CN102750679B - 图像质量评估的盲去模糊方法 - Google Patents

Abstract

本发明公开了一种图像质量评估的盲去模糊方法，主要解决大多数图像在迭代去模糊过程中产生的失真和划痕问题。其实现过程为：(1)将模糊核v^k初始化为高斯脉冲函数，将评估图像y^k初始化为模糊图像z，设置初始迭代索引k＝0，最大迭代次数为kmax；(2)求解图像y^k并对其进行去噪；(3)对图像y^k进行质量评估，如果质量评估值是当前最小值，则保存y^k并设置为最优图像y_A，否则求解模糊核v^k并对其进行去噪；(4)设置k＝k+1，如果k＞kmax，则进行步骤(5),否则返回步骤(2)；(5)用高斯函数H卷积图像y_A得到图像y_B，再用全变分迭代法对y_B进行非盲去模糊得到最终的去模糊图像F。本发明能够恢复出清晰的图像，减少振铃效应和失真，并能修复在迭代过程中产生的图像划痕，可用于对各种模糊图像进行盲去模糊。

Description

图像质量评估的盲去模糊方法

技术领域

本发明属于图像处理技术领域，具体地说是一种对模糊图像进行盲去模糊方法，该方法可用于对各种未知模糊类型的模糊图像进行去模糊。

背景技术

实际生活中，由于观测***本身物理特性的限制，同时受观测环境的影响，观测图像和真实图像之间不可避免地存在着偏差和失真，称之为图像退化或图像降质。图像去模糊就是图像退化或降质的逆过程。图像去模糊是图像处理领域的一类常见问题，因其重要性和艰巨性而成为一个研究热点。图像去模糊分为两大类型：图像非盲去模糊和图像盲去模糊。图像非盲去模糊是指已知退化过程中的模糊核，再求清晰图像，这类问题已经研究的非常纯熟，现有很多技术可以得到非常清晰的解。图像盲去模糊是指在不知道模糊核的情况下，从退化图像中估计出原始图像。由于可以利用的经验知识比较少，图像盲去模糊非常困难，但是此类问题更符合实际需求，因而图像盲去模糊问题成为现代研究的热点。

图像盲去模糊方法分为参数法和正则法两类。参数法，即模型参数法，就是将模糊核和真实图像用数学模型加以描述，模型的参数需要进行辨识。在参数法中，典型的有先验模糊辨识法和ARMA参数估计法。它们需要知道模糊核的具体形式，所以局限性很大。此外，它们还有计算量太大，解不唯一，以及估计算法往往不稳定、效果差等缺点。正则法是根据图像的先验信息来约束求解过程。正则法中比较经典的有是模拟退火方法，它假设图像与模糊核是正性的，然后通过求解代价方程得到最终解。这种算法虽然不需要已知模糊核的具体形式，但是不够稳定，输出图像容易有杂痕，而且很容易得到局部最优解而不是全局最优解。

上述传统的盲去模糊方法不但效果差而且在实际应用中不能很好的实现。目前，国际上提出了许多改进的方法。Dilip Krishman等人运用模糊核和图像的先验特性，用迭代求解的方式进行去模糊，该方法能良好的恢复图像的边缘信息。但是，恢复的图像容易产生失真。Rob Fergus等人提出基于图像梯度分布的贝叶斯方法，这种方法分析了图像的梯度分布，用曲线对梯度分布进行拟合，先求出模糊核，再用经典的L-R迭代法进行图像的非盲去模糊。这虽然在一定程度上能恢复图像信息，但是因为采用了古老的迭代法进行求解，得到的去模糊图像视觉效果不好，图像也不稳定。Ayers和Dainty提出的基于单帧的迭代盲目去卷积方法。它用先验知识来对图像进行非负性限制，在每一次迭代中可以通过简单的逆滤波得到图像和模糊核的估计。这种方法在一定程度上能够达到去模糊的目的，但是在频域与时域的迭代中很容易产生图像划痕，影响了视觉效果。

发明内容

本发明的目的在于针对上述已有技术的不足，提出基于图像质量评估的盲去模糊方法，以去除在迭代中产生的图像划痕，改善视觉效果。

实现本发明目的的技术思路为：利用图像的先验信息，在频域与时域迭代的过程中求解图像与模糊核，并对图像进行质量评估，根据每次迭代中图像质量评估的数值，输出最优图像，再对最优图像进行后处理即可得到无划痕的去模糊图像。其步骤包括：

(1)输入模糊图像z；

(2)设置迭代标记k=1，迭代最大值kmax=45，图像质量评估值S^k的初始值S0设置为1000，评估图像y^k的初始值y⁰设置为模糊图像z，模糊核v^k的初始值v⁰设置为高斯脉冲函数；

(3)按照下列公式更新评估图像y^k：

$y^k=\mathrm{IFFT}[(1-\mathrm{\α})I^{k-1}+\mathrm{\α}\frac{{\mathrm{XW}}^{*k-1}/{\mathrm{\δ}}^2}{{\left|W^{k-1}\right|}^2/{\mathrm{\δ}}^2+{\mathrm{\λ}}_2}],$

其中α，λ₂为两个不同的调节参数，α=0.9，λ₂=0.00001，W^k-1为模糊核

的频域表示，W^*k-1为W^k-1的共轭，I^k-1为上一次迭代求得的评估图像y^k-1的频域表示，X为模糊图像的z频域表示，IFFT[·]为傅里叶逆变换，δ为评估图像y^k-1的噪声方差，

式中，N为评估图像y^k-1的总列数，i是求和的索引号，z_i是评估图像y^k-1的第i列元素；

(4)运用基于局部多项式置信区间交叉的方法对评估图像y^k进行噪声滤波，得到去噪后的图像

再对去噪后的图像

进行归一化处理，得到新的评估图像

(5)按以下步骤计算新的评估图像

的质量评估值S^k：

5a)用高斯滤波器对新的评估图像

滤波，得到新的评估图像的高频部分

5b)按照以下公式计算新的评估图像

的质量评估值S^k：

$S^k=\frac{{\left|y_h^k\right|}_1}{{\left|y_h^k\right|}_2},$

其中，|·|₁表示取得图像的一范数，|·|₂表示取得图像的二范数；

(6)如果质量评估值S^k<S^k-1，则保存新的评估图像

并将该

设置为最优图像y_A，否则直接进行下一步；

(7)按照下列公式，更新模糊核v^k：

$v^k=\mathrm{IFFT}[(1-\mathrm{\&beta;})W^{k-1}+\mathrm{\&beta;}\frac{{\mathrm{XI}}^{*k}/{\mathrm{\&delta;}}^2}{{\left|I^k\right|}^2/{\mathrm{\&delta;}}^2+{\mathrm{\&lambda;}}_3}],$

其中β，λ₃为两个不同的调节参数，β=0.6，λ₃=0.00001，I^k为新的评估图像的频域表示，I^*k为I^k的共轭，W^k-1为上一次迭代得到的模糊核v^k-1的频域表示，X为模糊图像z的频域表示，IFFT[·]为傅里叶逆变换，δ为模糊核v^k-1的噪声方差，式中，N为模糊核v^k-1的总列数，i是求和的索引号，z_i是模糊核v^k-1的第i列元素；

(8)利用基于局部多项式置信区间交叉的方法对模糊核v^k进行噪声滤波，得到去噪后的模糊核

并且设置迭代索引k=k+1；

(9)判断k是否大于kmax，如果不是，则返回步骤(3)，如果是，则停止迭代，输出最优图像y_A；

(10)用窗口大小为25，方差为1.5的高斯函数H对最优图像y_A进行卷积，得到卷积后的图像y_B，然后用基于全变差的迭代方法对卷积后的图像y_B进行非盲去模糊，得到无划痕的最终清晰图像F。

本发明与现有的技术相比具有以下优点：

1、本发明改进了传统算法中只能输出最终迭代的图像的方法，把图像质量评估作为参考，在迭代中得到了最优图像，有效的去除了图像的模糊，使图像更清晰且无失真。

2、本发明提出了先利用高斯函数卷积划痕图像，再运用全变分法对该图像进行非盲去模糊的后处理方法，该方法去除了图像的划痕及杂点，有效的改善了图像的质量。

仿真实验表明，本发明能有效的恢复模糊图像，并且减少失真，此外，本发明能够有效的去除迭代过程中产生的图像划痕及杂点，使去模糊后的图像更平滑清晰且符合人们的视觉感受。

附图说明

图1是本发明的流程图；

图2是本发明和现有方法仿真应用的Lena512清晰图像；

图3是本发明和现有方法仿真应用的Lena512模糊图像；

图4是本发明对图3的去模糊结果图；

图5是用现有的Rob Fergus法对图3的去模糊结果图；

图6是用现有的Dilip Krishm an法对图3的去模糊结果图；

图7是本发明模拟模糊图像时用到的第一种模糊核；

图8是本发明模拟模糊图像时用到的第二种模糊核；

图9是本发明模拟模糊图像时用到的第三种模糊核。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，输入已知模糊图像z，设置迭代标记k=1，迭代最大值kmax=45，图像质量评估值S^k的初始值S⁰设置为1000，评估图像y^k的初始值y⁰设置为模糊图像z，模糊核v^k的初始值v⁰设置为高斯脉冲函数。

步骤2，按照下列公式更新评估图像y^k：

$y^k=\mathrm{IFFT}[(1-\mathrm{\&alpha;})I^{k-1}+\mathrm{\&alpha;}\frac{{\mathrm{XW}}^{*k-1}/{\mathrm{\&delta;}}^2}{{\left|W^{k-1}\right|}^2/{\mathrm{\&delta;}}^2+{\mathrm{\&lambda;}}_2}],$

其中α，λ₂为两个不同的调节参数，α=0.9，λ₂=0.00001，W^k-1为模糊核

的频域表示，W^*k-1为W^k-1的共轭，I^k-1为上一次迭代求得的评估图像y^k-1的频域表示，X为模糊图像的z频域表示，IFFT[·]为傅里叶逆变换，δ为评估图像y^k-1的噪声方差，

式中，N为评估图像y^k-1的总列数，i是求和的索引号，z_i是评估图像y^k-1的第i列元素。

步骤3，运用基于局部多项式置信区间交叉的方法对评估图像y^k进行噪声滤波，获得新的评估图像

3a）利用基于局部多项式置信区间交叉的方法对评估图像y^k进行噪声滤波，得到去噪后的图像

其中，基于局部多项式置信区间交叉的方法参见V.Katkovnik等人发表的《Adaptive window size image denoising based on intersection of condenceintervals(ICI)rule》,Journal of Mathematical Imaging and Vision,vol.16,pp.223-235,2002；

3b）对去噪后的图像

按如下公式进行归一化处理，得到新的评估图像

$y_m^k=\frac{y_s^k-\min }{\max -\min }$

其中，min是指去噪后的图像中的最小值，max是指去噪后的图像

中的最大值。

步骤4，计算新的评估图像

的质量评估值S^k：

4a)用高斯滤波器对新的评估图像

进行滤波，得到新的评估图像

的高频部分

4b)根据高频部分计算新的评估图像

的质量评估值S^k：

$S^k=\frac{{\left|y_h^k\right|}_1}{{\left|y_h^k\right|}_2},$

其中，|·|₁表示取得图像的一范数，|·|₂表示取得图像的二范数。

步骤5，确定最优图像：如果质量评估值S^k<S^k-1，则保存新的评估图像

并将该

设置为最优图像y_A，否则执行下一步。

步骤6，按照下列公式更新模糊核v^k：

$v^k=\mathrm{IFFT}[(1-\mathrm{\&beta;})W^{k-1}+\mathrm{\&beta;}\frac{{\mathrm{XI}}^{*k}/{\mathrm{\&delta;}}^2}{{\left|I^k\right|}^2/{\mathrm{\&delta;}}^2+{\mathrm{\&lambda;}}_3}],$

其中β，λ₃为两个不同的调节参数，β=0.6，λ₃=0.00001，I^k为新的评估图像

的频域表示，I^*k为I^k的共轭，W^k-1为上一次迭代得到的模糊核v^k-1的频域表示，X为模糊图像z的频域表示，IFFT[·]为傅里叶逆变换，δ为模糊核v^k-1的噪声方差，

式中，N为模糊核v^k-1的总列数，i是求和的索引号，z_i是模糊核v^k-1的第i列元素。

步骤7，设置迭代索引k=k+1，判断迭代索引k是否大于kmax；如果大于，则停止迭代，输出最优图像y_A；否则返回步骤2。

步骤8，根据最优图像y_A，获取无划痕的最终清晰图像F:

8a)输入窗口大小为25，方差为1.5的高斯函数H和最优图像y_A；

8b)用高斯函数H对最优图像y_A进行卷积，得到卷积后的图像y_B；

8c)设置输出图像F^k的初始值F⁰为卷积后的图像y_B，设置迭代误差ε为0.001，设置迭代索引k的初始值为1；

8d)按照下列公式计算输出图像F^k：

$F^k=F^{k-1}+H^T\&CircleTimes;(y_A+-H\&CircleTimes;F^{k-1}),$

其中，F^k-1是上次迭代计算出的图像，H^T是H的转置，

是卷积运算；

8e)判断是否||F^k-F^k-1||²≤ε，如果是，则输出F^k，该输出图像F^k即为处理后的最终清晰图像F；如果不是，则返回步骤8d)，其中||·||²代表矩阵的模的平方。

本发明的效果可以通过以下实验具体说明：

1．实验条件：实验所用微机的CPU为Intel Core2Duo 2.33GHz，内存为2GB，编程平台为Matlab R2009a。实验所用到的图像来源于标准图像库，分别为Lena256，Lena512，Cameraman256，大小均为256×256。

2．实验内容与结果分析

本实验仿真利用了6种模拟模糊核H₁、H₂、H₃、H₄、H₅和H₆对图2所示的原始图像进行模拟模糊，形成八幅模糊图像，其中：模糊核H₁为角度为60度、位移为15的运动模糊滤波器；模糊核H₂为角度为90度、位移为13的运动模糊滤波器；模糊核H₃为角度为60度、位移为10的运动模糊滤波器；模糊核H₄为如图7所示的大小为25×25自然模糊核；模糊核H₅为如图8所示的大小为27×27自然模糊核；模糊核H₆为如图9所示的大小为25×25自然模糊核。

用本发明和现有的Rob Fergus法和Dilip Krishman法分别对八幅模糊图像进行去模糊得到的恢复结果的评价指标见表一；其中，用本发明的方法对图3所示的模糊核为H₂的模糊图像Lena512进行去模糊得到的恢复结果如图4所示，用现有的RobFergus法对图3所示的模糊核为H₂的模糊图像Lena512进行去模糊得到的恢复结果如图5所示，用现有的Dilip Krishman法对图3所示的模糊核为H₂的模糊图像Lena512进行去模糊得到的恢复结果如图6所示。

从图4可见，本发明得到的去模糊结果没有划痕，有效地去除了模糊，使图像清晰无失真，且减少了振铃效应，更接近原始的清晰图像；

从图5可见，现有的Rob Fergus法得到的去模糊结果有很严重的振铃效应，图中人物的眼睛和嘴巴都有很多重影，且图像边缘恢复不清晰；

从图6可见，现有的Dilip Krishman法能够虽然能够得到清晰的图像的边缘信息，但是图像产生了失真，形成了锐化效果，并不能真实的恢复原始图像的结构信息。

实验中，应用峰值信噪比PSNR评价指标来评价去模糊结果的优劣，PSNR的定义为：

$\mathrm{PSNR}=10l{\mathrm{og}}_{10}\left(\frac{{255}^2\&times;M\&times;N}{\mathrm{\&Sigma;}{\left|\right|x-f\left|\right|}^2}\right),$

其中，f为清晰图像，x为去模糊后的图像，M和N为清晰图像f的像素行数和像素列数。

表1.本发明和对比方法在不同实验设置下得到的PSNR值表1

测试图像	模糊类型	Alg1	Alg2	Alg3
					Lena512	H1	25.8494	25.0827	22.1413
Lena512	H2	26.9452	23.8307	17.9038
					Lena512	H4	24.2627	23.6647	23.7023
Lena512	H5	22.3287	21.5217	22.2629
					Lena256	H3	29.4664	25.7729	20.6522
Lena256	H6	22.9696	21.2611	21.0040
					Cameraman256	H3	25.2138	22.1305	20.9526
Cameraman256	H6	20.4247	19.4867	19.1495

表1中Alg1是本发明的方法，Alg2是现有的Rob Fergus法，Alg3是现有的DilipKrishman法；从表1中可以看出，本发明比其它两种对比方法具有更高的PSNR值，有更好的去模糊性能。

Claims (3)

1.一种基于图像质量评估的盲去模糊方法，包括如下步骤：

(1)输入模糊图像z；

(2)设置迭代标记k＝1，迭代最大值k max＝45，图像质量评估值S^k的初始值S⁰设置为1000，评估图像y^k的初始值y⁰设置为模糊图像z，模糊核v^k的初始值v⁰设置为高斯脉冲函数；

(3)按照下列公式更新评估图像y^k：

$y^k=\mathrm{IFFT}[(1-\mathrm{\&alpha;})I^{k-1}+\mathrm{\&alpha;}\frac{{\mathrm{XW}}^{*k-1}/{\mathrm{\&delta;}}^2}{{\left|W^{k-1}\right|}^2/{\mathrm{\&delta;}}^2+{\mathrm{\&lambda;}}_2}],$

其中α，λ₂为两个不同的调节参数，α＝0.9，λ₂＝0.00001，W^k-1为模糊核v^k的频域表示，W^*k-1为W^k-1的共轭，I^k-1为上一次迭代求得的评估图像y^k-1的频域表示，X为模糊图像z的频域表示，IFFT[·]为傅里叶逆变换，δ为评估图像y^k-1的噪声方差，

式中，N为评估图像y^k-1的总列数，i是求和的索引号，z_i是评估图像y^k-1的第i列元素；

(4)运用基于局部多项式置信区间交叉的方法对评估图像y^k进行噪声滤波，得到去噪后的图像

再对去噪后的图像

进行归一化处理，得到新的评估图像

(5)按以下步骤计算新的评估图像

的质量评估值S^k：

5a)用高斯滤波器对新的评估图像滤波，得到新的评估图像的高频部分

5b)按照以下公式计算新的评估图像

的质量评估值S^k：

$S^k=\frac{{\left|y_h^k\right|}_1}{{\left|y_h^k\right|}_2},$

其中，|·|₁表示取得图像的一范数，|·|₂表示取得图像的二范数；

(6)如果质量评估值S^k＜S^k-1，则保存新的评估图像

并将该

设置为最优图像y_A，否则直接进行下一步；

(7)按照下列公式，更新模糊核v^k：

$v^k=\mathrm{IFFT}[(1-\mathrm{\&beta;\&alpha;})W^{k-1}+\mathrm{\&beta;}\frac{{\mathrm{XI}}^{*k}/{\mathrm{\&delta;}}^2}{{\left|I^k\right|}^2/{\mathrm{\&delta;}}^2+{\mathrm{\&lambda;}}_3}],$

其中β，λ₃为两个不同的调节参数，β＝0.6，λ₃＝0.00001，I^k为新的评估图像

的频域表示，I^*k为I^k的共轭，W^k-1为上一次迭代得到的模糊核v^k-1的频域表示，X为模糊图像z的频域表示，IFFT[·]为傅里叶逆变换，δ为模糊核v^k-1的噪声方差，

式中，N为模糊核v^k-1的总列数，i是求和的索引号，z_i是模糊核v^k-1的第i列元素；

(8)利用基于局部多项式置信区间交叉的方法对模糊核v^k进行噪声滤波，得到去噪后的模糊核

并且设置迭代索引k＝k+1；

(9)判断k是否大于k max，如果不是，则返回步骤(3)，如果是，则停止迭代，输出最优图像y_A；

(10)用窗口大小为25，方差为1.5的高斯函数H对最优图像y_A进行卷积，得到卷积后的图像y_B，然后用基于全变差的迭代方法对卷积后的图像y_B进行非盲去模糊，得到无划痕的最终清晰图像F。

2.根据权利要求1所述的基于图像质量评估的盲去模糊方法，其中步骤(4)所述的对去噪后的图像

进行归一化处理，得到新的评估图像

按如下公式计算：

$y_m^k=\frac{y_s^k-\min }{\max -\min },$

其中，min是指去噪后的图像

中的最小值，max是指去噪后的图像中的最大值。

3.根据权利要求1所述的基于图像质量评估的盲去模糊方法，其中步骤(10)所述的基于全变差的迭代方法对卷积后的图像y_B进行非盲去模糊，按如下步骤进行：

10a)输入高斯函数H、评估最优图像y_A和卷积后的图像y_B；

10b)设置输出图像F^k的初始值F⁰为卷积后的图像y_B，迭代误差ε设置为0.001，迭代索引k的初始值设置为1；

10c)按照下列公式计算输出图像F^k：

$F^k=F^{k-1}+H^T\&CircleTimes;(y_A-H\&CircleTimes;F^{k-1}),$

其中，F^k-1是上次迭代计算出的图像，H^T是H的转置，

是卷积运算；

10d)判断是否||F^k-F^k-1||²≤ε，如果是，则输出F^k，该输出图像F^k即为处理后的最终清晰图像F；如果不是，则返回步骤(3)，其中||·||²代表矩阵的模的平方。

Images