一種運(yùn)動(dòng)模糊圖像的雙迭代混合盲復(fù)原方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種運(yùn)動(dòng)模糊圖像的雙迭代混合盲復(fù)原 方法。
【背景技術(shù)】
[0002] 圖像復(fù)原是近年來(lái)的一個(gè)熱點(diǎn)技術(shù)，已經(jīng)廣泛地用于天文、醫(yī)學(xué)、軍事、影視等領(lǐng) 域。它的目的是從降質(zhì)的觀測(cè)圖像中恢復(fù)出原來(lái)的清晰場(chǎng)景，其數(shù)學(xué)模型可以描述為清晰 圖像與點(diǎn)擴(kuò)散函數(shù)（point spread function，PSF)的卷積再與噪聲相加，如下式：
[0003] g(x, y) = f(x, y) ? h(x\ y) + n(x\ v) ( I)
[0004] 其中，x, y是圖像的空間坐標(biāo)，g (x, y)是模糊圖像的灰度，f (x, y)清晰圖像的灰 度，h(x，y)是PSF的灰度，n (x，y)是加性噪聲，?代表卷積運(yùn)算。通過(guò)傅立葉變換，該模型 可在頻域表示為：
[0005] G (u, v) = F (u, v) · H (u, v) +N (u, v) (2)
[0006] 其中，u, v 表示離散頻率坐標(biāo)，G(u, v)、F(u, v)、H(u, v)和 N(u, v)分別是 g(x, y)、 f(x,y)、h(x,y)和n(x,y)的離散傅立葉變換，H(u,v)又稱為光學(xué)傳輸函數(shù)（optical transfer function，0TF)。圖像復(fù)原也就是從g(x,y)中把f(x,y)恢復(fù)出來(lái)。然而在實(shí)際 情況中，h(x，y)和n(x，y)往往是未知的，以致恢復(fù)f(x，y)非常困難，這種情況被稱為"盲 復(fù)原"。
[0007] 運(yùn)動(dòng)模糊是一種常見(jiàn)的模糊類型，無(wú)論是在日常的攝影、攝像還是在交通、監(jiān)控等 領(lǐng)域中，都極其普遍地存在。當(dāng)目標(biāo)運(yùn)動(dòng)較快或鏡頭本身發(fā)生抖動(dòng)時(shí)，在相機(jī)的曝光時(shí)間內(nèi) 目標(biāo)與相機(jī)之間容易發(fā)生相對(duì)位移，這時(shí)就會(huì)出現(xiàn)一種"拖尾"現(xiàn)象，也就是運(yùn)動(dòng)模糊。根 據(jù)運(yùn)動(dòng)性質(zhì)，運(yùn)動(dòng)模糊可分為很多種類，如勻速運(yùn)動(dòng)、變速運(yùn)動(dòng)、直線運(yùn)動(dòng)、曲線運(yùn)動(dòng)、旋轉(zhuǎn) 運(yùn)動(dòng)等等。但一般勻速直線運(yùn)動(dòng)最有代表性，其他類型的運(yùn)動(dòng)模糊可以被分解成分段的勻 速直線運(yùn)動(dòng)，因此本發(fā)明主要考慮勻速直線運(yùn)動(dòng)模糊。
[0008] 設(shè)模糊圖像的行數(shù)和列數(shù)分別為M和N，運(yùn)動(dòng)方向與X軸正方向的夾角為#，運(yùn)動(dòng) 距離為I ,則運(yùn)動(dòng)模糊的OTF模型可表示為：
[0009]
(3:)
[0010] 式中，j表示虛數(shù)單位?？梢?jiàn)，只要知道了運(yùn)動(dòng)的方向和距離，就可以唯一確定運(yùn) 動(dòng)模糊的OTF或PSF。
[0011] 由于運(yùn)動(dòng)模糊的OTF是一個(gè)sine函數(shù)，故有許多特殊的性質(zhì)。若考慮|H(u，V) I， 當(dāng)任意指定一個(gè)離散頻率坐標(biāo)u。時(shí)有：
[0012] H (u〇, v) I = sine [L (u0cos Θ /M+vsin Θ /N) ] (4)
[0013] 從中可知，在|H(uQ，v) I中每隔NALsin0)將會(huì)出現(xiàn)一個(gè)零點(diǎn)。同理，|H(u，v。） 每隔MALcos Θ)將會(huì)出現(xiàn)一個(gè)零點(diǎn)。所有的零點(diǎn)會(huì)組成一系列等間隔的平行直線，在 |H(u，v) I中則顯現(xiàn)為一系列平行的暗條紋，這些暗條紋與u軸的夾角Φ為：
[0014]
(5)
[0015] 在噪聲較小的運(yùn)動(dòng)模糊圖像中，常常能在頻譜中觀察到這些平行的暗條紋。許多 盲復(fù)原算法就是通過(guò)辨識(shí)暗條紋的方向和間隔來(lái)估計(jì)運(yùn)動(dòng)參數(shù)。然而，由于實(shí)際情況復(fù)雜， 噪聲普遍較大，這些暗條紋常常被淹沒(méi)在噪聲之中，很難直接觀測(cè)，導(dǎo)致參數(shù)難以準(zhǔn)確估 計(jì)，復(fù)原效果不佳。
[0016] 目前，運(yùn)動(dòng)模糊圖像的盲復(fù)原方法大致分為兩類。第一類是通用的迭代圖像盲復(fù) 原法（簡(jiǎn)稱"迭代法"），比如最大似然估計(jì)算法、迭代盲反卷積算法、約束遞歸逆濾波算法、 R-L算法等。這類算法并非專門針對(duì)運(yùn)動(dòng)模糊圖像，或者說(shuō)運(yùn)動(dòng)模糊是這類算法的一個(gè)特 例。這類算法的優(yōu)點(diǎn)是無(wú)需PSF或OTF模型，抗噪性和穩(wěn)定性較好；缺點(diǎn)是有收斂性問(wèn)題， 復(fù)原結(jié)果不唯一，不能確保有較好的復(fù)原效果，并且計(jì)算量大。大量實(shí)驗(yàn)證明，這類算法對(duì) 運(yùn)動(dòng)模糊圖像的復(fù)原效果并不令人滿意，原因在于未使用運(yùn)動(dòng)模糊的先驗(yàn)信息，是一個(gè)籠 統(tǒng)的復(fù)原結(jié)果，并且可能未達(dá)到最佳收斂。雖然有專門針對(duì)運(yùn)動(dòng)模糊的改進(jìn)方法，但是仍然 沒(méi)有解決迭代過(guò)程中不可避免的收斂性問(wèn)題。
[0017] 第二類是先辨識(shí)運(yùn)動(dòng)模糊參數(shù)再用經(jīng)典復(fù)原法進(jìn)行復(fù)原的方法（簡(jiǎn)稱"參數(shù) 法")。這類方法的優(yōu)點(diǎn)在于更具針對(duì)性，在參數(shù)準(zhǔn)確的條件下可以得到較好的復(fù)原效果，無(wú) 收斂性問(wèn)題，并且計(jì)算量??；而缺點(diǎn)在于很難辨識(shí)出準(zhǔn)確的參數(shù)，穩(wěn)定性和適用性較差。迄 今為止，人們提出了多種方法來(lái)估計(jì)運(yùn)動(dòng)的方向和運(yùn)動(dòng)距離這兩個(gè)參數(shù)，但適用范圍總是 有限。比如頻譜分析法，通過(guò)計(jì)算頻譜中暗條紋的方向和間隔來(lái)對(duì)運(yùn)動(dòng)的方向和距離進(jìn)行 估計(jì)。但在信噪比較低的真實(shí)圖像中，暗條紋往往被噪聲完全淹沒(méi)，從而很難準(zhǔn)確找出暗條 紋的位置。再如倒譜分析法，利用圖像的倒譜來(lái)辨識(shí)參數(shù)。但該方法抗噪性能很低，極少的 噪聲就能使倒譜失去運(yùn)動(dòng)模糊的特征。又如空間分析法，利用圖像本身的軌跡來(lái)計(jì)算參數(shù)。 該方法計(jì)算復(fù)雜，具有一定抗噪性，但對(duì)低信噪比的圖像或細(xì)節(jié)不豐富的圖像仍然束手無(wú) 策。另外，還有的方法通過(guò)對(duì)復(fù)原后的圖像進(jìn)行評(píng)價(jià)的方式來(lái)搜索參數(shù)，但圖像的客觀評(píng)價(jià) 與主觀認(rèn)知還有很大差距，從而導(dǎo)致該類方法只能適用于某些場(chǎng)合的運(yùn)動(dòng)模糊圖像。
[0018] 綜上，雖然運(yùn)動(dòng)模糊圖像的盲復(fù)原方法層出不窮，但大多方法的抗噪性、穩(wěn)定性和 適用性不能兼得，無(wú)法滿足實(shí)際應(yīng)用的需求，故亟待一種更加有效、更加可靠、更加實(shí)用的 新方法。

【發(fā)明內(nèi)容】

[0019] 本發(fā)明要解決的技術(shù)問(wèn)題為：克服現(xiàn)有運(yùn)動(dòng)模糊圖像盲復(fù)原方法的抗噪性、穩(wěn)定 性和適用性不足的問(wèn)題，提供一種運(yùn)動(dòng)模糊圖像的雙迭代混合盲復(fù)原方法。該方法將迭代 法和參數(shù)法進(jìn)行結(jié)合，將二者取長(zhǎng)補(bǔ)短，既利用了迭代法的抗噪性強(qiáng)和參數(shù)法復(fù)原效果好 的優(yōu)點(diǎn)，又避開(kāi)了迭代法的收斂性問(wèn)題和參數(shù)法穩(wěn)定性差的缺點(diǎn)，從而可以廣泛應(yīng)用于各 種場(chǎng)合下運(yùn)動(dòng)模糊圖像的復(fù)原。
[0020] 本發(fā)明的技術(shù)方案：一種運(yùn)動(dòng)模糊圖像的雙迭代混合盲復(fù)原方法，其實(shí)現(xiàn)步驟如 下：
[0021] 步驟一、計(jì)算待復(fù)原的運(yùn)動(dòng)模糊圖像（以下簡(jiǎn)稱"模糊圖像"）的三種頻譜，包括常 規(guī)頻譜、擴(kuò)展對(duì)數(shù)頻譜和去主線的擴(kuò)展對(duì)數(shù)頻譜。具體實(shí)現(xiàn)過(guò)程為：
[0022] (1)用常規(guī)的快速傅里葉變換計(jì)算常規(guī)頻譜。
[0023] (2)將模糊圖像轉(zhuǎn)換為灰度圖像，再進(jìn)行補(bǔ)0擴(kuò)展，然后進(jìn)行快速傅里葉變換，最 后進(jìn)行中心化和對(duì)數(shù)化得到擴(kuò)展對(duì)數(shù)頻譜。
[0024] (3)計(jì)算擴(kuò)展對(duì)數(shù)頻譜高頻區(qū)域的豎直和水平投影曲線，再在該曲線中用適當(dāng)?shù)?閾值找出頻譜主線的對(duì)應(yīng)點(diǎn)，最后將豎直和水平的主線合并成需要去除的區(qū)域，從而得到 去主線的擴(kuò)展對(duì)數(shù)頻譜。
[0025] 步驟二、用通用迭代圖像盲復(fù)原法對(duì)模糊圖像進(jìn)行初步復(fù)原，得到全局點(diǎn)擴(kuò)散函 數(shù)（PSF)，并用強(qiáng)空域約束霍夫變換和弱空域約束霍夫變換對(duì)運(yùn)動(dòng)模糊PSF進(jìn)行粗估計(jì)。具 體實(shí)現(xiàn)過(guò)程為：
[0026] (1)用最大似然估計(jì)算法對(duì)模糊圖像進(jìn)行初步復(fù)原，得到全局PSF。
[0027] (2)用最大類間方差法對(duì)全局PSF進(jìn)行二值化。
[0028] (3)以全局PSF的最亮點(diǎn)為強(qiáng)空域約束點(diǎn)，計(jì)算全局PSF的強(qiáng)空域約束霍夫變換。
[0029] (4)以全局PSF中按灰度排序靠前的若干點(diǎn)為弱空域約束點(diǎn)，計(jì)算全局PSF的弱空 域約束霍夫變換。
[0030] (5)用上述強(qiáng)空域約束霍夫變換和弱空域約束霍夫變換對(duì)全局PSF提取直線，作 為運(yùn)動(dòng)模糊PSF的粗估計(jì)。
[0031] 步驟三、用雙迭代法進(jìn)行多輪粗估計(jì)，對(duì)運(yùn)動(dòng)模糊PSF的支持域和粗估計(jì)結(jié)果進(jìn) 行優(yōu)化。具體實(shí)現(xiàn)過(guò)程為：
[0032] (1)用符合模糊圖像半寬的正方形作為步驟二中全局PSF的初始支持域。
[0033] (2)用步驟二粗估計(jì)得到的直線尺寸為新的支持域，再次重復(fù)步驟二，如此循環(huán)。
[0034] (3)當(dāng)兩輪粗估計(jì)的直線長(zhǎng)度差小于指定閾值時(shí)終止循環(huán)。
[0035] 步驟四、用對(duì)稱性與功率聯(lián)合度