一种基于两步复原的车载高质量成像方法与流程

本发明属于车载环境下的高质量快速成像技术领域，涉及一种基于两步复原的车载高质量成像方法。

背景技术：

无人驾驶汽车常常要根据车载视频对路上的目标进行跟踪，从而控制自身的行为。现有的无人驾驶汽车经常的问题是不能快速准确地发现目标。现有的车载成像设备得到的视频或图像通常不清晰。这种“不清晰”是由多种原因引起，但车载环境下的成像过程中受到光学成像系统的高斯模糊和相对运动引起的运动模糊是主要原因。为了提高视频质量，必须尽量减少这两种因素的影响。采用复原方法来提高车载视频和图像质量是一种重要方法，目前已得到企业和学术界的广泛重视。由于受相对运动的影响，李宇成等人对匀速直线运动模糊的离散PSF的表达式做出了推导，发现运动模糊图像在频域上具有平行明暗条纹；推导和证明了模糊参数与模糊图像高宽度比值之间的关系，得出了较准确的图像模糊参数估计方法。结合运动模糊图像频谱图和倒谱的特点，王秋云提出了一种基于“倒谱法”的运动模糊图像PSF参数预计方法：用Radon变换检测出运动模糊方向，根据倒谱图像中的两个负峰值之间的像素距离估计出模糊长度。

针对一般视频采集系统，刘柳提出了一种图像复原方法：利用图像退化模型，通过计算机处理图像数字信号，采用逆滤波或者维纳滤波的方法处理图像。大山一朗和杉本雅彦等人通过测量光学系统PSF，利用基于光学系统PSF的复原滤波器来获得恢复图像数据。张宇等人对相机镜头进行测试，获得待测相机的传递函数，采用插值方法对图像进行插值，获得待复原的插值后的图像，对传递函数采用傅里叶反变换到空间域中，得到反卷积预选模板；并对其进行截取，获得反卷积模板；将反卷积模板与待复原的插值后的图像进行实时的二维卷积，获得复原后的放大图像。Dilip Krishnan等人提出了基于超拉普拉斯先验分布的图像，实践证明，针对相机的抖动引起的图像模糊是最佳的复原算法。D.S.C.Biggs等人改进的L-R算法是目前盲卷积复原的最好算法。对于PSF的获取可参照英国标准BS ISO 16067-1-2003，该标准利用“刀口法”测量光学成像系统的空间分辨率，然后再分析得到PSF。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于两步复原的车载高质量成像方法，该方法采用两个步骤来复原图像，能够很好的克服现有方法中存在的不足，实现高质量的图像复原。

为达到上述目的，本发明提供如下技术方案：

一种基于两步复原的车载高质量成像方法，该方法包括以下步骤：

S1：将车载环境下的成像过程中受到光学成像系统的高斯模糊和相对运动引起的运动模糊引起的车载图像的退化过程表示为：

其中，f(x_,y)是原始清晰的图像，h₁(x_,y)为车载环境成像系统固有的点扩散函数，h₂(x_,y)为车载环境下的运动点扩散函数，n(x_,y)是加性噪声，g(x_,y)是退化的图像；

S2：采用“倒谱法”估计出g(x,y)的运动点扩散函数h₂(x,y)，然后利用超拉普拉斯正则化超分辨率算法复原运动模糊图像，得到g₁(x,y)；

S3：通过“刀口法”测量出车载光学成像系统的点扩散函数h₁(x,y)，利用改进的L-R算法复原g₁(x_,y)模糊图像，最终恢复出较清晰图像f₁(x_,y)。

本发明的有益效果在于：本发明提供的一种基于两步复原的车载高质量成像方法，该方法采用两个步骤来复原图像，能够很好的克服现有方法中存在的不足，实现高质量的图像复原，在车载环境下的高质量快速成像领域具有很好的应用前景。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的流程图；

图2为实施例中图像的原始图片；

图3为光学成像系统引起的高斯型模糊；

图4为混合模糊和噪声的图像；

图5为基于倒谱法估计的运动PSF放大图；

图6为利用估计的点扩散函数对运动模糊进行复原图；

图7为利用测量的PSF进行的图像复原。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述方法的流程图，如图所示，本发明提供的基于两步复原的车载高质量成像方法包括以下步骤：

S1：将车载环境下的成像过程中受到光学成像系统的高斯模糊和相对运动引起的运动模糊引起的车载图像的退化过程表示为：

其中，f(x,y)是原始清晰的图像，h₁(x,y)为车载环境成像系统固有的点扩散函数，h₂(x,y)为车载环境下的运动点扩散函数，n(x,y)是加性噪声，g(x,y)是退化的图像；

S2：采用“倒谱法”估计出g(x,y)的运动点扩散函数h₂(x,y)，然后利用超拉普拉斯正则化超分辨率算法复原运动模糊图像，得到g₁(x_,y)；

S3：通过“刀口法”测量出车载光学成像系统的点扩散函数h₁(x_,y)，利用改进的L-R算法复原g₁(x_,y)模糊图像，最终恢复出较清晰图像f₁(x_,y)。

在本实施例中，利用CCD得到的车辆道路的一张清晰图像如图2所示，作为讨论上述方法的原始图像f(x,y)。对原始图像f(x,y)与h₁(x,y)卷积，得到g₁(x,y)，表示当没有其它原因情况下，仅有CCD光学系统散焦、像差和衍射引起的图像模糊，得到的结果如图3所示。然后模拟CCD与水平方向成45°方向，以60m/s的速度运动30m，引起图像运动模糊。其运动PSF为h₂(x_,y)。将g₁(x_,y)与h₂(x_,y)卷积，得到新的模糊图像如图4所示。

对该低分辨率图像，采用如下的复原策略：1)采用“倒谱法”估计运动点扩散函数h’₂(x,y)，结果如图5所示。2)利用估计的h’₂(x,y)，采用超拉普拉斯正则化超分辨率算法算法，复原g(x,y)，得到的结果g₁(x,y)如图6所示。3)利用对CCD测量的高斯型点扩散函数h₁(x,y)，采用改进的L-R算法对g₁(x,y)再次解卷，得到的最终复原结果f’(x,y)如图7所示。

比较图7和图4，可以看到，低分辨率图像根本看不清楚是什么物体，但是通过两步复原得到相对清晰的高分辨率图像。对于信噪比为8.18dB的目标图像，经过两步复原信噪比提高到1.42倍。当目标图像信噪比低于8.18dB，高于2.5dB，可通过“中值滤波”进行去噪预处理。因此完整的高质量视频成像方法其流程如下：(1)车在30km/h缓慢运动的情况下，对任意的限速标志成像T；(2)对T利用刀口法得到CCD成像系统的点扩散函数h₁(x,y)；(3)对CCD得到的模糊图像g₀(x,y)，利用中值滤波器预处理得到g(x,y)；(4)利用倒谱法处理g(x_,y)估计运动点扩散函数h₂(x_,y)；(5)利用h₂(x_,y)和快速卷积法处理g(x_,y)，得到g₁(x_,y)；(6)利用h₁(x_,y)和快速L-R算法处理g₁(x_,y)得到最终结果f’(x_,y)；两步复原方法中，第一次解卷积非常重要，两个参数λ＝2000，α＝0.5。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。