[發(fā)明專利]一種基于噪聲水平的梯度相關(guān)TV因子圖像去噪去模糊方法

有效

• 申請?zhí)枺?/td>: 201810470422.3
• 申請日: 2018-05-16
• 公開（公告）號: CN108648162B
• 公開（公告）日: 2021-07-09
• 發(fā)明（設(shè)計(jì)）人: 馮華君;黃加紫;徐之海;李奇;陳躍庭
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 劉靜;邱啟旺

本發(fā)明公開了一種基于噪聲水平的梯度相關(guān)TV因子圖像去噪去模糊方法。日常拍攝所獲取的圖像都有一定程度的降質(zhì)，即使是對靜態(tài)目標(biāo)的穩(wěn)定成像，其獲取圖像也包含有像素級的模糊量，且噪聲往往不可避免。對帶噪模糊圖像進(jìn)行復(fù)原操作可以提升圖像質(zhì)量，然而，抑制噪聲和去模糊兩者間存在矛盾，圖像復(fù)原時(shí)需兼顧兩者的平衡。本發(fā)明方法提出一種基于總變分正則化的圖像去噪去模糊方法，在對圖像進(jìn)行模糊復(fù)原的同時(shí)，結(jié)合Richardson?Lucy算法的特點(diǎn)獲取初步去模糊圖像，通過若干正則化項(xiàng)進(jìn)行約束，并利用噪聲圖像梯度的先驗(yàn)分布特性，對正則化權(quán)重因子進(jìn)行梯度相關(guān)的分布式調(diào)整處理，能有效地抑制噪聲同時(shí)保持良好的圖像邊緣特性，獲得較高質(zhì)量的圖像。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，涉及一種基于噪聲水平的梯度相關(guān)TV因子圖像去噪去模糊方法。

背景技術(shù)

隨著攝影設(shè)備和攝影技術(shù)的普及，攝影成為人們?nèi)粘Ｉ钪兄匾幕顒樱鄳?yīng)地，人們對圖像質(zhì)量的要求也日趨提高。在自然圖像形成的過程中，可能會受到如目標(biāo)場景運(yùn)動、成像設(shè)備抖動、成像傳感器噪聲等各方面的影響，最終獲得一幅模糊降質(zhì)的圖像。一般來說，成像系統(tǒng)為線性移不變的前提下，帶噪模糊圖像的形成過程可以簡單描述為：

y(u,v)＝k(u,v)*x(u,v)+n(u,v)

其中：k(u,v)為點(diǎn)擴(kuò)散函數(shù)(圖像模糊核，PSF)，*為卷積符號，x(u,v)表示清晰圖像，n(u,v)代表加性噪聲。圖像模糊是攝像中一類常見的問題，即使是對于靜止目標(biāo)的穩(wěn)定成像，也仍然存在小幅度的圖像模糊，且噪聲難以避免。

圖1所示為日常拍攝圖像及其細(xì)節(jié)放大圖。

對帶噪模糊圖像進(jìn)行復(fù)原處理是一種常見的手段。在進(jìn)行圖像復(fù)原的過程中，去模糊和去噪兩者間存在矛盾，往往難以平衡。在一般的圖像處理中，單獨(dú)針對噪聲圖像的去噪方法不少，且能達(dá)到很好的效果，但以犧牲圖像高頻信息作為代價(jià)。本發(fā)明結(jié)合帶噪圖像的梯度分布先驗(yàn)特性，將其具體應(yīng)用于圖像復(fù)原中并取得顯著效果。本發(fā)明提出的方法屬于圖像非盲復(fù)原范疇，在對圖像進(jìn)行模糊復(fù)原同時(shí)，結(jié)合Richardson-Lucy算法的特點(diǎn)獲取初步去模糊圖像，通過若干正則化項(xiàng)進(jìn)行約束，并利用噪聲圖像梯度的先驗(yàn)分布特性，對正則化權(quán)重因子進(jìn)行梯度相關(guān)的分布式調(diào)整處理，能有效地抑制噪聲同時(shí)保持良好的圖像邊緣特性。

發(fā)明內(nèi)容

圖2所示為自然清晰圖像和帶噪清晰圖像及其各自的梯度分布特性統(tǒng)計(jì)圖對比，分析可得到一般帶噪圖像的梯度分布規(guī)律：梯度數(shù)據(jù)主要分布在低梯度范圍，在較低梯度處存在極大值并向兩邊呈現(xiàn)不均等稀疏分布。本發(fā)明的目的是利用噪聲梯度的不同響應(yīng)，應(yīng)用RL算法獲取模糊圖像得初步復(fù)原結(jié)果，并應(yīng)用于隨后的正則化變分方法圖像復(fù)原操作中，通過添加圖像約束條件，對正則化約束因子進(jìn)行梯度相關(guān)的分布式調(diào)整處理，最終達(dá)到抑制噪聲同時(shí)保持良好的圖像邊緣特性的復(fù)原效果。

為達(dá)到以上目的，本發(fā)明采用以下技術(shù)方案：一種基于噪聲水平的梯度相關(guān)TV因子圖像去噪去模糊方法，該方法包括以下步驟：

(1)利用Richardson-Lucy(RL)算法獲取初步去模糊圖像I₀；

(2)引入傳統(tǒng)總變分正則化方法的能量方程模型：

其中，I為潛在清晰圖像，k為圖像模糊核，λ為約束因子，為一階求導(dǎo)操作，為卷積操作，E(I)為圖像I的能量；

(3)在步驟(2)能量方程模型的基礎(chǔ)上，引入新變量w、v、θ、γ、β，加入梯度懲罰項(xiàng)和二次梯度平滑項(xiàng)，得到如下優(yōu)化模型：

其中Ω為圖像積分域；

將連續(xù)的優(yōu)化模型轉(zhuǎn)化為離散模型，該離散模型關(guān)于圖像的解為：