[发明专利]大气湍流退化图像重建方法

摘要

本发明公开了一种大气湍流退化图像重建方法，用于解决现有湍流图像重建和复原方法重建和复原图像清晰度差的技术问题。技术方案是首先进行多帧配准消除畸变图像，再重建基于时空近邻组合的衍射模糊图像，最后采用全局一致盲反卷积消除衍射模糊。由于该方法充分考虑了配准误差、配准插值造成的人造衍生物的影响以及空间和时间维度存在的冗余结构信息对重建观测物体的作用，利用建立时空中相似图像块以及图像块内像素与潜在高质量图像内容之间的统计依赖关系，并设计了相应的采样策略在时空中选取具有相似结构的高质量图像块。使用邻域合并方法求得衍射模糊图像。最后利用通用的全局一致反卷积方法对衍射模糊图像进行去模糊，得到了清晰的重建图像。

主权项

1.一种大气湍流退化图像重建方法，其特征在于包括以下步骤：步骤一、使用基于B样条的非刚性配准方法估计畸变图像中像素点相对参考图像的运动场并对图像序列进行配准。用序列的平均图像做配准的参考图像R，在图像网格中选取均匀的距离相同的控制点，用控制点的运动参数通过B样条插值表示畸变图像全局的畸变场。使用双向投影误差估计每帧像素点的畸变场，优化目标函数C(p)为：C(p)=Σx|G(W(x,p→))-R(x)|2+Σx|R(W(x,p←))-G(x)|2+γ(p→+p←)T(p→+p←)---(1)]]>其中，G为畸变图像，R为参考图像，和分别表示控制点处的由退化图像到参考图像与反方向的运动向量，表示由位置x与运动向量通过B样条插值得到的任一位置x处的运动向量。其中，约束项表示前向与后向畸变运动场具有特性，优化求解目标p为和的组合，即使用高斯-牛顿法迭代求解得到p，进而截取部分得到用求取G相对于R全局运动场，通过插值对G进行校正。步骤二、使用经过配准对齐消除湍流畸变的图像序列{R_k}重建单帧仅包含衍射模糊的图像Z。重建的过程为分别估计衍射模糊图像的每一个像素的值。在每帧配准图像中，重建位于p位置的像素，以p为中心截取L×L大图像块用于建立时间域组合权值，并限定之后的时空域近邻采样的范围，得到图像块序列。（1）使用图像的方差值作为图像清晰程度的量化，求取图像块序列中每个图像块的方差{s_k}。计算{s_k}中位数η和平均绝对误差σ，判定不满足|s_k-η|>ζσ的图像块作为外点，其中ζ为设定的外点剔除系数。得到剔除外点之后的以p为中心的图像块序列{W_k[p]}，并在其中选取s_k值最大的图像块作为参照图像块W_ref[p]。（2）将在以上剔除外点的L×L大图像块序列中截取较小的l×l（l<L）图像块作为近邻组合的元素。在W_ref[p]中心截取l×l大小的图像作为参照V_ref[p]，在序列{W_k[p]}中每帧的L×L的范围内搜索与V_ref[p]最相似的J个l×l的小图像块。对于搜索得到的l×l图像块序列，进行列拉伸，得到尺寸为l²×1的向量序列{V_k,j[p]}。其中，使用小图像块的欧氏距离和小图像块的梯度的欧氏距离的加权组合作为相似性衡量：dsamp=α1||Vk,j[p]-Vref[p]||+α2||▿(Vk,j[p])-▿(Vref[p])||---(2)]]>其中，()表示梯度图像。（3）计算采样得到的近邻向量序列{V_k,j[p]}中不同帧中截取得到的向量在组合中的比重，即样本在时间域上的链接关系。对于{V_k,j[p]}中从第k帧中采样得到的向量{V_k,1[p],...,V_k,J[p]}，利用大图像块W_k[p]与W_ref[p]之间的距离作为衡量k帧中的向量在组合中的权值，距离越小，表明W_k[p]的局部区域内成像质量最高，权值越大。使用高斯核函数作为W_k[p]与W_ref[p]之间的距离的度量,则k帧中的向量在组合中的权值为：κk,j[p]=exp{-||Wk[p]-Wref||2σ2}---(3)]]>（4）为了得到{V_k,j[p]}中每个向量中心的元素，通过线性组合得到隐含高质量衍射模糊图像中对应像素值Z[p]的值，建立线性组合模型：Z[p]=c^TV[p]                        （4）其中，Z[p]为V[p]中心位置对应的隐含清晰像素,V[p]为像素值构成的l²×1列向量，c为空间域组合权值，c表示隐含衍射模糊图像像素值与观测到的图像领域像素之间的组合关系。假设采样得到的{V_k,j[p]}中每个向量满足以上线性组合模型。第一步求解c′，定义V_k,j[p]中像素值元素构成集合该集合除去元素后表示为{v}_/t+1。相应地，除去中心像素的向量序列为{V_k′_,j[p]}，使用表示中心像素与邻域像素之间的关系，进而表示式（4）中权值向量c除中心元素意外元素的对向量组合中的作用。通过求解以下优化目标函数求得c′：c^′=argminc′Σk=1KΣj=1Jκk[p](vk,jt+1[p]-c′TVk,j′[p])2---(5)]]>其中，κ_k[p]为步骤（3）中求得时间域组合权值。式（5）的求解具有封闭形式，解为：c^′=(VM′ΛVM′T)-1(VM′Λvc)---(6)]]>其中，V_M′为{V_k′_,j[p]}排列组成的(l²-1)×(K×J)的矩阵：V_M′=[V_1,′₁[p],...,V_1,′_J[p],...,V_k′_,1[p],...,V_K′_,J[p]]v_c为向量中心像素排列组成的(K×J)×1的列向量,r_k,j[p]为向量中心像素对应的原配准帧中的像素值：vc=[v1,1t+1[p],...,v1,Jt+1[p],...,vk,1t+1[p],...,vK,Jt+1[p]]=[r1,1[p],...,r1,J[p],...,rk,1[p],...,rK,J[p]]]]>Λ是KJ×KJ的对角矩阵：Λ=[κ₁[p],...,κ₁[p],...,κ_K[p],...,κ_K[p]]Λ中每个κ_k[p]为每帧中的J个向量重复J次。求解得到的为一个(l²-1)×1的列向量。之后对进行归一化，使元素分布于0-1之间。对进行过归一化后，再次对与c_t+1进行统一归一化，得到空间线性组合权值向量c的最终估计值。（5）得到以上的对应于位置p的时间域与空间域组合权值{κ_k,j[p]}与c之后，对步骤（2）中采样得到的时空域近邻向量进行组合得到衍射图像中位于p出的像素值的估计：Z^[p]=tr(c^TVMΛ)---(7)]]>其中，tr()表示矩阵的迹，即矩阵对角线值的和。对于潜在衍射模糊图像的每一个像素，重复步骤（1）-（5），重建得到高质量的衍射模糊图像。步骤三、衍射模糊图像中的模糊仅包含全局一致的衍射模糊。其退化模型为：Z=F⊗h+ϵ---(8)]]>其中，F为清晰的图像，h为衍射模糊点扩散函数，ε为加性噪声。为了进一步使结果图像清晰化，使用全局一致反卷积的方法去除衍射模糊。其优化目标函数为：<F^,h^>=argminF,h||Z-h⊗F||2+λ1Rf(F)+λ2Rh(h)---(9)]]>其中，为式（8）引出的反卷积误差项，R_f(F)和R_h(h)分别为清晰图像F和模糊点扩散函数h的先验约束项，λ₁和λ₂为相应的权值参数，为可调参数。具体地，R_f(F)=||ρ(F_x)+ρ(F_y)||              （10）ρ(κ)=-θ1|κ|,κ≤lt-(θ2κ2+θ3),κ>lt---(11)]]>其中，F_x和F_y分别为清晰图像F在水平方向与竖直方向的梯度。而l_t，θ₁，θ₂和θ₃为固定参数。使用交替迭代优化求解式（9），在迭代过程中，分别固定F或h来优化h与F。求解得到的即为去除衍射模糊的最终清晰图像。