[发明专利]图像去模糊方法及系统

说明书

技术领域

本发明涉及图像增强领域，具体涉及图像去模糊方法及系统。

背景技术

由于相机和拍摄场景之间的相对运动，获取到的图像常常存在一定程度的运动模糊。图像退化的模型可以表示为如下的卷积过程：

其中，I是获取到的模糊图像，L是清晰图像，k是模糊核(即点扩散函数)，N是图像获取设备的噪声，由于只有模糊图像I是已知量，所以，对模糊图像I进行复原得到一个比较清晰图像L的过程，是一个大型的病态的反问题。

由于单张图像去运动模糊具有重要的应用价值，目前，其已受到广泛关注，且有大量的去运动模糊算法解决求解清晰图像L的病态问题，如：Fergus等人将自然图像梯度的长尾分布模型表示为高斯混合模型，并用此模型对清晰图像L进行约束，用集成学习的方法得到清晰图像L；Shan等人把长尾分布表示为一个分段函数，对清晰图像L的梯度进行约束；Krishnan等人假设清晰图像L的梯度服从超拉普拉斯分布，取得了高质量的复原图像，超拉普拉斯约束项作为一个有效的约束条件被广泛应用于后来的去模糊工作中；Pan等人用低秩约束项和高斯正则项分别对清晰图像L和模糊核k进行约束，虽然在一定程度上保证了模糊核k的连续性，但是通过一个截断参数对模糊核k去噪，影响了模糊核k的连续性。

另外，图像显著边缘的选取在很大程度上影响了模糊核k估计的准确程度。研究发现利用图像中比模糊核k尺寸大的边缘信息才能够得到相对准确的模糊核k，而比模糊核k尺寸小的边缘会使得模糊核k估计不准确。所以选取合适的边缘信息进行模糊核k估计是非常重要的。Cho和Lee用双边滤波器和冲击滤波器提取锐利边缘，但是难以控制提取出的边缘的大小，对模糊核k估计造成了不利影响。Xu和Jia提出了一种边缘尺度的度量方法，能够有效提取出有用的显著边缘。Pan等人在此基础上进行了改进，使得选取的边缘更加有效。与用专门的显著边缘提取方法不同的是，Xu和Pan等人用l₀约束项使复原出的中间图像L只保留主要结构，用于模糊核k估计，取得了不错的效果。

然而，无论是模糊核k估计还是最终的图像非盲反卷积复原都存在很多问题，需要进一步提高图像去模糊的效果。

发明内容

根据第一方面，一种实施例中提供一种图像去模糊方法，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：根据输入图像和估算的模糊核k进行非盲反卷积，将输入图像复原成清晰图像。

根据第二方面，一种实施例中提供一种图像去模糊系统，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；

恢复模块，用于根据输入图像和估算的模糊核k进行非盲反卷积，将输入图像复原成清晰图像。

依据上述实施例的图像去模糊方法，由于获得中间图像L的过程中，先标记输入图像的边缘区域和平滑区域，然后对边缘区域和平滑区域进行约束，使得获得的中间图像既能够保留边缘又能有效去除平滑区域的噪声和振铃效应，并利用中间图像L的显著边缘计算模糊核，使得模糊核的估算更加准确，最后，根据输入图像和估算的模糊核k进行非盲反卷积，将输入图像复原成清晰图像，达到了很好的去模糊效果。

附图说明

图1为本发明的图像去模糊方法流程图；

图2为模糊核平滑约束项效果图；

图3为图像复原效果图；

图4为本发明的图像去模糊系统原理图；

图5为图像复原质量评价结果图；

图6为人工合成模糊图像去模糊效果对比图；

图7为实际图像去模糊效果对比图。

具体实施方式

在本发明实施例中，对单张图像去模糊，主要包括模糊核k估计和图像复原两部分，其中，利用鲁棒的约束项对模糊核k估计和中间图像L复原进行约束，以得到准确的模糊核k和高质量的复原图像。

本例提供一种图像去模糊方法，其流程图如图1所示，具体包括以下步骤。

S1：估算中间图像L。