使用多尺度非局部正则的模糊核估计方法

摘要

本发明公开了一种使用多尺度非局部正则的模糊核估计方法，基于图像的盲去模糊问题中，后验的清晰图像和模糊核都是未知的，这是图像盲去模糊中极具挑战的难点，本发明在基于图像块的先验的基础上，引入了一种多尺度的非局部的先验正则策略。这种策略在图像金字塔求解模糊核的最粗略两层去加入这种策略，有效的限制了解的空间范围，使得模糊核的求解向着正确的方向演化，从而求出更加清晰的模糊核，这样就会为下一步求解清晰的图像奠定了基础，然后使用一种图像非盲去模糊的方法最后实现了图像的盲去模糊，实验结果证明提出的方法是有效和优于现有的一些先进的方法的。

主权项

一种使用多尺度非局部正则的模糊核估计方法，包括如下步骤：步骤1：将待处理的模糊图像y用大小为k_size_guess×k_size_guess、标准差为k_size_guess/6的高斯模糊核进行模糊处理4次，处理后的图像记为y⁰，用以平滑图像中的噪声影响；步骤2：计算指示步骤1中处理后的图像y⁰的梯度边缘的映射图；步骤3：根据预先设定的模糊核的大小k_size_guess×k_size_guess与设定的最粗略层的模糊核的大小3×3的比例关系计算迭代金字塔的层数num_levels；步骤4：使用双线性插值的方法缩放y⁰至当前图像迭代金字塔的最粗略层的大小，m被用来标记在迭代金字塔的哪一层，初始为0，即最粗略层；步骤5：将步骤2计算出来的梯度边缘的映射图使用最近邻插值算法缩放至与同样的大小，其中，m＝0，...，num_levels，然后二值化，得到该金字塔层的初始二进制掩模；步骤6：将步骤5得到的该金字塔层的初始二进制掩模利用圆盘半径为3×3的结构元素进行膨胀运算，记为rmap_m，m＝0，...，num_levels；步骤7：设置迭代次数为7，判断是否为最后一次迭代且当前金字塔层数m≤1，若是则使用迭代再权重的最小二乘方法(IRLS)求解公式(1)得到中间迭代后验图像x，否则使用迭代再权重的最小二乘方法(IRLS)求解公式(2)得到中间迭代后验图像x；在如上的式子中，x是清晰的后验图像，ω_*是保真项||KD_*x‑D_*y||²的权重系数，在保真项中，K，y，D_*分别是模糊核矩阵，模糊的输入图像矩阵以及在不同方向上的偏微分导数的矩阵形式，||·||²为矩阵的2范数的数学形式，α是是高斯正则项的正则权重，D_h和D_v是水平和垂直方向上的一阶偏微分导数算子，P_i是是用来提取在后验图像x在位置i周围大小为5×5的图像块，qⁱ为预先训练好的基于图像块的先验，qⁱ＝σⁱZⁱ+μⁱ，其中Zⁱ是用来逼近在像素i位置的样例图像块，σⁱ为图像块在该位置的反差，μⁱ为图像块的均值，M为rmap₀的矩阵形式，|M|是指在M中的非零的元素，ρ()的代价的函数采用了Lorentzian代价的函数形式，即ρ()＝log(1+r²/2ξ²)，F_σ,x是后验图像x反差{σⁱ}的经验累积分布，F_ref是参考图像块的局部反差的累积分布，γ为该项中的正则项权重，最后一项即是多尺度非局部正则项其中η是该项的正则权重，x_i是一个局部图像块，为非局部权重的向量，χ_i是相似的图像块向量；步骤8：固定步骤7得到的中间迭代后验图像x不变，然后使用共轭梯度下降算法(CG)最小化其中ω_*为保真项的权重，δ_*为对应于D_*的偏微分导数，求解当前金字塔层迭代的模糊核k；步骤9：以递增倍数为上采样(即插值将图像变大)步骤7求解出来的中间迭代后验图像x和在当前金字塔层求解出来的模糊核k一次；步骤10：如果m＜num_levels，则，用步骤9上采样后的中间迭代后验图像x更新金字塔的当前层的num_levels，并且m＝m+1更新m，重复执行步骤5‑9，如果m＝num_levels，输出此时的模糊核k，并记其矩阵形式为K；步骤11：使用半二次分割(Half Quadratic Splitting)的优化算法求解得到最终的清晰图像x，半二次分割(Half Quadratic Splitting)的优化算法使用如下公式：其中，P_i是从图像中提取第i个图像块，logp(P_ix)是在先验知识p下的第i个图像块的似然项，为保真项，λ为该项的系数,y为模糊的输入图像，x为欲待求解的清晰图像。