主权项 |
1.一种基于边缘自适应的高效图像盲去模糊方法,包括如下步骤:(1)输入模糊图像y,其模糊核为k,待求解的清晰图像为x,设置清晰图像x的初始解为模糊图像y,设待求解清晰图像的梯度域图像为Dx;(2)初始化待求解图像的梯度域图像Dx的均值μ<sub>c</sub>为0,初始化去模糊次数f=0;(3)用迭代优化求解算法更新模糊核k:(3a)设置迭代次数L,初始化迭代序号l为1,初始化迭代前的模糊核<img file="FDA0000454477450000011.GIF" wi="103" he="74" />初始化迭代前的待求解图像的梯度域图像<img file="FDA0000454477450000012.GIF" wi="136" he="68" />(3b)按下式优化求解待求解图像的梯度域图像:<maths num="0001"><![CDATA[<math><mrow><mi>D</mi><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>=</mo><mi>arg</mi><munder><mi>min</mi><mi>Dx</mi></munder><msubsup><mrow><mo>|</mo><mo>|</mo><mi>Dy</mi><mo>-</mo><msup><mover><mi>k</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>⊗</mo><mi>D</mi><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>|</mo><mo>|</mo></mrow><mn>2</mn><mn>2</mn></msubsup><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>c</mi><mo>=</mo><mn>1</mn></mrow><mi>X</mi></munderover><munder><mi>Σ</mi><mrow><mi>i</mi><mo>∈</mo><msub><mi>S</mi><mi>c</mi></msub></mrow></munder><msubsup><mi>λ</mi><mi>c</mi><mrow><mo>(</mo><mi>l</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msubsup><msub><mrow><mo>|</mo><mo>|</mo><msup><msub><mi>Dx</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>l</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>-</mo><msub><mi>μ</mi><mi>c</mi></msub><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mo>,</mo></mrow></math>]]></maths>其中,<img file="FDA0000454477450000014.GIF" wi="102" he="66" />表示第l次解优化式后获得的待求解清晰图像的梯度域图像,<img file="FDA0000454477450000015.GIF" wi="162" he="87" />表示目标函数取最小值时Dx所取的值,Dy表示梯度域模糊图像,<img file="FDA0000454477450000016.GIF" wi="100" he="74" />表示第l-1次迭代后模糊核的取值,<img file="FDA0000454477450000017.GIF" wi="134" he="66" />表示第l-1次迭代后的待求解清晰图像的梯度域图像,<img file="FDA00004544774500000116.GIF" wi="45" he="47" />表示卷积运算,<img file="FDA0000454477450000018.GIF" wi="68" he="92" />表示2范数的平方,X表示像素分类数,c表示当前像素的像素分类序号,1≤c≤X,<img file="FDA0000454477450000019.GIF" wi="136" he="140" />表示对各类的正则项求和,S<sub>c</sub>表示像素类别序号是c的清晰图像x中的像素集合,<img file="FDA00004544774500000110.GIF" wi="132" he="123" />表示对像素属于集合S<sub>c</sub>的正则项求和,<img file="FDA00004544774500000111.GIF" wi="108" he="78" />表示本次迭代的梯度正则加权系数,其值为梯度的方差的倒数。||Dx<sub>i</sub><sup>(l-1)</sup>-μ<sub>c</sub>||<sub>1</sub>表示去均值的梯度正则模型,Dx<sub>i</sub><sup>(l-1)</sup>表示第l-1次迭代后的待求解清晰图像的梯度域图像<img file="FDA00004544774500000112.GIF" wi="136" he="66" />的第i个像素点值,||·||<sub>1</sub>表示1范数;(3c)根据待求解图像的梯度域图像,按下式优化求解模糊核:<maths num="0002"><![CDATA[<math><mrow><msup><mover><mi>k</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>=</mo><mi>arg</mi><munder><mi>min</mi><mi>k</mi></munder><msubsup><mrow><mo>|</mo><mo>|</mo><mi>Dy</mi><mo>-</mo><msup><mover><mi>k</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>⊗</mo><mi>D</mi><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>|</mo><mo>|</mo></mrow><mn>2</mn><mn>2</mn></msubsup><mo>+</mo><mi>η</mi><msub><mrow><mo>|</mo><mo>|</mo><msup><mover><mi>k</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mo>,</mo><mi>s</mi><mo>.</mo><mi>t</mi><mo>.</mo><mfenced open='{' close=''><mtable><mtr><mtd><msub><mrow><mo>|</mo><mo>|</mo><msup><mover><mi>k</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mo>=</mo><mn>1</mn></mtd></mtr><mtr><mtd><msup><mover><mi>k</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>≥</mo><mn>0</mn></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>]]></maths>其中,<img file="FDA00004544774500000114.GIF" wi="64" he="73" />表示第l次解优化式后获得的模糊核,<img file="FDA00004544774500000115.GIF" wi="154" he="87" />表示目标函数取最小值时模糊核k所取的值,η表示正则系数,<img file="FDA0000454477450000021.GIF" wi="158" he="73" />表示<img file="FDA0000454477450000022.GIF" wi="80" he="73" />中的所有元素都大于0;(3d)令l=l+1,重复步骤(3b)~(3c)共L次,得到模糊核<img file="FDA0000454477450000023.GIF" wi="184" he="76" />(4)根据计算的模糊核k非盲去模糊,按下式优化求解待求解的清晰图像:<maths num="0003"><![CDATA[<math><mrow><msup><mi>x</mi><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></msup><mo>=</mo><mi>arg</mi><munder><mi>min</mi><mi>x</mi></munder><munder><mi>Σ</mi><mi>i</mi></munder><msub><mrow><mo>|</mo><mo>|</mo><msup><mi>w</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msub><mo>+</mo><mfrac><mi>β</mi><mn>2</mn></mfrac><munder><mi>Σ</mi><mi>i</mi></munder><msubsup><mrow><mo>|</mo><mo>|</mo><msup><mi>w</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>-</mo><mrow><mo>(</mo><msup><mi>D</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mi>x</mi><mo>-</mo><msub><mi>μ</mi><mi>c</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn><mn>2</mn></msubsup><mo>+</mo><mfrac><mi>u</mi><mn>2</mn></mfrac><msubsup><mrow><mo>|</mo><mo>|</mo><mi>y</mi><mo>-</mo><mi>k</mi><mo>⊗</mo><mi>x</mi><mo>|</mo><mo>|</mo></mrow><mn>2</mn><mn>2</mn></msubsup><mo>,</mo></mrow></math>]]></maths>其中x<sup>(f)</sup>表示解优化式后更新的待求解清晰图像,<img file="FDA0000454477450000025.GIF" wi="172" he="87" />表示目标函数取最小值时x所取的值,i取值为1和2,w<sup>(i)</sup>表示逼近正则项变量,||·||<sub>2</sub>表示2范数,D<sup>(i)</sup>表示方向梯度算子,D<sup>(i)</sup>=[D<sup>(1)</sup>,D<sup>(2)</sup>],D<sup>(1)</sup>=[-1 1],<maths num="0004"><![CDATA[<math><mrow><msup><mi>D</mi><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></msup><mo>=</mo><mfenced open='[' close=']'><mtable><mtr><mtd><mo>-</mo><mn>1</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>]]></maths>β表示惩罚因子,u为范围在0到1之间的数据项系数;(5)更新非盲去模糊次数f=1,对更新后待求解的清晰图像x<sup>(0)</sup>进行K均值算法聚类,按像素分类计算待求解的清晰图像x<sup>(0)</sup>梯度域像素图像的均值μ<sub>c</sub>',用所得均值更新步骤(3b)公式中待求解图像的梯度域图像的均值,即μ<sub>c</sub>=μ<sub>c</sub>';(6)重复步骤(3)~(4),得到清晰图像x=x<sup>(1)</sup>。 |