[發(fā)明專利]單張影像的階層式去動(dòng)態(tài)模糊方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201010141406.3
• 申請(qǐng)日: 2010-03-25
• 公開（公告）號(hào): CN102201112A
• 公開（公告）日: 2011-09-28
• 發(fā)明（設(shè)計(jì)）人: 楊皓量;黃柏豪;賴尚宏;黃至治;游舒涵
• 申請(qǐng)（專利權(quán)）人: 聯(lián)詠科技股份有限公司
• 主分類號(hào): G06T5/50
• 分類號(hào): G06T5/50
• 代理公司: 北京同立鈞成知識(shí)產(chǎn)權(quán)代理有限公司 11205
• 代理人: 劉芳

技術(shù)領(lǐng)域

本發(fā)明涉及一種影像處理方法，尤其涉及一種單張影像的階層式去動(dòng)態(tài)模糊方法。

背景技術(shù)

動(dòng)態(tài)模糊(Motion?blur)是由照相機(jī)與景象在一曝光時(shí)間內(nèi)的相對(duì)運(yùn)動(dòng)所產(chǎn)生，其經(jīng)常發(fā)生在低光源環(huán)境使用手持式照相機(jī)拍攝照片的情況。另一種動(dòng)態(tài)模糊則是在以靜態(tài)照相機(jī)拍攝運(yùn)動(dòng)中物體時(shí)所產(chǎn)生。

對(duì)于受到動(dòng)態(tài)模糊影響的影像來說，如何將其還原已成為目前電腦視覺(computer?vision)及影像處理領(lǐng)域的一大課題。目前已有許多人提出不同的演算法來嘗試解決此問題，這些演算法粗略可分為三大類：單張影像去模糊；多階影像去模糊；以及計(jì)算式攝影(computational?photography)。

其中，當(dāng)影像牽涉到相機(jī)旋轉(zhuǎn)或是大景深(scene?depth)變化時(shí)，要去估測實(shí)際的相機(jī)運(yùn)動(dòng)是相當(dāng)復(fù)雜的。而為了簡化問題，目前的研究通常假設(shè)相機(jī)的運(yùn)動(dòng)方向與光學(xué)軸(optical?axes)相垂直，因此可以忽略掉景深變化的影響。換句話說，模糊核心(blur?kernel)，或者說是點(diǎn)擴(kuò)散函數(shù)(Point?SpreadFunction，PSF)，是被假設(shè)為具有空間不變(spatial-invariant)的特性。在此假設(shè)下，模糊影像B可以被模型化為清晰影像I與模糊核心f的卷積(convolution)，而可以下式表述：

B=I⊗f+n---(1)]]>

其中，n為附加的雜訊。

若I及f兩者都是未知，則解方程式(1)將會(huì)變成一個(gè)盲目反回旋(blinddeconvolution)的問題，而即便使用空間不變的假設(shè)，此問題仍舊存在，這是因?yàn)镮及f的限制太少，其間的多種組合都可被卷積為相同的模糊影像B。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種單張影像的階層式去動(dòng)態(tài)模糊方法，其利用梯度衰減函數(shù)及強(qiáng)邊緣抑制函數(shù)來定義權(quán)重陣列，并應(yīng)用到Richardson-Lucy演算法中，以達(dá)到抑制環(huán)狀假影(ringing?artifact)的目的。

本發(fā)明提出一種單張影像的階層式去動(dòng)態(tài)模糊方法，其包括下列步驟：a.提供目標(biāo)影像；b.計(jì)算此目標(biāo)影像的模糊核心(blur?kernel)；c.將此目標(biāo)影像及模糊核心表述為多種階層(scale)的表述式；d.利用剩余RL演算法，以遞回的方式由粗至細(xì)求取由各個(gè)階層的表述式所表述的目標(biāo)影像及模糊核心的剩余影像，并將其還原為第一還原影像，其中包括在遞回中將剩余影像乘上由第一梯度衰減函數(shù)所定義的第一權(quán)重陣列；e.利用剩余RL演算法，以遞回的方式由粗至細(xì)求取由各個(gè)階層的表述式所表述的目標(biāo)影像及模糊核心的剩余影像，并將其還原為第二還原影像，其中包括在遞回中將剩余影像乘上由第二梯度衰減函數(shù)及強(qiáng)邊緣(strong?edge)抑制函數(shù)所定義的第二權(quán)重陣列；f.比較這兩個(gè)還原影像的差異，以獲得去動(dòng)態(tài)模糊的最終還原影像。

在本發(fā)明的一實(shí)施例中，上述步驟d包括下列子步驟：d1.利用標(biāo)準(zhǔn)RL演算法求取由最粗階層的表述式所表述的目標(biāo)影像及模糊核心的還原影像；d2.依據(jù)所求得的還原影像計(jì)算第一梯度衰減函數(shù)，以定義第一權(quán)重陣列；d3.將所求得的該還原影像提升取樣(upsample)為目前階層的下一階層，以生成該下一階層的一導(dǎo)引影像(guide?image)，并提升取樣所計(jì)算的該第一梯度衰減函數(shù)與該第一權(quán)重陣列以供該下一階層使用；d4.將由下一階層的表述式所表述的目標(biāo)影像減去下一階層的導(dǎo)引影像與該階層的模糊核心的卷積結(jié)果，以獲得下一階層的剩余目標(biāo)影像；d5.利用該余RL演算法求取此剩余目標(biāo)影像的剩余影像，并將剩余影像乘上由前一階層所提升取樣的第一權(quán)重陣列；d6.將所求取的剩余影像加上導(dǎo)引影像，以獲得下一階層的還原影像；d7.重復(fù)上述步驟d2～d6，以遞回的方式由粗至細(xì)求取由其他階層的表述式所表述的目標(biāo)影像及模糊核心的剩余影像，并以最后所求取的還原影像作為第一還原影像。