CN107590790A - 一种基于对称边缘填充的简单透镜边缘区域去模糊方法 - Google Patents

Abstract

本发明公开了一种基于对称边缘填充的简单透镜边缘区域去模糊方法，涉及图像复原技术领域，包括：用简单透镜拍摄模糊图像；提取边缘，通过对称翻转操作扩充边缘区域；利用盲卷积图像复原算法单独处理边缘区域；通过均值融合方法截取边缘区域的去模糊图像。本方法利用简单透镜模糊核的空间对称性，扩充边缘区域为图像复原算法提供更丰富的图像信息，相对于现有方法，本发明能提高边缘区域的图像复原精度，在图像处理领域具有重要意义。

Description

一种基于对称边缘填充的简单透镜边缘区域去模糊方法

技术领域

本发明涉及数字图像处理领域，特指一种基于对称边缘填充的简单透镜边缘区域去模糊方法。

背景技术

近年来，随着计算摄影技术的发展，简单镜头结合后期图像复原算法正逐渐成为相机设计领域以及图像处理领域一个新的研究方向。简单镜头包含一个或几个镜片，由于在成像过程中球面镜片对不同波长光线的折射率不同，受镜头像差和色散的影响，由简单镜头直接拍摄的图像是模糊的。为得到清晰的复原图像，准确估计出简单透镜的模糊核是关键。简单透镜的模糊核，模糊核中包含简单镜头的像差等模糊信息。

目前已有很多方法处理简单透镜拍摄的模糊图像，但是边缘区域的模糊一直没有得到很好的校正。因为简单透镜的镜片表面具有一定弧度，由于制作工艺的差别存在一定畸变，而且拍摄时的外界环境对成像也有影响。所以简单透镜的真实模糊核是空间变化的，即镜片每个区域的实际模糊核是不一样的。目前有的方法将简单透镜模糊图像当作全局不变模糊核来处理，默认整幅图像的模糊核都是一样的，这样边缘区域的去模糊精度肯定会受影响。有些方法估计空间变化的模糊核，虽然边缘区域与其他区域是分开处理的，但边缘区域的复原精度仍然不高。因为图像复原算法在处理某一个图像块时会利用该图像块临近图像块的图像信息，而边缘区域以外已经没有图像了，临近图像块信息不够丰富，也会影响图像复原算法精度。

简单透镜的模糊核具有空间对称性，可利用这个特性将简单透镜的边缘区域进行扩充，丰富的图像边缘信息可以提高边缘区域的图像复原精度。

发明内容

本发明为克服上述情况不足，旨在提出一种基于对称边缘填充的简单透镜边缘区域去模糊方法，该方法将模糊图像边缘区域单独处理，利用简单透镜模糊核空间对称性的特性，将边缘区域进行扩充，然后再进行图像复原处理。

一种基于对称边缘填充的简单透镜边缘区域去模糊方法，其特征在于包括以下几个步骤：

步骤一：用简单透镜拍摄获取模糊图像；

步骤二：提取模糊图像边缘区域，通过对称翻转操作扩充边缘的图像区域；

步骤三：将扩充后的边缘区域用盲卷积图像复原算法单独做去模糊处理，得到扩充区域的去模糊图像；

步骤四：截取得到边缘区域的去模糊图像，边缘区域与其他区域的重叠部分通过均值融合算法得到。

进一步的，所述步骤一中的模糊图像通常指在静态下拍到的图像，不包括抖动模糊或运动模糊图像；

进一步的，所述步骤二中的对称翻转操作是基于简单透镜模糊核的空间对称性特征，具体操作方法如图4(1)所示，将A区域和B区域以及A、B区域的重叠部分分别向图像外对称翻转，得到扩充之后的图像；

进一步的，所述步骤三中的盲卷积图像复原算法为基于最大后验概率MAP的盲卷积图像复原算法，在最大后验概率模型下，盲卷积图像复原问题的统计学模型可以表述为：

argmaxP(K,I|B)＝arg maxP(B|I,K)P(I)P(K) (1)

其中，K表示单透镜的模糊核，又称点扩散函数PSF；I表示清晰图像；B表示由单透镜成像***直接得到的模糊图像；P(K,I|B)表示在模糊图像B已知条件下，与模糊图像B对应的模糊核和清晰图像分别为K和I的概率；P(B|I,K)表示如果已知模糊核K和清晰图像I，对应的模糊图像为B的概率；P(I)表示对原始清晰图像已知的先验概率；P(K)表示模糊核的先验概率。

为计算方便，考虑到对数与乘积的转换关系以及对数函数的单调性，对式(1)左右两端分别取负对数：

-logP(K,I|B)＝-logP(B|K,I)-logP(I)-logP(K) (2)

则上述问题转化为能量最小化问题，左边的目标函数可以定义为：

其中，表示数据拟合项；表示图像先验；||K||_p2表示模糊核先验；λ₁和λ₂分别表示图像先验和模糊核先验的权重；P1和P2分别表示图像先验和模糊核先验的具体范数。

进一步的，所述步骤四中的均值融合算法是为了保证边缘区域与其他区域连接处的平滑性，均值融合算法如下所示：

其中，P₁表示边缘区域，P₂表示与边缘区域连接的其他区域，P表示融合之后的重叠区域，(x,y)表示图像像素坐标，均值融合算法是逐像素进行的。

与现有技术相比，本发明的有益效果是：将简单透镜模糊图像的边缘区域作单独处理，利用简单透镜模糊核空间对称性，通过对称翻转操作扩充边缘区域的图像区域，以丰富边缘区域的图像信息，相对于现有方法，本发明能提高边缘区域的图像复原精度，在图像处理领域具有重要意义。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明方法的流程图；

图2为简单透镜拍摄的模糊图像；

图3边缘区域的模糊图像；

图4(1)为扩充边缘区域的对称翻转操作示意图，图4(2)为扩充边缘区域的去模糊结果图；

图5为截取之后的边缘区域去模糊图像；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例提供的一种基于对称边缘填充的简单透镜边缘区域去模糊方法，包括如下步骤：

步骤一：用简单透镜拍摄获取模糊图像，如图2所示，所述模糊图像通常指在静态下拍到的图像，不包括抖动模糊或运动模糊图像；

步骤二：提取模糊图像边缘区域，通过对称翻转操作扩充边缘的图像区域，具体操作方法如图4(1)所示，将A区域和B区域以及A、B区域的重叠部分分别向图像外对称翻转，得到扩充之后的图像；

步骤三：将扩充后的边缘区域用盲卷积图像复原算法单独做去模糊处理，得到扩充区域的去模糊图像，其中的盲卷积图像复原算法为基于最大后验概率MAP的盲卷积图像复原算法，在最大后验概率模型下，盲卷积图像复原问题的统计学模型可以表述为：

argmaxP(K,I|B)＝argmaxP(B|I,K)P(I)P(K) (1)

其中，K表示简单透镜的模糊核；I表示清晰图像；B表示由简单透镜成像***直接得到的模糊图像；P(K,I|B)表示在模糊图像B已知条件下，与模糊图像B对应的模糊核和清晰图像分别为K和I的概率；P(B|I,K)表示如果已知模糊核K和清晰图像I，对应的模糊图像为B的概率；P(I)表示对原始清晰图像已知的先验概率；P(K)表示模糊核的先验概率。

为计算方便，考虑到对数与乘积的转换关系以及对数函数的单调性，对式(1)左右两端分别取负对数：

-logP(K,I|B)＝-logP(B|K,I)-logP(I)-logP(K) (2)

则上述问题转化为能量最小化问题，左边的目标函数可以定义为：

其中，表示数据拟合项；表示图像先验；||K||_p2表示模糊核先验；λ₁和λ₂分别表示图像先验和模糊核先验的权重；P1和P2分别表示图像先验和模糊核先验的具体范数。

在具体实施过程中，图像先验都采用服从重尾分布的先验模糊核先验采用稀疏模糊核先验最终目标函数如下所示：

其中，图像先验和模糊核先验的权重取值为λ₁＝0.55，λ₂＝0.45。

利用盲卷积图像复原算法得到的扩充边缘区域去模糊结果如图4(2)所示。

步骤四：截取得到边缘区域的去模糊图像，边缘区域与其他区域的重叠部分通过均值融合算法得到。均值融合算法是为了保证边缘区域与其他区域连接处的平滑性，均值融合算法如下所示：

其中，P₁表示边缘区域，P₂表示与边缘区域连接的其他区域，P表示融合之后的重叠区域，(x,y)表示图像像素坐标，均值融合算法是逐像素进行的。

边缘区域最终的去模糊结果如图5所示。

相对于现有方法，本发明将简单透镜模糊图像的边缘区域作单独处理，利用简单透镜模糊核空间对称性，通过对称翻转操作扩充边缘区域的图像区域，以丰富边缘区域的图像信息，本发明能提高边缘区域的图像复原精度，在图像处理领域具有重要意义。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种基于对称边缘填充的简单透镜边缘区域去模糊方法，其特征在于，包括以下步骤：

步骤一：用简单透镜拍摄获取模糊图像；

步骤二：提取模糊图像边缘区域，通过对称翻转操作扩充边缘的图像区域；

步骤三：将扩充后的边缘区域用盲卷积图像复原算法单独做去模糊处理，得到扩充区域的去模糊图像；

步骤四：截取得到边缘区域的去模糊图像，边缘区域与其他区域的重叠部分通过均值融合算法得到。

2.根据权利要求1所述的基于对称边缘填充的简单透镜边缘区域去模糊方法，其特征在于，所述步骤一中的模糊图像通常指在静态下拍到的图像，不包括抖动模糊或运动模糊图像。

3.根据权利要求1所述的基于对称边缘填充的简单透镜边缘区域去模糊方法，其特征在于，所述步骤二中的对称翻转操作是基于简单透镜模糊核的空间对称性特征，具体操作方法如图4(1)所示，将A区域和B区域以及A、B区域的重叠部分分别向图像外对称翻转，得到扩充之后的图像。

4.根据权利要求1所述的基于对称边缘填充的简单透镜边缘区域去模糊方法，其特征在于，所述步骤三中的盲卷积图像复原算法为基于最大后验概率MAP的盲卷积图像复原算法，在最大后验概率模型下，盲卷积图像复原问题的统计学模型可以表述为：

arg max P(K,I|B)＝arg max P(B|I,K)P(I)P(K) (1)

其中，K表示简单透镜的模糊核；I表示清晰图像；B表示由简单透镜成像***直接得到的模糊图像；P(K,I|B)表示在模糊图像B已知条件下，与模糊图像B对应的模糊核和清晰图像分别为K和I的概率；P(B|I,K)表示如果已知模糊核K和清晰图像I，对应的模糊图像为B的概率；P(I)表示对原始清晰图像已知的先验概率；P(K)表示模糊核的先验概率。

为计算方便，考虑到对数与乘积的转换关系以及对数函数的单调性，对式(1)左右两端分别取负对数：

-log P(K,I|B)＝-log P(B|K,I)-log P(I)-log P(K) (2)

则上述问题转化为能量最小化问题，左边的目标函数可以定义为：

其中，表示数据拟合项；表示图像先验；||K||_p2表示模糊核先验；λ₁和λ₂分别表示图像先验和模糊核先验的权重；P1和P2分别表示图像先验和模糊核先验的具体范数。

5.根据权利要求1所述的基于对称边缘填充的简单透镜边缘区域去模糊方法，其特征在于，所述步骤四中的均值融合算法是为了保证边缘区域与其他区域连接处的平滑性，均值融合算法如下所示：

其中，P₁表示边缘区域，P₂表示与边缘区域连接的其他区域，P表示融合之后的重叠区域，(x,y)表示图像像素坐标，均值融合算法是逐像素进行的。