專利名稱：基于Split Bregman 迭代的全變差正則化圖像盲復(fù)原方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域。
背景技術(shù)：
圖像是人們最主要的信息源之一，然而在圖像的獲取、傳輸?shù)冗^程中，由于各種因素的干擾，會(huì)造成圖像的退化降質(zhì)。圖像的退化會(huì)使大量的真實(shí)信息丟失，不僅會(huì)降低圖像的科學(xué)價(jià)值，而且也會(huì)帶來(lái)巨大的經(jīng)濟(jì)損失。因此，我們需要利用圖像復(fù)原技術(shù)從退化的圖像復(fù)原出原本面貌。目前，圖像復(fù)原技術(shù)已應(yīng)用到眾多科學(xué)與技術(shù)領(lǐng)域，如天文觀測(cè)、醫(yī)學(xué)成像、多媒體、刑事偵察等。眾多圖像復(fù)原方法要求先驗(yàn)信息較多，或存在效果較差，算法復(fù)雜度高等缺點(diǎn)。至今，研究出有效、快速的圖像復(fù)原方法仍是圖像處理領(lǐng)域中最具有挑戰(zhàn)性的難題之一。圖像復(fù)原技術(shù)的發(fā)展經(jīng)歷了約40年的歷史，一些經(jīng)典的復(fù)原方法假定造成圖像模糊的點(diǎn)擴(kuò)散函數(shù)(Point spread function, PSF)是已知的，如逆濾波、維納濾波、R-L方法等等。但在實(shí)際中點(diǎn)擴(kuò)散函數(shù)往往是未知的，因此圖像的盲復(fù)原技術(shù)得到了大量研究。目前，盲復(fù)原方法有多種，按估計(jì)點(diǎn)擴(kuò)散函數(shù)和圖像的順序可分為先驗(yàn)辨識(shí)法和聯(lián)合辨識(shí)法。 先驗(yàn)辨識(shí)法是首先估計(jì)出點(diǎn)擴(kuò)散函數(shù)，然后根據(jù)所得到的PSF利用經(jīng)典的非盲復(fù)原方法復(fù)原。先驗(yàn)辨識(shí)法只能針對(duì)一些較簡(jiǎn)單的模糊類型進(jìn)行復(fù)原，且受噪聲干擾較大。聯(lián)合辨識(shí)法是采用迭代方式交替估計(jì)點(diǎn)擴(kuò)散函數(shù)和圖像，該方法又分為參數(shù)法和非參數(shù)法，參數(shù)法是把模糊過程看作具有一定參數(shù)的數(shù)學(xué)模型，通過估計(jì)模型中的參數(shù)得到復(fù)原圖像。而非參數(shù)法不需要模糊過程的參數(shù)化模型。為了克服圖像復(fù)原這一逆過程的病態(tài)性，許多正則化方法引入到了復(fù)原方法中。 其中兩個(gè)著名的正則化方法是TiWi0n0v正則化和全變差(Total variation, TV)正則化。 Tikhonov正則化具有各向同性的特點(diǎn)，缺點(diǎn)是會(huì)使圖像過度平滑，對(duì)圖像細(xì)節(jié)的保護(hù)不夠， 而全變差正則化方法因彌補(bǔ)了 TiWlonov正則化方法的不足而受到了眾多研究者的關(guān)注。 全變差正則化盲復(fù)原方法利用全變差正則化的特點(diǎn)，將全變差范數(shù)作為正則項(xiàng)引入所構(gòu)造的代價(jià)函數(shù)中，使算法克服病態(tài)性，且使求解過程變得穩(wěn)定以得到較好的復(fù)原結(jié)果。傳統(tǒng)的全變差方法采用固定點(diǎn)法迭代求代價(jià)函數(shù)的最優(yōu)解，針對(duì)一些背景簡(jiǎn)單的圖像有較好的復(fù)原效果，但對(duì)復(fù)雜的圖像或針對(duì)復(fù)雜的模糊類型效果不佳。本發(fā)明通過建立盲復(fù)原代價(jià)函數(shù)，采用Split Bregman (譯為分裂布雷格曼，一種Z1正則化代價(jià)函數(shù)的優(yōu)化方法)迭代方法進(jìn)行最優(yōu)化求解，很好地克服了全變差正則化盲復(fù)原方法的缺點(diǎn)。基于 Split Bregman迭代的全變差正則化盲復(fù)原方法是我們提出的新的盲復(fù)原方法。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種針對(duì)多種模糊類型的退化圖像進(jìn)行復(fù)原的有效、快速圖像復(fù)原方法，力求從已知的退化圖像恢復(fù)出原本面貌，使模糊的圖像變得清晰，旨在改善圖像的質(zhì)量。 4
本發(fā)明是基于Split Bregman迭代的全變差正則化盲復(fù)原方法，克服傳統(tǒng)全變差盲復(fù)原方法對(duì)復(fù)雜模糊類型或復(fù)雜圖像復(fù)原效果不佳的缺點(diǎn)，并使復(fù)原方法對(duì)噪聲具有很好的魯棒性。具體內(nèi)容為將算子分裂技術(shù)引入全變差正則化盲復(fù)原中，采用算子分裂的方法對(duì)代價(jià)函數(shù)中的算子進(jìn)行替換，進(jìn)而提出新的約束求解問題。然后運(yùn)用懲罰項(xiàng)的方法將所提出的約束求解問題變成新的無(wú)約束的分裂代價(jià)函數(shù)。進(jìn)一步運(yùn)用提出的擴(kuò)展的Split Bregman迭代方法對(duì)分裂的代價(jià)函數(shù)進(jìn)行交替求解獲得原始圖像的估計(jì)，從而對(duì)退化圖像進(jìn)行有效、快速的復(fù)原。該盲復(fù)原方法的實(shí)現(xiàn)步驟如下
(1)定義TV正則化盲復(fù)原最小化代價(jià)函數(shù)，采用算子替換的方法將盲去卷積模型中的
梯度算子進(jìn)行替換hY
，SJk — h,，將最小化問題轉(zhuǎn)化為約束優(yōu)化問題
(2)引入懲罰項(xiàng)對(duì)Vu= 和Vl = 進(jìn)行懲罰，將步聚α)中的約束問題轉(zhuǎn)化為
分裂的最小化代價(jià)函數(shù)；
(3)采用擴(kuò)展的SplitBregman迭代最優(yōu)化方法對(duì)步聚(2)中的分裂最小化代價(jià)函數(shù)進(jìn)行最優(yōu)化求解，通過迭代運(yùn)算最終復(fù)原出原清晰圖像"。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)是
(1)將算子分裂及懲罰技術(shù)引入TV正則化盲復(fù)原方法中，提出新的分裂的代價(jià)函數(shù)， 克服了 TV盲復(fù)原代價(jià)函數(shù)求解困難的問題。(2)采用擴(kuò)展的Split Bregman迭代優(yōu)化方法，使最小化代價(jià)函數(shù)的求解過程穩(wěn)定快速。(3)本發(fā)明方法能夠針對(duì)復(fù)雜模糊類型或具有復(fù)雜背景的圖像進(jìn)行復(fù)原。


圖1 本發(fā)明方法的基本框架圖2 本發(fā)明方法效果驗(yàn)證實(shí)驗(yàn)中所用的兩幅經(jīng)典的清晰圖像；其中 (a) "Satellite，，； (b) "Cameraman，，；
圖3 本發(fā)明方法與傳統(tǒng)TV正則化圖像盲復(fù)原方法的實(shí)驗(yàn)效果對(duì)比圖；其中 (a)離焦模糊圖像；(b)傳統(tǒng)TV正則化盲復(fù)原方法(ISNR=O. 17dB) ； (c)本發(fā)明方法 (ISNR=7. 29dB)；
圖4 本發(fā)明方法針對(duì)由不同退化原因造成的模糊圖像進(jìn)行復(fù)原的效果圖；其中 (a)-(d)分別為高斯模糊、均值模糊、離焦模糊和運(yùn)動(dòng)模糊；(e)-(g)分別為本發(fā)明方法針對(duì)退化圖像(a)-(d)的復(fù)原效果其中，所有模糊圖像均加上均值為0、噪聲標(biāo)準(zhǔn)差為0. 001的噪聲。
具體實(shí)施例方式圖1為本發(fā)明方法的基本框架圖，該方法主要由以下四個(gè)核心步驟構(gòu)成
步驟1 定義TV正則化盲復(fù)原最小化代價(jià)函數(shù)，采用算子替換的方法將盲去卷積模型中的梯度算子進(jìn)行替換
權(quán)利要求
1.一種基于Split Bregman迭代的全變差正則化圖像盲復(fù)原方法，該方法包括以下步驟(1)定義TV正則化盲復(fù)原最小化代價(jià)函數(shù)，采用算子替換的方法將盲去卷積模型中的 梯度算子進(jìn)行替換
2.根據(jù)權(quán)利要求1所述的基于SplitBregman迭代的全變差正則化圖像盲復(fù)原方法， 其特征在于步驟(1)中所述TV正則化盲復(fù)原最小化代價(jià)函數(shù)定義如下
3.根據(jù)權(quán)利要求1或2所述的基于Split Bregman迭代的全變差正則化圖像盲復(fù)原方法，其特征在于，所述步驟(2)中引入兩個(gè)懲罰項(xiàng)對(duì)
4.根據(jù)權(quán)利要求3所述的基于Split Bregman迭代的全變差正則化圖像盲復(fù)原方法， 其特征在于，所述步驟(3)中為解決步驟(2)中分裂最小化代價(jià)函數(shù)，采用擴(kuò)展的Split Bregman迭代求解框架如下
5.根據(jù)權(quán)利要求4所述的基于Split Bregman迭代的全變差正則化圖像盲復(fù)原方法，其特征在于，所述擴(kuò)展的Split Bregman迭代求解框架分解為五個(gè)子問題進(jìn)行交替最小化，在復(fù)原過程中，采用圖像與PSF的非負(fù)約束條件，并假定PSF是歸一化的，且其支持域的大小是已知的，所述方法采用復(fù)原過程中相鄰的兩次迭代所估計(jì)得的圖像的相對(duì)差異
全文摘要
本發(fā)明是一種基于SplitBregman迭代的全變差正則化圖像盲復(fù)原方法，屬于圖像處理技術(shù)領(lǐng)域。其核心是通過圖像先驗(yàn)信息及正則化的特點(diǎn)建立TV正則化盲復(fù)原代價(jià)函數(shù)，利用算子分裂技術(shù)將最小化問題轉(zhuǎn)化為新的約束求解問題，通過加入懲罰項(xiàng)的方法將約束求解問題轉(zhuǎn)化為分裂的代價(jià)函數(shù)，進(jìn)而提出了擴(kuò)展的SplitBregman迭代求解框架對(duì)分裂的代價(jià)函數(shù)進(jìn)行求解。實(shí)驗(yàn)表明本發(fā)明方法能夠有效、快速地復(fù)原圖像，能針對(duì)多種模糊類型進(jìn)行復(fù)原，克服傳統(tǒng)TV正則化盲復(fù)原方法對(duì)復(fù)雜模糊類型或復(fù)雜圖像復(fù)原效果不佳的缺點(diǎn)，且該發(fā)明方法對(duì)噪聲具有很好的魯棒性。
文檔編號(hào)G06T5/00GK102208100SQ20111014424
公開日2011年10月5日 申請(qǐng)日期2011年5月31日 優(yōu)先權(quán)日2011年5月31日
發(fā)明者唐述, 李偉紅, 李權(quán)利, 李正浩, 杜興, 龔衛(wèi)國(guó) 申請(qǐng)人:重慶大學(xué)