[发明专利]一种基于泊松概率模型的模糊图像序列融合复原方法

权利要求书

1.一种基于泊松概率模型的模糊图像序列融合复原方法，其特征在于，该复原方法针对于序列模糊图像，且该复原方法包括以下步骤：

1)采用泊松概率分布模型对模糊图像序列的噪声进行建模，采用梯度l_p范数对清晰图像进行建模，采用l₁范数对序列模糊图像中每幅图像对应的点扩散函数进行建模；

2)对步骤1)中的三个模型进行加权求和，构建模糊图像复原问题模型；

3)将模糊图像复原问题分解成关于辅助变量的最优估计问题以及基于残差l₂范数的模糊图像序列复原问题；

4)用序列模糊图像中的任一幅模糊图像对清晰图像的估计值进行初始化，得到清晰图像的估计值，并对所有点扩散函数的估计值进行初始化；

5)固定清晰图像和点扩散函数的估计值，对关于辅助变量的最优估计问题进行求解，得到辅助变量的估计值；

6)固定辅助变量的估计值，对基于残差l₂范数的模糊图像序列复原问题进行求解，得到新的点扩散函数和清晰图像的估计值；

7)循环执行步骤5)和6)直至收敛，即得清晰图像的估计值，即复原图像。

2.根据权利要求1所述得基于泊松概率模型的模糊图像序列融合复原方法，其特征在于：步骤1)是在贝叶斯最大后验估计框架下进行的，其中用泊松概率模型对模糊图像序列的噪声进行建模的表达式为

用梯度l_p范数对清晰图像进行建模的表达式为

用l₁范数对序列模糊图像中每幅图像对应的点扩散函数进行建模的表达式为

上述式中，m表示模糊图像序列中包含的图像总数，i表示模糊图像索引；n表示每幅模糊图像中的像素总数，j表示像素索引；g_i表示序列中的第i幅模糊图像，o表示清晰图像，h_i表示第i幅模糊图像对应的点扩散函数；P(g₁,g₂,…,g_m|h₁o,h₂o,…,h_mo)为噪声发生的概率，P(o)为图像发生的概率，P(h₁,h₁,…,h_m)为点扩散函数发生的概率，d_x和d_y表示分别表示水平方向和垂直方向梯度算子。

3.根据权利要求2所述得基于泊松概率模型的模糊图像序列融合复原方法，其特征在于：步骤2)的模糊图像复原问题模型为

式中，λ和μ为加权求和时引入的两个正则化约束系数。

4.根据权利要求3所述得基于泊松概率模型的模糊图像序列融合复原方法，其特征在于：步骤3)采用拉格朗日乘子法对模糊图像复原问题进行分解，

其中关于辅助变量的最优估计问题表达式为

式中，(u₁,u₂,…,u_m)为引入的辅助变量；

基于残差l₂范数的模糊图像序列复原问题表达式为

式中，β为引入的惩罚系数。

5.根据权利要求4所述得基于泊松概率模型的模糊图像序列融合复原方法，其特征在于：步骤4)是采用二维高斯函数对所有的点扩散函数的估计值进行初始化。

6.根据权利要求5所述得基于泊松概率模型的模糊图像序列融合复原方法，其特征在于：步骤5)中对关于辅助变量的最优估计问题进行求解的表达式为