一種方向自適應圖像去模糊方法
【技術領域】
[0001] 本發(fā)明屬于航天與圖像處理交叉技術領域，更具體地，涉及一種方向自適應圖像 去模糊方法，主要適用于遙感成像圖像去模糊。
【背景技術】
[0002] 國內外發(fā)射的大量通信衛(wèi)星、資源衛(wèi)星等空間目標可用于網絡通信、航空攝影、大 地測量等應用場所。由于相機空間分辨率限制、隨機噪聲、W及大氣瑞流對遠距離光學成 像系統(tǒng)的干擾，使得傳感器獲取的圖像容易出現(xiàn)目標模糊不清的現(xiàn)象，該對后期的目標定 位、目標分類等操作帶來巨大的困難，因此。如何有效地提高該類圖像的成像質量成為國 內外研究的焦點。國內外學者對該類成像條件下的目標去模糊算法進行了詳細的研究，并 且取得了相關成果。如，何成劍，洪漢玉，張?zhí)煨虻?基于廣義規(guī)整化的紅外瑞流退化圖像 盲復原方法"，見《紅外技術》，20006年8月，第28卷，第8期。研究了一種基于廣義規(guī)整 化的瑞流退化圖像盲復原方法，對傳統(tǒng)的規(guī)整化方法進行了擴展，提出了廣義規(guī)整化的策 略，并取得了較好的校正結果。但是該方法主要是針對瑞流環(huán)境下紅外成像，對遠距離可 見光成像校正結果文中未見詳細報道。付長軍，許東，趙剣的"瑞流退化圖像的最大賭盲目 復原方法"，見《紅外與激光工程》，2008年6月，第37卷第3期。提出了一種針對具有單 一背景的瑞流退化圖像的最大賭盲目復原方法。復原過程中，為避免最大賭約束項的非線 性帶來的復雜運算，對賭的表達式進行二次近似，并利用灰度變換確保近似程度的準確性， 最后采用共輛梯度法進行求解，從而大大降低了計算量。S. Setzer, G. Steidl, T. Teuber 的 "Deblurring Poissonian images by split Bregman techniques'，，見 J. Vis. Commun. Image R. 21 (2010) 193 - 199.研究了一種基于分裂化egman迭代的圖像快速去模糊方法， 該文中所采用的加速技術只是提高了算法的速度，并未提高圖像的校正質量。

【發(fā)明內容】

[0003] 為解決現(xiàn)有方法運算速度慢或校正結果邊緣模糊的問題，本發(fā)明提供一種方向自 適應圖像校正方法，快速有效地解決了遠距離成像圖像模糊的問題，算法計算量小，適應性 好。
[0004] 為實現(xiàn)上述目的，本發(fā)明提供了一種方向自適應圖像去模糊方法，包括W下步 驟：
[0005] 步驟（1);定義方向自適應TV正則化圖像去模糊最小化代價函數：
[0006]
【主權項】
1. 一種方向自適應圖像去模糊方法，其特征在于，所述方法包括如下步驟： 步驟（1):定義方向自適應總變分（Total Variation)TV正則化圖像去模糊最小化代 價函數：
其中，u為復原圖像，H為點擴展函數，f為退化圖像，λ >〇為正則化參數；符號
表示向量Vm的范數；a = j為方向矢量：
為梯度算 子，符號?為矢量點積算子
；符號〈> 為內積算子，log為對數函數；
表示對能量泛函〈1，Hu-f log (Hu) >計算最小值，并將最小值對應的u 作為輸出； 步驟⑵：引入輔助變量Cl1= Hu，d2 = V xu，d3 = V yii將步驟⑴中的無約束最小化 問題轉換為有約束問題；
步驟（3):引入懲罰項將步驟（2)中的有約束問題分裂為新的最小化代價函數：
其中，α，β，Y為大于零的懲罰參數； 步驟（4):將步驟（3)中的最小化問題轉換為關于變量的u，Cl1, d2, d3的交替最小求解問 題，即將其它變量固定求解其中一個變量，使用交替最小迭代策略迭代求解上述最小求解 問題，得到去模糊后的圖像。
2. 如權利要求1所述的方法，其特征在于，所述步驟⑷中的最小求解問題具體為： (4.1) 關于變量u的子問題：
(4.2) 關于變量Cl1的子問題：
(4.3) 關于變量(12的子問題：
3. 如權利要求2所述的方法，其特征在于，所述步驟上（4)中使用交替最小迭代策略迭 代求解上述最小求解問題，得到去模糊后的圖像，具體包括： 初始化待恢復圖售
初始化最大迭代次數kMax，并初始化迭代次數k = O ; 判斷迭代次數k是否小于最大迭代次數kMax，如果不小于則終止迭代；如果小于則繼 續(xù)進行下述迭代操作： 更新迭代次數k = k+Ι ; 求解步驟⑷中的子問題（4. 1)以更新復原圖像uk; 求解步驟（4)中的子問題（4.2)以更新輔助變量Cl1N 求解步驟⑷中的子問題（4.2)以更新復原圖像d2k; 求解步驟⑷中的子問題（4.3)以更新復原圖像d3k; 計算更新后的復原圖像uk的PSNR ; 迭代終止后，取最大的PSNR對應的恢復圖像作為最終的清晰圖像輸出。
4. 如權利要求2或3所述的方法，其特征在于，所述子問題（4. 1)中的變量u采用求偏 微分與快速傅里葉變換的方法求解：
式中，F(xiàn)FT表示快速傅里葉變換，F(xiàn)Fr1表示快速傅里葉變換逆變換，real表示取復數的 實部，VXT表示▽ x的轉置算子，H τ表示H的共軛算子，上標k表示第k次迭代。
5. 如權利要求2或3所述的方法，其特征在于，所述子問題（4.2)中的變量Cl1采用求 偏微分與快速傅里葉變換的方法求解：
式中，F(xiàn)FT表示快速傅里葉變換，F(xiàn)Fr1表示快速傅里葉變換逆變換，real表示取復數的 實部，VXT表示▽ x的轉置算子，H τ表示H的共軛算子，上標k表示第k次迭代。
6. 如權利要求2或3所述的方法，其特征在于，所述子問題（4.3)中的變量(12采用二 維shrink算子求解：
式中，方向矢量
其中，cos, sin分別為余弦，正弦函數， max (X，Y)表示取X，Y中的最大值，角度Θ計算公式如下：
式中，tarT1為反正切函數，π為圓周率，w為大于1的整數，Σ w表示對以當前點為中 心的wXw的鄰域內的值進行求和。
7. 如權利要求2或3所述的方法，其特征在于，所述子問題（4.4)中的變量屯采用二 維shrink算子求解：
式中，方向矢量
其中，cos, sin分別為余弦，正弦函數， max (X，Y)表示取X，Y中的最大值，角度Θ計算公式如下：
式中，tarT1為反正切函數，π為圓周率，w為大于1的整數，Σ w表示對以當前點為中 心的wXw的鄰域內的值進行求和。
8. 如權利要求3至7任一項所述的方法，其特征在于，所述圖像u k的PSNR計算公式如 下：
式中，I表示清晰的參考圖像，max(I)表示圖像I的灰度最大值。
9. 如權利要求6或7所述的方法，其特征在于，α = β = γ = 1。
10. 如權利要求6或7所述的方法，其特征在于，所述w = 5。
【專利摘要】本發(fā)明公開了一種方向自適應圖像去模糊方法，包括以下步驟：(1)定義方向自適應總變分(Total Variation)TV正則化圖像去模糊最小化代價函數；(2)引入輔助變量d1＝Hu，d2＝▽xu，d3＝▽yu將步驟(1)中的無約束最小化問題轉換為有約束問題；(3)引入懲罰項將步驟(2)中的有約束問題轉化為新的最小化代價函數；(4)使用交替最小迭代策略將步驟(3)中的最小化問題轉換為關于變量的u,d1,d2,d3的交替最小求解問題。通過迭代運算最終恢復出原清晰圖像u。與現(xiàn)有技術相比，本發(fā)明方法將局部方向信息引入最大后驗概率(Maximum a posteriori)MAP算法框架，得到新的方向自適應代價函數，克服了傳統(tǒng)TV正則項恢復圖像邊緣模糊的問題；且能夠針對復雜模糊類型或具有豐富紋理圖像進行恢復。
【IPC分類】G06T5-00
【公開號】CN104537620
【申請?zhí)枴緾N201410844605
【發(fā)明人】張?zhí)煨? 周鋼, 鐘奧, 王亮亮, 李明, 魯岑, 張文, 左芝勇
【申請人】華中科技大學
【公開日】2015年4月22日
【申請日】2014年12月30日