一种双动态模糊图像复原方法与流程

本发明涉及图像处理技术领域，尤其涉及一种双动态模糊图像复原方法。

背景技术：

随着时间的推移，“移动电子眼“的触角将会深入到城市的各个角落，扮演越来越重要的角色，为我们的”平安城市“保驾护航。平安城市也是衡量一个城市现代化管理水平的重要体现，是实现一个城市乃至整个国家安全和稳定的重要措施。建立合理、有效的城市视频监控管理系统，才能使政府管理部分在第一时间发现问题，提出应对措施及应急预案。

城市视频监控管理系统中的监控装置，例如，摄像头、监控录像等往往采集到的图像比较模糊，为了获取清晰的图像，现有技术中，通过模糊算法对模糊图像进行处理。对于双动态图像，也就是在双动态环境中采集到的图像，例如，行驶车辆上的摄像头采集另一行驶车辆的图像。该双动态图像在利用去模糊算法进行处理得到清晰图像的过程中，通常针对运动模糊构建单一模糊核对清晰图像进行估计，例如，针对高速运动、车辆抖动、距离变化等因素构建模糊核。

但是，在双动态环境中，造成图像模糊的原因有多方面，如果仅针对一个模糊因素构建模糊核对图像进行处理，那么对于其它模糊因素便无法实现去模糊处理，从而使去模糊处理后的图像无法达到足够的清晰效果。

技术实现要素：

为克服相关技术中存在的问题，本发明提供一种双动态模糊图像复原方法。

根据本发明实施例的第一方面，提供一种双动态模糊图像复原方法，包括：获取双动态模糊图像y，建立所述双动态模糊图像的图像金字塔，以及根据所述图像金字塔建立所述双动态模糊图像y的运动模糊核和离焦模糊核，其中，所述图像金字塔中模糊图像的分辨率由顶层向底层依次增大；

计算图像金字塔中当前层的运动模糊核、离焦模糊核以及清晰图像的最优值；

根据当前图像层计算的运动模糊核、离焦模糊核以及清晰图像的最优值，计算下一层图像层的运动模糊核、离焦模糊核以及清晰图像的最优值，直到计算出所述图像金字塔底层的清晰图像。

优选地，所述计算图像金字塔中当前层的运动模糊核、离焦模糊核以及清晰图像的最优值，包括：

建立双动态模糊图像与清晰图像的映射关系，y＝k₁*k₂*x+ε，其中，k₁表示运动模糊核、k₂表示离焦模糊核、x表示清晰图像、y表示模糊图像以及ε表示噪声；

将双动态模糊图像与清晰图像的映射关系，转化为对k₁、k₂以及x的最优化问题，最优化公式为：其中，β₁、β₂和λ是权值，表示L2范数的平方，其中，σ是权值，||·||₀表示L0范数，是梯度算子；

将拆分为两个子公式，和

根据上一层计算的k₁和k₂，通过公式计算当前图像层的x的最优值；

根据当前图像层的x的最优值，通过梯度下降方法，计算公式：的解，得到当前图像层的k₁和k₂的最优值。

优选地，所述根据当前图像层的x的最优值，通过梯度下降方法，计算公式：的解，得到当前图像层的k₁和k₂的最优值，包括：

将公式拆分为和

在梯度空间内对运动模糊核k₁进行估计，将公式转化为

根据当前图像层的x的最优值以及当前k₂的最优值，计算公式的解，得到当前图像层的k₁的最优值；

根据当前图像层的x的最优值以及当前k₁的最优值，计算公式的解，得到当前图像层的k₂的最优值。

本发明的实施例提供的技术方案可以包括以下有益效果：

本发明实施例提供的方法中，针对模糊图像的运动模糊核和离焦模糊核两个模糊因素进行去模糊处理。建立模糊图像的图像金字塔，从图像金字塔的顶层开始依次估计每一层图像层的清晰图像，在估计出当前层的运动模糊核和离焦模糊核后，将运动模糊核和离焦模糊核迭代如下一层图像层中，下一层图像根据运动模糊核和离焦模糊核估计清晰图像。在不断优化运动模糊核和离焦模糊核的前提下，估计图像金字塔中下一层图像的清晰图像，以此增加清晰图像估计优化度，保证最终得到更加清晰的图像。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种双动态模糊图像复原方法流程示意图；

图2为本发明实施例提供的一种步骤S102流程示意图；

图3为本发明实施例提供的步骤S1025流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

双动态环境中，造成图像模糊的原因是多方面的，其中两个最重要的原因是，由运动引起的运动模糊核距离变化引起的离焦模糊，本发明实施例提供的方法通过建立双动态模糊图像的运动模糊核和离焦模糊核模型，利用运动模糊核和离焦模糊核对清晰图像进行估计，最终求出最优清晰图像。

图1为本发明实施例提供的一种双动态模糊图像复原方法流程示意图。

在步骤S101中，获取双动态模糊图像y，建立双动态模糊图像的图像金字塔，以及根据图像金字塔建立双动态模糊图像y的运动模糊核和离焦模糊核，其中，图像金字塔中模糊图像的分辨率由顶层向底层依次增大。

图像金字塔被广泛用于各种视觉应用中。图像金字塔是一个图像集合{y₁,y₂,......,y_q}，集合中所有的图像都源于同一个原始图像，而且是通过对原始图像进行连续缩放，直到得到想要的金字塔级数。

从数学本质角度上，图像模糊的过程通常理解为原始的清晰图像与点扩散函数(也称为模糊核)进行卷积的过程，往往存在噪声的影响。那么，图像去模糊技术则是反卷积过程。在图像去模糊过程中，若模糊核是已知的，那么图像复原根据已知的模糊核和噪声统计特性来求解一个真实图像的估计值。但是，通常情况下，模糊核均是未知的，所以，在对清晰图像进行估计的同时，需要对模糊核进行估计。

在步骤S201中，计算图像金字塔中当前层的运动模糊核、离焦模糊核以及清晰图像的最优值；

从图像金字塔的顶层开始，计算每一层图像层的运动模糊核、离焦模糊核以及清晰图像的最优值。具体计算步骤，参见图2，为本发明实施例提供的步骤S102流程示意图。

在步骤S1021中，建立双动态模糊图像与清晰图像的映射关系，y＝k₁*k₂*x+ε，其中，k₁表示运动模糊核、k₂表示离焦模糊核、x表示清晰图像、y表示模糊图像以及ε表示噪声。

已知清晰图像x和模糊图像y，模糊图像和清晰图像的映射关系可以表示为：y＝k₁*k₂*x+ε，其中k₁表示运动模糊核、k₂表示离焦模糊核、x表示清晰图像、y表示模糊图像以及ε表示噪声，(*)表示卷积运算。

在步骤S1022中，将双动态模糊图像与清晰图像的映射关系，转化为对k₁、k₂以及x的最优化问题，最优化公式为：其中，β₁、β₂和λ是权值，表示L2范数的平方，其中，σ是权值，||·||₀表示L0范数，是梯度算子。

上述步骤中，清晰图像与模糊图像的映射关系中，y是已知的，k₁、k₂和x是未知的，因此，通过映射关系式无法计算出清晰图像，所以，需要将映射关系式转化为在迭代过程中对k₁、k₂和x的优化问题。

最优化公式为：其中，β₁、β₂和λ是权值，表示L2范数的平方，其中，σ是权值，||·||₀表示L0范数，是梯度算子。

在步骤S1023中，将拆分为两个子公式，和

进一步的，为了对公式求解，将其拆分为2个公式：

和

其中，公式中，在已知k₁、k₂时，可求解x的优化值，公式中，在已知x时，可求解k₁、k₂的优化值。

在步骤S1024中，根据上一层计算的k₁和k₂，通过公式计算当前图像层的x的最优值。

当前图像层在估计x的最优值时，将上一层计算的k₁和k₂值按照图像金字塔缩放比列放大后迭代入当前图像层的优化公式计算出当前图像层清晰图像x的最优估计值。

关于清晰图像x的最优化估计方法，参见下述步骤：

首先，初始化参数，并令x＝y；

1.令并令μ＝2λ

2.令

3.计算

4.令μ＝2μ，重复2，4直至μ＞μ_max

5.令β＝2β，重复1至5，直至β＞β_max

其中，F(·)是快速傅里叶变换，F^-1(·)是快速傅里叶反变换，是对傅里叶变换结果的共轭运算，并且

在图像金字塔每一层图像中依次迭代，直到图像金字塔的最底层的图像层中，得出清晰图像的最优值。

在步骤S1025中，根据当前图像层的x的最优值，通过梯度下降方法，计算公式：的解，得到当前图像层的k₁和k₂的最优值。

将上一步骤中计算出的x的最优值，代入公式中，计算出运动模糊核k₁和离焦模糊核k₂，并将计算出的运动模糊核k₁和离焦模糊核k₂迭代入下一层图像层中求解清晰图像x。

参见图3，为本发明实施例提供的步骤S1025流程示意图，在步骤S10251中，将公式拆分为和

由于在公式中，当已知清晰图像x时，存在运动模糊核k₁和离焦模糊核k₂两个未知数，因此，将进行拆分，拆分为和其中，用于求解运动模糊核k₁，用于求解离焦模糊核k₂。

在步骤S10252中，在梯度空间内对运动模糊核k₁进行估计，将公式转化为

由于k₁是运动模糊核，因此可以在梯度空间内对模糊核进行估计，因此，公式可以改写为

梯度下降方法用来求解步骤S10252中的两个公式，这里以为例求解k₁。

在处理前，对和分别通过软阈值函数进行处理，增加和的稀疏程度；软阈值函数如下；

令则函数J(k₁)的导数为为了寻找最优的k₁，需要选取一个起始值令直到或者终止迭代，得到的就是k₁的最优值。其中，ρ是步长，为常数或者通过进行计算，η和ε为终止条件，为约等于0的正数常量。

在步骤S10253中，根据当前图像层的x的最优值以及当前k₂的最优值，计算公式的解，得到当前图像层的k₁的最优值。

根据上一层计算的k₁和k₂，通过公式计算当前图像层的x的最优值后，将x的最优值以及当前k₂的最优值代入公式内，可计算出当前图像层的k₁的最优值。

在步骤S10254中，根据当前图像层的x的最优值以及当前k₁的最优值，计算公式的解，得到当前图像层的k₂的最优值。

对k₂进行估计时，首先通过高斯差分函数对x和y进行处理，即可以改写为其中，DoG(·)是高斯差分函数。在对k₂进行估计之前，同样需要通过软阈值函数对DoG(x)和DoG(y)进行处理，增加DoG(x)和DoG(y)的稀疏程度。

在对k₂进行估计时，通过高斯差分函数，保留特定的频率信息，主要是边缘和角点，然后进行模糊核估计。

根据上一层计算的k₁和k₂，通过公式计算当前图像层的x的最优值后，将x的最优值以及当前k₁的最优值代入公式得出当前图像层的离焦模糊核k₂的最优值。

由上述描述可知，本发明实施例通过运动模糊核和离焦模糊核两个模糊因素对图像进行处理，在去模糊过程中，建立模糊图像的图像金字塔，从图像金字塔的顶层开始估计清晰图像，将当前图像层计算的运动模糊核和离焦模糊核作为估计下一层清晰图像的已知条件，进而不断优化清晰图像，直到图像金字塔的最后一层得到最有清晰图像。

本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。