[發(fā)明專利]基于非局部窗口梯度的模糊圖像盲復(fù)原方法

在審

• 申請?zhí)枺?/td>: 202011264124.2
• 申請日: 2020-11-12
• 公開（公告）號: CN112365420A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計）人: 唐述;顧佳
• 申請（專利權(quán)）人: 重慶郵電大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/10
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 楊柳岸

本發(fā)明涉及一種非局部窗口梯度的模糊圖像盲復(fù)原方法，屬于圖像處理領(lǐng)域。該方法包括以下步驟：模糊圖像的NLWG比清晰圖像的NLWG小，NLWG適用于圖像中的所有圖像塊；無論是清晰圖像還是模糊圖像，所有像素點的像素值都能夠被歸一化到[0,1]之間，定義非局部窗口梯度先驗；定義基于非局部窗口梯度先驗的模糊圖像盲復(fù)原模型；對提出模型的最優(yōu)化求解；采用非盲復(fù)原方法來得到最終的清晰復(fù)原圖像。本發(fā)明能夠估計出更準確的模糊核，因此能夠復(fù)原出更高質(zhì)量的清晰圖像。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理領(lǐng)域，涉及基于非局部窗口梯度的模糊圖像盲復(fù)原方法。

背景技術(shù)

現(xiàn)有的模糊圖像盲復(fù)原方法的成功主要是歸因于各種圖像先驗的提出，或者邊緣的預(yù)測策略。然而，基于邊緣預(yù)測的方法，雙邊濾波、兩段核估計、塊先驗、色線先驗、超拉普拉斯先驗，通常采用啟發(fā)式的邊緣選擇，當模糊圖像中不存在強邊緣時，這些方法恢復(fù)出來的圖像質(zhì)量就會產(chǎn)生明顯的下降。為了避免這種啟發(fā)式的邊緣選擇，許多基于自然圖像先驗的算法被提出，包括歸一化稀疏先驗、梯度先驗、暗信道先驗和極值信道先驗等。這些圖像在一般的自然圖像上表現(xiàn)良好，但是不能很好地推廣到特定的場景。雖然，暗通道先驗也可以應(yīng)用于這些特定場景，但是，當圖像中含有大量明亮像素時，基于暗原色先驗的中間潛像估計方法很可能會失敗。極值信道先驗雖然在此基礎(chǔ)上，進行優(yōu)化，但是如果缺少大量的亮像素值和暗像素值，此方法的作用也會有所局限。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于非局部窗口梯度的模糊圖像盲復(fù)原方法，來實現(xiàn)高質(zhì)量的模糊圖像盲復(fù)原。

為達到上述目的，本發(fā)明提供如下技術(shù)方案：

基于非局部窗口梯度的模糊圖像盲復(fù)原方法，該方法包括以下步驟：

圖像的模糊退化模型用如下的數(shù)學模型來表示：

其中，B、I和K分別代表觀察到的模糊圖像、原始清晰圖像和模糊核，N是存在的加性噪音，表示卷積運算；

在大小為M×N的圖像上定義一個大小為n×n的圖像塊P，那么非局部窗口梯度(Non-Local Window Gradient:NLWG)被定義為：

NLWG(I_P)＝max(P_i-P_j)＝max(ΔI_P) i,j∈{1,2,3...n} (2)

其中，ΔI_P＝P_i-P_j，P_i和P_j表示圖像塊P上的第i和第j個像素點；

根據(jù)公式(1)中圖像模糊的數(shù)學模型，得出：模糊圖像的NLWG比清晰圖像的NLWG小，具體的數(shù)學推導如下：

由公式(3)知，NLWG適用于圖像中的所有圖像塊；

無論是清晰圖像還是模糊圖像，所有像素點的像素值都能夠被歸一化到[0,1]之間，那么：

1-NLWG(I_P)≤1-NLWG(B_P) (4)非局部窗口梯度先驗被定義為：

R(I)＝||1-NLWG(I)||₁ (5)

其中，||·||₁表示L1范數(shù)；

選擇NLWG的最小上界1保證最終的代價函數(shù)的值是最小的；

基于非局部窗口梯度先驗的模糊圖像盲復(fù)原模型為：