[发明专利]基于有效特征裁选掩模构造的图像自动恢复方法

权利要求书

1.基于有效特征裁选掩模构造的图像自动恢复方法，其特征在于其步骤是：

图像的自动恢复，不需要先验信息；

本算法可以在没有模糊形式和模糊核参数的情况下，自动恢复复杂运动轨迹下的运动模糊和一定大小范围内的失焦模糊；

提高处理速度 

在迭代过程中引入预增强步骤，减少了迭代次数；

采用图像梯度而不是图像像素值进行计算；

获得更清晰的处理后图像；

恢复前对图像强边缘区域进行预增强；

算法更稳定；

设计了快速的图像非盲恢复算法，由于之前几个步骤的加入单尺度盲恢复算法，可以容忍稍差的非盲恢复结果，使得算法可以进一步提高速度。

2.如权利要求1所述的基于有效特征裁选掩模构造的图像自动恢复方法，其特征在于：单尺度盲恢复算法流程（流程图右半部分）简述如下

首先读入模糊图像                                               ，手动给定模糊核大小(该数值只需大于真实模糊核大小)，

  进行中间迭代盲恢复的过程，包括预增强图像、获得掩模、裁选梯度图    像、模糊核估计和一个非盲恢复步骤，得到估计的清晰图像和模糊核，

迭代，得到最终的恢复结果，

多尺度盲恢复步骤如下：

 (1) 首先在最粗尺度2(以三个尺度为例)上，进行单尺度盲恢复处理得到该尺度的估计清晰图像和，

(2) 将上采样得到在尺度1上模糊核的初值，进行单尺度盲恢复处理，得到尺度1的估计清晰图像和，

 (3) 循环(2)步，直到在尺度0上得到估计清晰图像和为止，

上一部分已有总体流程图，现解释关键流程的原理和实现过程：

图像预增强：

使用引导滤波对图像的强边缘区域进行预增强，在增强的过程中始终以原模糊图像的灰度范围作为指导，避免过度增强；

裁选梯度图像：

裁选目的是选出对图像恢复最有帮助的特征参与运算，特征量化的标准即裁选规则主要有两个：

1.每个像素点周围区域的梯度分布密度统计，避免使用边缘分布过度密集的区域，边缘的密度分布和阈值可以由原来的梯度图像和模糊核的覆盖范围估计出；

2梯度图像中各个梯度方向上的像素点数应该保持平衡，通过对图像进行(0,45,90,135度)四个梯度方向的扫描实现，

综合两种指标设定阈值，获得裁选掩模，进行图像的裁选，

假设原图像为I，掩模为M，则裁选后图像I’为：,  表示矩阵点乘

梯度图像裁选完毕后的后处理：如果被选择的区域只占原图大小的一小部分，则对原图进行进一步剪裁，梯度图也做相应的剪裁，缩小参与运算的图像大小，

（粗糙/精细）模糊核估计：

模糊核估计不加入正则项，以防止估计结果的过度平滑或稀疏，

粗糙模糊核估计，采用整幅模糊图像和预增强图像的梯度图像估计模糊核，也就是最小化

     (1)

其中，

精细模糊核估计，采用裁选后的模糊图像梯度和预增强并裁选过的梯度图像估计模糊核就是最小化     (2)

其中，

，

()表示按位置点乘；

展开即是：

 

非盲恢复：

利用估计的模糊核和模糊图像加入L2正则项进行非盲恢复，即最小化

。