[發明專利]一種基于混合數據擬合與加權全變差的噪聲圖像去模糊方法

有效

• 申請號: 201710498943.5
• 申請日: 2017-06-27
• 公開（公告）號: CN107369139B
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 余義斌;張家林;林治;張玉蘭;郭凱鳳
• 申請（專利權）人: 五邑大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 馮劍明

本發明公開了一種基于混合數據擬合與加權全變差的噪聲圖像去模糊方法，其實現步驟為：步驟1：輸入一幅M行N列的噪聲模糊圖像f；步驟2：建立模型并初始化模型參數；步驟3：組合凸相減算法和可分離Bregman迭代法，求解目標清晰圖像u；步驟4：判斷迭代是否達到停止標準tol，若未達到停止標準，繼續循環步驟3中的迭代，否則輸出復原圖像。本發明模型，采用混合數據擬合項，確保更好地恢復圖像細節；利用加權全變差的正則化先驗模型對自然圖像的梯度分布進行近似模擬，使得復原結果更準確；利用可分離Bregman迭代法，能夠快速求解高質量的清晰圖像。本發明具有重構圖像邊緣紋理結構保持好的優點，可用于醫學、天文、視頻多媒體等領域的數字圖像處理。

技術領域

本發明涉及數字圖像處理技術領域，特別是涉及基于混合數據擬合與加權全變差的噪聲圖像去模糊方法，可用于醫學影像、天文學影響、視頻多媒體等領域的數字圖像處理。

背景技術

數字圖像的質量在人類信息交流過程中起著至關重要的作用。高質量的圖像帶來準確的內容和信息，而低質量的圖像會丟失很多重要的信息。然而，在數字圖像的拍攝、采集、存儲、傳輸和存儲等過程中，由于拍攝設備及人為操作不當等諸多因素使圖像降質而不能真實地反應被拍攝物。噪聲圖像去模糊作為圖像預處理方法直接影響圖像后續處理效果。

噪聲模糊圖像可等價于清晰圖像與模糊核的卷積，并引入加性噪聲：

其中，f表示噪聲模糊圖像，u表示清晰圖像，表示二維卷積運算，k表示模糊矩陣，n為成像過程中的加性噪聲。

噪聲模糊圖像的復原問題屬于欠定性問題，求解這類問題的通用方法是引入先驗項進行求解，一般能得到較高質量的圖像。非盲去模糊的一般模型為：

其中，λ為權重，f(u)是關于清晰圖像u的先驗項。

在非盲去卷積過程中，對清晰圖像的估計，最初的方法是利用l₀正則化先驗求解，即f(u)＝||u||₀。盡管l₀正則化先驗能獲得稀疏解，但是由于l₀范數的非凸性，使得求解困難。l₁范數因具備凸性而被廣泛運用于圖像處理中，如Goldstein等人在文獻“The splitbregman method for l1-regularized problems.SIAM Image Sciences，2009，vol.2，pp.323-343”中對于l1正則化提出可分離Bregman迭代法。但后來Fergus和Krishnan在文獻“Fast image deconvolution using hyper-Laplacian priors[C]//Advances in NeuralInformation Processing Systems.2009:1033-1041.”通過觀察清晰圖像場景的梯度分布，發現清晰圖像的梯度分布服從重尾分布，如何用數學模型準確地刻畫重尾分布，目前已有很多研究，常見的有高斯分布模型、混合高斯分布模型、拉普拉斯模型等，但是這些算法模型的實現有一定的復雜性，計算效率較低，復原效果較差。超拉普拉斯先驗模型作為對自然圖像梯度的近似模擬，可以快速得到清晰的復原結果。最近，凸相減的正則化方法也越來越受到關注，特別是在壓縮感知領域。

由Yin等人在文獻“Minimization of l1-l2 for compressed sensing.SIAMScientific Computing，2015，vol.37，pp.A536-A563”中提出l1-l2正則化方法，通過利用l1范數與l2范數之間的差的正則化，產生了比l1范數正則化更好更稀疏的信號。雖然通過l1-l2正則化方法相比l1正則化提高了稀疏性，但沒有對自然圖像的梯度分布有準確的逼近，因而復原的圖像質量有待提高。