[发明专利]一种融合频谱估计法和卷积神经网络的模糊图像处理方法

说明书

本发明提供一种融合频谱估计法和卷积神经网络的模糊图像处理方法，首先将输入图像进行灰度化处理，并进行傅里叶变换，生成频谱图；其次，通过对频谱图经过二值化处理并生成水平投影图来计算模糊长度和角度；最后，利用维纳滤波对模糊图像进行复原，并通过卷积神经网络进一步加强效果。本发明方法简单高效，具有良好的发展前景。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种融合频谱估计法和卷积神经网络的模糊图像处理方法。

背景技术

随着科技的发展，图像在日常生活中的应用越来越频繁，不论是日常办公，还是上网娱乐，都能用到图像。与之相适应的，退化图像的图像复原也显得越来越重要。运动模糊图像是其中常见的一种模糊图像。当我们使用手机照相的时候，常常会发生这样的情况：当我们按下快门的那一瞬间，我们手抖了，然后就会发现这张照片就变得很模糊。通过这种方式拍摄所得的图像被称为“运动模糊图像”。众所周知，图像复原这项技术，在整个图像处理模块中都占有很重要的地位，它的主要目的就是让很模糊的图像能够恢复到原本的图像的质量标准。而在图像复原之中，运动模糊图像又是其中很重要的一部分，很有现实意义，因而能够广泛应用于现实生活当中，前景开阔。

图像复原作为图像处理技术中十分重要的一部分，自然受到国内外学者的广泛关注，也进行了许多相关研究。从最初的去卷积(即逆滤波)方法开始，到之后的线性恢复方法，以及图像盲反卷积算法等，之后的各种图像复原方法，基本都是围绕这三种方法发展改进的。其中，去卷积复原算法的主要内容有：功率谱均衡，几何均值滤波以及Wiener滤波，等等，这些较为传统且十分经典的图像复原方法，比较适合线性空间不变，或者噪声信号不相关的情况。六十年代中期，就已经开始采用Wiener滤波中的点扩散函数(简称PSF)对望远镜中由于大气涌动而引起的模糊图像进行去卷积处理。图像盲反卷积复原方法能够直接根据模糊图像来估计图像的真实信号和降质函数。但是使用这种方法所得的目标图像结果好坏，直接取决于初始条件的选择，而且所得的图像结果可能不唯一。如果图像信噪比较低时，就不适宜采用这种方法。传统的Wiener滤波处理方式都是在已知运动模糊的角度和长度的情况下，进行检验操作，这就对现实的使用有很大的局限性。

发明内容

针对上述现有技术的不足，本发明提出一种融合频谱估计法和卷积神经网络的模糊图像处理方法，在传统的图像复原基础上，结合频谱估计法和卷积神经网络实现的超分辨率，来提高基于计算机视觉的图像质量，通过频谱图分析法，将传统的Wiener滤波的使用转换成可以直接通过点扩散函数参数的变化来适应不同的运动模糊图像。

为实现上述目的，本发明的技术方案是：一种融合频谱估计法和卷积神经网络的模糊图像处理方法，包括：

步骤1：输入模糊图像；

步骤2：对模糊图像进行灰度化处理，并进行傅里叶变换，生成频谱图；

步骤3：对频谱图进行二值化处理，并生成水平投影图，计算模糊长度和角度；

步骤4：利用维纳滤波对模糊图像进行复原，并输入卷积神经网络得到最后图像。进一步地，所述步骤2具体包括：

步骤21：对图像先进行颜色空间的转换为YCbCr，然后提取Y通道进行灰度化处理，采用如下式子：Gray(x,y)＝αR(x,y)+βG(x,y)+γB(x,y)，其中Gray(x,y)为对应图像位置(x,y)的灰度值，R、G、B分别为对应位置的红、绿、蓝三种颜色的分量，α、β、γ为参数；

步骤22：将N行N列的灰度化图像按行按列进行一维傅里叶变换，利用如下式子：先按行进行离散傅里叶变换，再按列进行离散傅里叶变换，将图像从空间域f(x,y)转换为频域F(u,v)，最后得到包含实部和虚部的频域值，其中f(x,y)为对应位置(x,y)的灰度值，u为行变换后的频率分量，v为列变换后的频率分量，F(u,v)为对应u、v下的频谱值；

步骤23：将频谱图像的原点从起始点(0,0)移到图像的中心点(N/2,N/2)；