基于中频的图像盲复原方法技术

基于中频的图像盲复原方法，它包含了图像的中频域的概念以及根据其特性进行几何定位的方法，利用中频域可以对图像的降质ＰＳＦ进行快速准确的估计，进而用基于中频域的Ｗｉｅｎｅｒ滤波进行图像的快速复原。本发明专利技术针对适合大量成像系统的Ｇ类ＰＳＦ，利用该技术和单参数导数拟合法实现了一种“基于中频估计Ｇ类ＰＳＦ的图像盲复原算法”，并使用了一种特殊的平滑及其快速算法来提高可靠性和速度。该算法具有极速、稳定、参数少、用途广的特点，能对实时图像进行反降质、噪声抑制、细节增强等盲处理，可广泛用于天文、军事、医学、遥感、电视等各个领域。

【技术实现步骤摘要】

本专利技术属于图像盲复原
，具体涉及实时图像处理、反卷积技术、图像细节 增强、模糊图像清晰化、噪声抑制等的理论和算法等多个技术邻域。
技术介绍
图像复原是近年来的一个热点技术，已经广泛地用于天文、军事、医学、遥感、电视 等领域。它的目的是从降质的观测图像中恢复出原来的清晰场景。数学上降质模型可以描 述为原始图像与点扩展函数(point spread function, PSF)在有加性噪声的情况下的卷 积，如下式g(x, y) = f(x, y) h(x, y) + n{x, y)(1)其中x，y是平面的二维坐标，g(x，y)是降质图像的灰度，f (x，y)原始清晰图像的 灰度，h(x，y)是降质PSF的灰度，n(x，y)是加性噪声，(g)代表卷积运算。通过傅立叶变换， 该模型可在频域表示为G(u, v) = F(u, v) H(u, v) +N(u, v) (2)其中u，v 表示离散频率，G(u，v)、F(u，v)、H(u，v)和 N(u，v)分别是 g(x，y)、f(x， y)、h(x，y)和n(x，y)的傅立叶变换。图像复原也就是从g(x，y)中把f (x，y)恢复出来。 然而，在实际情况中，h(x，y)和n(x，y)往往是未知的，以致恢复f (x，y)非常困难，这种情 况即被称为图像盲复原。至今，人们已经提出了许多图像盲复原技术，比如零页面分离法、迭代盲反卷积 法、模拟退火法、约束递归逆滤波法、ARMA参数估计法、总体最小二乘法、总体变分法、各项 异性扩散方程法、最小熵反卷积法等等。然而，这些方法中大多使用迭代或递归步骤，致使 结果可能不收敛，速度十分缓慢，甚至可能使图像质量越来越差。因此，它们几乎无法应用 到需要实时处理图像的工程中。为了实现实时图像盲复原，Carasso等人提出了一种基于快速傅立叶变换 (fastFourier transform, FFT)的方法，称为APEX法。APEX法可以在数十秒内完成一幅 512*512图像的复原，并有良好的效果。近几年还出现了一些该方法的改进和应用，也取得 了一定的成功。APEX法提高速度重要原因在于它将PSF设定为一种非常广见的函数，称为 G类函数，其傅立叶变换有如下的形式仔(w,v)=J^MXjiOexp 卜/2 龙(;o/+v_y)]由办W/=exp[-c( 2+v2/] ,c>0,0</3<\其中，日与成像环境有关，决定了模糊的种类，c与成像过程有关，决定了模糊的 程度。非常有意义的是，该函数出现在大量的物理过程中，它不仅包含了常见的Gaussian 过程⑶=1)和Lorentzian过程⑶=1/2)，还可以刻画许多成像系统的光学传递函数， 如0 = 1/2还对应放射检查中的X射线散射成像，0 = 5/6对应大气湍流长曝光成像，3 =3/4近似对应理想透镜有限衍射的光学传递函数，1/2 < 0 可刻画多种光电设备，并且几乎所有的照相胶片都有0 < 0 < 1的特性，等等。APEX法正是通过估计G类PSF的参 数c和0来达到图像盲复原的目的。然而，APEX法仍然存在许多问题。首先，APEX法有过多的人为输入参数，而这些 重要的参数却只能靠经验来选择，有时需要反复交互式的尝试才能得到合适的值(并且 不一定总能找到)，甚至可能使问题变得愈加困难。其次，APEX法在估计参数时将未知的 ln|F(u, v) |直接用一个常数来代替，并用非线性最小二乘法(least squaresestimation, LSE)来求c和3。但由于ln|F(u，v) |和ln|G(u，v) | 一般都是全局单减的凹曲线，所以 得到的0总是小于0.5的，这常与实际情况不相符合。虽然用得到的c和0也可能实现 一定程度的复原，但这极大地限制了它的应用范围。再次，非线性LSE中有递归过程，这将 降低复原的速度。最后，APEX法使用连续边界慢演进(slow evolution of continuation boundary, SECB)技术来进行反卷积重构图像，该技术须尝试一系列的时间值来选择最佳结 果，而每次尝试都需要一秒左右，浪费了许多时间。虽然后来人们有所改进，却未从根本上 解决问题，反而更加耗时。因此，在实时性较强的应用中，这些方法仍然不能满足要求。图像盲复原除了 h(x，y)和n(x，y)未知的难点外，还有一个困难在于它是一个反 卷积的逆问题，即噪声轻微的扰动都可能造成复原图像极大的畸变。所以人们也提出了许 多反卷积的技术来克服这点，比如上面提到的SECB技术。但SECB技术是专门针对G类函 数无限可分的特点而提出的，因此有一定局限性。另外有一种经典的反卷积技术称为“最 小均方误差滤波(Wiener滤波)”，是通过最小化原始图像和复原图像之间的均方误差导出 的，其复原图像用下式计算 其中F(w,v)和泠分别是复原图像和PSF的傅立叶变换估计，炉0，力是应 的复共轭，n (u,v) = |N(u，v) |2/|F(u，v) I2是噪声和理想图像功率谱的比值。当n (u,v) 未知时，可以用一个常数r来替换，即上式近似为 其中r是噪声对信号的频谱密度之比，当噪声的统计性质未知的时候，r值的确 定就成为决定复原效果优劣的关键。人们对此已经提出了一些方法来确定r的最佳值，也 取得一定的成果。但是已有方法都有一个共同的缺点就是运算量较大，需要用图像的统计 信息或者递归运算来计算r值，因此反而降低了 Wiener滤波的效率，这也是该技术有待改 进之处。然而，虽然Wiener滤波是否最优尚无定论，但它简单快速的优点使之比起其他技 术来，仍更适合于实时应用。
技术实现思路
本专利技术的技术解决问题克服现有图像盲复原技术速度过慢、应用范围过窄的不 足，提供一种，该方法使图像盲复原的实时应用成为可能，在快 速复原图像的同时还有消除图像噪声以及增强图像中点目标等功能。本专利技术的技术方案，实现步骤如下(1)对图像频谱中含有PSF信息的中频域进行定位，所述的中频域定位方法为(1. 1)计算模糊图像的FFT并标准化；(1. 2)计算FFT的一些过原点线的中频域分界点，从而确定中频域的范围；(2)利用中频域来估计G类PSF，方法为(2. 1)根据环境选择G类函数中模型指数0的值；(2. 2)对相同的过原点线的中频域进行平滑，并用单参数线性LSE估计中频域中 PSF的导数；(2. 3)用PSF的导数计算G类函数中模糊程度参数c的估计值6，得到G类PSF的 估计式；(3)利用中频域来优化Wiener滤波中信噪频谱密度比r的值，并用Wiener滤波 复原图像。所述步骤(1. 2)计算FFT的一些过原点线的中频域分界点的实现如下(1. 2. 1)对过原点线的对数进行“移动右平均”平滑，即把每个点的值替换为其右 边若干个相邻点的平均值，然后用直线连接端点并计算到该直线最大距离的点，即得到中 频域和高频域之间的分界点；(1. 2. 2)对过原点线的中低频域进行“移动左平均”平滑，即把每个点的值替换为 其左边若干个相邻点的平均值，然后用直线连接端点并计算到该直线最大距离的点，即得 到低频域和中频域之间的分界点；(1. 2. 3)以上步骤计算出的两个分界点之间本文档来自技高网...

【技术保护点】
基于中频的图像盲复原方法，其特征在于实现步骤如下：（１）对图像频谱中含有ＰＳＦ信息的中频域进行定位，所述的中频域定位方法为：（１．１）计算模糊图像的ＦＦＴ并标准化；（１．２）计算ＦＦＴ的一些过原点线的中频域分界点，从而确定中频域的范围；（２）利用中频域来估计Ｇ类ＰＳＦ，方法为：（２．１）根据环境选择Ｇ类函数中模型指数β的值；（２．２）对相同的过原点线的中频域进行平滑，并用单参数线性ＬＳＥ估计中频域中ＰＳＦ的导数；（２．３）用ＰＳＦ的导数计算Ｇ类函数中模糊程度参数ｃ的估计值＊，得到Ｇ类ＰＳＦ的估计式；（３）利用中频域来优化Ｗｉｅｎｅｒ滤波中信噪频谱密度比Γ的值，并用Ｗｉｅｎｅｒ滤波复原图像。

【技术特征摘要】
基于中频的图像盲复原方法，其特征在于实现步骤如下(1)对图像频谱中含有PSF信息的中频域进行定位，所述的中频域定位方法为(1.1)计算模糊图像的FFT并标准化；(1.2)计算FFT的一些过原点线的中频域分界点，从而确定中频域的范围；(2)利用中频域来估计G类PSF，方法为(2.1)根据环境选择G类函数中模型指数β的值；(2.2)对相同的过原点线的中频域进行平滑，并用单参数线性LSE估计中频域中PSF的导数；(2.3)用PSF的导数计算G类函数中模糊程度参数c的估计值得到G类PSF的估计式；(3)利用中频域来优化Wiener滤波中信噪频谱密度比Γ的值，并用Wiener滤波复原图像。F2009102359465C0000011.tif2.根据权利要求1所述的基于中频的图像盲复原方法，其特征在于所述步骤(1.2) 计算FFT的过原点线的中频域分界点的实现如下(1.2. 1)对过原点线的对数进行“移动右平均”平滑，即把每个点的值替换为其右边若 干个相邻点...

【专利技术属性】
技术研发人员：罗一涵，付承毓，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：90[中国|成都]