一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107133923A(43)申请公布日2017.09.05(21)申请号201710119309.6(22)申请日2017.03.02(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人杨洁周洋张嵩唐杰唐向宏(74)专利代理机构宁波奥圣专利代理事务所(普通合伙)33226代理人周珏(51)Int.Cl.G06T5/00(2006.01)权利要求书6页说明书14页附图4页(54)发明名称一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法(57)摘要本发明公开了一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法，其对一幅图像的梯度分布估计中并未采用一个固定的形状参数值和尺度参数值，而是针对不同的像素点采用不同的形状参数值和尺度参数值，使得本方法能够很好的适应图像纹理变化，从而使得利用本发明方法复原的复原图像具有较高的信噪比值，同时在主观质量上，复原图像的平滑区域没有噪声点而显得自然顺滑，复原图像的纹理区域更加清晰，获得了更佳的主观视觉质量；其将图像划分成平滑区域和纹理区域，对于属于平滑区域内的像素点直接采用固定的形状参数和尺度参数，而对于属于纹理区域内的像素点则采用全局收敛算法来估计形状参数和尺度参数，能够在较少数据下取得更好的估计结果。CN107133923ACN107133923A权利要求书1/6页1.一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法，其特征在于包括以下步骤：①构建一个最大后验概率框架下的自适应梯度稀疏正则化图像去模糊模型：①_1、根据贝叶斯原理，得到在已知模糊图像g的条件下获得清晰图像u的概率P(u|g)的表达式：其中，P(g|u)表示在已知清晰图像u的条件下获得模糊图像g的条件概率，P(u)表示清晰图像u的先验概率，P(g)表示模糊图像g的发生概率；①_2、将P(g|u)分解为在已知清晰图像u中各个像素点的像素值的条件下获得模糊图像g中对应各个像素点的像素值的条件概率之乘积，即其中，1≤i≤M，M表示模糊图像g中包含的像素点的总个数，亦表示清晰图像u中包含的像素点的总个数，P(gi|ui)表示在已知清晰图像u中的第i个像素点的像素值的条件下获得模糊图像g中的第i个像素点的像素值的条件概率，在噪声n满足均值为零且方差为σ2的高斯分布时，20<σ<0.1，C0为常数，exp()为求自然基数e的指数函数，gi表示模糊图像g中的第i个像素点的像素值，ui表示清晰图像u中的第i个像素点的像素值；①_3、根据清晰图像u中的各个像素点的像素值及其对应的梯度值相互独立的原理，得到同时根据清晰图像u中的各个像素点的水平梯度值与垂直梯度值也相互独立的原理，得到然后采用参数化广义高斯分布来描述清晰图像u中的每个像素点的梯度值的概率密度，将清晰图像u中的第i个像素点的梯度值的概率密度描述为：接着将代入中，化简并整理合并常数项，得到其中，P(ui)表示清晰图像u中的第i个像素点的像素值的概率密度，表示梯度算子，表示求水平方向梯度的算子，表示求垂直方向梯度的算子，符号“||”为取绝对值符号，表示清晰图像u中的第i个像素点的梯度值，表示清晰图像u中的第i个像素点的梯度值的概率密度，表示清晰图像u中的第i个像素点的水平梯度值，表示清晰图像u中的第i个像素点的水平梯度值的概率密度，表示清晰图像u中的第i个像素点的垂直梯度值，表示清晰图像u中的第i个像素点的垂直梯度值的概率密度，pi表示清晰图像u中的第i个像素点的形状参数，λi表示清晰图像u中的第i个像素点的尺度参数，Γ()为Gamma函数，ei表示以清晰图像u中的第i个像素点为中心的21×21的矩形区域内的所有像素点的梯度值的平均值，在计算ei时，对于清晰图像u中的边界像素点，采用边界填充2CN107133923A权利要求书2/6页技术，将以清晰图像u中的第i个像素点为中心的对称像素点的像素值复制到边界外区域来构造21×21的矩形区域，表示清晰图像u中的第i个像素点的水平常数值，表示清晰图像u中的第i个像素点的水平尺度参数，表示以清晰图像u中的第i个像素点为中心的21×21的矩形区域内的所有像素点的水平梯度值的平均值，表示清晰图像u中的第i个像素点的水平形状参数，表示清晰图像u中的第i个像素点的垂直常数值，表示清晰图像u中的第i个像素点的垂直尺度参数，表示以清晰图像u中的第i个像素点为中心的21×21的矩形区域内的所有像素点的垂直梯度值的平均值，表示清晰图像u中的第i个像素点的垂直形状参数；①_4、将和代入中，并取负对数，根据最大后验概率原理，将图像去模糊最小化问题转化为添加梯度稀疏正则化约束项后的去模糊最小化问题，去除常数项后得到：其中，min()为取最小值函数；①_5