專利名稱：一種權(quán)重的稀疏邊緣正則化圖像復(fù)原方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機圖像處理技術(shù)，涉及一種圖像復(fù)原方法。
背景技術(shù)：
圖像的退化無處不在，它幾乎存在于和圖像處理有關(guān)的所有領(lǐng)域。在獲取圖像的 過程中，由于攝像設(shè)備與被拍攝對象之間的物距和像距不匹配造成的圖像模糊，稱之為散 焦模糊；由于成像設(shè)備與被拍攝物體之間的相對運動引起的圖像模糊，稱之為運動模糊，同 時還會因為外界天氣、陽光、空氣或者成像設(shè)備鏡頭上的灰塵以及成像設(shè)備自身硬件等原 因也會造成圖像的模糊。為了能夠從受損圖像中挖掘更多、更準(zhǔn)確的信息，圖像清晰化復(fù) 原、超高解析度重構(gòu)等一系列的圖像處理技術(shù)被廣泛研究，并成功運用到天文、醫(yī)學(xué)、軍用 等各個領(lǐng)域中。圖像復(fù)原技術(shù)起源較早，早在1975年Moddiam就提出了利用數(shù)字信號處理的方 法來進行模糊圖像的復(fù)原，目的是從模糊圖像逆向得到原始的清晰圖像，較早的方法包括 維納濾波、經(jīng)典逆濾波、卡爾曼濾波、約束最小二乘方濾波、L-R方法等，上述方法中成像系 統(tǒng)的點擴散函數(shù)(PSF)都是已知的。還有一類方法是在PSF未知的情況下進行的，即盲復(fù) 原方法，如NAS-RIF方法、全變差正則化圖像盲復(fù)原方法、非參數(shù)估計盲復(fù)原方法等。圖像的大部分信息來自于圖像的邊緣，因此，能否在對圖像進行去噪去模糊的同 時，對圖像的邊緣進行較好的保護，成為了圖像清晰化復(fù)原的關(guān)鍵問題。近年來，正則化的 方法逐漸成為圖像復(fù)原技術(shù)研究的熱點。將圖像的邊緣信息作為正則項是最常用的一種正 則化方法之一，它利用圖像的梯度信息，控制擴散沿著圖像的邊緣方向進行，同時在圖像的 灰度區(qū)域保持較好的平滑特性，最終達到在去除噪聲的同時能夠較好地保護圖像的邊緣的 目的。在現(xiàn)有的基于圖像邊緣信息的正則化方法中，絕大多數(shù)的方法都只是利用了圖像 的水平方向和垂直方向，兩個方向的邊緣信息作為代價函數(shù)的正則項，這樣不僅沒有能夠 完全利用圖像的邊緣信息，另一方面，忽略了圖像的邊緣特性，導(dǎo)致復(fù)原圖像邊緣的銳化程 度不夠，復(fù)原質(zhì)量不高等后果。

發(fā)明內(nèi)容
本發(fā)明提出了一種基于正則化的權(quán)重的邊緣稀疏性約束的模糊噪聲圖像清晰化 復(fù)原方法。該方法首先運用差分算子，將圖像所有方向上的梯度信息都提取出來，極大地豐 富了正則項中圖像邊緣的信息量；然后，考慮了圖像的邊緣特性，根據(jù)圖像邊緣的特性，在 圖像的空間域，對圖像的邊緣引入一種權(quán)重的稀疏性約束；最后運用一種改進的上界最小 化數(shù)學(xué)方法對提出的代價函數(shù)進行最優(yōu)化求解。本發(fā)明方法還能夠較好地避免在最小二乘 重權(quán)重迭代計算中常常會出現(xiàn)的“奇異點問題”。本發(fā)明所采用的技術(shù)方案如下
一種模糊噪聲圖像的清晰化處理方法，該方法按照以下的步驟實施(1)運用差分算子得到已知模糊噪聲圖像各個方向的梯度信息，對得到的方向梯度信 息進行任意兩兩、三三以及全方向的組合，利用梯度信息任意組合的向量表達形式，得到圖 像邊緣的矩陣表達式的數(shù)學(xué)模型；
(2)根據(jù)清晰自然圖像的稀疏性原則以及不確定方程的最佳稀疏解的定義，針對步驟 (1)中得到的圖像邊緣的數(shù)學(xué)模型，提出一種權(quán)重的稀疏性約束，約束圖像的邊緣，同時，結(jié) 合已知的退化函數(shù)，推導(dǎo)出圖像復(fù)原的代價函數(shù)；
(3)根據(jù)步驟(2)，引入一種改進的上界最小化方法對代價函數(shù)進行最優(yōu)化收斂、求解， 最終得到清晰的復(fù)原圖像。圖像的線性退化模型可由下式表示
權(quán)利要求
1.一種權(quán)重的稀疏邊緣正則化圖像復(fù)原方法，其特征在于，包括如下步驟(1)運用差分算子得到已知模糊噪聲圖像各個方向的梯度信息，對得到的方向梯度信 息進行任意兩兩，或三三，或全方向的組合，利用梯度信息任意組合的向量表達形式，得到 圖像邊緣的矩陣形式的數(shù)學(xué)模型；(2)根據(jù)清晰自然圖像的稀疏性原則以及不確定方程的最佳稀疏解的定義，針對步驟 (1)中得到的圖像邊緣的矩陣形式的數(shù)學(xué)模型，采用一種權(quán)重的稀疏性約束，約束圖像的邊 緣，同時，結(jié)合已知的退化函數(shù)，推導(dǎo)出圖像復(fù)原的代價函數(shù)；(3)根據(jù)步驟(1)和步驟(2)，利用一種改進的上界最小化方法對代價函數(shù)進行最優(yōu)化 收斂、求解，最終得到清晰的復(fù)原圖像。
2.如權(quán)利要求1所述的權(quán)重的稀疏邊緣正則化圖像復(fù)原方法，其特征在于，步驟(1)中 利用差分算子得到已知模糊圖像各個方向的梯度值，過程如下其中X表示一幅大小為的圖像，Λ //)表示圖像中坐標(biāo)/, /所對應(yīng)像素的像 素值；X[J表示第Iji個像素點在垂直方向上的一階梯度； 4表示第個像素點在水平方向上的一階梯度； Jrff表示第(i / 個像素點在1；35度方向上的一階梯度；
3.如權(quán)利要求1所述的權(quán)重的稀疏邊緣正則化圖像復(fù)原方法，其特征在于，步驟(2)的 具體實現(xiàn)過程如下將邊緣
4.如權(quán)利要求1所述的權(quán)重的稀疏邊緣正則化圖像復(fù)原方法，其特征在于，所述步驟 (3)的實現(xiàn)過程如下定義一個函數(shù)j X⑴),它滿足以下兩個條件
全文摘要
本發(fā)明公開了一種權(quán)重的稀疏邊緣正則化圖像復(fù)原方法，(1)運用差分算子得到模糊噪聲圖像各個方向的梯度信息，并進行方向隨機的組合，得到圖像邊緣的矩陣數(shù)學(xué)模型；(2)根據(jù)圖像稀疏性原理以及不確定方程最佳稀疏解的定義，針對步驟(1)中得到的圖像邊緣模型，采用一種權(quán)重的稀疏性約束，約束圖像的邊緣，結(jié)合已知的退化函數(shù)，推導(dǎo)出圖像復(fù)原的代價函數(shù)；(3)根據(jù)步驟(1)和步驟(2)，利用一種改進的上界最小化方法對代價函數(shù)進行最優(yōu)化求解，得到清晰的復(fù)原圖像。本發(fā)明方法極大地豐富了圖像邊緣的信息量；采用一種權(quán)重的稀疏性邊緣約束，有效地保護了圖像的邊緣特性；利用一種改進的上界最小化數(shù)學(xué)方法，得到高質(zhì)量的復(fù)原圖像。
文檔編號G06T5/00GK102147915SQ201110116829
公開日2011年8月10日 申請日期2011年5月6日 優(yōu)先權(quán)日2011年5月6日
發(fā)明者劉良辰, 唐述, 李偉紅, 李權(quán)利, 牟琳, 龔衛(wèi)國 申請人:重慶大學(xué)