)计算复原图像Iout，以下公式中，复原图像Iout＝Ik+1，输入的图像I＝Ik,公式如下：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>上述公式也可以作为迭代公式进行使用，即当k＝1时，其为原始图像，之后的第k+1次的图像灰度值依次在第k次的图像灰度值上进行计算，其中，Ik+1(i,j)表示图像Ik+1在坐标(i,j)位置处的灰度值，Ik(i,j)表示图像Ik在坐标(i,j)位置处的灰度值，U(i,j)表示正则化因子U在坐标(i,j)位置处的正则化值，选用Tikhonov模型计算。A表示图像退化模型，*是卷积运算，是相关运算，1≤i≤256，1≤j≤320，本实施例中k＝10，·是相乘运算，复原图像Iout＝I11。实施例3、红外热像仪焦平面阵列大小是640×512，工作帧频是每秒50帧。图像处理平台采用DSP+FPGA架构，凝视红外退化图像自适应复原方法在DSP处理器中实现，满足实时处理的需求。可以理解的是，在步骤S1中，DSP处理器输入图像是16位数字图像，图像尺寸是640×512，以下描述中，图像的坐标(i,j)中i，j的分别取整数，且1≤i≤512，1≤j≤640。本实施例中，对图像进行恢复处理通常需要根据一定的图像退化模型来进行，一个简单的通用图像退化模型可将图像的退化过程模型化为一个作用在原始图像f(x,y)上的退化系统H，作用结果与一个高斯噪声n(x,y)的联合作用导致产生出了退化图像g(x,y)。根据上述退化系统H可以从给定的退化图像g(x,y)得到原始图像f(x,y)的一个近似结果。去除高斯噪声的方法有直方图变换，低通滤波，高通滤波，逆滤波，维纳滤波，中值滤波等，本实施例步骤S2中，图像退化模型A选用高斯低通滤波器，表达式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐标位置(i,j)的系数，D(i,j)是坐标(i,j)距傅里叶变换原点的距离，σ1表示高斯曲线扩展的程度，e为自然常数，约为2.71828。图像退化模型选用高斯低通滤波器，设置滤波器尺寸为5×5，标准偏差为0.6，则滤波器矩阵表达如表1所示：表15×5高斯低通滤波器步骤S3中，分别计算图像的信息熵与各项异性扩散系数，可以理解的是，上述技术方法存在多样性，下面以某一具体方程进行说明。所述步骤S3中，以坐标(i,j)为中心的邻域P×Q的信息熵H(i,j)表达式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐标(i,j)位置处的灰度分布概率，I(i,j)和I(i+m,j+n)分别表示图像I的坐标(i,j)和坐标(i+m,j+n)位置处的灰度值，1≤m≤P，1≤n≤Q。下面选用7*7邻域计算信息熵进行说明，即P＝7，Q＝7，以Iin作为输入图像代替上述公式的的图像I，则替代后的表达式如下所示：H(i,j)=-Σm=17Σn=17p(i,j)·lgp(i,j)]]>p(i,j)=Iin(i,j)/[Σm=17Σn=17Iin(i+m,j+n)]]]>其中，1≤m≤7，1≤n≤7，1≤i≤512，1≤j≤640。图像的各向异性扩散系数G基于如下方程求取：∂I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)为时刻t坐标(i,j)位置处的图像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的扩散系数函数，是对图像I求偏导运算，这里，各向异性扩散系数的函数表达式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是图像邻域标准差，为0.6，邻域为5×5。可以理解的是，对所述640×512的图像来说，任一像素值存在对应的信息熵与各项异性扩散系数，以H(i,j)及G(i,j)分布进行表示，因此，对于信息熵来说，存在最大值Hmax和最小值Hmin，同理，对于各向异性扩散系数G来说，存在最大值Gmax和最小值Gmin。正则化处理主要是要解决复原方法中病态问题。正则化系数λ在能够衡量信号奇异性的同时能够更好地保持信号的细节信息。正则化系数λ增大时，可有效抑制高频噪声，然而，图像细节保持能力变差；正则化系数λ减小时，图像细节保持能力增强。因此，根据图像内容自适应计算正则化系数是复原算法成功的关键。信息熵H表征图像灰度分布的聚集特性，图像越均匀，信息熵越大。各向异性扩散系数G表征图像的平滑程度，图像越均匀，各向异性扩散系数越小。为了最大程度去除复原过程中产生的奇异值，并保持图像的细节信息，本发明结合信息熵H与各向异性扩散系数G的特点，在所述步骤S4中，根据所述信息熵和各向异性扩散系数计算任一坐标(i,j)处的正则化系数λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，a、b是常系数，用于反映信息熵和各向异性扩散系数载正则化时占的比重，0≤a≤1，0≤b≤1，a+b＝1。与上述实施例不同的是，根据信息熵与各向异性扩散系数的比重，设置为a为0.5，b为0.6，构建的正则化系数在抑制平滑区域(正则化系数λ增大)的高频噪声的同时使边缘细节信息(正则化系数λ减小)得到有效保持。步骤S5中，根据输入图像I、图像退化模型A以及正则化系数λ(i,j)计算复原图像Iout，以下公式中，复原图像Iout＝Ik+1，输入的图像I＝Ik,公式如下：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>为了使复原图像更接近实际图像，上述公式也可以作为迭代公式进行使用，迭代次数一般选取为5～20次，即当k＝1时，其为原始图像，之后的第k+1次的图像灰度值依次在第k次的图像灰度值上进行计算，其中，Ik+1(i,j)表示图像Ik+1在坐标(i,j)位置处的灰度值，Ik(i,j)表示图像Ik在坐标(i,j)位置处的灰度值，U(i,j)表示正则化因子U在坐标(i,j)位置处的正则化值，选用Tikhonov模型计算。A表示图像退化模型，*是卷积运算，是相关运算，1≤i≤512，1≤j≤640，本实施例中k＝20，·是相乘运算，复原图像Iout＝I21。本发明与现有技术相比，具有以下显著优点：(1)特别针对低信噪比红外图像，在抑制噪声的同时能有效恢复细节信息；(2)根据图像局部区域的信息熵和各向异性扩散系数自适应计算正则化参数，具备多尺度复原能力，实现了图像平滑区正则化能力强，图像细节区正则化能力弱；(3)图像退化模型能够根据实际退化过程灵活构建；(4)不存在高阶运算和复杂结构，算法运算量小，易于硬件实时实现。最后需要指出的是：以上实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页1 2 3