[发明专利]一种基于非线性退化模型的饱和图像去模糊方法

说明书

本发明属于图像处理技术领域，公开了一种基于非线性退化模型的饱和图像去模糊方法及系统，输入饱和模糊图像或一般模糊图像以及模糊图像对应的模糊核；根据饱和图像退化机理，构建非线性模糊图像退化模型；根据得到的退化建模和最大后验概率框架，构建饱和图像非线性反卷积框架；确定先验项，采用总变分先验，构建非线性能量泛函模型；通过交换方向乘子算法即ADMM算法或分裂Bregman算法求解上述的非线性能量泛函，获得待复原清晰图像x。本发明建模了饱和的非线性退化特性，去除饱和图像中的模糊，有效抑制了由于饱和像素存在误差而引起的振铃现象，复原得到了高质量的清晰图像。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于非线性退化模型的饱和图像去模糊方法。

背景技术

目前，最接近的现有技术：在暗光线条件下拍摄的图像通常受到饱和模糊退化。成像设备，比如智能手机，所能感知的亮度是有动态范围的，而当场景中的亮度范围超出该动态范围的时候，图像发生饱和，超出的范围的亮度截断到动态范围的最大值，如动态范围为[0，255]时，当亮度超出该范围时，对应的像素灰度值截断为255。

传统的去模糊算法建立在线性退化模型的基础上，如下式所示：

y＝Kx+n

其中，y为输入的模糊图像，K代表模糊核的矩阵形式，x为清晰图像，n为随机噪声。传统去模糊方法大都基于上述线性退化模型，忽略了饱和像素存在时的非线性截断过程。因此，传统方法在处理饱和模糊图像复原时，在饱和像素位置产生误差，并在迭代复原过程中向周围扩散。在图像中这种误差以振铃的形式出现，沿着饱和区域向外扩散，严重影响了图像复原的质量。

考虑饱和图像中存在的截断过程，饱和模糊图像的退化过程，可以建模为：

y＝c(Kx)+n

其中，c为截断函数，当动态范围为[0，255]，可表示为：

c(x)＝max(x,255)

尽管上述退化模型准确的建模了饱和退化过程，其难点在于c为非线性不可导函数，难以建模到优化框架中进行求解。

目前已有相关工作针对饱和图像去模糊展开，主要代表算法可分为两类：第一类是在迭代过程中使用启发式的检测步骤来剔除饱和像素的影响，第二类是将检测步骤融合在反卷积模型中，从而舍弃额外的检测步骤。第一类方法显式地检测饱和像素，并用于构造复原模型中的权重项，从而降低饱和像素对复原结果的影响。但是启发式步骤可能存在较大的检测误差，从而影响反卷积的效果，因此第一类方法在饱和像素检测不够准确时，复原效果可能较差。而第二类选取显著边缘，并构造权重矩阵来剔除饱和对模糊核估计的影响，在最终的非盲目反卷积中使用包含具有饱和像素检测功能的非线性数据项的模型来抑制饱和对复原结果的影响。

综上所述，现有技术存在的问题是：现有第一类饱和图像去模糊算法基于饱和检测方法，对检测的准确性依赖性强，累积的检测误差将直接影响图像复原效果。第二类方法在非线性函数选取不正确或者函数的参数选取不准时，复原效果较差。并且目前的方法均未能准确建模饱和模糊图像退化模型。

解决上述技术问题的难度：为解决上述问题，本发明根据准确建模的饱和模糊图像退化模型实现饱和模糊图像复原问题。解决上述技术问题的难点在于构建的饱和模糊图像退化模型中存在的非线性截断算子是一个不平滑不可断的函数，难以建模到现有的最大后验概率框架MAP中实现优化复原。本发明提出了一个近似截断算子的平滑二阶可导函数代替截断算子，但是近似的截断算子依然为非线性操作算子，给优化过程带来了挑战。