基于图像块先验与稀疏范数的盲去模糊方法
【专利摘要】本发明提出一种基于图像块先验与稀疏范数的盲去模糊方法，主要是解决现有技术对图像去模糊质量差的问题，其方案是：输入模糊图像；初始化模糊核、二进制掩模，候选图像；调用金字塔模型，将候选图像根据金字塔层数下采样，对候选图像与模糊核上采样；更新二进制掩模、更新图像块方差、更新图像样例块；固定参数更新模糊核、候选图像，直到金字塔最后一层；设置迭代次数，固定模糊核以及候选图像的范数保持不变，对模糊核添加的l1范数正则，得到新候选图像；固定候选图像不变，对候选图像添加的l1/l2范数正则项，得到新模糊核；直到迭代到最高次数。本发明提升了盲去模糊的效果和鲁棒性，可用于医疗器械、计算机视觉及图像视频处理。
【专利说明】
基于图像块先验与稀疏范数的盲去模糊方法
技术领域
[0001] 本发明属于图像处理技术领域，特别设及一种图像盲去模糊方法，可用于航空航 天、医疗器械、计算机视觉W及图像视频处理。
【背景技术】
[0002] 随着个人智能设备的广泛推广使用，人手一台照相机已然成为事实。在运个智能 化的时代，人们无时无刻不在与图片打交道，小到生活中自己拍摄的生活图片，大到神舟屯 号伴飞小卫星对神州屯号的长达20分钟的拍照。运其中都会设及到图像去模糊的相关知 识，因此研究图像去模糊也就变得有相当重要的有意义。
[0003] 图像在形成，记录，传输的过程中，由于受光学成像系统的相差，成像衍射，成像非 线性，系统噪声多种因素的影响，图像的质量都会有所下降，图像的如上所述的一系列的过 程即为图像的退化。而图像恢复，亦称为图像复原，就是尽最大可能减少或消除图像的质量 的下降，恢复被退化图像的本来面目。
[0004] 初期的图像去模糊问题可W追溯至上世纪探索外太空兴起时期，由于受到极端恶 劣天气或者大气端流等因素影响，会造成图像质量的下降。运种图像质量的下降对于科学 研究有非常大的影响。因此，图像去模糊的研究是非常有必要且又富有挑战性的研究内容。 再比如在视频监控方面，监控视频的获得是不可逆的，也就是调阅之前的监控视频发现有 模糊的场景存在时，监控视频是不能重新拍摄的，运时就需要进行图像去模糊才能获取更 多的信息。此外，图像去模糊还在其他许多方面都有很重要的应用，比如材料科学图像处 理，公安、历史、人文照片图像复原，扫描文档处理，星载，机载等航空侦察系统等方面。从单 幅模糊图像中恢复出一幅清晰的图像早已成为一个日益基础且重要的研究问题。
[0005] 图像去模糊是与图像退化完全相反的过程，根据退化的成因是否已知，可W将图 像去模糊任务分为图像非盲去模糊和图像盲去模糊两种。图像的非盲去模糊即是知道图像 的退化原因，从而从一幅模糊图像中恢复出一幅清晰图像，通常需要注意的问题是减少可 能存在的振铃效应和不可抑制的噪声。而图像盲去模糊则是在并不知道退化原因的情况 下，从一幅模糊图像中恢复出一幅清晰的图像。图像的盲去模糊面临的问题更多，因为图像 的退化原因 W及清晰图像都是未知的。因此，对于图像去模糊问题的研究是非常有意义而 且是非常有必要的。
[0006] 图像模糊在日常生活中十分常见，对于模糊核已知的去模糊过程，称之为非盲去 模糊;对于模糊核未知的去模糊过程，称之为盲去模糊。对整幅图像的每个像素都通过相同 模糊方式进行模糊，称之为均匀模糊;反之在图像的不同区域，模糊的方式各不相同，称之 为非均匀模糊。非均匀模糊更贴近于现实生活中的模糊现象。
[0007] 对于均匀盲去模糊的求解过程，目标就是从模糊图像中恢复清晰图像和模糊核。 显然运是一个病态问题，即有多组候选解。为了克服盲去模糊过程中的病态问题，早期的去 模糊理论提出了参数化模糊核的方法，认为模糊核的形状为线性核，只有长度和角度两个 变量，虽然该方法解决了一部分去模糊的问题，但是现实生活中的模糊成因相对比较复杂， 所W存在相当大的应用局限性。之后有些前辈的工作中对模糊图像添加假设或者先验知 识。例如，通常假设它是稀疏的并且是连续的，通常假设图像的梯度信息服从重尾分布。在 此之后，一些新的理论方法取得了更好的效果，可W估计出更可靠的模糊核、图像质量更高 的候选图像W及更好的鲁棒性。而后在商业软件上也出现了很好的应用，例如Photoshop系 列软件提供的防抖功能。
[0008] 目前，盲去模糊方法进入了一个发展的黄金期，主要有=种方法：
[0009] 第一种为基于最大后验概率的方法，该类方法寻求最有可能的解决方案，最大限 度地提高模糊核k和候选图像X的联合后验概率分布。该类方法简单易懂，缺点是有时可能 会收敛到我们并不希望的解；
[0010] 第二种为基于变分贝叶斯的方法，该类方法是在基于最大后验概率的基础上发展 出来的，由于其考虑所有可能的解，因而比基于最大后验概率的算法鲁棒性更好，但缺点是 速度较慢；
[0011] 第=种是基于边缘预测的方法，该类方法认为模糊核k可W从一小部分图像边缘 中估计出来，并使用启发式图像滤波器来恢复锐利的边缘，该类方法在模糊核k估计阶段速 度非常快，并且在实验中证明是有效的，但是因为加入了启发式滤波的步骤，所W理论分析 特别困难。
【发明内容】
[0012] 本发明针对上述方法中的不足，提出一种基于图像块先验与稀疏范数的盲去模糊 方法W提升盲去模糊的适应性、可靠性和鲁棒性。
[0013] 本发明的技术关键是:在金字塔模型的最后一层中，添加一项基于当下效果最好 的稀疏范数正则项，使得迭代过程中，估计模糊核的阶段指向正确的方向，从而得到更加逼 近真实场景的模糊核，其实现步骤包括如下：
[0014] (1)输入模糊图像y，将模糊图像y设为候选图像；
[0015] (2)取大小为3 X 3的高斯模糊核作为初始化模糊核，用ki表示；
[0016] (3)取全为0的与图像大小相同的二进制掩模作为初始掩模，用Mi表示，对外部样 例块数据集为BSD500标准数据集进行学习，得到本发明的初始化外部图像样例块；
[0017] (4)对模糊图像y进行初始化，得到初始候选图像/
[001引
<1〉
[0019] 其中，K代表模糊核ki的矩阵形式，y代表输入的模糊图像，/代表本次迭代想要得 到的清晰候选图像，D*是不同方向上偏微分的矩阵形式，W*是运些不同方向偏微分所对应的 标量权重，Dh和Dv分别为水平和垂直方向上的一阶偏导数的矩阵形式，X是和候选图像大小 相同的未知矩阵，表示目标函数为最小值时的X的返回值.
[0020] (5)调用高斯金字塔模型，根据初始化时设定的模糊核ki的大小，计算金字塔总层 数N，初始金字塔层数标签t = 1;
[0021] (6)将候选图像/根据金字塔层数进行下采样，得到金子塔层第1层的候选图像xi;
[0022] (7)将候选图像xt和模糊核kt根据金子塔层数进行上采样；
[0023] (8)判断金字塔标签t是否为N，如果是，保存N层的候选图像/和模糊核kW执行骤 (9)，否则执行步骤(14);
[0024] (9)设置局部迭代最高次数为200,迭代次数标签j = l，将(8)中求得的候选图像/ 用打表示，作为新的候选图像，将模糊核1^*用1(^表示，作为新的模糊核；
[0025] (^巧十算当前候选图像乂^^的^范数；
[0026] (11)保持模糊核ki^及候选图像r的b范数|阳||2保持不变，采胆l/l2范数的稀 疏正则对图像迭代方向加 W限制，根据迭代收缩阔值算法优化公式计算新候选图像X^.
[0027]
, <2>
[00%]其中，护为为j次迭代的模糊核，X为与候选图像大小相同的未知矩阵，y为输入的 模糊图像，@为二维卷积运算符，式中的第一项为数据保真项，第二项是对X添加的h/l2范 数正则项，最后一项是对模糊核护添加的h范数正则，标量权重a和e用来表示控制模糊核KJ 和图像正则项的相对强度，argmin表示目标函数为最小值时的X的值；
[0029] (12)保持候选图像不变，根据下式计算新的模糊核KJ+1;
[0030]
， "3>
[0031] 其中，y为输入的模糊图像，@为二维卷积运算符，k为与模糊核大小相同的未知矩 阵，arg min表示目标函数为最小值时的k的值，第一项为数据保真项，第二项是对候选图像 軒1添加的h/l2范数正则项，标量权重a表示控制模糊核的相对强度，将模糊核求解问题转 化为优化问题，采用双共辆梯度解法求解方法，返回函数最小化时的k值，作为新的模糊核 心"；
[0032] (13)迭代次数标签j加1，重新赋值给j，作为新的迭代次数标签，判断新的迭代次 数标签是否为200,如果是，输出候选图像及模糊核K2?，否则，返回步骤(10);
[0033] (14)更新二进制掩模r+i:在所有图像块中，计算八个方向的梯度信息，选取边缘 信息较强的前2%的图像块，将运些图像块与掩模r相对的位置置1，其余位置置0,作为新 的二进制掩模;
[0034] (15)保持二进制掩模M"i、外部图像样例块向量SiW及候选图像Xt不变，更新图像 块的方差nS
[0035] (16)保持其他参数不变，在二进制掩模r+i置1的所有位置，设学习到的图像块为 pi = rfSi+iii，rii为图像块i的方差，Si为外部图像样例块的向量形式，为图像块i的灰度的 均值，在外部图像样例块集中找到与候选图像块地x-pi)Ali最相似的样例块SS得到新的 图像样例块SI;
[0036] (17)保持其他参数不变，计算得到新的候选图像
[0037] (18)保持其化参数不巧，利用如下公式求解模糊核kW
[0038]
<4》
[0039] 其中S*代表对应D*的偏导数;y代表输入的模糊图像，W*是运些不同方向偏微分所 对应的标量权重，kt表示t金字塔层的模糊核，是t+1金字塔层的候选图像，设置不在掩 模M"i中的梯度信息零；
[0040] (19)金字塔层数标签t加 I，重新赋值给t，作为新的金字塔层数标签，返回步骤 (7);
[0041 ]本发明与现有技术相比具有如下优点：
[0042] 第一，模糊核估计准确
[0043] 本发明在原有的基于外部图像块先验方法的基础上，在估计模糊核的金字塔模型 的最后一层中添加一项模糊核的h/l2稀疏范数正则项，使得迭代过程中，估计模糊核的阶 段指向正确的方向，从而能得到更加逼近真实场景的模糊核，提高了模糊核估计的准确性。
[0044] 第二，自适应性强
[0045] 现有的一些图像去模糊的技术，对参数设置要求比较高，参数选择不当时极易出 现图像模糊和过拟合的现象，本发明添加 h/l2稀疏范数正则项，不需要过多设置参数，从而 使估计模糊核的过程具有较强的自适应性。
【附图说明】
[0046] 图1是本发明的实现流程图；
[0047] 图2是第一组模糊核估计实验过程图；
[004引图3是第一组实验结果局部放大对比图；
[0049] 图4是第二组模糊核估计实验过程图；
[0050] 图5是第二组实验结果局部放大对比图；
[0051] 图6是第=组模糊核估计实验过程图；
[0052] 图7是第=组实验结果局部放大对比图；
[0053] 图8是第四组模糊核估计实验过程图；
[0054] 图9是第四组实验结果局部放大对比图。
[0055] 具体实施方法
[0056] W下参照附图对本发明的技术方案和效果作进一步详细描述。
[0057] 参照图1，本发明的实现步骤如下：
[0058] 步骤1:输入模糊图像y，并将模糊图像y设为候选图像。
[0059] 本实例选取4张各不相同的自然图像，如附图2(a)、4(a)、6(a)、8(a)所示，其名字 分别为：b;rige、Boats ,Beverage W及tower,他们的图像尺寸大小分别为：Boats和tower为 256 X 256，图像brige的大小为419 X 566，图像Beverage的大小为520 X 395;其中图像Boats 为灰度图像，tower、b;rige W及Beverage为彩色RGB图像。对其进行人工模糊混合处理，得到 如附图2化）、4化）、6化）、8化)所示模糊图像7。
[0060] 步骤2:初始化模糊核
[0061 ]用matlab的f special函数生成一个大小为3 X 3的高斯模糊核作为初始最外层模 糊核，用4*^表示；
[0062] 步骤3:初始化二进制掩模，初始化外部图像样例块。
[0063] 取一个大小与图像矩阵相同、数值全为1的矩阵作为初始化二进制掩模，用Mi表 示；
[0064] 对外部样例块数据集BSD500标准数据集进行如下学习：
[0065] 首先，对该数据集中所有500张图的每一个维度W采样比例为1:2向下下采样，W 初始二进制掩模Ml为中屯、，从500张图像中提取大小为5 X 5的220K个图像块；
[0066] 然后，对运些图像块进行归一化处理，最后设置聚类数目为2560,使用K均值算法 对220K图像块进行聚类，形成2560个聚类簇，提取运2560个聚类簇的聚类中屯、作为需要的 外部图像样例块。
[0067] 步骤4:对输入模糊图像y进行如下式处理，得到初始化候选图像/
[006引
。〉
[0069] 其中，K代表模糊核ki的矩阵形式，y代表输入的模糊图像，/代表本次迭代想要得 到的清晰候选图像，D*是不同方向上偏微分的矩阵形式，W*是运些不同方向偏微分所对应的 标量权重，Dh和Dv分别为水平和垂直方向上的一阶偏导数的矩阵形式，X是和候选图像大小 相同的未知矩阵，afg min表示目标函数为最小值时的X的返回值M ? M 2表示矩阵一范数的 平方，E为求和符号。
[0070] 步骤5:调用高斯金字塔模型，计算金字塔总层数N:
[0071]
[0072] 其中，N为金子塔总层数，[」为向下取整操作，log表示W2为底的对数操作，b是根 据模糊核大小确定的用户参数，初始金字塔层数标签t = 1。
[0073] 步骤6:对初始化候选图像/用MATLAB的pyrDown函数进行下采样，将下采样结果 作为金子塔层第1层的候选图像xi。
[0074] 步骤7:对金子塔第t层的候选图像X*用MATLAB的pyrDown函数进行上采样，并将上 采样结果重新赋值给Xt。
[0075] 对金子塔第t层的模糊核用MATLAB的pyrDown函数kt进行上采样，并将上采样结果 重新赋值给kt。
[0076] 步骤8:判断金字塔标签t是否为金字塔层数N，如果是，保存金字塔第N层的候选图 像/和模糊核kw执行骤9，否则执行步骤14;
[0077] 步骤9:设置局部迭代最高次数为200,迭代次数标签j = l，将(8)中求得的候选图 像/用r表示，作为新的候选图像，模糊核kW用护表示，作为新的模糊核。
[007引步骤10:计算第j次迭代的候选图像护的b范数|阳||2;
[0079] 步骤11:保持模糊核及候选图像r的b范数||、| U保持不变，采用的h/l2范 数的稀疏正则对图像迭代方向加 W限制，根据迭代收缩阔值算法优化公式计算新候选图像 公"；
[0080]
傲
[0081 ] 其中取为模糊核，X为与候选阁像大小相问的禾知矩阵，y为输入的模糊图像，錢为 二维卷积运算符。式中的第一项为数据保真项，第二项是对X添加的h/l2范数正则项，最后 一项是对模糊核护添加的h范数正则，Ct和e为标量权重，用来表示控制模糊核护和图像正则 项的相对强度，argmin表示目标函数为最小值时的X的值，I I ? I Ii表示矩阵一范数，I I ? h 表示矩阵二范数，Il表示矩阵二范数的平方；
[0082] 步骤12:保持候选图像不变，根据下式计算得到第j次迭代的模糊核K^;
[0083]
<3、
[0084] 其中，为候选阁像，y为输入的模糊阁像，@为二维卷积运算符，k为与模糊核大 小相同的未知矩阵，arg min表示目标函数为最小值时的k的值;第一项为数据保真项，第二 项是对候选图像添加的范数正则项，标量权重a表示控制模糊核的相对强度，I I ? 1表示矩阵一范数，I I ? I h表示矩阵二范数，Il表示矩阵二范数的平方，将模糊核求解问题 转化为优化问题，采用双共辆梯度解法求解方法，返回函数最小化时的k值，作为新的模糊 娩
[0085] 步骤13:迭代次数标签j加1，重新赋值给j，作为新的迭代次数标签，判断新的迭代 次数标签是否为200，如果是，则输出候选图像及模糊核K2?，作为本实例的最终结果， 如附图2((3)、4((3)、6((3)、8((3)所示，否则，返回步骤10。
[0086] 步骤14:更新二进制掩模M"i。
[0087] 在所有图像块中，计算八个方向的梯度信息，选取边缘信息较强的前2%的图像 块，将运些图像块与掩模Mt相对的位置置1，其余位置置0，作为新的二进制掩模。
[0088] 步骤15:保持二进制掩模Mt+i、外部图像样例块向量SiW及候选图像X*不变，用二进 制矩阵提取算子化提取候选图像X中位置i处大小为5X5个像素的图像块，并更新图像块的 方差ni;
[0089] (15a)令Vi = Qixt-pi，计算权重系数 O i:
[0090]
巧>
[0091] 其中，Qi是二进制矩阵提取算子，e为提前设定的灰度阔值，pi = riiSi+iii，Si为位置i 处对应的外部图像样例块的向量形式，rf为原图像块的方差值，为图像块i的灰度，Xt是金 字塔第t层的候选图像，vf是中间变量Vi的矩阵转置；
[0092] (15b)利用如下公式计算得到新的图像块的方差巧
[0093]
巧》
[0094] 其中，M"堪二进制掩模，…为权重系数，峽J正则化图像强度，Si为位置i处对应的 夕F部图像样例块的向量形式，Si嗦示Si的矩阵转置，Qi是二进制矩阵提取算子，为图像块i 的灰度值，I ? I表示对矩阵的行列式计算，e为正则化图像强度，Xt是金字塔第t层的候选图 像，F是当前候选图像方差的经验累积分布，rf为原图像块的方差值，Fref是外部图像样例 块的局部对比参考累计分布。
[0095] 步骤16:保持其他参数不变，在二进制掩模置1的所有位置，设学习到的图像块 为pi = rf SHyi, If为图像块i的方差，Si为外部图像样例块的向量形式，为图像块i的灰度 的均值，在外部图像样例块集中找到与候选图像块地x-pi)Ali最相似的样例块SS得到新 的图像样例块SI;
[0097]
[0096] 步骤17:保持其他参数不变，计算得到金子塔层第t+1层的候选图像xt+i:
[009引
[0099] V柳 J
[0100] 式中，xt+1为t+1金字塔层的候选图像，Fi代表傅里叶反变换，0为正则化图像强度， 是二进制掩模，I ? I表示对矩阵的行列式计算，e为设定的灰度阔值，Vi =化是金 字塔第t层的候选图像，Qi是一个二进制矩阵提取算子，QiT表示二进制矩阵提取算子的矩阵 转置，rf为位置i处图像块的方差，为图像块的灰度均值，Si为位置i处对应的外部图像样 例块的向量形式;在中间变量B中，F代表求复共辆运算，S*代表对应微分矩阵的偏导数O 为元素级乘法运算符，kt是金字塔t层的模糊核，y为初始输入的模糊图像。
[0101] 步骤18:保持其他参数不变，利用如下公式求解第t+1金字塔层的模糊核kW
[0102]
〈4〉
[0103] 其中S*代表对应D*的偏导数，y代表输入的模糊图像，CO*是运些不同方向偏微分所 对应的标量权重，kt表示金字塔第t层的模糊核，是金字塔第t+1层所得的候选图像，设 置不在掩模中的梯度信息为零，0表示控制模糊核kt正则项的相对强度，E为求和 符号，11 ? M表示矩阵一范数，11 ? I h表示矩阵二范数，Il表示矩阵二范数的平方。
[0104] 步骤19:给金字塔层数标签巧日1，重新赋值给t，作为新的金字塔层数标签，返回步 骤7。
[0105] 本发明的效果可W通过W下实验来进一步说明：
[0106] 1、仿真条件：
[0107] 本发明的软件环境为Windows 7旗舰版64位系统，MATLAB 2014a。硬件环境为 Intel Core2Duo 3.2GHz的CPU,并且内存为孤R34GB的环境下运行。
[010引2.仿真内容：
[0109] 仿真1，从已有的非线性模糊核数据集中选取19X19的非线性模糊核对清晰图像 图进行模糊混合处理，得到合成的模糊图像图，对合成的模糊图像图进行盲去模糊处理，得 到去模糊后的图像和估计出的模糊核图，如图2所示。其中
[0110] 图2(a)为brige的原始清晰图像，图像右下角为合成模糊所用的模糊核；
[0111] 图2(b)为合成的模糊图像；
[0112] 图2(c)为去模糊后的图像，图像的右下角为估计出的模糊核；
[0113] 将图2(b)所示的模糊图像与图2(c)去模糊后图像的细节对比，结果如图3。从图3 可见，本发明估计出来的模糊核逼近于真实的模糊核，去模糊后图像接近清晰图像。
[0114] 仿真2,从已有的非线性模糊核数据集中选取17X17的非线性模糊核对清晰图像 图进行模糊混合处理，得到合成的模糊图像图，对合成的模糊图像图进行盲去模糊处理，得 到去模糊后的图像和估计出的模糊核图，如图4所示。其中
[0115] 图4(a)为boats的原始清晰图像，图像右下角为合成模糊所用的模糊核；
[0116] 图4(b)为合成的模糊图像；
[0117] 图4(c)为去模糊后的图像，图像的右下角为估计出的模糊核；
[0118] 将图4(b)所示的模糊图像与图4(c)去模糊后图像的细节对比，结果如图5。从图5 可见，在本发明在该组图中去模糊后图像清晰，估计出来的模糊核几乎与真实的模糊核相 同。
[0119] 仿真3,从已有的非线性模糊核数据集中选取15X15的非线性模糊核对清晰图像 图进行模糊混合处理，得到合成的模糊图像图，对合成的模糊图像图进行盲去模糊处理，得 到去模糊后的图像和估计出的模糊核图，如图6所示。其中
[0120] 图6(a)为Beverage的原始清晰图像，图像右下角为合成模糊所用的模糊核；
[0121] 图6(b)为合成的模糊图像；
[0122] 图6(c)为去模糊后的图像，图像的右下角为估计出的模糊核；
[0123] 将图6(b)所示的模糊图像与图6(c)去模糊后图像的细节对比，结果如图7。从图7 可见，本发明去模糊后图像清晰，估计出来的模糊核几乎与真实的模糊核相同。
[0124] 仿真4,从已有的非线性模糊核数据集中选取13X13的非线性模糊核对清晰图像 图进行模糊混合处理，得到合成的模糊图像图，对合成的模糊图像图进行盲去模糊处理，得 到去模糊后的图像和估计出的模糊核图，如图8所示。其中
[0125] 图8(a)为Beverage的原始清晰图像，图像右下角为合成模糊所用的模糊核；
[0126] 图8(b)为合成的模糊图像；
[0127] 图8(c)为去模糊后的图像，图像的右下角为估计出的模糊核；
[0128] 将图8(b)所示的模糊图像与图8(c)去模糊后图像的细节对比，结果如图9。从图9 可见，本发明去模糊后图像清晰，估计出来的模糊核几乎与真实的模糊核相同。
[01巧]3、实验结果分析：
[0130]综合四组实验结果可W看出，本发明去模糊后图像清晰，估计出的模糊核逼近于 真实模糊的模糊核，并且一定程度上克服了模糊核中存在类似噪声的现象，体现了本发明 对模糊核的估计具有很好的准确性。四组实验的模糊核估计结果表现稳定，体现了本发明 具有很好的适应性和稳定性。
【主权项】
1. 一种基于图像块先验与稀疏范数的盲去模糊方法，包括： (1) 输入模糊图像y，将模糊图像y设为候选图像； (2) 取大小为3 X 3的高斯模糊核作为初始化模糊核，用k1表示； (3) 取全为0的与图像大小相同的二进制掩模作为初始掩模，用M1表示，对外部样例块数 据集为BSD500标准数据集进行学习，得到本发明的初始化外部图像样例块； (4) 对模糊图像V讲行初始化，得到初始候诜图像/ ^ Ik其中，k1代表模糊核k1的矩阵形式，y代表输入的模糊图像，/代表本次迭代想要得到的 清晰候选图像，D*是不同方向上偏微分的矩阵形式，w*是这些不同方向偏微分所对应的标量 权重，Dh和D v分别为水平和垂直方向上的一阶偏导数的矩阵形式，X是和候选图像大小相同 的未知矩阵，min表示目标函数为最小值时的X的返回值； (5) 调用高斯金字塔模型，根据初始化时设定的模糊核k1的大小，计算金字塔总层数N， 初始金字塔层数标签t = 1; (6) 将候选图像/根据金字塔层数进行下采样，得到金子塔层第1层的候选图像X1; (7) 将候选图像一和模糊核0根据金子塔层数进行上采样； (8) 判断金字塔标签t是否为N，如果是，保存N层的候选图像/和模糊核0执行骤(9)，否 则执行步骤(14); (9) 设置局部迭代最高次数为200,迭代次数标签j = l，将(8)中求得的候选图像/用)^ 表示，作为新的候选图像，将模糊核表示，作为新的模糊核； (10) 计算当前候选图像X响h范数； (11) 保持模糊核k1以及候选图像P的12范数| |h| |2保持不变，采用h/12范数的稀疏正 则对图像迭代方向加以限制，根据迭代收缩阈值算法优化公式计算新候选图像P+ 1;II 112 其中，p为为j次迭代的模糊核，X为与候选图像大小相同的未知矩阵，y为输入的模糊图 像，?为二维卷积运算符，式中的第一项为数据保真项，第二项是对X添加的h/12范数正则 项，最后一项是对模糊核1^添加的1:范数正则，标量权重α和β用来表示控制模糊核K j和图像 正则项的相对强度，argmin表示目标函数为最小值时的X的值； (12) 保持候选图像P+1不变，根据下式计算新的模糊核P+1;'L 其中，y为输入的模糊图像，?为二维卷积运算符，k为与模糊核大小相同的未知矩阵， arg min表示目标函数为最小值时的k的值，第一项为数据保真项，第二项是对候选图像P+1 添加的Wl2范数正则项，标量权重α表示控制模糊核的相对强度，将模糊核求解问题转化为 优化问题，采用双共辄梯度解法求解方法，返回函数最小化时的k值，作为新的模糊核Ρ+ 1; (13) 迭代次数标签j加1，重新赋值给j，作为新的迭代次数标签，判断新的迭代次数标 签是否为200,如果是，输出候选图像X2(x)以及模糊核K2(X)，否则，返回步骤(10); (14) 更新二进制掩模Mt+1:在所有图像块中，计算八个方向的梯度信息，选取边缘信息 较强的前2%的图像块，将这些图像块与掩模Μ相对的位置置1，其余位置置0,作为新的二 进制掩模M t+1; (15) 保持二进制掩模Mt+1、外部图像样例块向量Si以及候选图像f不变，更新图像块的 方差η1; (16) 保持其他参数不变，在二进制掩模Mt+1置1的所有位置，设学习到的图像块为piiri 坨、1，!!1为图像块i的方差，S1为外部图像样例块的向量形式，μ 1为图像块i的灰度的均值， 在外部图像样例块集中找到与候选图像块(Qu-P1)/^ 1最相似的样例块S1，得到新的图像样 例块sS (17) 保持其他参数不变，计算得到新的候选图像xt+1; (18) 保持其他参数不变，利用如下公式求解模糊核kt+1其中δ*代表对应D*的偏导数;y代表输入的模糊图像，w*是这些不同方向偏微分所对应 的标量权重，P表示t金字塔层的模糊核，xt+1是t+Ι金字塔层的候选图像，设置不在掩模Mt+1 中的梯度信息为零； (19) 金字塔层数标签t加1，重新赋值给t，作为新的金字塔层数标签，返回步骤(7)。2. 根据权利要求1所述的基于图像块先验与稀疏范数的盲去模糊方法，其中步骤（15) 中计算得到新图像块的方差以·按如下步骤进行： (15a)令vkQixt-p1，计算权重系数ω i:其中，Qi是二进制矩阵提取算子，ε为提前设定的灰度阈值，为位置i处对 应的外部图像样例块的向量形式，η1为原图像块的方差值，V为图像块i的灰度值； (15b)利用如下公式计算得到新的图像块的方差τμ1:其中，Mt+1是二进制掩模，rf为原图像块的方差值，(^是二进制矩阵提取算子，S1为位置i 处对应的外部图像样例块的向量形式，μ1为图像块i的灰度值，β为正则化图像强度，Xt是金 字塔第t层的候选图像，F是当前候选图像方差η 1的经验累积分布，Fref是外部图像样例块的 局部对比参考累计分布。3. 根据权利要求1所述的基于图像块先验与稀疏范数的盲去模糊方法，其中步骤（17) 计算新的候选图像xt+1，通过如下公式进行：V ^/ 其中，xt+1为t+1金字塔层的候选图像，F1代表傅里叶反变换，β为正则化图像强度，M t+1 是二进制掩模，ε为设定的灰度阈值，是金字塔第t层的候选图像，(^是一个二 进制矩阵提取算子，QJ表示二进制矩阵提取算子的矩阵转置，η 1为位置i处图像块的方差， 以:为图像块的灰度均值，S1为位置i处对应的外部图像样例块的向量形式;在中间变量B中， F代表求复共辄运算，S*代表对应微分矩阵的偏导数，〇为元素级乘法运算符，0是金字塔t 层的模糊核，y为初始输入的模糊图像。
【文档编号】G06T5/00GK105957024SQ201610248012
【公开日】2016年9月21日
【申请日】2016年4月20日
【发明人】李阳阳, 梁晓旭, 王哲, 焦李成, 刘芳, 尚荣华, 马晶晶, 刘若辰
【申请人】西安电子科技大学