本发明涉及图像复原领域，尤其涉及一种面向高速直线运动对象的模糊图像盲复原方法。
背景技术：
数字图像复原是数字图像处理的重要组成部分，在航空航天技术、生物医学工程、军事公安、计算机视觉等许多方面有广泛应用。图像复原的一个重要课题是运动模糊图像复原，在图像拍摄过程中，由于景物与成像系统的相对运动会导致图像模糊，而匀速直线运动作为图像运动模糊的一种典型情况，得到了广泛的研究。基于模糊核是否已知，图像复原算法通常可以分为盲复原与非盲复原两类，其中非盲图像复原算法是在确切知道模糊核的前提下，进行模糊图像的复原。然而，在实际情况中，模糊核一般未知，这时须对模糊图像进行盲复原。
在线缺陷检测利用视觉手段，以计算机算法为核心，高效率高精度地代替人眼识别检测生产线被检对象是否存在缺陷。然而在工作过程中，视觉成像操作必须在被检对象处于静止状态完成，一定程度上限制了工作效率。若能估算出成像过程中被检对象随生产线高速直线运动的模糊核，将直接拍摄得到的模糊图像复原为清晰图像，便能实现动态的在线缺陷检测，进一步提高效率。
据述，为实现面向高速直线运动对象的模糊图像盲复原，模糊核估算精度至关重要。其估计算法可分为：傅里叶频域处理法、倒谱域处理法、空域处理法。专利cn103544681a通过局部模糊核和相机全局运动参数的对应关系，实现运动模糊图像复原。专利201310362933.0引入l0范数的相机抖动模糊核稀疏先验，利用迭代重新加权最小二乘法实现模糊核的快速估计。专利cn103761710a对梯度域清晰图像及模糊核交替求解，得到模糊图像的初始模糊核，再更新去均值正则模型中的均值和加权系数并重新求解。专利201310283054.9将图像多尺度自相似特性作为先验信息引入图像复原问题中，将上一尺度估计的清晰图像作为下一尺度的先验约束，进行图像复原。专利cn10280054a利用经典的去模糊算法，求出两个基本模糊核，再对其线性组合加权得到模糊核字典，通过引入稀疏度量，找到更精确的模糊核。专利201310033631.9利用图像局部结构方向导数对模糊核进行多尺度迭代估计。
由于在线缺陷检测中为提高检测效率，被检对象随生产线高速直线运动，其使得模糊核模糊长度较大。动态成像时易混入噪声干扰，加大模糊核参数估算难度。模糊核估算方法可分为参数法和迭代法，其中迭代法对初始值敏感，有时甚至不能收敛得到良好的解。大多参数法将模糊角度估算出来后，旋转图像将模糊方向置于水平，但该过程易增添冗余数据，损伤有效数据，影响最后估算结果。故综上，利用单幅面向高速直线运动对象的模糊图像模糊核信息，面向高速直线运动对象与实际工程应用，提出一种简单、快捷、噪声鲁棒的盲复原方法是有必要的。
技术实现要素：
为解决上述技术问题，本发明的目的是提供一种面向高速直线运动对象的模糊图像盲复原方法。该方法考虑在线缺陷检测动态成像过程中，对象高速直线运动产生的严重模糊以及较强噪声，实现了盲图像复原中的模糊核准确估计及模糊图像的有效复原。且估算过程不增添冗余数据，也不损伤有效数据。成功将面向高速直线运动对象的模糊图像盲复原方法应用到实际工程中。
本发明的目的通过以下的技术方案来实现：
一种面向高速直线运动对象的模糊图像盲复原方法，该方法包括：
a对单幅面向高速直线运动对象的模糊图像进行傅里叶变换，求得频谱图，对频谱图进行边缘检测后再进行radon变换，找出积分极大值对应的角度，所述角度为模糊角度α；
b对单幅面向高速直线运动对象的模糊图像进行边缘强化预处理，计算基于幅值的自相关函数矩阵，作出所述基于幅值的自相关函数矩阵的曲线簇，找出除中心邻域外所述曲线簇的一对共轭低谷；
c用所述共轭低谷距离的一半除以所述模糊角度α的正弦值，得到模糊长度l；
d对所述面向高速直线运动对象的模糊图像、模糊角度α及模糊长度l，执行lucy-richards逆卷积操作，所述lucy-richards逆卷积操作的结果即为复原图像。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
考虑在线缺陷检测动态成像过程中，对象高速直线运动产生的严重模糊以及较强噪声，实现了盲图像复原中的模糊核准确估计及模糊图像的有效复原。整个操作没有清晰图像供参考，且估算过程不增添冗余数据，也不损伤有效数据。成功将面向高速直线运动对象的模糊图像盲复原方法应用到实际工程中。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1是所述一种面向高速直线运动对象的模糊图像盲复原方法流程图。
图2是所述曲线簇的所述共轭低谷示意图。
图3是所述模糊长度在所述模糊角度上的投影示意图。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明的实质精神下，本领域的一般技术人员可以提出本发明的多个结构方式和制作方法。因此以下具体实施方式以及附图仅是本发明的技术方案的具体说明，而不应当视为本发明的全部或者视为本发明技术方案的限定或限制。
下面结合实施例及附图对本发明作进一步详细的描述。
图1是所述一种面向高速直线运动对象的模糊图像盲复原方法流程图，该方法包括：
步骤1、对单幅面向高速直线运动对象的模糊图像进行傅里叶变换，求得频谱图，对频谱图进行边缘检测后再进行radon变换，找出积分极大值对应的角度，所述角度为模糊角度α。其中：
频谱图是指对单幅面向高速直线运动对象的模糊图像进行傅里叶变换的结果；
所述边缘检测所用算子可选用canny算子，阈值可设为0.5；
radon变换对象为所述边缘检测结果，radon变换是指对所述边缘检测结果的每个角度计算一个线积分；
积分最大值为所述radon变换中所述边缘检测结果在各个角度线积分中的最大值；
所述模糊角度α指所述积分极大值对应的角度。
步骤2、对单幅面向高速直线运动对象的模糊图像进行边缘强化预处理，计算基于幅值的自相关函数矩阵，作出所述基于幅值的自相关函数矩阵的曲线簇，找出除中心邻域外所述曲线簇的一对共轭低谷。其中：
边缘强化预处理是指将所述面向高速直线运动对象的模糊图像与一阶微分边缘检测算子作卷积运算；
一阶微分边缘检测算子可选用sobel算子；
基于幅值的自相关函数矩阵是指对所述边缘强化预处理结果的傅里叶变换幅值执行傅里叶逆变换后的矩阵；
曲线簇是指将所述基于幅值的自相关函数矩阵每列元素值作为因变量，基于幅值的自相关函数矩阵行数作为自变量画出的曲线簇φafm(x,y)；
曲线簇中心邻域是指以所述曲线簇定义域中心为中心，一定长度为半径的邻域；所述曲线簇中心邻域的半径一般不超过5个像素点，所述曲线簇中心邻域的半径与所述面向高速直线运动对象的模糊图像尺寸有关；
如图2所示，曲线簇在所述曲线簇中心邻域外存在一对共轭低谷v1(x1,φafm(x1,y1))、v2(x2,φafm(x2,y2))；所述共轭低谷对应于所述基于幅值的自相关函数的最小值。
步骤3、用所述共轭低谷距离的一半除以所述模糊角度α的正弦值，得到模糊长度l，如图3所示。
步骤4、对所述面向高速直线运动对象的模糊图像、模糊角度α及模糊长度l，执行lucy-richards逆卷积操作，所述lucy-richards逆卷积操作的结果即为复原图像。其中：
所述lucy-richards逆卷积迭代次数可设为10。
上述方法考虑在线缺陷检测动态成像过程中，对象高速直线运动产生的严重模糊以及较强噪声，实现了盲图像复原中的模糊核准确估计及模糊图像的有效复原。整个操作没有清晰图像供参考，且估算过程不增添冗余数据，也不损伤有效数据。成功将面向高速直线运动对象的模糊图像盲复原方法应用到实际工程中
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。