[發明專利]基于高維空間幾何信息學的模糊圖像自適應復原方法

有效

• 申請號: 201310455177.6
• 申請日: 2013-09-29
• 公開（公告）號: CN103473784A
• 公開（公告）日: 2013-12-25
• 發明（設計）人: 張偉;李慶武;周妍;霍冠英;束代群;劉艷;江琴
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

技術領域

本發明涉及圖像處理技術領域，具體涉及一種基于高維空間幾何信息學的模糊圖像自適應復原方法。

背景技術

圖像是人類獲取視覺信息的主要途徑，清晰的圖像在日常生活和科學研究中有著舉足輕重的作用，有利于人工判讀和機器解譯。然而，在圖像處理的過程中，包括采集、傳輸和記錄等階段都會受到諸多因素干擾而造成不同程度的品質下降，如光學系統的像差、大氣擾動、運動、散焦、離散采樣和系統噪聲等，都會造成圖像的模糊和變形。由模糊圖像復原得到清晰圖像尤為重要，其不僅具有重要的理論意義，而且在實際應用中也有迫切需要。

經典的圖像恢復算法，如逆濾波算法，維納濾波算法以及約束最小二乘算法等，都是以圖像退化的某種先驗知識(比如點擴散函數(PSF))已知為基礎。然而，在許多實際情況下需要在點擴散函數未知或不確知的情況下，從觀察到的退化圖像中恢復出原始圖像，進行圖像的盲復原。

至今為止，在圖像處理領域，已提出了諸多的圖像盲復原方法，其中高維形象幾何與仿生信息學理論備受關注，這是由中國科學院王守覺院士提出的一門全新的理論，該理論在模糊圖像的盲復原應用中，以同類事物的連續性為基礎，將圖像從模糊到清晰的過程看作一個連續的漸變過程，當把這一漸變過程映射到高維空間時，便形成了一條連續的超曲線，這條超曲線沒有明確的數學表達式，需要通過調試參數不斷逼近，達到復原模糊圖像的目的。在參數選取得當的情況下，基于高維空間幾何信息學的模糊圖像自適應復原方法可以取得更為優越的復原效果。如何選擇合適的參數是關鍵，當前主要依賴經驗手工選取，缺乏自適應性。

由于選擇的參數對最終復原圖像的效果影響很大，因此嘗試利用優化算法，根據圖像自身特點篩選出最優參數，從而使模糊圖像復原效果最佳。粒子群優化(particle?swarm?optimization，PSO)算法由Eberhart和Kennedy于1995年提出，源于對鳥群捕食的行為研究。PSO同遺傳算法類似，是一種基于迭代的優化算法，但避免了遺傳算法復雜的交叉變異過程，是一種更為高效的并行搜索算法，已廣泛應用于函數優化、神經網絡訓練、模糊系統控制以及其他科學研究和工程應用領域。但是基本粒子群算法在搜索過程中容易早熟收斂、偏離全局最優解，此外還有進化后期收斂速度慢、精度低等不足。混沌粒子群優化算法(chaotic?particle?swarm?optimization，CPSO)通過混沌擾動改善個體質量避免搜索過程陷入局部極值，加快提高搜索最優參數的速度，有更高的精確度。

應用混沌粒子群優化算法結合高維空間幾何信息學（high-dimensional?space?geommetrical?informatics，HDSGI)理論進行模糊圖像復原，無需求解點擴散函數，且參數可以自適應達到最優，提供了復原模糊圖像新的思路。專利檢索及對國內外各種科技文獻的最新檢索表明，尚未有在高維空間結合混沌粒子群算法實現模糊圖像盲復原的方法。該方法可以進一步推動圖像自適應復原技術的發展。

發明內容

本發明所解決的技術問題是克服現有技術中模糊圖像復原的問題，本發明提出的基于高維空間幾何信息學的模糊圖像自適應復原方法，利用混沌粒子群算法，選擇基于高維空間幾何的模糊圖像復原算法，描述圖像從模糊到清晰對應在高維空間中的分布曲線的最佳參數，有效實現了模糊圖像的復原，無需人工調節參數，更加地智能和實用，具有良好的應用前景。

為了解決上述技術問題，本發明所采用的技術方案是：

一種基于高維空間幾何信息學的模糊圖像自適應復原方法，其特征在于：根據HDSGI理論，模糊圖像復原過程中從模糊到清晰連續的漸變過程映射到高維空間時會形成連續的超曲線，利用混沌粒子群算法自適應地選擇最佳的超曲線，從而獲得清晰的復原圖像，包括以下步驟：

步驟（1），對原始模糊圖像按照該模糊趨勢進一步模糊，獲得同源的兩幅模糊圖像；

步驟（2），初始化原始模糊圖像的粒子群，粒子維數為2，包括兩個表示粒子群分布曲線參數；

步驟（3），根據HDSGI理論，利用粒子群分布曲線參數、原始模糊圖像、同源的兩幅模糊圖像，得到復原圖像；

步驟（4），基于局部結構張量的無參考型圖像質量評價方法評價復原圖像的質量，得到各粒子的適應度值，并確定粒子群中各粒子適應度值最優的粒子位置；

步驟（5），根據粒子群優化理論，更新粒子群中各粒子速度和粒子位置；

步驟（6），將粒子群中所有粒子按適應度值從大到小排序，選擇前20%的粒子為最優粒子；