核大小为pXq，清晰图像大小为(m+p-1) X (η+q-l)，给出大小(m+p-1) X (n+q-1)清晰图像的初始估计值，可以采用扩展有效卷积计算ri = Kmx，大小为m X η。计算
苌用扩展完全卷积方式，首先_对应的卷积核是将Κ中心对称翻转后的结果， 其次根据前面假定清晰图像比模糊图像尺寸大的假设，_的尺寸应该是[(111+?-1)\(11+(1-1)] X [pXq]，也就是说，Αχ的尺寸应该比ri大。
[0064] 当计算fr =_ 步骤与计算獻=的相同，具体不在赘述。
[0065] 在一个优选的实施例中，为了进一步改善图像复原效果，可以模型中加上总变分 最小约束，目标函数变为：
[0066]
(5)
[0067] 式中，λ表示可调节的参数，，表示Xv的梯度，可以采用现有SplitBergman方法 求解上述优化方程，其中
的求解采用步骤3的解法。
[0068] 在一个优选的实施例中，扩展有效卷积的基本思路与通用有效卷积一样，模糊图 像是清晰图像有效数据卷积后的结果。如图4所示，虚线内部是清晰图像的支撑区域，点划 线内部是模糊图像的支撑区域，浅色部分是模糊图像有效区域，白色部分是清晰图像的遮 挡区域，深色部分是清晰图像有效区域(包含被浅色模糊图像遮挡的区域）。给定清晰图像 的遮挡模板M，具体的模糊图像计算公式如下：
[0069]
[0070] 式中，(SVm，Xc和X分别代表遮挡情况下扩展有效卷积，遮挡后的清晰图像和未遮 挡的清晰图像，?代表点乘操作。其中关键在于有效卷积的计算过程中确定有效卷积区域。 在扩展有效卷积中采用如下的方式确定有效卷积区域：
[0071] Mv=Erode(M,K)
[0072] 式中，函数Erode表示对输入的区域进行收缩，采用类似形态学中的图像腐蚀方 法，沿边界向内收缩，扩展有效卷积计算步骤如下：
[0073] 1)输入清晰图像X，遮挡区域M，卷积核K，利用通用有效卷方法积计算
[0074] Yt = conv2(X〇M，K)，conv2为卷积运算；
[0075] 2)计算Mv=Erode(M，K);
[0076] 3)取出Mv中对应通用有效卷积的部分Mw;
[0077] 4)Y=Mvv〇Yt，输出 Y。
[0078] 在一个优选的实施例中，扩展完全卷积是将通用完全卷积做与扩展有效卷积类似 的推理，扩展完全卷积算法如下：
[0079] 1)输入清晰图像X，遮挡区域M，卷积核K，利用通用完全卷方法积计算Yt = c〇nv2(X 〇M，K)，conv2为卷积运算；
[0080] 2)计算Mv = Dilate(M，K)，函数Dilate是将遮挡模板沿边界向外进行扩展操作，类 似于形态学中的图像膨胀；
[0081 ] 3)将Mv外边界向外扩充至大小与Yt相同，扩充后的结果为Mw;
[0082] 4)Y=Mvv〇Yt，输出 Y。
[0083] 下面通过具体实施例对采用本发明的图像去模糊方法对图像遮挡情况进行去除 效果进行验证。实际图像试验采用两类图像，一类是存在清晰图像遮挡情况，另一类是存在 字符遮挡的实际监控视频图像。
[0084] 存在清晰图像遮挡情况在实际拍摄照片时很常见，如图5(a)~(f)所示，遮挡模板 由人工选定，分别米用现有Handling Outliers in Non-Blind Image Deconvolution文献 中提到的方法、R-L方法和本发明的图像去模糊方法分别对原图进行处理，通过处理结果可 以清晰看到，采用本发明的图像去模糊方法对遮挡边界处的振铃处理控制的更好，鲁棒性 更好。
[0085] 在实际的监控视频图像，如图6(a)~(e)所示，在图像中有文字将图像的一部分内 容遮挡，由于监控系统本身的原因，图像整体模糊。在试验过程中，首先通过人工交互的方 式确定模糊核，然后利用得到的模糊核采用现有Handling Outliers in Non-Blind Image Deconvolution文献中提到的方法，R-L复原方法和本文的图像去模糊方法进行复原。从图6 中可以看到，模糊图像上叠加的字符虽然只在车牌号最右边有很小一部分遮挡，但仍然对 复原结果有影响，车牌的最后一位应该是"2"，但是在Handling Outliers in Non-Blind Image Deconvolution文献中及R-L方法的结果中都因为遮挡的影响，最后一位很容易与数 字"7"混淆，本发明在遮挡部位附近的处理比现有Handling Outliers in Non-Blind Image Deconvolution文献处理的结果更自然。
[0086] 上述各实施例仅用于说明本发明，其中方法的各实施步骤等都是可以有所变化 的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护 范围之外。
【主权项】
1. 一种对存在遮挡情况的图像去模糊方法，其特征在于包括W下内容： 1) 根据需要识别的目标，在待处理的图像中确定遮挡模板； 2) 建立描述存在遮挡的模糊图像模型； 3) 对模糊图像模型进行求解得到清晰图像。2. 如权利要求1所述的一种对存在遮挡情况的图像去模糊方法，其特征在于，所述步骤 2)建立描述存在遮挡的模糊图像模型： y = K 而 + W 式中，运Vm表示扩展有效卷积运算，Y表示模糊图像，Xc表示遮挡后的清晰图像，M表示 遮挡区域，K表示卷积核，N表示噪声。3. 如权利要求1或2所述的一种对存在遮挡情况的图像去模糊方法，其特征在于，所述 步骤3)对模糊图像模型进行求解得到清晰图像，具体过程为： 3.1) 将模糊图像模型写成矩阵向量乘积形式： Yv = KmXv+Nv 式中，Y表示模糊图像，X表示未遮挡的清晰图像，N表示噪声，带下标M的表示原变量的 矩阵形式，带下标V的表示原变量的向量形式； 3.2) 采用目标函数最小化噪声项： argminxk,l|VV - K,v; AVI|2 3.3) 使目标函数的导数为零得到： 歸而.锦技砂馬' 3.4) 采用共辆梯度法求解/滿坏=获得清晰图像。4. 如权利要求3所述的一种对存在遮挡情况的图像去模糊方法，其特征在于，所述步骤 3.4 )采用共辆梯度法求解K及吓=获得清晰图像具体为：令4 = /??， &.=端>V，Xv=x，在共辆梯度法中，求解方程Ax = b在于计算Ax,具体过程为： 计算Ax时，设及两次矩阵向量乘积，依次为1);ti = Kmx，2) Axr = /(;r；i，.采用扩展有效卷 积计算ri=KMX，采用扩展完全卷积计算Ac = /(点r'l; 计算&=:/巧具体过程与计算Ax = 相同。5. 如权利要求4所述的一种对存在遮挡情况的图像去模糊方法，其特征在于，扩展有效 卷积计算过程为： a) 输入清晰图像X，遮挡区域M，卷积核K，采用通用有效卷方法积计算： Yt = conv2(X〇M,K), 式中，O代表点乘操作，conv2表示卷积运算； b) 计算Mv =化ode(M，K)，函数化ode表示对输入的区域进行收缩； C)取出Mv中对应通用有效卷积的部分Mvv; c〇Y=Mvv〇Yt，输出 Y。6. 如权利要求4所述的一种对存在遮挡情况的图像去模糊方法，其特征在于，扩展完全 卷积计算过程为： A) 输入清晰图像X，遮挡区域M，卷积核K，利用通用完全卷方法积计算： Yt = conv2(X〇M,K), 式中，O代表点乘操作，conv2表示卷积运算； B) 计算Mv = Dilate(M，K)，函数Dilate是将遮挡模板沿边界向外进行扩展操作； C) 将Mv外边界向外扩充至大小与Yt相同，扩充后的结果为Mvv; D 化=MvvoYt,输出 Y。
【专利摘要】本发明涉及一种对存在遮挡情况的图像去模糊方法，其特征在于包括以下内容：1)根据需要识别的目标，在待处理的图像中确定遮挡模板；2)建立描述存在遮挡的模糊图像模型；3)对模糊图像模型进行求解得到清晰图像。本发明能够有效去除由于遮挡带来的振铃效应，使得复原后的图像的质量得到很大的提高，可以广泛应用于带有遮挡图像的处理中。
【IPC分类】G06T5/00
【公开号】CN105654431
【申请号】
【发明人】黎智辉, 许小京, 张宁, 谢兰迟, 许磊, 郭晶晶, 李志刚
【申请人】公安部物证鉴定中心
【公开日】2016年6月8日
【申请日】2015年12月24日