[發明專利]基于梯度l0

在審

• 申請號: 202011018774.9
• 申請日: 2020-09-24
• 公開（公告）號: CN112116541A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 董文德;徐劍;徐貴力
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 南京業騰知識產權代理事務所(特殊普通合伙) 32321
• 代理人: 李靜

本發明涉及一種基于梯度l₀范數和總變分正則化約束的模糊圖像復原方法，包括：對模糊圖像噪聲、清晰圖像進行建模和點擴散函數進行建模；引入兩個正則化約束系數，將三個模型加權求和，構建模糊圖像復原問題模型；將該模型分解為關于清晰圖像和點擴散函數的最優估計問題；對清晰圖像和點擴散函數估計值進行初始化；對關于清晰圖像的最優估計問題進行求解，得到清晰圖像估計值；對關于點擴散函數的最優估計問題進行求解，得到點擴散函數估計值；根據所得估計值對兩個正則化約束系數進行更新；循環執行更新求解直至收斂，得復原圖像。本發明能有效解決現有正則化系數最優值需要人為手工不斷調節才能得到，效率較低且無法實現程序的自動化運行的問題。

技術領域

本發明涉及計算機數字圖像處理技術領域，具體涉及一種基于梯度l₀范數和總變分正則化約束的自適應模糊圖像復原方法。

背景技術

在日常攝影、光學遙感觀測、醫學成像等領域，由于外界環境中的機械振動、成像物體與成像系統之間的相對運動、大氣湍流等影響，經常會使所得的圖像發生模糊，降低其分辨能力，影響了使用價值。因此，如何避免圖像模糊效應的產生顯得尤為重要。

通常情況下，可通過為成像系統增加輔助穩像系統或者提升成像器件的感光度來抵消上述外界因素的影響，然而前者會導致系統整體變得更加笨重，而后者則會在圖像中引入大量的噪聲，同樣降低圖像的細節分辨能力。因此，研究模糊圖像復原方法，通過軟件對模糊圖像實施處理，提升其分辨率顯得尤為重要。

在數學上，圖像模糊可以用清晰圖像與點擴散函數的卷積運算來描述，其逆過程即模糊圖像復原過程稱為反卷積，對點擴散函數進行準確估計是實現高質量反卷積的關鍵步驟。反卷積過程是一個典型的病態過程，即模糊圖像中少許能量的噪聲都會被放大并反向傳播到復原圖像中，使復原結果遠遠偏離真實的清晰圖像。因此，必須增加額外的約束條件——正則化條件，對問題進行修正，從而得到較好的復原效果。然而正則化約束條件需要引入正則化系數，正則化系數的值直接影響到點擴散函數估計的準確度和最終復原圖像的質量。目前常用的方法通過人為手工方法不斷嘗試調節得到正則化系數的最優值，效率較低，無法實現程序的自動化運行。因此，亟需設計一種新的技術方案，以綜合解決現有技術中存在的問題。

發明內容

本發明的目的是提供一種基于梯度l₀范數和總變分正則化約束的模糊圖像復原方法，其能有效解決現有正則化系數最優值需要人為手工不斷調節才能得到，效率較低且無法實現程序的自動化運行的問題。

為解決上述技術問題，本發明采用了以下技術方案：

一種基于梯度l₀范數和總變分正則化約束的模糊圖像復原方法，包括以下步驟：

1)用高斯概率模型對模糊圖像噪聲進行建模，用梯度l₀范數對清晰圖像進行建模，用總變分對點擴散函數進行建模，分別得到模糊圖像噪聲模型、清晰圖像模型和點擴散函數模型；

2)引入兩個正則化約束系數，將模糊圖像噪聲模型、清晰圖像模型和點擴散函數模型進行加權求和，構建模糊圖像復原問題模型；

3)將模糊圖像復原問題模型分解為關于清晰圖像的最優估計問題和關于點擴散函數的最優估計問題；

4)對清晰圖像的估計值進行初始化，對點擴散函數的估計值進行初始化；

5)固定點擴散函數的估計值，對關于清晰圖像的最優估計問題進行求解，得到清晰圖像的估計值；

6)固定清晰圖像的估計值，對關于點擴散函數的最優估計問題進行求解，得到點擴散函數的估計值；

7)根據步驟5)和6)所得的估計值對步驟2)中的兩個正則化約束系數進行更新；

8)循環執行步驟5)～7)直至收斂，即得點擴散函數和清晰圖像的估計值，得復原圖像。