[发明专利]图像去模糊方法及系统

权利要求书

1.一种图像去模糊方法，其特征在于，包括步骤：

估算中间图像L：标记输入图像的边缘区域和平滑区域，分别对所述边缘区域和平滑区域进行约束，获得中间图像L，输入图像为原始的模糊图像；

估算模糊核k：提取所述中间图像L的显著边缘，所述显著边缘为边缘尺度大于模糊核的尺度的边缘，利用所述显著边缘计算模糊核k；

复原输入图像：根据所述输入图像和估算的模糊核k进行非盲反卷积，将所述输入图像复原成清晰图像；

所述估算中间图像L之前，还包括构建所述输入图像所对应的图像金字塔模型，估算中间图像L包括：

初始化模糊核；

对图像金字塔中的一系列模糊图像进行边缘检测，将边缘区域的像素值标记为第一值，将平滑区域的像素值标记为不同于第一值的第二值；

将第一值和第二值代入中间图像L的计算模型，对计算模型进行循环迭代运算，求解计算模型相对于中间图像L的最小值。

2.如权利要求1所述的方法，其特征在于，所述对计算模型进行循环迭代运算步骤为：

引入辅助变量并将所述辅助变量代替所述中间图像L的梯度，将所述中间图像L的计算模型转化为辅助模型；

将所述辅助模型中的辅助变量作为未知量，所述辅助模型简化为第一辅助模型，运算所述第一辅助模型并计算出所述辅助变量；

将所述辅助模型中的中间图像L作为未知量，所述辅助模型简化为第二辅助模型，运算所述第二辅助模型并计算出所述中间图像L；

循环迭代所述第一辅助模型和第二辅助模型，直至计算出合适的中间图像L。

3.如权利要求2所述的方法，其特征在于，所述估算模糊核k的具体步骤为：

利用相关总变差结构提取算法提取所述中间图像L的显著边缘X，设置截断参数t去除显著边缘X中的细小边缘和噪声，获得用于进行模糊核k估计的边缘梯度图像

利用所述边缘梯度图像同时，加入稀疏约束和平滑约束计算出模糊核k。

4.如权利要求3所述的方法，其特征在于，所述复原输入图像的具体步骤为：

对模糊图像I进行冲击滤波，获得图像

利用超拉普拉斯模型的非盲反卷积算法对估算的模糊核k和图像进行反卷积，得到第一图像L1；

利用TV-L₂模型的非盲反卷积算法对估算的模糊核k和图像进行反卷积，得到第二图像L₂；

计算第一图像L₁和第二图像L₂的平均值，所述平均值为将输入图像最终复原出来的清晰图像。

5.一种图像去模糊系统，其特征在于，包括：

第一估算模块，用于根据标记的输入图像的边缘区域和平滑区域，分别对所述边缘区域和平滑区域进行约束，获得中间图像L，输入图像为原始的模糊图像；

第二估算模块，用于提取所述中间图像L的显著边缘，所述显著边缘为所述边缘区域中大于给定边缘尺度的区域，利用所述显著边缘计算模糊核k；

恢复模块，用于根据所述输入图像和估算的模糊核k进行非盲反卷积，将所述输入图像复原成清晰图像；

还包括创建模块，用于构建输入图像所对应的图像金字塔；

所述第一估算模块包括：

初始单元，用于初始化模糊核；

检测单元，用于对图像金字塔中的一系列模糊图像进行边缘检测，将边缘区域的像素值标记为第一值，将平滑区域的像素值标记为不同于第一值的第二值；

运算单元，用于将第一值和第二值代入中间图像L的计算模型，对计算模型进行循环迭代运算，求解计算模型相对于中间图像L的最小值。

6.如权利要求5所述的系统，其特征在于，所述恢复模块包括：

滤波单元，用于对模糊图像I进行冲击滤波，获得图像

第一图像计算单元，用于利用超拉普拉斯模型的非盲反卷积算法对估算的模糊核k和图像进行反卷积，得到第一图像L₁；

第二图像计算单元，用于利用TV-L₂模型的非盲反卷积算法对估算的模糊核k和图像进行反卷积，得到第二图像L₂；

复原单元，用于计算第一图像L₁和第二图像L₂的平均值，并以所述平均值将输入图像最终复原出清晰图像。