[发明专利]基于粒子群优化的图像复原方法

说明书

技术领域

本发明涉及计算机应用技术及应用于图像处理技术领域，特别是涉及一种基于粒子群优化的图像复原方法。

背景技术

图像恢复也称图像复原，其目的是从退化图像中重构出原始图像。与图像增强技术不同，图像恢复需要将图像退化的过程模型化，并根据相应的退化模型和知识重建或恢复原始图像。图像复原技术可以划分为两组：确定性的和随机性的。确定性方法对于带有很小噪声且退化函数已知的图像有效，原始图像从退化的图像通过退化逆变换得到；随机性方法根据特定的随机准则，找到最优的复原。如果退化给定且噪声不显著，则图像恢复等于逆卷积。如果噪声不能忽略不计，则逆卷积按照超定的线性方程组来求解。可采用基于最小均方误差的方法，如维纳滤波(离线)或卡尔曼滤波(在线递归)。

通常，在BID的研究是假设清晰图像的每个像素受到一种称为点扩散函数(point spread function，PSF)的影响，造成该像素的色彩扩散至邻近的像素，使得图像变得模糊。换言之，模糊程度不同的图像，表示原始图像模糊的PSF也有所不同。这种图像模糊的过程，在某种假设的前提下，可以通过卷积(convolution)运算模仿出来。对BID研究而言，若能正确地鉴别出模糊图像的PSF细节，即可用适当的图像复原方法，通过反卷积演算方式将清晰图像复原回来。因此，越了解图像模糊的原因，就越有机会将模糊图像复原回原始图像。传统的图像复原技术其实已经相当成熟，但是必须先依赖明确且已知的点扩散函数信息。这种限制不符合真实状况，而大部分的盲图像反卷积算法都必须知道原始图像或点扩散函数的部分信息。该技术面对两个主要的挑战：

1.无法有效评估得到正确的PSF，因为PSF拥有复杂的解空间，应用简单的梯度法容易陷入区域最佳解(local optimum)，而无法获得正确的PSF；

2.图像的反卷积亦可能破坏原始图像，无法确保能否正确地复原至原始图像。

针对上述两个问题，在BID的理论中，PSF往往仍然需要建立一些模型，以便进行参数化的PSF模型估测。而在图像反卷积的范畴中，已有许多文献的探讨，亦可得到不错的复原图像，然而在如何查找PSF的过程中优化工作还有很多值得研究的地方，因此，针对高斯模糊及失焦图像探讨其PSF模型参数的估测，并且采用现存效果不错的反卷积的方法进行复原动作。

因此，针对上述技术问题，有必要提供一种基于粒子群优化的图像复原方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于粒子群优化的图像复原方法。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种基于粒子群优化的图像复原方法，所述方法包括：

S1、获取一张模糊图像作为基础图像；

S2、对PSO参数进行初始化；

S3、利用维纳滤波，根据PSO粒子产生的点扩散函数，取得初步估计的复原图像；

S4、结合不同的点扩散函数类型，计算目标函数；

S5、计算个体最佳解及全局最佳解的值；

S6、将粒子朝着惯性方向、个体最佳解及全局最佳解的方向进行演化，更新粒子的速度和位置；

S7、判断是否达到终止条件，观察现在演化的迭代数t是否等于最大迭代数T，如果达到终止条件则停止计算，否则回到步骤S3继续演化。

作为本发明的进一步改进，所述步骤S1中的模糊图像为高斯模糊图像或者失焦模糊图像。

作为本发明的进一步改进，所述步骤S5中：

个体最佳解P_best通过进行计算；

全局最佳解G_best通过进行计算。

作为本发明的进一步改进，所述步骤S2中的PSO参数包括：Pi，j(0)每个粒子的随机产生初始位置、Pbesti，j(0)最佳解个体的初始位置、Gbestj(0)最佳解全局的初始位置、初始向量vi，j(0)，各个移动向量的权重w，以及变量c1和c2。

作为本发明的进一步改进，所述PSO参数中，w＝0.8，c1＝c2＝0.09。

作为本发明的进一步改进，所述步骤S6中：

粒子的位置通过p_i,j(t+1)＝p_i,j(t)+v_i,j(t+1)进行更新；