本发明涉及图像复原
技术领域：
：，特别涉及一种无人机模糊噪声图像下清晰图像的恢复方法。
背景技术：
：：2006年fergus等提出了一种基于空间域先验模型，能够有效估计点扩散函数(fointfpreadfunction，psf)并去除复杂相机抖动模糊地方法，但只采用rl反卷积重建图像，恢复结果中振铃效应显著。2007年贾佳亚提出了一种用图像透明度图估计psf的新方法。2008年shan提出了一种psf估计与图像复原同时进行的盲复原方法，效果良好。而joshi与cho和lee等则采取简化高斯先验模型凭借对图像清晰边界的预测，来估计模糊核，可以实现快速求解，但噪声影响过大。levin总结了已有的反卷积去模糊算法，得出了用最大后验概率方法(maximumaposteriori，map)同时解决模糊核和隐藏图像问题是不可靠的结论，提出了用最大后验概率方法单独估计模糊核的方法。2010年lixu等提出一种基于选择具有信息性边界和isd算法的模糊核估计算法，该方法将模糊核的初始化与模糊核的细节结构提取分开进行，提取出了较为真实的模糊核。huiji等提出一种在模糊核存在误差情况下更稳健的图像去模糊方法，同时估计模糊核并恢复图像，取得了较好效果。2008年yuan等提出一种称为渐进的尺度间和尺度内非盲图像反卷积方法。他们利用2006年fergus的方法估计模糊图像的psf，设计了一个能够有效减少去模糊图像中振铃失真的多尺度迭代非盲反卷积方法。2009年joshi等结合局部双色先验来去除噪声，这种方法使用迭代加权最小二乘方法解决非线性最有效化问题。2011年uweschmidt提出了一种基于贝叶斯最小均方误差采样非盲反卷积估计噪声与隐藏图像的算法，取得较好的效果。近些年来，稀疏表示在图像处理领域中愈来愈热门，它在图像修复、图像降噪、超分辨率重建、模式识别等领域都有不可小觑的地位。2014年张健等提出了一种利用结构组作为图像稀疏表示的基本单位，建立结构组的稀疏表示模型来解决图像复原问题，取得了很好的效果。图像去模糊是图像复原技术中的经典问题，图像复原技术的经典模型，如图2所示，针对该问题国内外已经广泛开展了诸多相关的技术研究。自然图像的多样性使得图像去模糊处理工作变得相对困难，由于模糊图像退化过程的复杂性，通常根据客观假设约束条件建立图像退化模型。目前，被广泛认可的基本图像退化模型可表示为清晰图像与点扩散函数的卷积加上噪声的影响。图像去模糊处理可以看做这个运算的逆过程。根据先验知识的获取情况，图像去模糊处理可分为非盲处理和盲处理。非盲处理即是在模糊核或是图像退化模型先验知识已知的情况下，需要从观察的模糊图像中恢复出原始图像，常用的方法有维纳滤波和richardson-lucy正则化算法，但其恢复结果会产生严重的振铃效应。但是在实际复原时，并不可能提前知道掌握那么多关于图像退化模型的知识，所以此算法得到的复原图像效果也无法让人满意。在实际生活中，人们真正需要的是在通过对观测到的模糊图像结合现有的图像特征知识，充分利用模糊核和噪声的先验知识，恢复出原始图像的过程，该过程也就是图像盲处理的基础思想和本质意义。技术实现要素：针对以上的技术问题本发明提供一种无人机模糊噪声图像下清晰图像的恢复方法，如图1所示，包括：s1、获取无人机模糊图像，构造第一优化方程式；s2、将字典学习的方法获得的清晰图像的组稀疏域和模糊核矩阵的组稀疏域代入第一优化方程得到第二优化方程式；s3、将第二优化方程代入分离式布雷格曼迭代sbi算法，求出模糊核矩阵，得到恢复图像。优选地，根据获取无人机模糊图像，构造第一优化方程式包括：无人机模糊图像为：y＝h*x+n其向量表示为：y＝hx+n构建的第一优化方程为：其中，||·||1表示·l1范数，表示·的欧几里得距离，ax表示清晰图像的稀疏表示,ah表示模糊核矩阵的稀疏表示，λ、β表示l1范数的约束系数，y表示捕获到的受损图像，y表示捕获到的受损图像矩阵，h表示模糊核，h表示模糊核矩阵，n表示高斯噪声，n表示高斯噪声矩阵,*表示卷积。优选地，所述第二优化方程式表示为：其中，表示组稀疏形式，dx表示清晰图像的组稀疏域，dh表示模糊核矩阵的组稀疏域。优选地，组稀疏域由相似模块组成，其中相似模块由欧几里得距离决定，为了增加匹配快选择的鲁棒性，特引入lp范数作为距离测度，再考虑噪音的影响，引入噪声方差，表示为：其中，||·||p表示·的lp范数，x1i表示第i个目标块，y1i表示第i个已知块，n表示目标块的数量，s表示样本序列的标准方差。优选地，将第二优化方程式代入分离式布雷格曼迭代sbi算法，求出模糊核矩阵，得到恢复图像包括：设计一个两步迭代法求解第一模糊核估计矩阵，根据第一模糊核估计矩阵的解求解第一清晰图像估计矩阵；将第一模糊核估计矩阵和第一清晰图像估计矩阵改写为适用于sbi算法的第二模糊核估计矩阵和第二清晰图像估计矩阵；引入问题方程，运用sbi算法求解问题方程，经过多次迭代求解出清晰图像的稀疏表示；通过分量方式的软判决门限获得多次迭代的误差残余，求解得出糊核矩阵，获得恢复图像；其中，u和v表示变量，f(u)表示关于变量u的范数方程，g(v)表示关于变量v的范数方程，g表示变量u、v之间的关系式。优选地，两步迭代法包括：第一步：根据下列的模糊核方程求解出第一模糊核估计矩阵：第二步：根据第一模糊核估计矩阵求解下列的清晰图像方程：其中，||·||1表示·l1范数，表示·的欧几里得距离，表示组稀疏形式ax表示清晰图像的稀疏表示,ah表示模糊核矩阵的稀疏表示，λ、β表示l1范数的约束系数，y表示捕获到的受损图像矩阵，h表示模糊核矩阵。优选地，第一模糊核估计矩阵和第二清晰图像估计矩阵分别为：第一模糊核估计矩阵：第二清晰图像估计矩阵：其中，||·||1表示·l1范数，表示·的欧几里得距离，表示组稀疏形式，ax表示清晰图像的稀疏表示和ah表示模糊核矩阵的稀疏表示，λ、β表示l1范数的约束系数，y表示捕获到的受损图像矩阵，h表示模糊核矩阵，dx表示清晰图像的组稀疏域，dh表示模糊核矩阵的组稀疏域。优选地，问题方程包括：s.t.u＝gv问题方程通过以循环迭代的方式求解其中的变量u、v，写出f(u)和g(v)的扩展拉格朗日函数，其中f(u)的拉格朗日扩展函数为：g(v)的拉格朗日扩展函数为：其中，μ表示惩罚因子，b表示迭代的误差残余，u和v表示变量，f(u)表示关于变量u的范数方程，g(v)表示关于变量v的范数方程，g表示变量u、v之间的关系式，表示·的欧几里得距离。本发明在现有技术的基础上，利用模糊核与原始图像在组稀疏域的稀疏特性，构造联合估计优化方程式，实现消除模糊的同时，得到对模糊核的估计，并通过迭代算法得到最精确的解，在充分保存图像细节的情况下，对模糊图像进行复原，以获得更好的复原效果。附图说明图1是本发明无人机模糊噪声图像下清晰图像的恢复方法优选实施例流程图；图2是本发明的图像退化-复原模型；图3是本发明提供优选实施例的所提出算法中匹配块选择时lp范数不同取值的影响；图4是无人机拍摄的汽车图像与本发明修复的汽车图像的对比图，左侧为无人机拍摄的汽车图像，右边为本发明修复的汽车图像；图5是无人机拍摄的人体图像与本发明修复的人体图像的对比图，左侧为无人机拍摄的人体图像，右边为本发明修复的人体图像。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明一种无人机模糊噪声图像下清晰图像的恢复方法，包括：已知信号模型如下：y＝h*x+n其中y表示受损图像，h表示模糊核，n表示高斯噪声，x表示清晰图像。以列向量形式表示为：y＝hx+n其中y，x，n分别表示y，x，n的列向量形式，y表示受损图像矩阵，h表示模糊核矩阵，n表示高斯噪声矩阵，x表示清晰图像矩阵。根据受损图像，构建第一优化方程：其中，ax，ah表示清晰图像和模糊核矩阵的稀疏表示，于是图像恢复的问题就变成了求解ax，ah的问题。本发明||·||1表示·的l1范数，表示·的欧几里得距离，表示·的lp范数，l1范数表示向量各个元素绝对值之和，lp范数表示向量各个元素绝对值的p次方求和然后求1/p次方，本发明提供优选实施例的所提出算法中匹配块选择不同p值的范数时的影响如图3所示，其中当p值取值相同时，随着信噪比(snr)增大，峰值信噪比(peaksignaltonoiseratio，psnr)均增大，在相同信噪比(snr)时，p值越小输出信噪比psnr越大。从图中可以看出，当p＝0.5的时候，psnr最大。所以在本专利中，优选p＝0.5作为相似块搜索的p的值。根据信号重建规则，为了获得稀疏表示，需要已知转换域，于是矩阵dx，dh被用来分别表示清晰图像和模糊核的组稀疏域，可以得到第二优化方程：其中，用来表示组稀疏形式，为了求解清晰图像的稀疏表示ax,模糊核矩阵的稀疏表示ah,提出一个两步迭代的求解方法：第一步：初始化模糊核的求解：第二步：使用第一部中求解的第一模糊核估计矩阵求解：第一步和第二步之间循环迭代直到满足停止条件；其中，表示第一模糊核估计矩阵，表示第一清晰图像估计矩阵。本发明中所使用的组稀疏域，为探索图像的局部和非局部信息提供了一个方法，组稀疏域以组为单位进行充分的学习，而每个组是由许多相似块共同组合而成。因此，在组稀疏中，与目标块相匹配的相似块的寻找就显得尤为重要。为了简化的目的，相似块由欧几里得距离决定，表示为：其中，x1表示目标块，y1为待确定的图像块。在本发明中，为了增加匹配快选择的鲁棒性，特引入lp范数作为距离测度，表示为：显然，当p＝2时，便简化为欧几里得距离。另外，考虑到噪声的影响可能会严重破坏匹配块寻找的结果，为了消除噪声的影响，噪声方差被引入，于是lp范数距离修改为：当p＝2时，变简化成了马哈拉诺比斯距离，其中，x1i表示第i个目标块，y1i表示第i个待确定的图像块，s表示样本序列中x1i，y1i的标准方差，通过如下公式计算得到：其中，n表示样本数量，表示样本平均值。随着权重系数和匹配块选择的确定，接下来便是对第二优化方程的求解，为了有效的解决第二优化方程，sbi算法被引入，sbi算法是用来求解如下问题：s.t.u＝gvsbi通过以循环迭代的方式求解其中的变量u、v，f(u)表示关于变量u的范数方程，g(v)表示关于变量v的范数方程，g表示变量u、v之间的关系式，rn表示n维向量。sbi通过以循环迭代的方式求解其中的变量u，v，具体求解过程如下：其中，表示两个扩展拉格朗日函数，k表示迭代次数，表示当·取最小值时的取值，bk+1表示k+1的迭代的残余误差，b0、u0、v0分别表示迭代的残余误差、变量u、v的初始值。为了配合sbi算法，将第一模糊核估计矩阵和第一清晰图像估计矩阵改写为适用于sbi算法的第二模糊核估计矩阵和第二清晰图像估计矩阵：第二模糊核估计矩阵：第二清晰图像估计矩阵：将第二模糊核估计矩阵和第二清晰图像估计矩阵代入sbi算法可以得到对于清晰图像的第一清晰图像方程组：对于每一个模糊核的第一模糊核方程组：对于第一清晰图像方程组中的u子问题实际上是一个l2范数约束下的最小方差优化问题，很容易求得解的近似形式为：其中，值得注意的是，为了简化上式中的迭代标识被省略，为的转置矩阵，μ为惩罚因子。对于第一清晰图像方程组中得ax子问题，如果dx是一个传统的稀疏域，例如小波域、紧小波域，此优化问题便可以通过简单的门限判决很好地解决，然而组稀疏表示下的组稀疏域dx是复杂的，多个的，不能把门限判决直接应用到所有的组，然而在每次迭代中一下等式成立：其中，表示第gi组的组稀疏域，在此基础上，对于ax的求解便可通过对于每一个组下的独立求解获得，即：上式的求解可通过分量方式的软判决门限获得，即：其中，软判决门限t定义为：软判决门限中优化问题独立应用到所有的组，并且ax的求解通过组合所有的获得，其中表示第gi组的清晰图像的稀疏表示。第一清晰图像方程组和第一模糊核方程组拥有相似的结构，根据第一清晰图像方程组的解可以得到：其中，表示第gi组的组稀疏域，ah的求解通过组合所有的获得，表示第gi组的模糊核的稀疏表示。求解的算法结构如下：tableii:theproposedalgorithm.综上所述，根据本发明的上述实施例，建立的基于组稀疏的图像稀疏表示模型以图像组结构为基本单位代替传统的图像块，针对每一个图像组结构学习得到其自适应的字典，利用模糊核与原始图像在组稀疏域的稀疏特性，构造联合估计优化方程式，实现消除模糊的同时，得到对模糊核的估计，并通过迭代算法得到最精确的解，在充分保存图像细节的情况下，对模糊图像进行复原；如图4所示，本发明修复的图像比无人机拍摄的图像更加清晰，对比图中的车牌号码可知，在无人机拍摄的图片中号码牌模糊不清，经过本发明的图像修复之后，可以清晰地看清车牌号码；如图5所示，无人机拍摄的图片整体模糊不清，严重虚化，图中人脸头像与背景交融，本专利修复的图像细节部位清晰，线条明显。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：rom、ram、磁盘或光盘等。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括至少一个该特征，不能理解为对本发明的限制。以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12