本發(fā)明屬于圖像數(shù)據(jù)處理領(lǐng)域，具體涉及一種凝視紅外退化圖像自適應(yīng)復(fù)原方法。
背景技術(shù)：
：在紅外圖像采集、傳輸和處理過(guò)程中，由于受大氣擾動(dòng)、光學(xué)系統(tǒng)聚焦不良、景物和成像裝置的相對(duì)運(yùn)動(dòng)等因素影響，導(dǎo)致得到的圖像質(zhì)量下降，圖像變得模糊。為了獲得高信噪比、高清晰度的圖像，需要根據(jù)圖像退化模型對(duì)退化圖像進(jìn)行復(fù)原。圖像復(fù)原是圖像處理領(lǐng)域中一個(gè)基礎(chǔ)性、前提性的處理過(guò)程，在初級(jí)視覺處理中占有極其重要的地位，國(guó)內(nèi)外學(xué)者都很重視這方面的研究。圖像復(fù)原根據(jù)已知的先驗(yàn)知識(shí)多少可分為典型的圖像復(fù)原和圖像盲目復(fù)原兩大類。圖像復(fù)原的難易程度主要取決于先驗(yàn)知識(shí)掌握的精確程度。典型的圖像復(fù)原是根據(jù)確定的先驗(yàn)知識(shí)計(jì)算系統(tǒng)退化的點(diǎn)擴(kuò)散函數(shù)，然后利用逆濾波、最小二乘濾波等反退化的方法，對(duì)退化圖像進(jìn)行復(fù)原，如逆濾波法、空域?yàn)V波方法、以及代數(shù)方法等。圖像盲目復(fù)原是指不需要系統(tǒng)退化的先驗(yàn)知識(shí)或僅需要部分系統(tǒng)退化的先驗(yàn)知識(shí)，通過(guò)對(duì)退化過(guò)程(模糊和噪聲)建立模型，進(jìn)而從退化圖像特征中估計(jì)真實(shí)圖像，如零葉面分離法、ARMA參數(shù)估計(jì)法、先驗(yàn)?zāi)：孀R(shí)法等。現(xiàn)有的紅外圖像復(fù)原方法存在以下缺點(diǎn)：(1)多數(shù)現(xiàn)有的紅外圖像復(fù)原方法僅適用于高信噪比的輸入圖像，隨著輸入圖像信噪比下降，復(fù)原圖像視覺效果變差，不利用人類或機(jī)器對(duì)圖像的理解和分析；(2)多數(shù)現(xiàn)有的紅外圖像復(fù)原方法對(duì)整幅圖像使用同一正則化參數(shù)進(jìn)行正則化，沒有利用局部特征信息，導(dǎo)致復(fù)原過(guò)程中損失了大量細(xì)節(jié)信息；(3)多數(shù)現(xiàn)有的圖像復(fù)原方法運(yùn)算量大，不易于硬件實(shí)時(shí)實(shí)現(xiàn)。技術(shù)實(shí)現(xiàn)要素：為了解決上述問(wèn)題，本發(fā)明提供了一種凝視紅外退化圖像自適應(yīng)復(fù)原方法，方法簡(jiǎn)單、適用性強(qiáng)、效果良好、且適合硬件實(shí)時(shí)實(shí)現(xiàn)。本發(fā)明凝視紅外退化圖像自適應(yīng)復(fù)原方法，主要包括以下步驟：S1、獲取輸入圖像I；S2、構(gòu)造圖像退化模型A；S3、計(jì)算所述輸入圖像的信息熵以及計(jì)算所述輸入圖像的各向異性擴(kuò)散系數(shù)；S4、根據(jù)所述信息熵和各向異性擴(kuò)散系數(shù)計(jì)算任一坐標(biāo)(i,j)處的正則化系數(shù)λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，H(i,j)為坐標(biāo)(i,j)處的信息熵，G(i,j)為坐標(biāo)(i,j)處的各向異性擴(kuò)散系數(shù)，Hmax和Hmin分別為信息熵H中的最大值和最小值，Gmax和Gmin分別表示各向異性擴(kuò)散系數(shù)G中的最大值和最小值，0≤a≤1，0≤b≤1，a+b＝1；S5、根據(jù)輸入圖像I、圖像退化模型A以及正則化系數(shù)λ(i,j)計(jì)算復(fù)原圖像Iout；S6、輸出復(fù)原圖像Iout。優(yōu)選的是，所述步驟S2中，圖像退化模型A選用高斯低通濾波器，表達(dá)式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐標(biāo)位置(i,j)的系數(shù)，D(i,j)是坐標(biāo)(i,j)距傅里葉變換原點(diǎn)的距離，σ1表示高斯曲線擴(kuò)展的程度。優(yōu)選的是，所述步驟S3中，以坐標(biāo)(i,j)為中心的鄰域P×Q的信息熵H(i,j)表達(dá)式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐標(biāo)(i,j)位置處的灰度分布概率，I(i,j)和I(i+m,j+n)分別表示圖像I的坐標(biāo)(i,j)和坐標(biāo)(i+m,j+n)位置處的灰度值，1≤m≤P，1≤n≤Q。優(yōu)選的是，所述步驟S3中，圖像的各向異性擴(kuò)散系數(shù)基于如下方程求?。?part;I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)為時(shí)刻t坐標(biāo)(i,j)位置處的圖像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的擴(kuò)散系數(shù)函數(shù)，是對(duì)圖像I求偏導(dǎo)運(yùn)算，這里，各向異性擴(kuò)散系數(shù)的函數(shù)表達(dá)式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是圖像鄰域標(biāo)準(zhǔn)差。優(yōu)選的是，所述步驟S4中，a與b均取值0.5。優(yōu)選的是，所述步驟S5中，根據(jù)輸入圖像I、圖像退化模型A以及正則化系數(shù)λ(i,j)計(jì)算復(fù)原圖像Iout時(shí)采用迭代法。上述方案中優(yōu)選的是，所述步驟S5中，采用迭代法求取第k+1次迭代圖像Ik+1的表達(dá)式如下所示：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>其中，Ik+1(i,j)表示圖像Ik+1在坐標(biāo)(i,j)位置處的灰度值，Ik(i,j)表示圖像Ik在坐標(biāo)(i,j)位置處的灰度值，U(i,j)表示正則化因子U在坐標(biāo)(i,j)位置處的正則化值，A表示圖像退化模型，*是卷積運(yùn)算，是相關(guān)運(yùn)算，·是相乘運(yùn)算，復(fù)原圖像Iout＝Ik+1。在上述任一方案中優(yōu)選的是，所述步驟S5中，所述迭代次數(shù)為5～20。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下顯著優(yōu)點(diǎn)：(1)特別針對(duì)低信噪比紅外圖像，在抑制噪聲的同時(shí)能有效恢復(fù)細(xì)節(jié)信息；(2)根據(jù)圖像局部區(qū)域的信息熵和各向異性擴(kuò)散系數(shù)自適應(yīng)計(jì)算正則化參數(shù)，具備多尺度復(fù)原能力，實(shí)現(xiàn)了圖像平滑區(qū)正則化能力強(qiáng)，圖像細(xì)節(jié)區(qū)正則化能力弱；(3)圖像退化模型能夠根據(jù)實(shí)際退化過(guò)程靈活構(gòu)建；(4)不存在高階運(yùn)算和復(fù)雜結(jié)構(gòu)，算法運(yùn)算量小，易于硬件實(shí)時(shí)實(shí)現(xiàn)。附圖說(shuō)明圖1為本發(fā)明凝視紅外退化圖像自適應(yīng)復(fù)原方法的一優(yōu)選實(shí)施例的流程圖。具體實(shí)施方式為使本發(fā)明實(shí)施的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行更加詳細(xì)的描述。在附圖中，自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行詳細(xì)說(shuō)明。在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“中心”、“縱向”、“橫向”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明保護(hù)范圍的限制。本發(fā)明凝視紅外退化圖像自適應(yīng)復(fù)原方法如圖1所示，主要包括以下步驟：S1、獲取輸入圖像I；S2、構(gòu)造圖像退化模型A；S3、計(jì)算所述輸入圖像的信息熵以及計(jì)算所述輸入圖像的各向異性擴(kuò)散系數(shù)；S4、根據(jù)所述信息熵和各向異性擴(kuò)散系數(shù)計(jì)算任一坐標(biāo)(i,j)處的正則化系數(shù)λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，H(i,j)為坐標(biāo)(i,j)處的信息熵，G(i,j)為坐標(biāo)(i,j)處的各向異性擴(kuò)散系數(shù)，Hmax和Hmin分別為信息熵H中的最大值和最小值，Gmax和Gmin分別表示各向異性擴(kuò)散系數(shù)G中的最大值和最小值，0≤a≤1，0≤b≤1，a+b＝1；S5、根據(jù)輸入圖像I、圖像退化模型A以及正則化系數(shù)λ(i,j)計(jì)算復(fù)原圖像Iout；S6、輸出復(fù)原圖像Iout。優(yōu)選的是，所述步驟S2中，圖像退化模型A選用高斯低通濾波器，表達(dá)式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐標(biāo)位置(i,j)的系數(shù)，D(i,j)是坐標(biāo)(i,j)距傅里葉變換原點(diǎn)的距離，σ1表示高斯曲線擴(kuò)展的程度。下面以具體實(shí)例來(lái)說(shuō)明本發(fā)明凝視紅外退化圖像自適應(yīng)復(fù)原方法。實(shí)施例1、紅外熱像儀焦平面陣列大小是640×512，工作幀頻是每秒50幀。圖像處理平臺(tái)采用DSP+FPGA架構(gòu)，凝視紅外退化圖像自適應(yīng)復(fù)原方法在DSP處理器中實(shí)現(xiàn)，滿足實(shí)時(shí)處理的需求?？梢岳斫獾氖牵诓襟ES1中，DSP處理器輸入圖像是16位數(shù)字圖像，圖像尺寸是640×512，以下描述中，圖像的坐標(biāo)(i,j)中i，j的分別取整數(shù)，且1≤i≤512，1≤j≤640。本實(shí)施例中，對(duì)圖像進(jìn)行恢復(fù)處理通常需要根據(jù)一定的圖像退化模型來(lái)進(jìn)行，一個(gè)簡(jiǎn)單的通用圖像退化模型可將圖像的退化過(guò)程模型化為一個(gè)作用在原始圖像f(x,y)上的退化系統(tǒng)H，作用結(jié)果與一個(gè)高斯噪聲n(x,y)的聯(lián)合作用導(dǎo)致產(chǎn)生出了退化圖像g(x,y)。根據(jù)上述退化系統(tǒng)H可以從給定的退化圖像g(x,y)得到原始圖像f(x,y)的一個(gè)近似結(jié)果。去除高斯噪聲的方法有直方圖變換，低通濾波，高通濾波，逆濾波，維納濾波，中值濾波等，本實(shí)施例步驟S2中，圖像退化模型A選用高斯低通濾波器，表達(dá)式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐標(biāo)位置(i,j)的系數(shù)，D(i,j)是坐標(biāo)(i,j)距傅里葉變換原點(diǎn)的距離，σ1表示高斯曲線擴(kuò)展的程度，e為自然常數(shù)，約為2.71828。圖像退化模型選用高斯低通濾波器，設(shè)置濾波器尺寸為5×5，標(biāo)準(zhǔn)偏差為0.6，則濾波器矩陣表達(dá)如表1所示：表15×5高斯低通濾波器00.00040.00170.000400.00040.02740.10990.02740.00040.00170.10990.44070.10990.00170.00040.02740.10990.02740.000400.00040.00170.00040步驟S3中，分別計(jì)算圖像的信息熵與各項(xiàng)異性擴(kuò)散系數(shù)，可以理解的是，上述技術(shù)方法存在多樣性，下面以某一具體方程進(jìn)行說(shuō)明。所述步驟S3中，以坐標(biāo)(i,j)為中心的鄰域P×Q的信息熵H(i,j)表達(dá)式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐標(biāo)(i,j)位置處的灰度分布概率，I(i,j)和I(i+m,j+n)分別表示圖像I的坐標(biāo)(i,j)和坐標(biāo)(i+m,j+n)位置處的灰度值，1≤m≤P，1≤n≤Q。下面選用7*7鄰域計(jì)算信息熵進(jìn)行說(shuō)明，即P＝7，Q＝7，以Iin作為輸入圖像代替上述公式的的圖像I，則替代后的表達(dá)式如下所示：H(i,j)=-Σm=17Σn=17p(i,j)·lgp(i,j)]]>p(i,j)=Iin(i,j)/[Σm=17Σn=17Iin(i+m,j+n)]]]>其中，1≤m≤7，1≤n≤7，1≤i≤512，1≤j≤640。圖像的各向異性擴(kuò)散系數(shù)G基于如下方程求?。?part;I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)為時(shí)刻t坐標(biāo)(i,j)位置處的圖像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的擴(kuò)散系數(shù)函數(shù)，是對(duì)圖像I求偏導(dǎo)運(yùn)算，這里，各向異性擴(kuò)散系數(shù)的函數(shù)表達(dá)式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是圖像鄰域標(biāo)準(zhǔn)差，為0.6，鄰域?yàn)?×5?？梢岳斫獾氖牵瑢?duì)所述640×512的圖像來(lái)說(shuō)，任一像素值存在對(duì)應(yīng)的信息熵與各項(xiàng)異性擴(kuò)散系數(shù)，以H(i,j)及G(i,j)分布進(jìn)行表示，因此，對(duì)于信息熵來(lái)說(shuō)，存在最大值Hmax和最小值Hmin，同理，對(duì)于各向異性擴(kuò)散系數(shù)G來(lái)說(shuō)，存在最大值Gmax和最小值Gmin。正則化處理主要是要解決復(fù)原方法中病態(tài)問(wèn)題。正則化系數(shù)λ在能夠衡量信號(hào)奇異性的同時(shí)能夠更好地保持信號(hào)的細(xì)節(jié)信息。正則化系數(shù)λ增大時(shí)，可有效抑制高頻噪聲，然而，圖像細(xì)節(jié)保持能力變差；正則化系數(shù)λ減小時(shí)，圖像細(xì)節(jié)保持能力增強(qiáng)。因此，根據(jù)圖像內(nèi)容自適應(yīng)計(jì)算正則化系數(shù)是復(fù)原算法成功的關(guān)鍵。信息熵H表征圖像灰度分布的聚集特性，圖像越均勻，信息熵越大。各向異性擴(kuò)散系數(shù)G表征圖像的平滑程度，圖像越均勻，各向異性擴(kuò)散系數(shù)越小。為了最大程度去除復(fù)原過(guò)程中產(chǎn)生的奇異值，并保持圖像的細(xì)節(jié)信息，本發(fā)明結(jié)合信息熵H與各向異性擴(kuò)散系數(shù)G的特點(diǎn)，在所述步驟S4中，根據(jù)所述信息熵和各向異性擴(kuò)散系數(shù)計(jì)算任一坐標(biāo)(i,j)處的正則化系數(shù)λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，a、b是常系數(shù)，用于反映信息熵和各向異性擴(kuò)散系數(shù)載正則化時(shí)占的比重，0≤a≤1，0≤b≤1，a+b＝1。本實(shí)施例中，為保證通用性和最佳處理效果，a與b均取值0.5，構(gòu)建的正則化系數(shù)在抑制平滑區(qū)域(正則化系數(shù)λ增大)的高頻噪聲的同時(shí)使邊緣細(xì)節(jié)信息(正則化系數(shù)λ減小)得到有效保持。步驟S5中，根據(jù)輸入圖像I、圖像退化模型A以及正則化系數(shù)λ(i,j)計(jì)算復(fù)原圖像Iout，以下公式中，復(fù)原圖像Iout＝Ik+1，輸入的圖像I＝Ik,公式如下：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>為了使復(fù)原圖像更接近實(shí)際圖像，上述公式也可以作為迭代公式進(jìn)行使用，迭代次數(shù)一般選取為5～20次，即當(dāng)k＝1時(shí)，其為原始圖像，之后的第k+1次的圖像灰度值依次在第k次的圖像灰度值上進(jìn)行計(jì)算，其中，Ik+1(i,j)表示圖像Ik+1在坐標(biāo)(i,j)位置處的灰度值，Ik(i,j)表示圖像Ik在坐標(biāo)(i,j)位置處的灰度值，U(i,j)表示正則化因子U在坐標(biāo)(i,j)位置處的正則化值，選用Tikhonov模型計(jì)算。A表示圖像退化模型，*是卷積運(yùn)算，是相關(guān)運(yùn)算，1≤i≤512，1≤j≤640，本實(shí)施例中k＝5，·是相乘運(yùn)算，復(fù)原圖像Iout＝I6。實(shí)施例2、紅外熱像儀焦平面陣列大小是320×256，工作幀頻是每秒50幀。圖像處理平臺(tái)采用DSP+FPGA架構(gòu)，凝視紅外退化圖像自適應(yīng)復(fù)原方法在DSP處理器中實(shí)現(xiàn)，滿足實(shí)時(shí)處理的需求?？梢岳斫獾氖?，在步驟S1中，DSP處理器輸入圖像是16位數(shù)字圖像，圖像尺寸是320×256，以下描述中，圖像的坐標(biāo)(i,j)中i，j的分別取整數(shù)，且1≤i≤256，1≤j≤320。本實(shí)施例中，對(duì)圖像進(jìn)行恢復(fù)處理通常需要根據(jù)一定的圖像退化模型來(lái)進(jìn)行，一個(gè)簡(jiǎn)單的通用圖像退化模型可將圖像的退化過(guò)程模型化為一個(gè)作用在原始圖像f(x,y)上的退化系統(tǒng)H，作用結(jié)果與一個(gè)高斯噪聲n(x,y)的聯(lián)合作用導(dǎo)致產(chǎn)生出了退化圖像g(x,y)。根據(jù)上述退化系統(tǒng)H可以從給定的退化圖像g(x,y)得到原始圖像f(x,y)的一個(gè)近似結(jié)果。去除高斯噪聲的方法有直方圖變換，低通濾波，高通濾波，逆濾波，維納濾波，中值濾波等，本實(shí)施例步驟S2中，圖像退化模型A選用高斯低通濾波器，表達(dá)式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐標(biāo)位置(i,j)的系數(shù)，D(i,j)是坐標(biāo)(i,j)距傅里葉變換原點(diǎn)的距離，σ1表示高斯曲線擴(kuò)展的程度，e為自然常數(shù)，約為2.71828。圖像退化模型選用高斯低通濾波器，設(shè)置濾波器尺寸為5×5，標(biāo)準(zhǔn)偏差為0.6，則濾波器矩陣表達(dá)如表1所示：表15×5高斯低通濾波器00.00040.00170.000400.00040.02740.10990.02740.00040.00170.10990.44070.10990.00170.00040.02740.10990.02740.000400.00040.00170.00040步驟S3中，分別計(jì)算圖像的信息熵與各項(xiàng)異性擴(kuò)散系數(shù)，可以理解的是，上述技術(shù)方法存在多樣性，下面以某一具體方程進(jìn)行說(shuō)明。所述步驟S3中，以坐標(biāo)(i,j)為中心的鄰域P×Q的信息熵H(i,j)表達(dá)式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐標(biāo)(i,j)位置處的灰度分布概率，I(i,j)和I(i+m,j+n)分別表示圖像I的坐標(biāo)(i,j)和坐標(biāo)(i+m,j+n)位置處的灰度值，1≤m≤P，1≤n≤Q。下面選用10*10鄰域計(jì)算信息熵進(jìn)行說(shuō)明，即P＝10，Q＝10，以Iin作為輸入圖像代替上述公式的的圖像I，則替代后的表達(dá)式如下所示：H(i,j)=-Σm=110Σn=110p(i,j)·lgp(i,j)]]>p(i,j)=Iin(i,j)/[Σm=110Σn=110Iin(i+m,j+n)]]]>其中，1≤m≤10，1≤n≤10，1≤i≤256，1≤j≤320。圖像的各向異性擴(kuò)散系數(shù)G基于如下方程求?。?part;I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)為時(shí)刻t坐標(biāo)(i,j)位置處的圖像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的擴(kuò)散系數(shù)函數(shù)，是對(duì)圖像I求偏導(dǎo)運(yùn)算，這里，各向異性擴(kuò)散系數(shù)的函數(shù)表達(dá)式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是圖像鄰域標(biāo)準(zhǔn)差，為0.6，鄰域?yàn)?×5?？梢岳斫獾氖?，對(duì)所述320×256的圖像來(lái)說(shuō)，任一像素值存在對(duì)應(yīng)的信息熵與各項(xiàng)異性擴(kuò)散系數(shù)，以H(i,j)及G(i,j)分布進(jìn)行表示，因此，對(duì)于信息熵來(lái)說(shuō)，存在最大值Hmax和最小值Hmin，同理，對(duì)于各向異性擴(kuò)散系數(shù)G來(lái)說(shuō)，存在最大值Gmax和最小值Gmin。正則化處理主要是要解決復(fù)原方法中病態(tài)問(wèn)題。正則化系數(shù)λ在能夠衡量信號(hào)奇異性的同時(shí)能夠更好地保持信號(hào)的細(xì)節(jié)信息。正則化系數(shù)λ增大時(shí)，可有效抑制高頻噪聲，然而，圖像細(xì)節(jié)保持能力變差；正則化系數(shù)λ減小時(shí)，圖像細(xì)節(jié)保持能力增強(qiáng)。因此，根據(jù)圖像內(nèi)容自適應(yīng)計(jì)算正則化系數(shù)是復(fù)原算法成功的關(guān)鍵。信息熵H表征圖像灰度分布的聚集特性，圖像越均勻，信息熵越大。各向異性擴(kuò)散系數(shù)G表征圖像的平滑程度，圖像越均勻，各向異性擴(kuò)散系數(shù)越小。為了最大程度去除復(fù)原過(guò)程中產(chǎn)生的奇異值，并保持圖像的細(xì)節(jié)信息，本發(fā)明結(jié)合信息熵H與各向異性擴(kuò)散系數(shù)G的特點(diǎn)，在所述步驟S4中，根據(jù)所述信息熵和各向異性擴(kuò)散系數(shù)計(jì)算任一坐標(biāo)(i,j)處的正則化系數(shù)λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，a、b是常系數(shù)，用于反映信息熵和各向異性擴(kuò)散系數(shù)載正則化時(shí)占的比重，0≤a≤1，0≤b≤1，a+b＝1。本實(shí)施例中，為保證通用性和最佳處理效果，a與b均取值0.5，構(gòu)建的正則化系數(shù)在抑制平滑區(qū)域(正則化系數(shù)λ增大)的高頻噪聲的同時(shí)使邊緣細(xì)節(jié)信息(正則化系數(shù)λ減小)得到有效保持。步驟S5中，根據(jù)輸入圖像I、圖像退化模型A以及正則化系數(shù)λ(i,j)計(jì)算復(fù)原圖像Iout，以下公式中，復(fù)原圖像Iout＝Ik+1，輸入的圖像I＝Ik,公式如下：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>上述公式也可以作為迭代公式進(jìn)行使用，即當(dāng)k＝1時(shí)，其為原始圖像，之后的第k+1次的圖像灰度值依次在第k次的圖像灰度值上進(jìn)行計(jì)算，其中，Ik+1(i,j)表示圖像Ik+1在坐標(biāo)(i,j)位置處的灰度值，Ik(i,j)表示圖像Ik在坐標(biāo)(i,j)位置處的灰度值，U(i,j)表示正則化因子U在坐標(biāo)(i,j)位置處的正則化值，選用Tikhonov模型計(jì)算。A表示圖像退化模型，*是卷積運(yùn)算，是相關(guān)運(yùn)算，1≤i≤256，1≤j≤320，本實(shí)施例中k＝10，·是相乘運(yùn)算，復(fù)原圖像Iout＝I11。實(shí)施例3、紅外熱像儀焦平面陣列大小是640×512，工作幀頻是每秒50幀。圖像處理平臺(tái)采用DSP+FPGA架構(gòu)，凝視紅外退化圖像自適應(yīng)復(fù)原方法在DSP處理器中實(shí)現(xiàn)，滿足實(shí)時(shí)處理的需求?？梢岳斫獾氖?，在步驟S1中，DSP處理器輸入圖像是16位數(shù)字圖像，圖像尺寸是640×512，以下描述中，圖像的坐標(biāo)(i,j)中i，j的分別取整數(shù)，且1≤i≤512，1≤j≤640。本實(shí)施例中，對(duì)圖像進(jìn)行恢復(fù)處理通常需要根據(jù)一定的圖像退化模型來(lái)進(jìn)行，一個(gè)簡(jiǎn)單的通用圖像退化模型可將圖像的退化過(guò)程模型化為一個(gè)作用在原始圖像f(x,y)上的退化系統(tǒng)H，作用結(jié)果與一個(gè)高斯噪聲n(x,y)的聯(lián)合作用導(dǎo)致產(chǎn)生出了退化圖像g(x,y)。根據(jù)上述退化系統(tǒng)H可以從給定的退化圖像g(x,y)得到原始圖像f(x,y)的一個(gè)近似結(jié)果。去除高斯噪聲的方法有直方圖變換，低通濾波，高通濾波，逆濾波，維納濾波，中值濾波等，本實(shí)施例步驟S2中，圖像退化模型A選用高斯低通濾波器，表達(dá)式如下所示：A(i,j)=e-D2(i,j)2σ12]]>其中，A(i，j)表示退化模型A在坐標(biāo)位置(i,j)的系數(shù)，D(i,j)是坐標(biāo)(i,j)距傅里葉變換原點(diǎn)的距離，σ1表示高斯曲線擴(kuò)展的程度，e為自然常數(shù)，約為2.71828。圖像退化模型選用高斯低通濾波器，設(shè)置濾波器尺寸為5×5，標(biāo)準(zhǔn)偏差為0.6，則濾波器矩陣表達(dá)如表1所示：表15×5高斯低通濾波器步驟S3中，分別計(jì)算圖像的信息熵與各項(xiàng)異性擴(kuò)散系數(shù)，可以理解的是，上述技術(shù)方法存在多樣性，下面以某一具體方程進(jìn)行說(shuō)明。所述步驟S3中，以坐標(biāo)(i,j)為中心的鄰域P×Q的信息熵H(i,j)表達(dá)式如下所示：H(i,j)=-Σm=1PΣn=1Qp(i,j)·lgp(i,j)]]>p(i,j)=I(i,j)/[Σm=1PΣn=1QI(i+m,j+n)]]]>其中，p(i,j)表示坐標(biāo)(i,j)位置處的灰度分布概率，I(i,j)和I(i+m,j+n)分別表示圖像I的坐標(biāo)(i,j)和坐標(biāo)(i+m,j+n)位置處的灰度值，1≤m≤P，1≤n≤Q。下面選用7*7鄰域計(jì)算信息熵進(jìn)行說(shuō)明，即P＝7，Q＝7，以Iin作為輸入圖像代替上述公式的的圖像I，則替代后的表達(dá)式如下所示：H(i,j)=-Σm=17Σn=17p(i,j)·lgp(i,j)]]>p(i,j)=Iin(i,j)/[Σm=17Σn=17Iin(i+m,j+n)]]]>其中，1≤m≤7，1≤n≤7，1≤i≤512，1≤j≤640。圖像的各向異性擴(kuò)散系數(shù)G基于如下方程求?。?part;I(i,j,t)∂t=div[G(i,j,t)(|▿I|)·▿I(i,j,t)]I(i,j,t)|t=0=I(i,j,0)]]>I(i,j,t)為時(shí)刻t坐標(biāo)(i,j)位置處的圖像像素值，是梯度算子，div是散度算子,是局部梯度值，G(·)表示所述局部梯度值的擴(kuò)散系數(shù)函數(shù)，是對(duì)圖像I求偏導(dǎo)運(yùn)算，這里，各向異性擴(kuò)散系數(shù)的函數(shù)表達(dá)式如下：G(i,j,t)(|▿I|)=11+|▿I(i,j,t)|·σ(i,j,t)2]]>其中，σ是圖像鄰域標(biāo)準(zhǔn)差，為0.6，鄰域?yàn)?×5?？梢岳斫獾氖?，對(duì)所述640×512的圖像來(lái)說(shuō)，任一像素值存在對(duì)應(yīng)的信息熵與各項(xiàng)異性擴(kuò)散系數(shù)，以H(i,j)及G(i,j)分布進(jìn)行表示，因此，對(duì)于信息熵來(lái)說(shuō)，存在最大值Hmax和最小值Hmin，同理，對(duì)于各向異性擴(kuò)散系數(shù)G來(lái)說(shuō)，存在最大值Gmax和最小值Gmin。正則化處理主要是要解決復(fù)原方法中病態(tài)問(wèn)題。正則化系數(shù)λ在能夠衡量信號(hào)奇異性的同時(shí)能夠更好地保持信號(hào)的細(xì)節(jié)信息。正則化系數(shù)λ增大時(shí)，可有效抑制高頻噪聲，然而，圖像細(xì)節(jié)保持能力變差；正則化系數(shù)λ減小時(shí)，圖像細(xì)節(jié)保持能力增強(qiáng)。因此，根據(jù)圖像內(nèi)容自適應(yīng)計(jì)算正則化系數(shù)是復(fù)原算法成功的關(guān)鍵。信息熵H表征圖像灰度分布的聚集特性，圖像越均勻，信息熵越大。各向異性擴(kuò)散系數(shù)G表征圖像的平滑程度，圖像越均勻，各向異性擴(kuò)散系數(shù)越小。為了最大程度去除復(fù)原過(guò)程中產(chǎn)生的奇異值，并保持圖像的細(xì)節(jié)信息，本發(fā)明結(jié)合信息熵H與各向異性擴(kuò)散系數(shù)G的特點(diǎn)，在所述步驟S4中，根據(jù)所述信息熵和各向異性擴(kuò)散系數(shù)計(jì)算任一坐標(biāo)(i,j)處的正則化系數(shù)λ(i,j)，λ(i,j)=a×H(i,j)-HminHmax-Hmin+b×Gmax-G(i,j)Gmax-Gmin]]>其中，a、b是常系數(shù)，用于反映信息熵和各向異性擴(kuò)散系數(shù)載正則化時(shí)占的比重，0≤a≤1，0≤b≤1，a+b＝1。與上述實(shí)施例不同的是，根據(jù)信息熵與各向異性擴(kuò)散系數(shù)的比重，設(shè)置為a為0.5，b為0.6，構(gòu)建的正則化系數(shù)在抑制平滑區(qū)域(正則化系數(shù)λ增大)的高頻噪聲的同時(shí)使邊緣細(xì)節(jié)信息(正則化系數(shù)λ減小)得到有效保持。步驟S5中，根據(jù)輸入圖像I、圖像退化模型A以及正則化系數(shù)λ(i,j)計(jì)算復(fù)原圖像Iout，以下公式中，復(fù)原圖像Iout＝Ik+1，輸入的圖像I＝Ik,公式如下：Ik+1(i,j)=Ik(i,j)[[[I(Ik*A)(i,j)]⊕A](i,j)-λ(i,j)·U(i,j)]]]>為了使復(fù)原圖像更接近實(shí)際圖像，上述公式也可以作為迭代公式進(jìn)行使用，迭代次數(shù)一般選取為5～20次，即當(dāng)k＝1時(shí)，其為原始圖像，之后的第k+1次的圖像灰度值依次在第k次的圖像灰度值上進(jìn)行計(jì)算，其中，Ik+1(i,j)表示圖像Ik+1在坐標(biāo)(i,j)位置處的灰度值，Ik(i,j)表示圖像Ik在坐標(biāo)(i,j)位置處的灰度值，U(i,j)表示正則化因子U在坐標(biāo)(i,j)位置處的正則化值，選用Tikhonov模型計(jì)算。A表示圖像退化模型，*是卷積運(yùn)算，是相關(guān)運(yùn)算，1≤i≤512，1≤j≤640，本實(shí)施例中k＝20，·是相乘運(yùn)算，復(fù)原圖像Iout＝I21。本發(fā)明與現(xiàn)有技術(shù)相比，具有以下顯著優(yōu)點(diǎn)：(1)特別針對(duì)低信噪比紅外圖像，在抑制噪聲的同時(shí)能有效恢復(fù)細(xì)節(jié)信息；(2)根據(jù)圖像局部區(qū)域的信息熵和各向異性擴(kuò)散系數(shù)自適應(yīng)計(jì)算正則化參數(shù)，具備多尺度復(fù)原能力，實(shí)現(xiàn)了圖像平滑區(qū)正則化能力強(qiáng)，圖像細(xì)節(jié)區(qū)正則化能力弱；(3)圖像退化模型能夠根據(jù)實(shí)際退化過(guò)程靈活構(gòu)建；(4)不存在高階運(yùn)算和復(fù)雜結(jié)構(gòu)，算法運(yùn)算量小，易于硬件實(shí)時(shí)實(shí)現(xiàn)。最后需要指出的是：以上實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。當(dāng)前第1頁(yè)1 2 3