本發(fā)明涉及一種圖像去模糊的方法，具體涉及到基于外部圖像塊先驗信息與稀疏表示的圖像盲去模糊方法。

背景技術(shù)：

由于相機和拍攝場景之間的相對運動，獲得到的圖像常常存在一定程度的運動模糊。圖像退化的模型可以表示為如下的卷積過程：

其中，y是獲得的模糊圖像，k是模糊核，x是清晰圖像，n是噪聲。

由于圖像去模糊具有重要的應(yīng)用價值，目前，受到了廣泛關(guān)注。越來越多自然圖像的先驗知識應(yīng)用到去模糊框架中，文獻(r.fergus,b.singh,a.hertzmann,s.t.roweis,andw.t.freeman,removingcamerashakefromasinglephotograph,acmtransactionsongraphics,vol.25,no.3,pp.787–794,2006)提出在變分貝葉斯理論的礎(chǔ)上，通過采用零均值高斯混合模型來逼近自然圖像的重拖尾分布特性，對模糊核和整體圖像進行估計。文獻(q.shan,j.jia,anda.agarwala.high-qualitymotiondeblurringfromasingleimage,acmtrans.graph.,27(3),2008)結(jié)合了圖像和模糊核函數(shù)具有稀疏性的特點，通過使用交替優(yōu)化方法同時更新模糊核和整體去模糊圖像。文獻(j.f.cai,h.ji,c.liu,z.shen,frameletbasedblindmotiondeblurringfromasingleimage,ieeetrans.imageprocess.,21(2),562–572,2012)采用多尺度幾何方法對模糊核和整體圖像進行稀疏表示。文獻(d.krishnan,t.tay,r.fergus,etal.,blinddeconvolutionusinganormalizedsparsitymeasure,cvpr2011,2011,233-240)提出了基于規(guī)范稀疏測量的整體圖像去模糊方法。上述的這些方法都是基于對整體的圖像去模糊，并沒有利用圖像塊間的特性。而本方法考慮到圖像塊間的特性，提出了基于外部圖像塊先驗信息與稀疏表示的圖像盲去模糊。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是利用外部圖像塊與稀疏表示進行圖像盲去模糊，從而提高圖像的清晰度。

本發(fā)明的技術(shù)方案如下：

一種基于外部圖像塊先驗信息與稀疏表示的圖像盲去模糊方法，包括如下步驟：

(1)、通過對清晰圖像庫中的圖像訓練得到高斯混合模型表示外部圖像塊先驗知識；

(2)、采用圖像塊期望對數(shù)似然估計，利用上述外部圖像塊先驗知識對待處理圖像塊進行估計，并將其作為正則項加入到基于稀疏的去模糊框架模型中；

(3)、對去模糊模型框架進行分析，通過對每一類單高斯的協(xié)方差矩陣構(gòu)建每一個待求中間圖像塊的字典，利用字典得到稀疏系數(shù)，構(gòu)建出中間清晰圖像；

(4)、采用增廣拉格朗日算法求解出模糊核；采用非盲去卷積中的超拉普拉斯算法求解恢復出最終的清晰圖像。

上述步驟(3)中構(gòu)建中間清晰圖像的步驟如下：

通過求解如下模型表達式式(1)，迭代優(yōu)化中間清晰圖像和稀疏系數(shù)：

其中，y是模糊圖像，k是模糊核，x是待求中間清晰圖像，ηi，γi和λi是權(quán)重系數(shù)，xi是第i個待求中間清晰圖像塊，di表示圖像塊xi對應(yīng)的字典，ai是圖像塊xi的稀疏系數(shù)，μi和∑i分別是對圖像塊xi進行高斯混合模型概率表示時對應(yīng)概率最高的單高斯模型的均值和協(xié)方差矩陣；

對上述的模型表達式式(1)中構(gòu)建系數(shù)稀疏進行一定修改，增加噪聲控制因子σ，表達式如下：

將式(2)進行優(yōu)化，得到如下的表達式：

其中，λi是式(1)中協(xié)方差矩陣∑i對應(yīng)的特征值矩陣；

通過圖像塊對應(yīng)單高斯模型的協(xié)方差矩陣∑i構(gòu)建圖像塊字典，其表達式為：

中間清晰圖像的構(gòu)建如下：

上述步驟(4)中最終的清晰圖像的求解步驟如下：

(a)、估計模糊核，構(gòu)建的模糊核的模型表達式如下：

其中β表示權(quán)重系數(shù)，f2(k)的表達式如下：

(b)、采用分裂bregman算法，將式(6)轉(zhuǎn)化為：

(c)、引入增廣拉格朗日算法，將式(8)優(yōu)化為：

(d)、得到模糊核之后，通過超拉普拉斯算法恢復出最終的清晰圖像，其表達式為：

其中，||·||p表示為p范數(shù)，0＜p＜1，α表示為權(quán)重系數(shù)；

通過引入輔助變量w，將上式(10)轉(zhuǎn)化為：

其中，α，α1是權(quán)重系數(shù)；

固定w，的求解表達式為：

最終采用fft算法求解清晰圖像的閉合式為：

本發(fā)明的有益效果：從本實驗的效果圖可以很明顯的得出結(jié)論，對于去模糊圖像本方法在抑制振鈴和減弱噪聲方面效果更好。

附圖說明

圖1是本發(fā)明圖像去模糊整體框架；

圖2是本方法采用的模糊圖像；

圖3是實施例1中對灰度圖像的實驗結(jié)果效果圖像；

圖4是實施例1中對彩色圖像的實驗結(jié)果效果圖像。

具體實施方式

下面結(jié)合附圖，對本發(fā)明的基于外部圖像塊稀疏表示的圖像盲去模糊方法進一步闡述。

如圖1、圖2所示，一種基于外部圖像塊先驗信息與稀疏表示的圖像盲去模糊方法，包括如下步驟：

(1)、通過對清晰圖像庫中的圖像訓練得到高斯混合模型表示外部圖像塊先驗知識；

(2)、采用圖像塊期望對數(shù)似然估計，利用上述外部圖像塊先驗知識對待處理圖像塊進行估計，并將其作為正則項加入到基于稀疏的去模糊框架模型中；

(3)、對去模糊模型框架進行分析，通過對每一類單高斯的協(xié)方差矩陣構(gòu)建每一個待求中間圖像塊的字典，利用字典得到稀疏系數(shù)，構(gòu)建出中間清晰圖像；

(4)、采用增廣拉格朗日算法求解出模糊核；采用非盲去卷積中的超拉普拉斯算法求解恢復出最終的清晰圖像。

上述步驟(3)中構(gòu)建中間清晰圖像的步驟如下：

通過求解如下模型表達式式(1)，迭代優(yōu)化中間清晰圖像和稀疏系數(shù)：

其中，y是模糊圖像，k是模糊核，x是待求中間清晰圖像，ηi，γi和λi是權(quán)重系數(shù)，xi是第i個待求中間清晰圖像塊，di表示圖像塊xi對應(yīng)的字典，ai是圖像塊xi的稀疏系數(shù)，μi和∑i分別是對圖像塊xi進行高斯混合模型概率表示時對應(yīng)概率最高的單高斯模型的均值和協(xié)方差矩陣；

對上述的模型表達式式(1)中構(gòu)建系數(shù)稀疏進行一定修改，增加噪聲控制因子σ，表達式如下：

其中，σ的具體數(shù)值可通過一些已有圖像噪聲估計方法獲得。

將式(2)進行優(yōu)化，得到如下的表達式：

其中，λi是式(1)中協(xié)方差矩陣∑i對應(yīng)的特征值矩陣；

通過圖像塊對應(yīng)單高斯模型的協(xié)方差矩陣∑i構(gòu)建圖像塊字典，其表達式為：

中間清晰圖像的構(gòu)建如下：

上述步驟(4)中最終的清晰圖像的求解步驟如下：

(a)、估計模糊核，構(gòu)建的模糊核的模型表達式如下：

其中β表示權(quán)重系數(shù)，f2(k)的表達式如下：

(b)、采用分裂bregman算法，將式(6)轉(zhuǎn)化為：

(c)、引入增廣拉格朗日算法，將式(8)優(yōu)化為：

(d)、得到模糊核之后，通過超拉普拉斯算法恢復出最終的清晰圖像，其表達式為：

其中，||·||p表示為p范數(shù)，0＜p＜1，α表示為權(quán)重系數(shù)；

通過引入輔助變量w，將上式(10)轉(zhuǎn)化為：

其中，α，α1是權(quán)重系數(shù)；

固定w，的求解表達式為：

最終采用fft算法求解清晰圖像的閉合式為：

實施例1：

1)實驗條件

本實驗中具體參數(shù)設(shè)置為γi＝2，β＝1，α＝3×10^-4，p＝2/3。其中模糊核的大小設(shè)置從15×15到35×35。為了便于實驗比較，專利中所有算法都采用同一個大小的模糊核。

2)實驗內(nèi)容

根據(jù)具體的實驗參數(shù)設(shè)置，對多種圖像去模糊算法進行實驗仿真，得出具體實驗結(jié)果如下所示。圖3共兩組灰度圖像，每組圖像的左邊的是(z.hu,b.j.huang,h.m.yang,"singleimagedeblurringwithadaptivedictionarylearning,"inieeeint.conf.onimagingprocess.,pp.1169-1172,2010)的實驗效果圖。每組圖像的右邊是本方法的實驗效果圖。從塔頂部和女孩衣襟細節(jié)處看出，我們的實驗恢復出來的紋理效果更好，減弱了噪聲，抑制了振鈴現(xiàn)象。本實驗的結(jié)果在細節(jié)處和平滑處在都優(yōu)于hu的方法。

圖4共四組彩色圖像，每組分別是6種去模糊方法，從左到右依次是：fergus，pan，krishnan，cai，filip，本方法。很明顯的看出本方法在抑制振鈴和減弱噪聲方面比其他5種的算法效果更佳。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和變形，這些改進和變形也應(yīng)視為本發(fā)明的保護范圍。