[发明专利]一种基于多参数正则优化模型的图像去模糊方法

说明书

本发明公开了一种基于多参数正则优化模型的图像去模糊方法，所述图像去模糊方法包括以下步骤：通过将吉洪诺夫正则项与Huber函数进行结合，构建多参数的正则优化模型，该模型用于对图像进行去模糊处理；将多参数的正则优化模型转换为增广拉格朗日函数的形式；通过交替方向最小化算法求解上述增广拉格朗日函数，重建出原始散焦图像对应的全聚焦图像。本发明提出的图像去模糊方法可以对灰度图像，文本图像、非文本图像和低照度图像去模糊，恢复的图像包含更加丰富的细节纹理，更少的失真，没有伪影现象，更加清晰自然。

技术领域

本发明涉及图像去模糊领域，尤其涉及一种基于多参数正则优化模型的图像去模糊方法，该方法提出一个多参数正则优化模型，该模型能够用来重建全聚焦图像。

背景技术

图像去模糊是计算机视觉领域中的一个重要的研究课题。图像模糊过程可以建模为一个潜在清晰图像与一个未知的点扩散函数的卷积，其中点扩散函数能够用来描述模糊的成因。于是，图像去模糊可以定义为一个解卷积过程，其主要目的是反向求解上述卷积过程，重建出潜在的清晰图像。

对于图像去模糊问题，最近几年相继出现了很多图像去模糊算法，这些算法可以被分为两大类：盲去模糊方法和非盲去模糊方法。当一幅图像的模糊内核未知时，对图像进行解卷积处理被称为图像的盲去模糊。近年来，陆续有学者提出一些图像盲去模糊算法。Cho等人^[1]指出一些受到模糊的强边缘包含丰富的信息，可以被用来辅助模糊内核的估计和图像重建。Pan等人^[2]通过输入图像中的结构信息辅助模糊内核的估计，并且在重建图像时使用一种自适应的空间加权先验来恢复图像中的纹理细节信息。Liu等人^[3]指出模糊过程会造成图像的频率降低，然后通过分析输入图像的频谱在模糊前后的差异来进行模糊内核估计和图像重建。Perrone等人^[4]指出在进行图像重建时，对模糊内核进行归一化约束可以保证正则优化模型的快速收敛。在实际执行中，上述这些盲去模糊算法需要在一个联合优化框架中同时对模糊内核和潜在清晰图像进行计算。但是，这种联合计算方式在寻找精确解时存在局限性，这是因为联合求解可能会导致求解过程陷入局部最优解，而不是全局最优解。

非盲去模糊算法首先对图像的模糊内核进行估计，然后利用估计出的模糊内核重建出潜在的清晰图像。Song等人^[5]通过将图像梯度直方图参数和一个非盲去模糊技术进行结合，来重建潜在清晰图像。Xu等人^[6]通过构建一个稀疏L₀表达式来估计未知的模糊内核，然后采用Hyper-Laplacian先验来消除运动模糊。Hu等人^[7]指出存在于图像中的结构信息可以用来估计模糊内核，提出一个基于条件随机场(CRF)的学习模型，该模型能够自动地选取出图像中一些包含丰富结构信息的图像区域来估计模糊内核。Pan等人^[8]提出一种基于图像亮度和梯度的L₀-正则化先验进行文本图像的去模糊，并构建出一种基于半二次方分裂最小化的高效求解算法，该方法能够保证正则优化模型中的每个子问题都具有封闭形式解，并确保其快速收敛。但是上述算法不适用于光学散焦图像的去模糊处理。本方法所提模型有效地解决了这一问题，可以从光学散焦图像中重建出清晰的全聚焦图像。

发明内容

本发明提供了一种基于多参数正则优化模型的图像去模糊方法，本发明利用交替方向最小化算法求解多参数正则模型的优化问题，能够重建出原始散焦图像对应的全聚焦图像，详见下文描述：

一种基于多参数正则优化模型的图像去模糊方法，所述图像去模糊方法包括以下步骤：

通过将吉洪诺夫正则项与Huber函数进行结合，构建多参数的正则优化模型，该模型用于对图像进行去模糊处理；

将多参数的正则优化模型转换为增广拉格朗日函数的形式；

通过交替方向最小化算法求解上述增广拉格朗日函数重建出原始散焦图像对应的全聚焦图像。