基于模糊区域分割的图像去模糊方法与流程

本发明涉及图像处理领域，具体涉及一种基于模糊区域分割的图像去模糊方法。

背景技术：

模糊图像是图像退化导致细节丢失的其中一种类型。造成图像模糊的原因是在成像过程中，由于外部环境条件的限制和成像设备自身的物理局限等众多因素的影响，不可避免地会导致拍摄得到的图像出现模糊。运动模糊图像复原的关键是找到图像的退化模型，并采取逆过程求解原始图像，这个过程就称为模糊图像的去模糊过程。去模糊方法可以分为非盲源图像去卷积方法和图像盲反卷积方法。非盲源图像去卷积方法是假设在模糊核已知的情况下，对模糊图像进行复原；图像盲反卷积方法是假设模糊核未知的情况下，对模糊图像进行复原。

在模糊图像去模糊方法的研究中，人们更经常是直接解决图像非盲源去卷积和盲反卷积问题，即人们直接明确地估计原始图像和模糊核，从而复原图像。模糊图像往往仅仅存在局部模糊，将完整一幅图像进行图像去模糊处理，必然会花费更多的时间，不能做到时间和效率并行。

技术实现要素：

本发明的目的在于提供一种基于模糊区域分割的图像去模糊方法，以解决现有技术对局部模糊的图像进行去模糊处理需要花费很多时间，效率低下的问题。

为了实现上述的目的，采用如下的技术方案。一种基于模糊区域分割的图像去模糊方法，包括以下步骤：

s1为表征特征差异，采用尖峰措施区分模糊区域b和非模糊区域u；

s2利用graph-cut算法将模糊区域b和非模糊区域u分割；

s3对模糊区域b进行原始图像区域l的估计；

s4对模糊区域b进行模糊核k的估计；

s5对模糊区域b进行图像反卷积，得到清晰区域；

s6将清晰区域与非模糊区域u重新融合，得到最后的去模糊结果。

步骤s1中，尖峰措施为采用kurtosis衡量尖峰分布：

式中，k(·)表示kurtosis分布，用来表示尖峰分布情况；a表示输入数据向量；e(·)表示输入数据a的期望值；

对于模糊图像i，定义第一个特征为：

f1＝min(ln(k(ix)+3),ln(k(iy)+3))；

式中，f1即为求得的第一个特征值；ln(·)将特征映射到一个合适的范围中；min(·)运算符在x轴和y轴的值之间选择一个更小的值；k(·)即为kurtosis尖峰分布求得的值；

对于kurtosis，模糊区域b对应更小的值，非模糊区域u对应更大的值，以此将模糊图像i分割成模糊区域b和非模糊区域u。

步骤s3中，模糊区域b表示为模糊核k卷积原始图像区域l后再加噪声η，其数学模型为：

原始图像区域l的能量函数为：

式中，表示使得后面对应公式成立的l的最小值；表示不同方向和顺序的偏导数，ω*∈{ω0,ω1,ω2}是对每一类偏导数的权重，λ是正则项的权重；

式中的第二项是一个正则项，正则项中的和可以通过下面的公式计算得到：

式中，根据经验，能够使得公式达到最优值；

为求解上面的公式，引入新的变量lxi和lyi：

式中，是对相应项求偏导；

则最优化能量函数后，根据parseval定理，由傅里叶变换可以得到原始图像区域l的能量函数的最优解：

式中，f(·)表示快速傅里叶变换；而f^-1(·)和分别表示快速傅里叶变换的逆变换和快速傅里叶变换的共轭取值；λ是正则项的权重；d由以下公式求得：

式中，f(·)和分别表示快速傅里叶变换和快速傅里叶变换的共轭取值；ω0，ω1，ω2分别表示每一项对应的权重。步骤s3中，模糊区域b表示为模糊核k卷积原始图像区域l后再加噪声η，其数学模型为：

原始图像区域l的能量函数为：

式中，表示使得后面对应公式成立的l的最小值；表示不同方向和顺序的偏导数，ω*∈{ω0,ω1,ω2}是对每一类偏导数的权重，λ是正则项的权重；

式中的第二项是一个正则项，正则项中的和可以通过下面的公式计算得到：

式中，根据经验，能够使得公式达到最优值；

为求解上面的公式，引入新的变量lxi和lyi：

式中，是对相应项求偏导；

则最优化能量函数后，根据parseval定理，由傅里叶变换可以得到原始图像区域l的能量函数的最优解：

式中，f(·)表示快速傅里叶变换；而f^-1(·)和分别表示快速傅里叶变换的逆变换和快速傅里叶变换的共轭取值；λ是正则项的权重；d由以下公式求得：

式中，f(·)和分别表示快速傅里叶变换和快速傅里叶变换的共轭取值；ω0，ω1，ω2分别表示每一项对应的权重。

步骤s4中，由原始图像区域l得到模糊核k的能量函数：

式中，表示使得后面对应公式成立的k的最小值；表示x,y方向的偏导数算子；λ是正则项的权重；

由傅里叶变换得到模糊核k的能量函数的最优解为：

式中，表示使得后面对应公式成立的k的最小值；表示x,y方向的偏导数算子；λ是正则项的权重。

步骤s5中，由于自然图像的梯度基本服从“重尾”分布，所以在反卷积过程中，采用l0.5为正则项的超拉普拉斯先验算法进行反卷积。

与现有技术相比，本发明先将一幅模糊图像的模糊区域与非模糊区域进行分割，对于模糊区域进行原始图像区域和模糊核的估计，然后再进行图像反卷积，从而将模糊区域去模糊得到清晰区域，再将清晰区域与之前的非模糊区域相结合，得到模糊图像去模糊的最终结果，有效提高效率和缩短时间。

附图说明

图1为本发明的流程图；

图2为实施例选取的模糊图像；

图3为实施例利用尖峰措施得到的模糊区域和非模糊区域；

图4为实施例利用graph-cut算法得到的分割图像；

图5为实施例模糊区域的模糊核；

图6为实施例模糊图像的去模糊结果。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

本发明的流程如图1所示，包括以下步骤：

s1为表征特征差异，采用尖峰措施区分模糊区域b和非模糊区域u；

s2利用graph-cut算法将模糊区域b和非模糊区域u分割；

s3对模糊区域b进行原始图像区域l的估计；

s4对模糊区域b进行模糊核k的估计；

s5对模糊区域b进行图像反卷积，得到清晰区域；

s6将清晰区域与非模糊区域u重新融合，得到最后的去模糊结果。

实施例采用本发明对图2进行去模糊处理。

(1)自然图像服从重尾分布。一般而言，模糊区域一般不包含尖锐边缘，则其分布一般包含较小的值。因此，为表征特征差异，采用尖峰措施来区分模糊区域b和非模糊区域u。采用kurtosis来衡量尖峰分布：

式中，k(·)表示kurtosis分布，用来表示尖峰分布情况；a表示输入数据向量；e(·)表示输入数据a的期望值；

对于一幅模糊图像i，假设它可以被分为模糊区域和非模糊区域，则定义第一个特征为：

f1＝min(ln(k(ix)+3),ln(k(iy)+3))；

式中，f1即为求得的第一个特征值；ln(·)将特征映射到一个合适的范围中；min(·)运算符在x轴和y轴的值之间选择一个更小的值；k(·)即为kurtosis尖峰分布求得的值；

在上面的公式中，对于kurtosis而言，模糊区域对应于更小的值，而非模糊区域对应于更大的值。根据此来将模糊图像i分割成模糊区域和非模糊区域。如图3所示，图3中的黑色部分表示非模糊区域，白色区域表示模糊区域。

(2)利用graph-cut算法将模糊区域b和非模糊区域u分割。利用graph-cut算法分割后的非模糊区域u如图4所示。将非模糊区域u保留，将模糊区域b转入到步骤(3)继续处理。

(3)对模糊区域b进行原始图像区域l的估计。模糊区域b可以表示为模糊核k卷积原始图像区域l后再加噪声η，其数学模型为：

为了对模糊区域b去模糊，首先需要先求原始图像区域l。原始图像l的能量函数为：

式中，表示使得后面对应公式成立的l的最小值；表示不同方向和顺序的偏导数，ω*∈{ω0,ω1,ω2}是对每一类偏导数的权重，λ是正则项的权重；

式中的第二项是一个正则项，正则项中的和可以通过下面的公式计算得到：

式中，根据经验，能够使得公式达到最优值；

为了更好的求解上面的公式，引入新的变量lxi和lyi：

式中，是对相应项求偏导；

则最优化能量函数后，根据parseval定理，由傅里叶变换可以得到l的最优解：

式中，f(·)表示快速傅里叶变换；而f^-1(·)和分别表示快速傅里叶变换的逆变换和快速傅里叶变换的共轭取值；λ是正则项的权重；d由以下公式求得：

式中，f(·)和分别表示快速傅里叶变换和快速傅里叶变换的共轭取值；ω0，ω1，ω2分别表示每一项对应的权重。

(4)对模糊区域b进行模糊核k的估计。得到l的最优解后，对模糊核k进行估计，其能量函数为：

式中，表示使得后面对应公式成立的k的最小值；表示x,y方向的偏导数算子；λ是正则项的权重；

同样，通过傅里叶变换后，最优化上面的公式，可得

式中，表示使得后面对应公式成立的k的最小值；表示x,y方向的偏导数算子；λ是正则项的权重。图5展示的是两幅不同模糊图像的模糊区域分别得到的模糊核。

(5)对模糊区域b进行图像反卷积。由于自然图像的梯度基本服从“重尾”分布，所以在反卷积过程中，将采用l0.5为正则项的超拉普拉斯先验算法进行反卷积。

(6)将模糊区域b处理后得到的清晰区域与非模糊区域u重新融合，得到最后的去模糊结果。图6展示的是最后的去模糊结果。