[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

说明书

本发明涉及一种基于泊松概率模型的模糊图像序列融合复原方法，包括：分别采用泊松概率分布模型、梯度l_p范数和l₁范数分别对模糊图像序列噪声、清晰图像和点扩散函数进行建模，并构建模糊图像复原问题模型；之后将问题模型分解为关于辅助变量和基于残差l₂范数的模糊图像序列复原两个最优估计子问题，并采用迭代优化算法对上述两个子问题进行求解，最终得到复原图像和模糊图像序列对应的点扩散函数的估计值。上述技术方案中提供的基于泊松概率模型的模糊图像序列融合复原方法，能有效解决采用高斯概率模型建模的模糊图像复原方法得到的清晰图像不符合实际情况的问题。

技术领域

本发明涉及计算机数字图像处理技术领域，具体涉及一种基于泊松概率模型的模糊图像序列融合复原方法。

背景技术

在日常摄影、空间遥感观测、医学影像检测等应用领域中，经常会由于目标物体与成像系统之间的相对运动而造成图像模糊，影响到图像的细节分辨能力，降低其使用价值。因此，设计相应的模糊图像复原算法，提升图像的分辨率显得尤为重要。

模糊图像复原问题具有显著的病态性，即模糊图像中能量较弱的噪声也会被放大并反向传播到复原图像中，影响复原图像的质量。因此，必须在复原问题模型中引入正则化约束提交，以提升复原图像的质量。传统的模糊图像复原算法通常假设噪声的概率分布符合高斯概率模型，然而在空间成像、医学成像等特殊的应用场景中，噪声的概率分布情况符合泊松噪声模型。因此，如果采用高斯概率模型对其进行建模，无论在理论层面还是实际应用层面，都不符合实际情况。此外，在通常情况下无法提前准确获知造成图像模糊的点扩散函数矩阵，均需要同时对清晰图像和点扩散函数进行最优估计。因此，亟需设计一种新的技术方案，以综合解决现有技术中存在的问题。

发明内容

本发明的目的是提供一种基于泊松概率模型的模糊图像序列融合复原方法，能有效解决采用高斯概率模型建模的模糊图像复原方法得到的清晰图像不符合实际情况的问题。

为解决上述技术问题，本发明采用了以下技术方案：

一种基于泊松概率模型的模糊图像序列融合复原方法，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。

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