基于高维空间几何信息学的模糊图像自适应复原方法
【专利摘要】本发明公开了一种基于高维空间几何信息学的模糊图像自适应复原方法，利用混沌粒子群算法的搜索精度高、不易陷入局部极值的特点，选择基于高维空间几何的模糊图像复原算法，描述图像从模糊到清晰对应在高维空间中的分布曲线的最佳参数，有效地实现了模糊图像的复原，无需人工调节参数，更加智能和实用，可有效应用于模糊图像的清晰化处理，具有良好的应用前景。
【专利说明】基于高维空间几何信息学的模糊图像自适应复原方法
【技术领域】
[0001]本发明涉及图像处理【技术领域】，具体涉及一种基于高维空间几何信息学的模糊图像自适应复原方法。
【背景技术】
[0002]图像是人类获取视觉信息的主要途径，清晰的图像在日常生活和科学研究中有着举足轻重的作用，有利于人工判读和机器解译。然而，在图像处理的过程中，包括采集、传输和记录等阶段都会受到诸多因素干扰而造成不同程度的品质下降，如光学系统的像差、大气扰动、运动、散焦、离散采样和系统噪声等，都会造成图像的模糊和变形。由模糊图像复原得到清晰图像尤为重要，其不仅具有重要的理论意义，而且在实际应用中也有迫切需要。
[0003]经典的图像恢复算法，如逆滤波算法，维纳滤波算法以及约束最小二乘算法等，都是以图像退化的某种先验知识(比如点扩散函数(PSF))已知为基础。然而，在许多实际情况下需要在点扩散函数未知或不确知的情况下，从观察到的退化图像中恢复出原始图像，进行图像的盲复原。
[0004]至今为止，在图像处理领域，已提出了诸多的图像盲复原方法，其中高维形象几何与仿生信息学理论备受关注，这是由中国科学院王守觉院士提出的一门全新的理论，该理论在模糊图像的盲复原应用中，以同类事物的连续性为基础，将图像从模糊到清晰的过程看作一个连续的渐变过程，当把这一渐变过程映射到高维空间时，便形成了一条连续的超曲线，这条超曲线没有明确的数学表达式，需要通过调试参数不断逼近，达到复原模糊图像的目的。在参数选取得当的情况下，基于高维空间几何信息学的模糊图像自适应复原方法可以取得更为优越的复原效果。如何选择合适的参数是关键，当前主要依赖经验手工选取，缺乏自适应性。
[0005]由于选择的参数对最终复原图像的效果影响很大，因此尝试利用优化算法，根据图像自身特点筛选出最优参数，从而使模糊图像复原效果最佳。粒子群优化(particleswarm optimization, PS0)算法由Eberhart和Kennedy于1995年提出，源于对鸟群捕食的行为研究。PSO同遗传算法类似，是一种基于迭代的优化算法，但避免了遗传算法复杂的交叉变异过程，是一种更为高效的并行搜索算法，已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他科学研究和工程应用领域。但是基本粒子群算法在搜索过程中容易早熟收敛、偏离全局最优解，此外还有进化后期收敛速度慢、精度低等不足。混沌粒子群优化算法(chaotic particle swarm optimization, CPS0)通过混沛扰动改善个体质量避免搜索过程陷入局部极值，加快提高搜索最优参数的速度，有更高的精确度。
[0006]应用混沛粒子群优化算法结合高维空间几何信息学(high-dimensionaI spacegeommetrical informatics, HDSGI)理论进行模糊图像复原,无需求解点扩散函数,且参数可以自适应达到最优，提供了复原模糊图像新的思路。专利检索及对国内外各种科技文献的最新检索表明，尚未有在高维空间结合混沌粒子群算法实现模糊图像盲复原的方法。该方法可以进一步推动图像自适应复原技术的发展。
【发明内容】
[0007]本发明所解决的技术问题是克服现有技术中模糊图像复原的问题，本发明提出的基于高维空间几何信息学的模糊图像自适应复原方法，利用混沌粒子群算法，选择基于高维空间几何的模糊图像复原算法，描述图像从模糊到清晰对应在高维空间中的分布曲线的最佳参数，有效实现了模糊图像的复原，无需人工调节参数，更加地智能和实用，具有良好的应用前景。
[0008]为了解决上述技术问题，本发明所采用的技术方案是:
[0009]一种基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:根据HDSGI理论，模糊图像复原过程中从模糊到清晰连续的渐变过程映射到高维空间时会形成连续的超曲线，利用混沌粒子群算法自适应地选择最佳的超曲线，从而获得清晰的复原图像，包括以下步骤:
[0010]步骤(1)，对原始模糊图像按照该模糊趋势进一步模糊，获得同源的两幅模糊图像；
[0011]步骤(2)，初始化原始模糊图像的粒子群，粒子维数为2，包括两个表示粒子群分布曲线参数；
[0012]步骤(3)，根据HDSGI理论，利用粒子群分布曲线参数、原始模糊图像、同源的两幅模糊图像，得到复原图像；
[0013]步骤(4)，基于局部结构张量的无参考型图像质量评价方法评价复原图像的质量，得到各粒子的适应度值，并确定粒子群中各粒子适应度值最优的粒子位置；
[0014]步骤(5)，根据粒子群优化理论，更新粒子群中各粒子速度和粒子位置；
[0015]步骤(6)，将粒子群中所有粒子按适应度值从大到小排序，选择前20%的粒子为最优粒子；
[0016]步骤(7)，对各最优粒子分别引入混沌扰动，并分别计算各最优粒子对应的新适应度值，确定该最优粒子新的位置；
[0017]步骤(8)，对粒子群中剩余的粒子位置重新初始化，记录当前的粒子群迭代次数，重复步骤(5)-步骤(7)，直到粒子群中剩余的粒子为零；
[0018]步骤(9)，根据得到的粒子群中各粒子新的位置，输出两个表示粒子群分布曲线参数的最优值，对原始模糊图像进行复原，判断复原后的图像是否满足人眼的视觉需求，若达到人眼的视觉需求，则输出复原后的图像，否则，转到步骤(1)，将复原后的图像作为新的模糊图像，记录当前的图像迭代次数，重复步骤(I)-步骤(9)，直到达到人眼的视觉需求，输出最终复原得到的图像。
[0019]前述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤
(2)初始化原始模糊图像的粒子群是采用随机数生成器随机生成粒子群分布曲线参数的取值范围在0.01-0.99之间的25个粒子。
[0020]前述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤
(3)根据HDSGI理论，利用粒子群分布曲线参数、原始模糊图像、同源的两幅模糊图像，得到复原图像的方法为，根据公式(I )，得到复原图像Ci,
[0021 ] Ci = Mi+kn (N1-Mi)+ki2 (P1-Mi) (I)[0022]其中，Ci为第i迭代的复原图像，Mi为第i次图像迭代的原始模糊图像，PpNi为第i次图像迭代的原始模糊图像M1按照该模糊趋势进一步模糊，获得同源的两幅模糊图像；kn、ki2为2维的粒子群第i次图像迭代的分布曲线参数，i=l,2,…η，η为图像迭代的总次数。
[0023]前述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤
(4)基于局部结构张量的无参考型图像质量评价方法评价复原图像的质量的方法，包括以下步骤，
[0024](I)将复原图像划分为N个点，每个点为Ν*Ν领域；
[0025](2)计算复原图像各点的局部梯度向量；
[0026](3)通过局部梯度向量，计算各点的局部梯度协方差矩阵，并将其进行SVD分解，获得特征值S1、S2 ；
[0027](4)通过获得特征值S1、S2，计算各点的局部质量度量；
[0028](5)将复原图像的各点局部质量度量求和，获取复原图像的质量评价结果。
[0029]前述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤
(5)根据粒子群优化理论，更新粒子群中各粒子速度通过公式(2)得到的，
[0030]Vi (t+1) = WVi (t) +C^1 [Bi (t) -Xi (t) ] +c2r2 [Gb(t) -Xi (t) ] (2)
[0031]其中，Vi (t+1)为更新后的粒子速度，Vi (t)为粒子的当前速度，Bi (t)为粒子运动过程中的最佳位置，Xi (t)为粒子的当前位置，Gb(t)为粒子群中的最佳位置，t为当前的粒子群迭代次数，C1 = C2 = 2为随机因子，r1、r2是均匀分布在(0，I)上的随机数；
【权利要求】
1.基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:根据HDSGI理论，模糊图像复原过程中从模糊到清晰连续的渐变过程映射到高维空间时会形成连续的超曲线，利用混沌粒子群算法自适应地选择最佳的超曲线，从而获得清晰的复原图像，包括以下步骤， 步骤(I)，对原始模糊图像按照该模糊趋势进一步模糊，获得同源的两幅模糊图像； 步骤(2)，初始化原始模糊图像的粒子群，粒子维数为2，包括两个表示粒子群分布曲线参数； 步骤(3)，根据HDSGI理论，利用粒子群分布曲线参数、原始模糊图像、同源的两幅模糊图像，得到复原图像； 步骤(4)，基于局部结构张量的无参考型图像质量评价方法评价复原图像的质量，得到各粒子的适应度值，并确定粒子群中各粒子适应度值最优的粒子位置； 步骤(5)，根据粒子群优化理论，更新粒子群中各粒子速度和粒子位置； 步骤(6)，将粒子群中所有粒子按适应度值从大到小排序，选择前20%的粒子为最优粒子; 步骤(7)，对各最优粒子分别引入混沌扰动，并分别计算各最优粒子对应的新适应度值，确定该最优粒子新的位 置； 步骤(8)，对粒子群中剩余的粒子位置重新初始化，记录当前的粒子群迭代次数，重复步骤(5)-步骤(7)，直到粒子群中剩余的粒子为零； 步骤(9)，根据得到的粒子群中各粒子新的位置，输出两个表示粒子群分布曲线参数的最优值，对原始模糊图像进行复原，判断复原后的图像是否满足人眼的视觉需求，若达到人眼的视觉需求，则输出复原后的图像，否则，转到步骤(1)，将复原后的图像作为新的模糊图像，记录当前的图像迭代次数，重复步骤(I)-步骤(9)，直到达到人眼的视觉需求，输出最终复原得到的图像。
2.根据权利要求1所述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤(2)初始化原始模糊图像的粒子群是采用随机数生成器随机生成粒子群分布曲线参数的取值范围在0.01-0.99之间的25个粒子。
3.根据权利要求1所述的基于混沌粒子群算法及高维空间几何的模糊图像复原方法，其特征在于:步骤(3)根据HDSGI理论，利用粒子群分布曲线参数、原始模糊图像、同源的两幅模糊图像，得到复原图像的方法为，根据公式(I )，得到复原图像Ci,
Ci = M^kil (N1-Mi) +ki2 (P1-Mi) (I) 其中，Ci为第i迭代的复原图像，Mi为第i次图像迭代的原始模糊图像，PpNi为第i次图像迭代的原始模糊图像M1按照该模糊趋势进一步模糊，获得同源的两幅模糊图像；kn、ki2为2维的粒子群第i图像迭代的分布曲线参数，i=l，2，…η，η为图像迭代的总次数。
4.根据权利要求1所述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤(4)基于局部结构张量的无参考型图像质量评价方法评价、复原图像的质量的方法，包括以下步骤， (1)将复原图像划分为N个点，每个点为Ν*Ν领域； (2)计算复原图像各点的局部梯度向量； (3)通过局部梯度向量，计算各点的局部梯度协方差矩阵，并将其进行SVD分解，获得特征值S1、S2 ； (4)通过获得特征值S1、S2，计算各点的局部质量度量； (5)将复原图像各点的局部质量度量求和，获取复原图像的质量评价结果。
5.根据权利要求1所述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤(5)根据粒子群优化理论，更新粒子群中各粒子速度通过公式(2)得到的，
Vi (t+1) = WVi (t) +C1Ir1 [Bi (t) -Xi (t) ] +c2r2 [Gb (t) -Xi (t) ] (2) 其中，Vi (t+1)为更新后的粒子速度，V1(I)为粒子的当前速度，Bi (t)为粒子运动过程中的最佳位置，Xi (t)为粒子的当前位置，Gb (t)为粒子群中的最佳位置，t为当前的粒子群迭代次数，C1 = C2 = 2为随机因子，r1、r2是均匀分布在(O，I)上的随机数；
6.根据权利要求1所述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:步骤(7)对各最优粒子分别引入混沌扰动，并分别计算各最优粒子对应的新适应度值，确定该最优粒子新的位置的方法为，若比原适应度值更优，则确定该最优粒子新位置，并停止引入扰动；若比原适应度值差，则继续引入混沌扰动，若达到引入混沌扰动的最大次数，得到的新适应度值比原适应度值差，则将最后一次引入混沌扰动的位置作为该最优粒子新的位置。
7.根据权利要求1或6所述的基于高维空间几何信息学的模糊图像自适应复原方法，其特征在于:所述引入混沌扰动为用混沌映射Logistic迭代方程式(4)
xn+i = u Xn(1-Xn) (4) 其中，χη+1为引入混沛扰动后的粒子位置，χη为当前的粒子位置，μ为控制参量，μ的取值为4,此时Logistic完全处于混沛状态。
【文档编号】G06T7/00GK103473784SQ201310455177
【公开日】2013年12月25日 申请日期:2013年9月29日 优先权日:2013年9月29日
【发明者】张伟, 李庆武, 周妍, 霍冠英, 束代群, 刘艳, 江琴 申请人:河海大学常州校区