CN113643192A - 用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质 - Google Patents

用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质 Download PDF

Info

Publication number
CN113643192A
CN113643192A CN202010395146.6A CN202010395146A CN113643192A CN 113643192 A CN113643192 A CN 113643192A CN 202010395146 A CN202010395146 A CN 202010395146A CN 113643192 A CN113643192 A CN 113643192A
Authority
CN
China
Prior art keywords
processed
image
iteration
blur function
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010395146.6A
Other languages
English (en)
Inventor
张李亚迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Harvest Intelligence Tech Co Ltd
Original Assignee
Shanghai Harvest Intelligence Tech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Harvest Intelligence Tech Co Ltd filed Critical Shanghai Harvest Intelligence Tech Co Ltd
Priority to CN202010395146.6A priority Critical patent/CN113643192A/zh
Priority to TW110116805A priority patent/TW202143101A/zh
Priority to US17/316,905 priority patent/US20210350506A1/en
Publication of CN113643192A publication Critical patent/CN113643192A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Studio Devices (AREA)

Abstract

一种用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质，所述方法包括：获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数；当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。通过本发明方案能够获得因被采集物体移动而造成的模糊函数，利于后期处理以得到清晰图像。

Description

用于成像***的模糊函数处理方法及装置、图像采集设备、存 储介质
技术领域
本发明涉及图像处理技术领域，具体地涉及一种用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质。
背景技术
在拍照等图像采集操作时，被拍摄物体的移动会导致成像模糊。例如，在指纹识别场景中，如果手指在传感器成像时移动，则会导致传感器接收到的图像因手指移动而模糊不清，进而无法有效地识别指纹。
针对此类成像模糊问题，现有技术通常采用的解决方案是重新拍摄一张清晰图像，但这会延长拍摄周期。例如，在指纹解锁场景中，因手指持续移动而需要不断重新采集指纹时，解锁过长的解锁时间会影响用户使用体验。
发明内容
本发明解决的技术问题是如何获得因被采集物体移动而造成的模糊函数，以便后期处理以得到清晰图像。
为解决上述技术问题，本发明实施例提供一种用于成像***的模糊函数处理方法，包括：获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
可选的，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
可选的，所述模糊函数以矩阵形式表示，所述确定初始的模糊函数包括：对所述矩阵中的每一元素赋随机值，以得到所述初始的模糊函数。
可选的，所述随机值的取值范围为0至1。
可选的，所述矩阵的行数和列数根据所述成像***的光源尺寸确定。
可选的，所述确定初始的清晰图像包括：将所述模糊图像确定为所述初始的清晰图像。
可选的，所述基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数包括：基于所述模糊图像、模糊函数以及清晰图像迭代地进行反卷积运算，以获取处理后的清晰图像以及处理后的模糊函数。
可选的，所述基于所述模糊图像、模糊函数以及清晰图像迭代地进行反卷积运算，以获取处理后的清晰图像以及处理后的模糊函数包括：每次迭代时，基于如下公式计算得到所述处理后的清晰图像：
Figure BDA0002486745280000021
Figure BDA0002486745280000022
其中，k表示第k次迭代运算，k≥0；fk+1(x)为第k+1次迭代得到的处理后的清晰图像；fk(x)为第k次迭代得到的处理后的清晰图像；g(x)为所述模糊图像；hk(x)为第k次迭代得到的处理后的模糊函数；hk(-x)为第k次迭代得到的处理后的模糊函数的翻转结果；*表示卷积运算；×表示乘运算；每次迭代时，基于如下公式得到所述处理后的模糊函数：
Figure BDA0002486745280000023
Figure BDA0002486745280000024
其中，hk+1(x)为第k+1次迭代得到的处理后的模糊函数；fk(-x)为第k次迭代得到的处理后的清晰图像的翻转结果。
可选的，每次迭代得到的处理后的清晰图像满足如下限制条件：所述处理后的清晰图像中每一像素的灰度均大于零。
可选的，每次迭代得到的处理后的模糊函数满足如下限制条件：所述处理后的模糊函数中每一元素的数值均大于零；所述处理后的模糊函数满足归一化条件；所述处理后的模糊函数的行数和列数保持不变。
可选的，所述停止条件还包括：迭代的次数达到预设次数。
可选的，所述当迭代结果满足停止条件时，停止迭代包括：当所述迭代的次数达到所述预设次数，但最近一次迭代得到的处理后的清晰图像与其前一次迭代得到的处理后的清晰图像的相似性小于所述预设阈值时，继续迭代，直至前后两次迭代得到的处理后的清晰图像的相似性大于所述预设阈值。
可选的，所述模糊函数处理方法还包括：获取待处理的模糊图像；基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像。
可选的，所述基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像包括：基于如下公式还原得到所述清晰图像：
Figure BDA0002486745280000031
其中，
Figure BDA0002486745280000032
为还原得到的清晰图像；g(x)为所述待处理的模糊图像；h(x)为所述优选模糊函数；*-1表示反卷积运算。
为解决上述技术问题，本发明实施例还提供一种用于成像***的模糊函数处理装置，包括：获取模块，用于获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；迭代模块，用于基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；确定模块，当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
可选的，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
为解决上述技术问题，本发明实施例还提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述方法的步骤。
为解决上述技术问题，本发明实施例还提供一种图像采集设备，包括：成像***，用于采集得到待处理的模糊图像；模糊函数处理模块，与所述成像***耦接，所述模糊函数处理模块用于执行上述方法以确定所述优选模糊函数；去模糊模块，与所述模糊函数处理模块以及所述成像***耦接，所述去模糊模块用于基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例提供一种用于成像***的模糊函数处理方法，包括：获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
由此，采用本实施例方案能够基于迭代的算法来找出因为物体移动而造成的模糊函数，以利后期的处理，例如去模糊。具体而言，通过运算从模糊图像推算得到清晰图像。进一步，当前后两次迭代得到的清晰图像的相似性高于预设阈值时，表明最近一次迭代得到的清晰图像还原效果较好并趋于稳定，则本次迭代进行运算时所采用的模糊函数可以作为优选模糊函数，用于对当前采集到的模糊图像的去模糊处理。
进一步，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。较之以固定迭代次数作为停止条件的方案，以图像相似性作为停止条件利于获得更优的优选模糊函数。具体而言，迭代次数过多或过少均可能影响到模糊函数的质量以及对模糊图像的还原度，因此，以固定的迭代次数作为停止条件而处理得到的优选模糊函数对图像的去模糊效果不一定是最优的。基于此，本发明方案以图像相似性作为停止条件，根据迭代过程中的实时处理效果来决定停止时机，从而得到更优的优选模糊函数。
进一步，本发明实施例还提供一种图像采集设备，包括：成像***，用于采集得到待处理的模糊图像；模糊函数处理模块，与所述成像***耦接，所述模糊函数处理模块用于执行上述方法以确定所述优选模糊函数；去模糊模块，与所述模糊函数处理模块以及所述成像***耦接，所述去模糊模块用于基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像。
采用本实施例方案，能够对采集到的模糊图像进行去模糊处理，无需重复采集既能得到清晰图像。由此，能够提高图像采集设备的采集效率，缩短采集时间。
附图说明
图1是本发明实施例一种用于成像***的模糊函数处理方法的流程图；
图2是手指的清晰指纹图像的示意图；
图3是手指的模糊指纹图像的示意图；
图4是手指的移动造成的模糊函数的理论示意图；
图5是采用图1所示方法针对图3所示图像处理得到的模糊函数的示意图；
图6是本发明实施例一种图像的去模糊方法的流程图；
图7是一个典型应用场景中模糊指纹图像的示意图；
图8是采用基于图7所示图像去模糊还原得到的清晰指纹图像；
图9是采用本实施例所述方法针对图7所示图像处理得到的模糊函数的示意图；
图10是本发明实施例一种用于成像***的模糊函数处理装置的结构示意图；
图11是本发明实施例一种图像的去模糊装置的结构示意图。
具体实施方式
如背景技术所言，在图像采集过程中，当被采集物体移动导致成像模糊时，现有技术无法提供较好的解决方案。
以指纹识别场景为例，传统的光学式屏下式指纹识别技术是利用透镜在传感器上成像，因此其模块需要透镜阵列、光线准直器、空间滤波器等元件，结构比较复杂，导致模块厚重、感测范围小等缺点。本实施例方案采用新光学式屏下指纹识别技术，为基于全反射成像原理，具有结构简单、模块轻薄、成本低且容易实现大面积的感测范围等优点。
但是，由于在采集指纹时，手指可能会在传感器成像时移动，导致传感器所接收到的影像因为移动而模糊不清，使得指纹识别上会有困难。
为解决上述技术问题，本发明实施例提供一种用于成像***的模糊函数处理方法，包括：获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
由此，采用本实施例方案能够基于迭代的算法来找出因为物体移动而造成的模糊函数，以利后期的处理，例如去模糊。具体而言，通过运算从模糊图像推算得到清晰图像。进一步，当前后两次迭代得到的清晰图像的相似性高于预设阈值时，表明最近一次迭代得到的清晰图像还原效果较好并趋于稳定，则本次迭代进行运算时所采用的模糊函数可以作为优选模糊函数，用于对当前采集到的模糊图像的去模糊处理。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种用于成像***的模糊函数处理方法的流程图。
采用本实施例方案处理得到的模糊函数可以应用于光学屏下指纹识别场景。例如，可以基于所述模糊函数对采集得到的模糊指纹图像进行去模糊处理，以从模糊指纹图像还原得到清晰指纹图像，无需重复地进行指纹采集操作。在实际应用中，所述模糊函数还可以应用于其他需要对因被采集物体移动而导致成像模糊的采集影像进行后处理的场景，以基于模糊影像还原得到清晰影像。
在光学屏下指纹识别场景中，所述成像***可以包括：光源部件、透光盖板以及传感器部件，自所述光源发射的光线在所述透光盖板处发生全反射，并携带有按压于透光盖板的手指的指纹信息入射至所述传感器部件。由此，所述传感器部件采集得到指纹图像。
如果在传感器部件成像期间手指发生移动，则传感器部件采集到的是模糊指纹图像。采用本实施例方案，能够基于因手指移动而产生的模糊函数将所述模糊指纹图像去模糊得到清晰指纹图像。
清晰图像、模糊图像和模糊函数三者之间的关系满足公式(1)：
g(x)＝h(x)*f(x)+n (1)
其中，g(x)为所述模糊图像；h(x)为所述模糊函数；f(x)为所述清晰图像；*为卷积运算；n为***噪声；(x)为图像的像素矩阵。
所述***噪声n可以通过对所述成像***进行测量得到。例如，在透光盖板上未放置手指时进行图像采集操作，以获取没有待采集物体的图像。所述***噪声n通常用于表征传感器噪声，以及环境信号噪声等。
所述清晰图像f(x)以及模糊图像g(x)可以视为由像素构成的矩阵。
所述模糊函数h(x)也可以以矩阵形式表示。
在一个具体实施中，所述模糊函数h(x)为点扩散函数(Point Spread Function，简称PSF)，描述的是一个成像***对一个点光源的响应。因此，点扩散函数h(x)与清晰图像f(x)(即被采集物体的本征图像)卷积的结果就是所述成像***实际采集的图像g(x)(即模糊图像)。这里用于表征所述模糊函数h(x)的矩阵的行数和列数可以根据所述成像***的光源尺寸确定。例如，所述光源部件的面积越大，所述矩阵的行数和列数越多。除了光源本身的形状尺寸等，被采集物体的移动也会影响到所述模糊函数h(x)，最终的模糊函数h(x)是由光源形状尺寸和被采集物体的移动两种因素的叠加所形成。
在一个具体实施中，参考图1，本实施例所述模糊函数处理方法可以包括如下步骤：
步骤S101，获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；
步骤S102，基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；
步骤S103，当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
在一个具体实施中，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
在一个具体实施中，在所述步骤S101中，在接收到所述待处理的模糊图像之后，可以先对所述模糊指纹图像的模糊程度进行判断。如果所述模糊指纹图像的模糊程度超过预设临界值，则继续执行步骤S102；否则，直接基于所述模糊指纹图像进行指纹识别操作。
在一个具体实施中，所述步骤S101可以包括：对所述模糊函数的矩阵中的每一元素赋随机值，以得到所述初始的模糊函数。
例如，所述随机值的取值范围为0至1。也即，对于所述模糊函数的矩阵中的每一元素，从0～1中随机取值，从而得到所述初始的模糊函数。
在一个具体实施中，所述步骤S101还可以包括：将所述模糊图像确定为所述初始的清晰图像。
在一个具体实施中，所述模糊图像可以是所述传感器部件接收到的影像。
在一个具体实施中，所述步骤S102可以包括：每次迭代时进行反卷积运算，所述反卷积运算可以基于最大似然(Maximum Likelihood)原理进行。
例如，每次迭代时，基于公式(2)计算得到所述处理后的清晰图像：
Figure BDA0002486745280000081
其中，k表示第k次迭代运算，k≥0；fk+1(x)为第k+1次迭代得到的处理后的清晰图像；fk(x)为第k次迭代得到的处理后的清晰图像；g(x)为所述模糊图像；hk(x)为第k次迭代得到的处理后的模糊函数；hk(-x)为第k次迭代得到的处理后的模糊函数的翻转结果；*表示卷积运算；×表示乘运算；
进一步，每次迭代时，基于公式(3)得到所述处理后的模糊函数：
Figure BDA0002486745280000082
其中，hk+1(x)为第k+1次迭代得到的处理后的模糊函数；fk(-x)为第k次迭代得到的处理后的清晰图像的翻转结果。
在一个具体实施中，每次迭代得到的处理后的清晰图像需要满足如下限制条件：所述处理后的清晰图像中每一像素的灰度均大于零。
进一步，每次迭代得到的处理后的模糊函数需要满足如下限制条件：所述处理后的模糊函数中每一元素的数值均大于零；所述处理后的模糊函数满足归一化条件；所述处理后的模糊函数的行数和列数保持不变。
所述满足归一化条件是指，所述处理后的模糊函数的矩阵中所有元素的加和为1。
在一个具体实施中，每次迭代后，均可以执行检查操作，以判断是否达到停止条件。若第k+1次迭代获得的处理后图像与第k次迭代获得的处理后图像的相似性大于预设阈值时，则确定符合停止条件。
具体地，所述预设阈值可以是根据经验法则确定的，例如可以通过先前的实验测得。一般而言，在迭代运算满足所述停止条件时，会达到平均最小错误的次数。
在一个具体实施中，所述图像的相似性可以基于结构相似性(structuralsimilarity index，简称SSIM)表征。
在一个具体实施中，所述停止条件还可以包括：迭代的次数达到预设次数。以通过二次检查辅助得到较优的模糊函数。
例如，当所述迭代的次数达到所述预设次数，但最近一次迭代得到的处理后的清晰图像与其前一次迭代得到的处理后的清晰图像的相似性小于所述预设阈值时，继续迭代，直至前后两次迭代得到的处理后的清晰图像的相似性大于所述预设阈值。
又例如，当迭代的次数尚未达到所述预设次数时，若最近一次迭代得到的处理后的清晰图像与其前一次迭代得到的处理后的清晰图像的相似性已经大于所述预设阈值，则可以立即停止迭代。
以图2所示清晰指纹图像(分辨率256×256)为例，因成像时手指移动，传感器部件实际采集到的图像可能是图3示出的模糊指纹图像。
理论上，因手指水平移动而造成的模糊函数如图4所示。采用本实施例方案处理得到的优选模糊函数如图5所示。可见，采用本实施例方案，能够得到非常接近于理论结果的优选模糊函数。
在移动模糊场景中，最终得到的所述优选模糊函数可以如公式(4)所示：
Figure BDA0002486745280000101
其中，rect()为矩形函数；dsmear为单次曝光时间内被采集物体的移动距离。
在一些实施例中，被采集物体在单次曝光时间内的线性运动会在图像中产生拖尾，单次曝光时间内被采集物体移动的距离越大，采集到的图像中的拖尾现象越严重。具体地，可以根据公式(5)计算单次曝光时间内被采集物体的移动距离：
dsmear(t)＝υ·texp (5)
其中，υ是被采集物体的移动速度，texp是曝光时间。
由上，采用本实施例方案能够基于迭代的算法来找出因为物体移动而造成的模糊函数，以利后期的处理，例如去模糊。具体而言，通过反卷积运算从模糊图像推算得到清晰图像。进一步，当前后两次迭代得到的清晰图像的相似性高于预设阈值时，表明最近一次迭代得到的清晰图像还原效果较好并趋于稳定，则本次迭代进行反卷积运算时所采用的模糊函数可以作为优选模糊函数，用于对当前采集到的模糊图像的去模糊处理。
较之以固定迭代次数作为停止条件的方案，以图像相似性作为停止条件利于获得更优的优选模糊函数。具体而言，迭代次数过多或过少均可能影响到模糊函数的质量以及对模糊图像的还原度，因此，以固定的迭代次数作为停止条件而处理得到的优选模糊函数对图像的去模糊效果不一定是最优的。基于此，本发明方案以图像相似性作为停止条件，根据迭代过程中的实时处理效果来决定停止时机，从而得到更优的优选模糊函数。
在一个具体实施中，响应于已经处理得到所述优选模糊函数，可以基于所述优选模糊函数对所述传感器部件当前采集到的模糊指纹图像进行去模糊操作，以得到对应的清晰指纹图像。
具体地，可以获取待处理的模糊图像，进而基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像。
例如，可以基于公式(6)还原得到所述清晰图像：
Figure BDA0002486745280000111
其中，
Figure BDA0002486745280000112
为还原得到的清晰图像；g(x)为所述待处理的模糊图像；h(x)为所述优选模糊函数；*-1表示反卷积运算。
在一些实施例中，对于所述传感器部件每次采集到的模糊指纹图像，均可采用上述方法确定出适用于当前采集到的模糊指纹图像的优选模糊函数，再基于所述优选模糊函数对所述传感器部件当前采集到的模糊指纹图像进行去模糊操作，以得到对应的清晰指纹图像。
图6示出本发明实施例一种图像的去模糊方法的流程图。
步骤S201，获取待处理的模糊图像，并确定初始的模糊函数以及初始的清晰图像；
步骤S202，基于模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；
步骤S203，当迭代结果满足停止条件时，停止迭代，并基于最后一次迭代得到的处理后的清晰图像确定去模糊结果。
其中，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
关于所述迭代运算以及停止条件的具体内容可以参考上述图1所示实施例中的相关描述，在此不予赘述。
在一个具体实施中，在所述步骤S201中，在接收到所述待处理的模糊图像之后，可以先对所述模糊指纹图像的模糊程度进行判断。如果所述模糊指纹图像的模糊程度超过预设临界值，则继续执行步骤S202；否则，直接基于所述模糊指纹图像进行指纹识别操作。
具体地，步骤S201和前述实施例的步骤S101中的所述预设临界值可以根据能否从原始图像中识别得到所需信息确定。例如，若所述模糊指纹图像的模糊程度达到某一值时，无法从模糊指纹图像中识别得到指纹信息的几率超过80％，则该值确定为所述预设临界值。
以图7所示模糊指纹图像(分辨率160×160)为例，采用上述图1所示实施例方案，能够同时得到如图9示出的优选模糊函数(大小为9×9像素)以及图8所示的清晰指纹图像。对比图7和图8可见，指纹图像的模糊程度被极大降低。在一个实施例中，得到图8所示的清晰指纹图像经过的迭代运算的次数为10次。
图10是本发明实施例一种用于成像***的模糊函数处理装置的结构示意图。本领域技术人员理解，本实施例所述用于成像***的模糊函数处理装置3(以下简称为模糊函数处理装置3)可以用于实施上述图1所示实施例中所述的方法。
具体地，在本实施例中，所述模糊函数处理装置3可以包括：获取模块31，用于获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；迭代模块32，用于基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；确定模块33，当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
在一些实施例中，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
关于所述模糊函数处理装置3的工作原理、工作方式的更多内容，可以参照上述图1中的相关描述，这里不再赘述。
图11是本发明实施例一种图像的去模糊装置的结构示意图。本领域技术人员理解，本实施例所述图像的去模糊装置4(以下简称为去模糊装置4)可以用于实施上述图6所示实施例中所述的方法。
具体地，本实施例所述去模糊装置4可以包括：获取模块41，用于获取待处理的模糊图像，并确定初始的模糊函数以及初始的清晰图像；处理模块42，用于基于模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；确定模块43，当迭代结果满足停止条件时，停止迭代，并基于最后一次迭代得到的处理后的清晰图像确定去模糊结果。
在一些实施例中，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
关于所述去模糊装置4的工作原理、工作方式的更多内容，可以参照上述图6中的相关描述，这里不再赘述。
本发明实施例还提供一种图像采集设备，包括：成像***，用于采集得到待处理的模糊图像；去模糊模块，与所述成像***耦接，所述去模糊模块用于将所述待处理的模糊图像去模糊还原为对应的清晰图像。
在一些实施例中，所述去模糊模块用于执行上述图6所示的方法来实现将所述待处理的模糊图像去模糊还原为对应的清晰图像。
在一些实施例中，所述图像采集设备还可以包括模糊函数处理模块，与所述成像***和所述去模糊模块耦接，所述模糊函数处理模块用于执行上述图1所示方法以确定所述优选模糊函数。其中，所述优选模糊函数被传输至所述去模糊模块，所述去模糊模块根据所述优选模糊函数对所述待处理的模糊图像进行去模糊操作。例如，所述去模糊模块可以基于前述实施例的公式(6)得到对应的清晰图像。
在指纹识别场景中，所述图像采集设备可以为成像设备，如指纹成像设备，所述成像***采集得到的模糊图像可以为模糊指纹图像。相应的，经所述模糊函数处理模块和去模糊模块处理得到的去模糊还原的清晰图像为清晰指纹图像。
由上，采用本实施例方案，能够对采集到的模糊图像进行去模糊处理，无需重复采集既能得到清晰图像。由此，能够提高图像采集设备的采集效率，缩短采集时间。
进一步地，本发明实施例还公开一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述图1或6所示实施例中所述的方法技术方案。优选地，所述存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。所述存储介质可以包括ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (18)

1.一种用于成像***的模糊函数处理方法，其特征在于，包括：
获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；
基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；
当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
2.根据权利要求1所述的模糊函数处理方法，其特征在于，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
3.根据权利要求1所述的模糊函数处理方法，其特征在于，所述模糊函数以矩阵形式表示，所述确定初始的模糊函数包括：
对所述矩阵中的每一元素赋随机值，以得到所述初始的模糊函数。
4.根据权利要求3所述的模糊函数处理方法，其特征在于，所述随机值的取值范围为0至1。
5.根据权利要求3所述的模糊函数处理方法，其特征在于，所述矩阵的行数和列数根据所述成像***的光源尺寸确定。
6.根据权利要求1所述的模糊函数处理方法，其特征在于，所述确定初始的清晰图像包括：
将所述模糊图像确定为所述初始的清晰图像。
7.根据权利要求1所述的模糊函数处理方法，其特征在于，所述基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数包括：
基于所述模糊图像、模糊函数以及清晰图像迭代地进行反卷积运算，以获取处理后的清晰图像以及处理后的模糊函数。
8.根据权利要求7所述的模糊函数处理方法，其特征在于，所述基于所述模糊图像、模糊函数以及清晰图像迭代地进行反卷积运算，以获取处理后的清晰图像以及处理后的模糊函数包括：
每次迭代时，基于如下公式计算得到所述处理后的清晰图像：
Figure FDA0002486745270000021
其中，k表示第k次迭代运算，k≥0；fk+1(x)为第k+1次迭代得到的处理后的清晰图像；fk(x)为第k次迭代得到的处理后的清晰图像；g(x)为所述模糊图像；hk(x)为第k次迭代得到的处理后的模糊函数；hk(-x)为第k次迭代得到的处理后的模糊函数的翻转结果；*表示卷积运算；×表示乘运算；
每次迭代时，基于如下公式得到所述处理后的模糊函数：
Figure FDA0002486745270000022
其中，hk+1(x)为第k+1次迭代得到的处理后的模糊函数；fk(-x)为第k次迭代得到的处理后的清晰图像的翻转结果。
9.根据权利要求1所述的模糊函数处理方法，其特征在于，每次迭代得到的处理后的清晰图像满足如下限制条件：
所述处理后的清晰图像中每一像素的灰度均大于零。
10.根据权利要求1所述的模糊函数处理方法，其特征在于，每次迭代得到的处理后的模糊函数满足如下限制条件：
所述处理后的模糊函数中每一元素的数值均大于零；
所述处理后的模糊函数满足归一化条件；
所述处理后的模糊函数的行数和列数保持不变。
11.根据权利要求1或2所述的模糊函数处理方法，其特征在于，所述停止条件包括：迭代的次数达到预设次数。
12.根据权利要求11所述的模糊函数处理方法，其特征在于，所述当迭代结果满足停止条件时，停止迭代包括：
当所述迭代的次数达到所述预设次数，但最近一次迭代得到的处理后的清晰图像与其前一次迭代得到的处理后的清晰图像的相似性小于预设阈值时，继续迭代，直至前后两次迭代得到的处理后的清晰图像的相似性大于所述预设阈值。
13.根据权利要求1至12中任一项所述的模糊函数处理方法，其特征在于，还包括：
获取待处理的模糊图像；
基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像。
14.根据权利要求13所述的模糊函数处理方法，其特征在于，所述基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像包括：基于如下公式还原得到所述清晰图像：
Figure FDA0002486745270000031
其中，
Figure FDA0002486745270000032
为还原得到的清晰图像；g(x)为所述待处理的模糊图像；h(x)为所述优选模糊函数；*-1表示反卷积运算。
15.一种用于成像***的模糊函数处理装置，其特征在于，包括：
获取模块，用于获取模糊图像，并确定初始的模糊函数以及初始的清晰图像；
迭代模块，用于基于所述模糊图像、模糊函数以及清晰图像迭代地进行运算，以获取处理后的清晰图像以及处理后的模糊函数，其中，第一次迭代时的模糊函数为所述初始的模糊函数，第一次迭代时的清晰图像为所述初始的清晰图像，自第二次迭代起，前一次迭代得到的处理后的清晰图像以及处理后的模糊函数作为下一次迭代时用于进行运算的清晰图像以及模糊函数；
确定模块，当迭代结果满足停止条件时，停止迭代，并将最后一次迭代得到的处理后的模糊函数确定为优选模糊函数。
16.根据权利要求15所述的模糊函数处理装置，其特征在于，所述停止条件至少包括：前后两次迭代得到的处理后的清晰图像的相似性大于预设阈值。
17.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至14中任一项所述方法的步骤。
18.一种图像采集设备，其特征在于，包括：
成像***，用于采集得到待处理的模糊图像；
模糊函数处理模块，与所述成像***耦接，所述模糊函数处理模块用于执行上述权利要求1至14中任一项所述方法以确定所述优选模糊函数；
去模糊模块，与所述模糊函数处理模块以及所述成像***耦接，所述去模糊模块用于基于所述优选模糊函数将所述待处理的模糊图像去模糊还原为对应的清晰图像。
CN202010395146.6A 2020-05-11 2020-05-11 用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质 Pending CN113643192A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010395146.6A CN113643192A (zh) 2020-05-11 2020-05-11 用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质
TW110116805A TW202143101A (zh) 2020-05-11 2021-05-10 用於成像系統的模糊函數處理方法及裝置、圖像採集設備、儲存介質、圖像處理方法及裝置、成像設備
US17/316,905 US20210350506A1 (en) 2020-05-11 2021-05-11 Method and apparatus for processing image, imaging device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010395146.6A CN113643192A (zh) 2020-05-11 2020-05-11 用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质

Publications (1)

Publication Number Publication Date
CN113643192A true CN113643192A (zh) 2021-11-12

Family

ID=78415588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010395146.6A Pending CN113643192A (zh) 2020-05-11 2020-05-11 用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质

Country Status (1)

Country Link
CN (1) CN113643192A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070009169A1 (en) * 2005-07-08 2007-01-11 Bhattacharjya Anoop K Constrained image deblurring for imaging devices with motion sensing
US20120155728A1 (en) * 2010-12-20 2012-06-21 General Electric Company Tomographic iterative reconstruction
CN102542535A (zh) * 2011-11-18 2012-07-04 中国科学院自动化研究所 虹膜图像的去模糊方法
CN102708543A (zh) * 2012-04-19 2012-10-03 北京工商大学 基于盲反卷积和稀疏表示的荧光显微图像复原方法和装置
CN103744124A (zh) * 2013-12-31 2014-04-23 华中科技大学 一种平面地形中地下管状设施红外成像探测定位方法
CN107392882A (zh) * 2017-07-30 2017-11-24 湖南鸣腾智能科技有限公司 一种基于角点检测的简单透镜psf迭代优化初始值的方法
CN108198151A (zh) * 2018-02-06 2018-06-22 东南大学 一种基于改进rl反卷积算法的星图去模糊方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070009169A1 (en) * 2005-07-08 2007-01-11 Bhattacharjya Anoop K Constrained image deblurring for imaging devices with motion sensing
US20120155728A1 (en) * 2010-12-20 2012-06-21 General Electric Company Tomographic iterative reconstruction
CN102542535A (zh) * 2011-11-18 2012-07-04 中国科学院自动化研究所 虹膜图像的去模糊方法
CN102708543A (zh) * 2012-04-19 2012-10-03 北京工商大学 基于盲反卷积和稀疏表示的荧光显微图像复原方法和装置
CN103744124A (zh) * 2013-12-31 2014-04-23 华中科技大学 一种平面地形中地下管状设施红外成像探测定位方法
CN107392882A (zh) * 2017-07-30 2017-11-24 湖南鸣腾智能科技有限公司 一种基于角点检测的简单透镜psf迭代优化初始值的方法
CN108198151A (zh) * 2018-02-06 2018-06-22 东南大学 一种基于改进rl反卷积算法的星图去模糊方法

Similar Documents

Publication Publication Date Title
Abdelhamed et al. A high-quality denoising dataset for smartphone cameras
Hradiš et al. Convolutional neural networks for direct text deblurring
Jinno et al. Multiple exposure fusion for high dynamic range image acquisition
JP5651118B2 (ja) 画像処理装置および画像処理方法
Kee et al. Modeling and removing spatially-varying optical blur
EP2494524B1 (en) Algorithms for estimating precise and relative object distances in a scene
US8208746B2 (en) Adaptive PSF estimation technique using a sharp preview and a blurred image
Raghavendra et al. Comparative evaluation of super-resolution techniques for multi-face recognition using light-field camera
KR102197089B1 (ko) 단일 영상 비균일 블러 제거를 위한 딥러닝 기반 다중 학습 구조
Quan et al. Gaussian kernel mixture network for single image defocus deblurring
Duan et al. Guided event filtering: Synergy between intensity images and neuromorphic events for high performance imaging
Sada et al. Image deblurring techniques—a detail review
CN107220945B (zh) 多重退化的极模糊图像的复原方法
KR101528244B1 (ko) 액체 매질에서 난류 효과를 포함한 이미지 데이터의 처리
El-Henawy et al. A comparative study on image deblurring techniques
Xue Blind image deblurring: a review
Goilkar et al. Implementation of blind and non-blind deconvolution for restoration of defocused image
CN110009575B (zh) 基于稀疏表示的红外图像条带噪声抑制方法
CN113643192A (zh) 用于成像***的模糊函数处理方法及装置、图像采集设备、存储介质
CN113643193A (zh) 图像的去模糊方法及装置、成像设备、存储介质
Singh et al. Comparative analysis of image deblurring techniques
Bhagat et al. Novel Approach to Estimate Motion Blur Kernel Parameters and Comparative Study of Restoration Techniques
Sahay et al. Shape extraction of low‐textured objects in video microscopy
Li et al. Joint motion deblurring with blurred/noisy image pair
US20210350506A1 (en) Method and apparatus for processing image, imaging device and storage medium

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination