用于图像盲复原的低秩逼近的模糊核估计方法

摘要

本发明公开了一种用于图像盲复原的低秩逼近的模糊核估计方法，主要解决如何更加准确的实现图像盲复原方法中模糊核估计的问题，进而复原出理想的图像。其实现步骤为：考虑梯度图像的近邻关系，用自回归(AR)策略改进迭代阈值策略从而估计出一个模糊核；另一方面使用启发式滤波器增强图像边缘信息去估计另一个模糊核；而后，将低秩逼近的策略引入到模糊核的估计过程中去求解出一个更加可靠的模糊核。最后使用一种先进的图像复原方法来复原出清晰地图像。本发明与现有的一些方法相比，具有更高的PSNR，SSIM和FSIM值，在视觉上也有更好的效果不仅有效的去除模糊，保持了更多的细节，而且估计出来的模糊核也更加准确。

主权项

一种用于图像盲复原的低秩逼近的模糊核估计方法，包括如下步骤：步骤1：设置边长为3，空间域标准差为0.6，值域标准差为0.7的用于预处理的双边滤波器f，然后对待处理的降质图像y进行双边滤波，得到边缘锐化并且抑制噪声影响的图像y⁽¹⁾；步骤2：初始化相关条件及参数，生成梯度图像矩阵；步骤3：对梯度图像矩阵在金字塔模型的第i(i＝1,n)层使用如下冲击响应滤波器去增强明显的图像边缘：$I_{t+1}=I_t-\mathrm{sign}\left({\mathrm{\Delta I}}_t\right)\left|\right|{▿I}_t\left|\right|\mathrm{dt}---\left(1\right)$步骤4：根据梯度图像矩阵训练当前层(第i层)的水平方向自回归(AR)系数与垂直方向自回归(AR)系数步骤5：初始化更新阈值调节参数Cost_before＝LS_cost+Re_cost+AR_cost：${\mathrm{LS}}_{\cos t}={\lambda \left|\right|x^{\left(i\right)}\otimes k^{\left(i\right)}-{▿y}_i^{\left(1\right)}\left|\right|}_2^2,{\mathrm{Re}}_{\cos t}=\frac{{\text{||}{x}^{\left(i\right)}\text{||}}_1}{{\left|\right|x^{\left(i\right)}\left|\right|}_2},$i＝1,2...n，其中x⁽ⁱ⁾为金字塔第i层迭代过程中更新产生的梯度图，第1次迭代时初始化为i＝1,2...n，k⁽ⁱ⁾为金字塔第i层迭代过程中更新产生的模糊核；另外，在第1次迭代中AR_cost＝0，其他迭代次的按步骤(11a)计算出的值更新计算，||·||₂与||·||₁分别表示矩阵的2范数运算与1范数运算，表示F范数，λ为似然项i＝1,2...n的系数，本方法中取为90；步骤6：使用迭代阈值算法(ISTA)优化算法优化：$\underset{x}{\min }{\lambda \left|\right|x^{\left(i\right)}\otimes k^{\left(i\right)}-{▿y}_i^{\left(1\right)}\left|\right|}_2^2+\frac{{\left|\right|x^{\left(i\right)}\left|\right|}_1}{{\left|\right|x^{\left(i\right)}\left|\right|}_2}$步骤7：计算更新迭代阈值算法(ISTA)阈值的参数Cost_afer并判断Cost_afer是否大于1.12*Cost_before然后做处理；步骤8：使用重赋权值的最小二乘法(IRLS)去优化且有k≥0，∑_jk_j＝1，此处k_j指模糊核k在j点的像素值；步骤9：重复步骤(5)～(8)iter次求取估计出的模糊核k⁽ⁱ⁾i＝1,2...n，在本方法中iter为用户参数，一般取21；然后使用双线性插值的办法将估计出的模糊核k⁽ⁱ⁾与x⁽ⁱ⁾上采样，并将其作为金字塔下一层的初始值；步骤10，重复步骤(3)～(10)n次，n的取值与步骤2相同，为金字塔的层数，另外，为了抑制噪声影响将金字塔最后一层估计出模糊核k₁中小于像素值0的像素值赋值为0，在金字塔最后一层输出估计的模糊核k₁；步骤11：对待处理的降质图像y不做任何处理，与步骤(2)相同，计算金字塔模型的层数n，并使用双线性插值的方法缩放y至最粗略层(第1层)y_i i＝1，同时用y_i i＝1更新i＝1，并且设定每一层梯度图像大小之间的递进倍数为，更新初始化最粗略层的模糊核i＝1；步骤12：重复执行步骤(2),(4)～(11),输出第2个估计出的模糊核k₂；步骤13：利用估计出来的模糊核k₁和k₂求取最后的模糊核k；步骤14：利用估计出来的模糊核k，通过优化式(2)来估计清晰图像$x=\arg {\min }_x\left|\right|y-k*x\left|\right|+\lambda \underset{f}{\Sigma }{\left|\right|T_{f}x\left|\right|}^{0.8}---\left(2\right)$其中x是欲估计的清晰图像，y为观测到的降质图像，T_f是托普利兹(toeplitz)矩阵；步骤15：输出处理后的清晰图像x和估计的模糊核k。