多方向加权TV和非局部自相似性正则化图像去模糊方法技术

本发明专利技术公开了一种多方向加权TV和非局部自相似性正则化图像去模糊方法，主要是利用本发明专利技术所特有的将边缘检测加入加权TV去模糊模型，同时融入非局部自相似性正则化项而得到的基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去模糊模型对模糊图像f、清晰图像x、辅助变量u三个子问题进行求解后，对参数λ、ν进行迭代更新，循环执行直到得到最优解，即将一模糊图像去模糊处理后得到其清晰图像x。实验结果表明，采用本发明专利技术对模糊图像进行去模糊处理后能达到很好地去模糊效果，和现有技术相比，由于采取了边缘检测，能对边缘处更好的处理，不仅消除了伪边缘，且能更好地保留图像的纹理和细节；同时提高了图像的SNR，具有更好的视觉效果。

【技术实现步骤摘要】

本专利技术属计算机图像处理领域，可用于图像/视频去模糊等相关领域。
技术介绍
图像去模糊一直是计算机视觉、图像处理领域的研究热点，因其具有前沿性、应用 广等特点而备受关注。 在众多去模糊方法中，全变差（TV)正则化因其较好的边缘保持能力被广泛用于 图像去噪、图像去模糊等，但是其细节和纹理恢复能力有限。因此，出现了很多TV正则 化改进方法，如加权TV(WTV)正则化通过对图像的平滑区域和图像边缘采用不同的权重来 提升TV模型的细节恢复能力，但在纹理和细节较多的区域容易出现伪边缘和褶皱。 另一方面，传统的TV模型只考虑图像的局部特征，并没有利用图像中结构相似的 图像块，即图像的非局部自相似性，对图像先验信息的表达能力不足。文献将非局部 自相似性成功用于压缩感知重建，文献将非局部自相似性约束用于图像去模糊。该类 方法能较好的恢复图像细节，但仍不能很好地解决出现伪边缘和褶皱的问题。 YouweiWen,Ng.Μ.K. ,YumeiHuang.EfficientTotalVariation MinimizationMethodsforColorImageRestoration.IEEETransactionsonImage Processing, 2008, 17(11) :2081 - 2088. BrasN.B. ,Bioucas-DiasJ.,MartinsR.C. ,SerraA.C. .AnAlternating DirectionAlgorithmforTotalVariationReconstructionofDistributed Parameters.IEEETransactionsonImageProcessing，2012,21 (6):3004-3016. RodreguezP.,ffohlbergB..Performancecomparisonofiterative reweightingmethodsfortotalvariationregularization. 2014IEEE InternationalConferenceonImageProcessing(ICIP), 2014:1758-1762. JianZhang,ShaohuiLiu，RuiqinXiong,etal.Improvedtotalvariation basedimagecompressivesensingrecoverybynonlocalregularization. ProcofIEEEInternationalSymposiumonCircuitsandSystems. Beijing:ISCAS, 2013:2836-2839. WangS.,etal.Totalvariationbasedimagedeblurringwithnonlocal self-similarityconstraint.Electronicsletters,2011,47 (16):916-918. ffeihongGuo,ffotaoYin.EdgeCS:EdgeGuidedCompressive SensingReconstruction.SPIE-TheInternationalSocietyforOptical Engineering, 2010:7744-7753. BhottoΜ.Z.A. ,AhmadM. 0. ,SwamyΜ.N.S. .Finegranularityspatially adaptiveregularizationforTVL1basedimagedeblurring. 2014IEEE27th CanadianConferenceonElectricalandComputerEngineering, 2014:1-5.
技术实现思路
针对传统TV模型细节保持能力有限的问题，基于边缘检测，提出多方向加权TV; 为了利用图像的非局部自相似性结构，将非局部自相似性约束作为正则项融入图像去模糊 模型，提出一种基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去模糊算 法。 为了解决上述技术问题，本专利技术提出的一种多方向加权TV和非局部自相似性正 则化图像去模糊方法，包括以下步骤： 步骤1 :建立基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去模 糊模型，包括： 步骤1-1 :建立清晰图像X的多方向加权TV去模糊模型： 模糊图像f的数学模型为： f=Kx+n (1) 式⑴中，f为模糊图像，x为清晰图像，Κ是非线性算子，η为加性噪声； TV去模糊模型为：(2) 式（2)中，第一项为TV正则项，第二项为保真项；μ为正则化参数，K为模糊矩阵； 加权TV去模糊模型为：(3) 式⑶中，第一项为加权TV正则项，τ为一正参数； 清晰图像X的多方向加权TV去模糊模型为：(4) 式⑷中，求和范围为8邻域内所有α个像素对（i,j)~（k, 1) ;gi对应第i个 像素对的权值，对于中心像素的8邻域中，当中心像素与和它最邻近的4个像素构成像素对 时，当中心像素与其余的4个像素构成像素对时，g对模糊图像进行边缘检测 后，若像素对在边缘异侧，令gl= 〇;否则令gi保持原始值； 步骤1-2 :建立清晰图像X融入非局部自相似性正则化去模糊模型： 对于给定像素^的滤波结果为搜索窗内相似像素的加权平均，像素Xj相对于像素 Xi的权重wlS如下：(5) 式（5)中，h为高斯核控制参数，Cl为归一化参数，由此，建立一个非局部自相似性 约束项为：(，） 式（6)中，h是一个列向量，包含Xl搜索窗内的所有中心像素；^是包括相应权重 值&的列向量； 将式（6)写成如下矩阵形式：(7) 式（7)中，W为权重值Wlj对应的权重矩阵； 步骤1-3 :建立基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去 模糊模型：由式（3)、式（4)及式（7)，得到如下表示的基于边缘检测的多方向加权TV和非局 部自相似性正则化的图像去模糊模型：(8) 式（8)中，ε为一正参数，令yi=D 令非局部正则化项中的u=X，u为辅助变 量，将式⑶转变成：(9) 式（9)对应的增广拉格朗日方程为： 从而将式（9)转换为分别对模糊图像f、清晰图像X、辅助变量u的求解；βρβ2 分别为惩罚参数，ββ10，λ和V分别为参数； 步骤2 :输入模糊图像f; 步骤3 :对步骤1获得基于边缘检测的多方向加权TV和非局部自相似性正则化的 图像去模糊模型的参数设定初值，包括： 式（8)中，模糊矩阵K为单位矩阵；令正则化参数μ= 0.05/〇2,其中，〇为模糊 核标准差，μ取值范围为;参数Τ和参数ε的取值范围均分别为; 式（10)中，λ=1，ν=l，x=f; 步骤4 :利用式⑶对模糊图像f进行边缘检测，确定像素i对应像素对的权值gl， 当像素对位于边缘异侧时令gl= 〇,否则令gi为原始值； 步骤5 :利用式（11)和式（12)对式（10)中模糊图像f、清晰图像X、辅助变量u的 求解进行迭代更新，其中利用式（13)判断迭代结果是否收敛；(II) 其中，λ1%，分别表示第k-Ι次迭代后更新的λ和v，k为迭代控制变量；yk+1、 xk+本文档来自技高网...

【技术保护点】
一种多方向加权TV和非局部自相似性正则化图像去模糊方法，包括以下步骤：步骤1：建立基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去模糊模型，包括：步骤1‑1：建立清晰图像x的多方向加权TV去模糊模型：模糊图像f的数学模型为：f＝Kx+n          (1)式(1)中，f为模糊图像，x为清晰图像，K是非线性算子，n为加性噪声；TV去模糊模型为：minxTV(x)+μ2||Kx-f||22---(2)]]>式(2)中，第一项为TV正则项，第二项为保真项；μ为正则化参数，K为模糊矩阵；加权TV去模糊模型为：minxτWTV(x)+μ2||Kx-f||22---(3)]]>式(3)中，第一项为加权TV正则项，τ为一正参数；清晰图像x的多方向加权TV去模糊模型为：WTV(x)=Σi=1αgi|Dix|:=Σg(i,j)~(k,l)|xi,j-xk,l|---(4)]]>式(4)中，求和范围为8邻域内所有α个像素对(i,j)～(k,l)；gi对应第i个像素对的权值，对于中心像素的8邻域中，当中心像素与和它最邻近的4个像素构成像素对时，当中心像素与其余的4个像素构成像素对时，对模糊图像进行边缘检测后，若像素对在边缘异侧，令gi＝0；否则令gi保持原始值；步骤1‑2：建立清晰图像x融入非局部自相似性正则化去模糊模型：对于给定像素xi的滤波结果为搜索窗内相似像素的加权平均，像素xj相对于像素xi的权重wij如下：wij=exp(-||xj-xi||22/h2)/ci---(5)]]>式(5)中，h为高斯核控制参数，ci为归一化参数，由此，建立一个非局部自相似性约束项为：NR(X)=Σxi∈X||xi-NLF(xi)||22=Σxi∈X||xi-wiTki||22---(6)]]>式(6)中，ki是一个列向量，包含xi搜索窗内的所有中心像素；wi是包括相应权重值wij的列向量；将式(6)写成如下矩阵形式：NR(X)=||x-Wx||22,W(i,j)={wij,if xj∈ki0,otherwise---(7)]]>式(7)中，W为权重值wij对应的权重矩阵；步骤1‑3：建立基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去模糊模型：由式(3)、式(4)及式(7)，得到如下表示的基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去模糊模型：minxτΣigi|Dix|+ϵ||x-Wx||2+μ2||Kx-f||22---(8)]]>式(8)中，ε为一正参数，令yi＝Dix，令非局部正则化项中的u＝x，u为辅助变量，将式(8)转变成：minxτΣigi|yi|+ϵ||u-Wu||2+μ2||Kx-f||22,s.t.yi=Dix,u=x---(9)]]>式(9)对应的增广拉格朗日方程为：LA(y,u,x)=τ||y||1-λT(Dx-y)+β12||Dx-y||22+ϵ||u-Wu||-νT(u-x)+β22||u-x||+μ2||Kx-f||22---(10)]]>从而将式(9)转换为分别对模糊图像f、清晰图像x、辅助变量u的求解；β1、β2分别为惩罚参数，β1＝β2≡10，λ和ν分别为参数；步骤2：输入模糊图像f；步骤3：对步骤1获得基于边缘检测的多方向加权TV和非局部自相似性正则化的图像去模糊模型的参数设定初值，包括：式(8)中，模糊矩阵K为单位矩阵；令正则化参数μ＝0.05/σ2，其中，σ为模糊核标准差，μ取值范围为[102,105]；参数τ和参数ε的取值范围均分别为[2,5]；式(10)中，λ＝1，ν＝1，x＝f；步骤4：利用式(8)对模糊图像f进行边缘检测，确定像素i对应像素对的权值gi，当像素对位于边缘异侧时令gi＝0，否则令gi为原始值；步骤5：利用式(11)和式(12)对式(10)中模糊图像f、清晰图像x、辅助变量u的求解进行迭代更新，其中利用式(13)判断迭代结果是否收敛；yk+1←arg minyLA(xk,y,uk,λk,νk),xk+1←argminxLA(x,yk+1,uk,λk,νk),uk+1←argminuLA(xk+1,yk+1,u,λk,νk).---(11)]]>其中，λk，νk分别表示第k‑1次迭代后更新的λ和ν，k为迭代控制变量；yk+1、xk+1、uk+1表示第k次迭代后y、x、u的结果；{...

【技术特征摘要】

【专利技术属性】
技术研发人员：杨爱萍，魏宝强，田玉针，何宇清，张越，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12