图像去模糊（共7篇）
图像去模糊 篇1
1 图像模糊成因分析
车载图像在采集、传输、格式转化以及后期处理等各个环节, 均可能造成图像模糊, 严重影响图像质量。
1.1 系统因素
系统因素主要是指造成图像模糊的各种设备元件, 如图像采集设备、传输电缆、光学镜头、数据信号转换器等, 这些设备元件是造成图像信号损失、图像模糊不清的重要因素, 具体表现为:光学镜头的分辨率不高、镜头焦距未调整适当, 影响图像或视频的采集质量;感光元件的灵敏度偏低、精确性偏差, 降低了图像采集和信号转换质量;图像信号在转换、压缩及编码过程中易出现细节信息丢失问题, 降低了图像清晰度。
1.2 环境因素
环境也是影响图像质量的重要因素, 属于不可控因素, 具体表现为:大雾、大风、下雪、高温、潮湿等不良天气条件严重干扰电磁信号, 在图像采集和处理中引入噪音信号, 导致车载图像清晰度降低;获取遥感图像时, 地球自转与公转、地球弧度、大气湍流、太阳辐射、轨道卫星运行等因素, 均有可能对镜头光线造成干扰, 致使图像失真, 造成图像视觉效果偏差。
1.3 人为因素
不适当的操作也对会图像清晰度造成影响。人为因素属于可控因素, 主要表现为:在图像采集过程中, 出现相机抖动不稳的情况;图像在变换和运算过程中, 采用精度差、不合理的算法, 致使图像处理误差较大, 造成图像数据丢失, 影响图像视觉效果。
2 车载图像去模糊技术方法分类
2.1 软、硬件去模糊技术
(1) 软件去模糊。所谓的软件去模糊实质上就是不借助相关的硬件设备, 只依靠算法去除图像中的模糊部分, 使其呈现出更加清晰的影像[1]。该技术不需要硬件设备辅助, 成本较低, 只要确保算法设计合理, 便可在较短的时间内完成去模糊工作, 成本低和速度快是这种方法最为显著的特点之一。
(2) 硬件去模糊。这种去模糊方法需建立在算法设计的基础之上, 以某一种或几种硬件设备对预先设计好的算法进行辅助, 进而完成图像去模糊[2]。在该方法中, 辅助类硬件设备的作用是估计模糊核, 由此能够大幅度减少软件计算模糊核时所需的时间。
2.2 局部与全局去模糊技术
在对图像进行去模糊时, 通常会存在去模糊区域不同的情况, 此时, 便需要针对实际区域完成模糊图像的处理, 换言之, 局部与全局去模糊技术主要针对图像区域。
(1) 局部去模糊。大量的实验结果表明, 车载图像产生局部模糊的原因为运动, 即图像当中的对象发生运动而引起局部位置的图像不清晰。需要说明的是, 这里所指的运动是相对于车载相机而言的, 并不是图像本身出现了运动。在对图像进行局部去模糊过程中, 需考虑诸多因素, 这是因为对象的运动状态未知导致局部区域与其它区域的模糊核不同, 因此, 需要对多个模糊核进行估算, 从而导致计算过程复杂, 去模糊难度加大。
(2) 全局去模糊。图像整体模糊一般是因为车辆在运行过程中引起车载相机抖动而造成的。该方法在实际应用中, 都是假设引起图像模糊的模糊核只有一个, 即唯一的模糊核, 然后通过对该模糊核进行估计来实现图像整体去模糊。
2.3 单幅与多幅去模糊
(1) 单幅去模糊。在给定一幅模糊图像之后, 不附带任何其它信息, 完全以图像为基础进行去模糊。在所有去模糊场景中, 单幅图像去模糊是最常见的一种形式。
(2) 多幅去模糊。在对图像去模糊的过程中, 另外加入一些相关信息, 如带有噪声的图像或是比较清晰的图像等等。在多幅去模糊图像满足一定的特征要求时, 其去模糊效果要优于单幅去模糊。
3 车载图像去模糊算法
本研究以无任何硬件辅助估计模糊核为前提, 将其转化为图像盲去模糊的问题进行研究[3]。要解决该问题, 必须经过估计模糊核、利用估计结果去除图像模糊两个阶段。本文选取基于标准化稀疏度量核估计的车载图像盲去模糊算法, 该方法可以解决车载图像失真、清晰度差、视觉效果不佳等问题, 同时通过改进部分晕影效应不断提高图像去模糊质量。同时, 这种车载图像盲去模糊算法还能够克服MAPK核估计盲去模糊算法存在的实用性不高、计算过程复杂等弊端, 与其它类型的盲去模糊算法相比, 能够利用更为简单的算法模型降低计算复杂程度, 提高去模糊算法的速度, 是一种实用性较强的盲去模糊算法。
3.1 算法模型
实际研究中可以假设带有噪声的模糊图像为g, 水平与垂直方向上的一阶求导滤波器为∇x=[1, -1]和∇y=[1, -1]T, 求导之后获得的集成梯度图像为y=[∇x (g) , ∇y (g) ], 它所反映的是图像的高频信息。基于这一前提, 可对核估计模型进行如下定义:
式 (1) 中, k代表模糊核, 其满足k≥0, ;x代表高频空间的隐含图像。为了进一步简化式 (1) 的求解过程, 可将其拆分, 使之转变成为对x和y的求解问题, 具体求解时, 可通过固定k对x进行求解, 然后再固定x对k进行求解, 利用这种交替方式, 获得较为满意的结果。为了获得更为精确的结果, 也可以采用金字塔迭代的方式进行求解, 即由顶层开始, 逐层求解, 并将上一层获得的结果向下层传递, 以此类推直至完成最后一层为止。这个求解过程实质上就是将结果不断精细化的过程, 也是金字塔迭代的主要特点, 以此为基础求出的估计值k能够最大限度地接近真实的模糊核。
3.2 模糊核估计
模糊核估计算法与传统的经典估计算法基本相同, 具体分为以下两个步骤:即x问题求解和k问题求解。
(1) x求解。由上文分析可知, 在对x问题进行求解时, 可以对模糊核k固定, 在这一基础上, 可利用下式对x问题进行求解:
式 (2) 中, 的存在使得求解过程较为困难, 究其原因是该目标函数属于非凸函数。鉴于此, 可将求解过程分成两个步骤: (1) 先将x2固定, 进而将目标函数简化为:mxinλxk-y22+x1; (2) 在内部迭代的基础上, 通过收缩阈值算法进行求解, 同时在外部循环中对x2进行更新。
(2) k求解。在对k问题进行求解时, 可以采取固定x的方法, 并以下式对k进行求解:
该算法采用IRIS进行求解, 由于求得的k可能会出现负值, 为了简化计算过程, 可将负值设定为零, 然后重新归一化, 以此满足k≥0, 的限制。在实际应用中发现, IRLS算法的计算速度较慢, 为了进一步提高计算速度, 可在迭代过程中使用前一次获得的权重。
3.3 算法流程
车载图像盲去模糊算法采用金字塔迭代方式, 逐步由粗略过渡到精确[4], 具体算法流程如下:
(1) 数据输入阶段。对受噪音干扰的模糊图像g进行一阶求导, 获取梯度图像y, 用h表示模糊核最大取值。
估计模糊核k:
for i=1to L (L为图像金字塔层数)
利用算法求解y=xk中x子问题;
利用IRLS算法公式求解k子问题;
将本层求得的模糊层k加入到下一层迭代过程中;
end
(2) 非盲图像去模糊。利用上述步骤获取的模糊核k, 对图像g进行去模糊, 以解决非盲车载图像去模糊问题。
(3) 数据输出阶段。输出去模糊后的清晰图像u。
3.4 算法优化
为了进一步提升盲去模糊后的图像质量, 在结合前人研究成果的基础上对算法进行了优化改进, 借助标准化稀疏度量估计算法对模糊核进行估计, 并在获得模糊核后, 以车载图像快速非盲去模糊算法完成图像去模糊[5]。下面通过实验对本文提出的去模糊算法进行验证。
(1) 实验步骤。为使实验数据简化, 在实验过程中, 仅用1个模糊核对算法进行验证, 具体步骤如下: (1) 将预先选定好的实验图像通过模糊核[1]进行卷积, 同时加入一定的随机噪声, 以此来使实验环境中的原始图像模糊化; (2) 利用模糊核估计算法估计出模糊核, 并与真实的模糊核进行比较; (3) 以估计的模糊核恢复实验图像, 并通过SNR (信噪比) 对各算法进行评价。
(2) 结果分析。通过分析实验效果可以看出:就尺度较大的车载图像而言, 能够准确地估计模糊核, 盲去模糊算法可以达到去模糊的效果, 同时不会产生晕影效应。就尺寸较小的车载图像而言, 降低了估计模糊核的准确性, 并且会产生严重的晕影效应。在出现晕影效应的车载图像中, 路标晕影最为严重, 车载图像中路标所占比例越小, 产生的晕影效应越明显。
结论:准确估计模糊核是提高图像去模糊效果的关键, 当模糊核估计准确度较高时, 图像会产生较少的晕影效应;当模糊核估计准确度较低时, 会产生严重的晕影效应, 其晕影效应程度受非盲去卷积算法的影响;当图像边缘较强的对象小于模糊核时, 其成为影响模糊核估计准确性的主要因素, 不利于提高车载图像去模糊质量[6]。本文提出的优化去盲模糊算法能够有效解决上述问题, 提高模糊核估计的准确性, 通过减少晕影效应达到提升图像质量的目的。
4 结语
本文选取基于标准化稀疏度量核估计的车载图像盲去模糊算法, 在现有算法的基础上进行了优化改进。实验证明, 本文提出的优化算法能够解决车载图像失真、清晰度差、视觉效果不佳等问题, 提高了图像去模糊质量。
参考文献
[1]刘瑞华.基于两幅模糊与噪声图像的图像交替修复算法[J].中国图像图形学报, 2009 (12) .
[2]杨雄文.基于超拉普拉斯先验的图像去模糊的研究与实现[D].广州:华南理工大学, 2012.
[3]刘君.图像去模糊中基于变分的偏微分方程模型的改进及应用[D].北京:北京师范大学, 2008.
[4]宋晓霞.基于噪声特点和凸松弛技术的图像去模糊方法[J].中国体视学与图像分析, 2011 (6) .
[5]郭玲玲.基于受限全变差正则化的遥感图像去模糊方法[J].激光与光电子学进展, 2013 (11) .
[6]杨欣欣.改进的广义高斯分布与非局部均值图像去模糊[J].计算机应用研究, 2012 (5) .
图像去模糊 篇2
车载图像由于其成像过程的复杂性,容易受到多种因素的影响。特别是在图像的采集、传输和格式转换等过程,都可能造成图像的模糊。下面对造成图像模糊的各种因素进行分类阐述。
1) 系统因素:造成图像模糊的首要因素就是系统因素,比如成像系统中的各种元器件,包括图像采集器件、传输信道、光学镜头、信号格式转换器等。这些元器件所引起的图像模糊问题,是影响图像质量的非常重要的因素。概括起来,系统因素的具体表现主要包括:成像系统的光学镜头的畸变、焦距调整不当等造成图像或者视频质量的下降;成像感光元件的灵敏度差、精确性不高等,可以降低图像采集和信号的转换质量;图像信号的格式转换、解压缩和编码过程中,都容易造成信息的细节丢失,造成图像清晰度的降低。
2) 环境因素:成像环境也能给图像质量产生影响,而环境因素也是一种不可控的因素。比如各种不良天气条件会造成严重的干扰电磁信号,给图像的采集和处理带来噪声,严重影响车载图像的清晰度。
3) 人为因素:人为因素主要是各种不适当的操作过程,给图像质量所带来的影响。可以将人为因素归入可控因素的范畴。比如在图像的获取过程中,经常会遇到的相机抖动情况;在图像的处理和运算过程中,由于采用了精度差、性能不高的算法,而导致的图像质量下降,影响到图像的视觉效果。
2 图像去模糊技术
2.1 软、硬件去模糊
1) 基于软件的图像去模糊:采用软件进行图像的去模糊,就是在没有硬件辅助的情况下,仅利用软件程序完成图像的去模糊过程,使图像呈现出更清晰的视觉效果。基于软件的图像去模糊技术成本较低、不需要硬件支持,只要所采用的算法合理,就可以在准实时的条件下完成图像的去模糊工作。可以发现,该类技术的最大特点就是成本低、速度快。
2) 基于硬件的图像去模糊技术:基于硬件的图像去模糊技术需要在算法设计的基础上,通过一种或者多种硬件设备为其提供必要的辅助,才能实现对图像去模糊过程。在此类方法中,提供辅助的硬件设备的主要作用就是估计模糊核的具体值,从而能够大幅减少软件在计算模糊核的过程中所消耗的时间。
2.2 局部与全局去模糊
在图像的去模糊过程中,由于图像中需要进行去模糊处理的区域存在差异,就需要针对实际区域进行去模糊处理,也就是说,局部与全局去模糊技术主要针对图像中的部分区域来进行。
1) 局部去模糊技术:根据实际的运动过程,车载图像所产生的局部模糊主要由运动所造成,也就是图像中的某个对象发生运动,而导致局部位置的图像模糊。在车载局部模糊图像中,这种运动主要为相对于车载相机的运动,而非图像本身的运动模糊。所以,对于图像的局部去模糊操作,需要对多种因素进行考虑,这主要是由于图像中对象的运动状态未知,从而导致局部区域与其他区域的模糊核存在差异,所以,就需要针对多个模糊核进行估算,这样就会给去模糊算法的计算过程带来影响,导致去模糊的难度增大。
2) 全局去模糊:车载图像中存在的全局模糊,通常都是由于车辆在运行过程中,由于相机的抖动而造成。所以,在基于全局的去模糊算法中,都是假设造成图像模糊的模糊核是唯一的,然后,再通过对该模糊核的估计和优化来实现图像的整体模糊去除。
2.3单幅与多幅去模糊
1) 单幅图像去模糊:对于给定的单幅模糊图像,没有其他任何信息,完全以图像本身为基础来进行处理。这其中,对于所有的去模糊场景,单幅图像的去模糊已经成为一种最常见的形式。
2) 多幅图像去模糊:为了提高单幅图像的去模糊精度,需要另外增加一些图像以提供辅助信息,比如携带噪声的图像或比较清晰的图像等。所以,在满足特定要求的情况下,基于多幅图像的去模糊的效果要由于单幅图像去模糊。
3 车载图像去模糊算法
本文中所采用的图像去模糊算法,不需要任何硬件来辅助估计模糊核,只是将图像的去模糊问题转换为图像盲处理问题来进行研究。在算法处理中,包含两个步骤,分别是模糊核估计以及图像模糊去除。该文研究中,主要采用了基于标准化稀疏度量核估计的车载图像盲去模糊算法完成整个处理过程,采用该方法,可以有效解决车载图像的失真、清晰度不高以及视觉效果受到严重影响等问题。不仅如此,通过对部分晕影效应的改进,有效改善了去模糊图像的质量。此外,此类车载图像的去模糊算法还可以有效克服MAPK核估计算法中存在的一些缺陷,比如实用性不高、计算过程较复杂等;同样,与其他类型盲去模糊算法相比,其优势在于能够利用更为简单的算法模型来实现计算过程复杂程度的降低,从而有效提高算法运行素具,是一种实用性很强的去模糊算法。
3.1算法模型
在研究过程中,将携带噪声的模糊图像表示为g ,而水平和垂直方向上的一阶求导滤波器可以表示为:▽ =[1,-1] 和▽ =[1,-1]T,经过求导处理后,可以将梯度图像表示为:y =[▽x(g),▽y(g)] ,该式子所反映的就是图像中的高频信息。以此为基础,可以将核估计模型的公式表示为:
其中,k表示模糊核,该模糊核需要满足的条件为:k≥0,∑ki= 1 ;x则表示高频空间的隐含图像。为了便于对式子(1)进行求解,可以将其拆分,从而变换成对x和y的求解问题。在具体的求解过程中,可以在固定k对x求解;然后,则可以再固定x ,对k进行求解;采用这种交替计算的方式,则可以得到比较满意的结果。当然,如果采用金字塔迭代的方法,则可以获得更加精确的结果。其实,金字塔迭代就是从顶层开始逐层求解,并将上一层获得的结果向下层传递,以此类推完成最后一层的计算。经过金字塔迭代计算得到的估计值,可以最大限度的接近真实的模糊核。
3.2模糊核估计
对于模糊核的估计算法,参考经典估计算法,具体包括两个步骤,分别是:k问题求解和x问题求解。
1) x求解过程
在对x问题进行求解的过程中,需要先将模糊核k固定下来,这样,就可以利用下面的式子对x进行求解。
其中,x1/x2会给求解过程带来麻烦,这主要是由该目标函数是一个非凸函数。
2) k求解过程
求解k的过程中,同样可以采用先固定x的方法,即根据下面的式子对k进行求解:
该算法在计算的迭代过程中,所得到的k值可能会存在负值,所以,为了简化计算过程,需要将负值设定为0,然后进行重新的归一化处理,以满足上面给出的k值的限定条件。由于原有算法的计算速度比较慢,所以,可以在迭代过程中使用上次迭代中得到的权重。
3.4算法优化
文中算法在研究过程中,为了使得获得图像质量更高,以现有研究成果为基础,对上述算法的实现过程进行了优化改进,主要思路就是通过标准化的稀疏度量估计算法对图像的模糊核继续拧估计,获得模糊核后,就可以对车载模糊图像进行快速非盲去模糊处理,进而得到较好的图像质量。优化后算法的处理过程为:
为了简化实验过程,实验中采用单个模糊核算法对其进行验证。首先,选取真实车载相机所获取的模糊图像,所选图像有具有一定的代表性;其次,利用模糊核估算算法对模糊核进行估计;最后,利用估计的模糊核恢复车载模糊图像,通过多种指标对算法进行评价。具体的实验结果如图1中所示。
通过如图1中所示的实验结果果可以看出:对于尺度较大的车载图像,该算法能够准确估计模糊核,最大程度地消除模糊影像,算法的晕影效应也得到了有效抑制。不过,对于尺寸较小的车载图像,由于所估计的模糊核的准确性不高,使得所产生的晕影效应比较明显。对于存在晕影效应的车载图像中,路标的对象的晕影最为严重,主要是由于图像中路标的比例较小,使得产生的晕影效应更明显。
4 结束语
本文在现有盲去模糊算法的基础上,设计采用基于标准化稀疏度量核估计的车载图像去模糊算法,对现有算法进行了有效改进和优化。实验结果都表名,文中所采用的优化算法能够有效解决车载图像中图像失真、清晰度较差以及视觉效果不好等缺陷,可以大幅提高车载图像的恢复质量。
摘要：文中首先对造成图像模糊的因素进行分析,介绍了现有模糊图像去模糊所采用的主要技术。接着,文中重点对车载模糊图像的去模糊问题进行研究,所设计的去模糊优化算法能够有效提高车载图像的去模糊效果。
图像去模糊 篇3
关键词：LCD运动模糊,Volterra系统,sinc-1模型
1 引言
LCD (液晶显示器) 作为平板显示器技术中发展最为迅速的一种技术, 由于具有轻便、低功耗、高分辨率、无辐射的优点。但其在显示运动图像或文字时所形成的模糊拖尾的问题, 却是一个难以解决的缺陷。
国内外学者在研究到LCD运动图像模糊产生原因的基础上, 人们提出了一系列减小其运动图像模糊的方法。在物理方案方面, 采用新式液晶材料、利用响应时间补偿技术与过驱动技术已可令其的响应时间减小到1ms之内, 在一定程度上提高了运动图像的显示质量。研究表明, LCD采样-保持工作特性和人眼追踪运动的综合效应对LCD运动图像模糊的贡献达到了70%。Kondo采用倍频技术将帧频提升到240Hz, 减小了LCD“采样-保持”时间, 可以在很大程度上消除其运动模糊现象, 但却带来的功耗、带宽、干扰等问题。模拟CRT脉冲驱动的方案对运动图像模糊也有一定的改善效果, 但其中的背光源闪烁技术却导致了显示亮度下降问题, 背光源扫描技术则导致了亮度不均匀等问题。
利用图像处理技术, 可以更进一步减小LCD运动模糊现象。常见的减小LCD运动模糊的图像处理方法有:Klompenhouwer提出的运动补偿逆滤波 (Motion compensated inverse fi ltering, MCIF) 算法、Har-Noy等人提出的非参数迭代算法Richardson-Lucy (RL) 反卷积算法等。
2 LCD运动图像模糊的sinc模型及其sinc-1模型预补偿的局限性
LCD“采样-保持”的工作特性和人眼跟踪、低通滤波特性引起的运动图像模糊现象可以近似地用sinc函数的频域模型来描述, 其表达式为:
其中, u是水平方向上的变化频率, v为在垂直方向上的变化频率, vx是运动物体的水平速度分量, vy是运动物体的垂直速度分量, Th是LCD的“采样-保持”周期时间。
通过空间采样后, 其离散时域的表达式为:
其中, M、N为图像的宽度和高度。
从上述两式可知, 由于图像的运动, 原图像在灰度跳变处产生与运动方向相关的模糊现象, 而其他方向则不会发生模糊, 如图1所示。
sinc-1模型作为sinc模型的逆系统, 将其作用于原始图像, 再经过LCD“采样-保持”与人眼跟踪、低通滤波共同作用, 人眼所感知的图像就会与输入的图像信号相同, 从而达到改善LCD显示运动图像效果的目的。
令K=2π2Th, 则
设二维图像f (x, y) , 其灰度值范围为[0, 1], 其中=0, 1, 2, …, M-1;x=0, 1, 2, …, N-1, 则f (x, y) 的二维傅里叶变换为:
其中u=0, 1, 2, …, M-1;v=0, 1, 2, …, N-1。
因此, 预补偿的输出图像在频域的表达式是:
输出的预补偿的图像是:
由于预补偿的图像要在LCD屏上正常输出, 因此预补偿图像的灰度值应满足如下条件:
从式 (7) 可以看出, 预补偿的图像灰度值变化范围与物体运动速度[vx, vy]和图像灰度的梯度[u, v]有关, 对运动速度大、灰度梯度大的运动图像, 预补偿将产生超出LCD显示范围的灰度值。
3 Volterra系统对LCD运动图像模糊的改善
一个离散因果非线性Volterra系统的输入x (n) 与其输出y (n) 之间的关系如下:
其中, hp称为p阶Volterra参数, 只与系统本身有关而与信号的变化无关。p=1时的核称为线性核, Volterra级数可以看作是Taylor级数在有记忆系统下的扩展, 它可以用来逼近任意的非线性的连续函数。
若要全部辨识Volterra的核, 则很容易导致所谓的“维数灾难”的问题, 计算量非常庞大。因此可以利用核函数的对称性, 不考虑直流分量的影响, 减少核的个数。此时核函数矩阵为一个三角矩阵, 其项数为, 于是式 (9) 可以写成:
对于两路独立的信号矢量x (n) 和y (n) , 选取核函数矢量:
输入信号矢量
则式 (10) 的输出信号矢量为:
于是, sinc-1模型可用Volterra模型描述如下:
由上式可知, 将某一速度下的sinc-1系统输出Y (n) 、输入X (n) 已知的情况下, 此时只需根据输入输出数据训练好Volterra的核函数参考矢量W (E) , 即可获得拟合sinc-1模型的非线性Volterra模型。如图2所示。
对于Volterra核函数的获得, 有许多方法。其中, 最小均方差 (Least mean squares, LMS) 算法是最常见的自适应滤波方法, 该算法原理简单, 便于实时实现, 缺点是收敛速度慢。
4 仿真实验
本文利用Matlab平台对基于Volterra系统的LCD运动去模糊方法进行仿真, 本文采用方法如下:
(1) 假设A为原始场景图像, 利用给定的运动速率和方向, 根据平滑追踪原理, 对A进行时序积分得到图像B。图像B模拟的是LCD显示没有经过预处理图像时, 人眼感知的图像。
(2) 根据设定的移动速度和所用的去模糊算法对图像A进行预处理, 得到图像C。
(3) 根据平滑追踪原理, 对预处理所得的图像C进行时序积分得到图像D。图像D模拟的是LCD显示经过预处理图像时, 人眼感知的图像。
(4) 对比图像B和图像D, 可以直观的看出去模糊算法的效果。
仿真结果如图2所示。图2 (a) 为原始图像;图2 (a) 当v=10时, 模糊滤波器对原始图像水平滤波的结果, 仿真的是LCD显示原始图像时, 人眼感受到的结果;图2 (c) 是原始图像先经过预处理, 再经模糊滤波器滤波得到的结果, 仿真的是LCD显示经全极点滤波器处理后的图象以每帧10个像素的速度水平向右移动时, 人眼感受到的结果。
对比图2 (b) 和 (c) 可直观地看出, 基于Volterra系统的LCD运动去模糊方法, 能在一定程度上能减小LCD运动模糊效应。
5 小结
本文利用Volterra非线性系统拟合模型以作为LCD运动去模糊模型, 从而避免了模型中出现的极点问题, 仿真试验表明, 基于Volterra系统LCD运动去模糊方法具有较佳的效果。
参考文献
[1]McCartney R I.A liquid crystal display response time com-pensation feature integrated into an LCD panel timing con-troller.SID Symposium Digest of Technical Papers, 2003, 34 (1) :1350-1353
[2]Kawabe K, Furuhashi T, Tanaka Y.New TFT-LCD driving method for improved moving picture quality.SID Symposium Digest of Technical Papers, 2001, 32 (1) :998-1001
[3]Hao Pan, Xiao-Fan Feng, and Scott Daly.LCD motion blur modeling and analysis.IEEE Proc, 2005 (02) .
[4]Hao Pan, Xiao-Fan Feng, and Scott Daly.Quantitative analysis of LCD motion blur and performance of existing approaches.SID Symposium Digest of Technical Papers, 2005, 36:1590-1593.
[5]K.Kondo.Recent Progress of IPS-TFTLCDs.IDMC, 2003.
[6]T.Furuhashi, K.Kawabe, High Quality TFT-LCD System for Moving Picture, SID Digest, 2002:1285-1287.
[7]A.Sluyterman, E.Boonekamp, Architectural Choices in a Scanning Backlight for Large LCD TVs.SID Digest, 2005:996-999.
[8]Michiel A.Klompenhouwer and Leo Jan Velthoven.Motion blur reduction for liquid crystal displas:motion compensated inverse filtering.
[9]Shay Har-Noy and Truong Q.Nguyen.A deconvolution method for LCD motion blur reduction.IEEE Proc.2006:629-632.
图像去模糊 篇4
2006年Fergus提出利用图像先验知识进行盲去运动模糊之后,图像去运动模糊的效果取得很大提高[1]。根据自然图像的梯度符合重尾分布的特性,采用混合高斯分布拟合该分布,最后通过变分贝叶斯算法估计出模糊核和清晰图像。该算法振铃效应明显且计算量大。在文献[2]中,Shan针对混合高斯概率分布拟合重尾分布速度较慢的缺点,提出了利用分段函数来拟合该分布的思想,该算法可抑制振铃现象的产生,但计算量大、运行速度慢。Cho提出快速去运动模糊算法[3],选取有用的边缘信息来估计模糊核,并充分利用多尺度图像复原思想。该算法能够充分利用图像信息,估计的模糊核精度较高。但是,如果当图像中存在大量的细节部分时,会影响算法的效果。
因此,本文采用一种改进的冲激滤波器对图像进行边缘增强,该冲激滤波器具备降噪和边缘增强的功能,并能保持图像总变分不变,信号能量不会随着时间流逝而被削弱。然后对增强的图像边缘建立梯度筛选准则,选取有用的边缘信息来估计模糊核,并对估计出的模糊核进行修正,从而得到高质量的模糊核。最后,本文采用基于分裂Bregman算法的图像反卷积方法得到清晰图像,提高图像去模糊算法的速度。
1 模糊核估计
图像的运动模糊过程可以通过以下模型表示
式中: B表示模糊图像; K表示运动模糊核,即点扩散函数PSF( Point Spread Function) ; L表示原始清晰图像; N表示噪声。在图像去模糊过程中,已知的变量为B,需要估计的未知变量为K和L,可见未知变量的个数超过已知变量的个数,因此图像去模糊过程是一个病态问题。
在一般的去模糊算法中,先提取有用的图像边缘进行模糊核估计,然后通过去模糊算法对图像进行图像复原。由于盲去运动模糊过程对噪声极其敏感,即使很小的噪声也会严重影响图像复原的效果。因此,得到精确的模糊核来估计出清晰图像的两个前提是: 恢复突出的边缘和噪声抑制。本文通过改进这两个方面得到一种新的图像去模糊算法。
1. 1 图像边缘提取及选择
由于图像复原过程对噪声极其敏感,即使很小的噪声也会严重影响图像复原的效果。本文采用双边滤波器[4],能在降低图像噪声的同时保持图像边缘。双边滤波器公式为
式中: Ix表示双边滤波器处理结果; k为归一化因子; L表示模糊图像; x表示目标像素点; Ω是以x为中心的邻域; ξ表示邻域像素点; f函数表示x与ξ两个像素之间的空间距离; g函数表示像素值之间的相似程度。
双边滤波器综合像素间的距离与像素间差值来计算权重。在该滤波器中,像素间距离越远,像素值大小相差越大,权重就会越小,该像素点对目标像素点的影响就越小。因此在图像边缘处,所含的高频能量较高,边缘内外的像素差值较大,导致权重较小( 见图1a) ,这有效地避免了边缘被外部邻近像素干扰。图1b为噪声干扰的信号边缘,图1c为双边滤波器处理后的信号边缘,可直观看出双边滤波器在降低噪声的同时保持边缘特征。
本文采用改进的冲激滤波器对模糊图像进行边缘增强,使冲激滤波器具备降噪和边缘增强的同时,还能保持图像总变分不变[5],信号能量不会随着时间流逝而被削弱。首先,Osher[6]提出冲激滤波器的原型,它的数学模型为
式中:▽L,ΔL分别表示图像L的一阶、二阶方向导数; sgn( )是符号函数; L0是双边滤波器输出图像,作为迭代L/t的初始值。
本文改进的冲激滤波器模型为
该方法用arctan(αΔL)代替sgn( ΔL) ,使函数具备控制冲激方向的能力,也能控制边缘的收敛速度。参数α越大,边缘就越锋利。越接近拐点,其ΔL越大,则靠近边缘比相对平缓点的区域就能更快变得锋利。在原有冲激滤波器中增加一个线性扩散项,目的是降低放大过程引入的噪声干扰。
在处理初始阶段,信号所含的噪声比较强烈,此时时间较小,滤波器主要表现为降噪能力,因此通过结合时间因素可以达到降噪与边缘增强的目的。随着时间的流逝,冲激滤波器的权重逐渐增大,最终达到增强图像边缘的目的。
当模糊核尺度过大时,图像中某些突出边缘会不利于模糊核估计,因此要选取有用的边缘来进行模糊核估计是非常重要的。设置选取准则[2]为
式中: B表示模糊图像; Nh( x) 表示以像素x为中心的h×h的窗口; ▽B是梯度,因此在平坦位置,▽B( y) 值很小,在尖峰位置,▽B( y) 值有正有负,在计算公式的分子部分时,▽B( y) 值会有很大的抵消。因此,r值较小时代表此处是平坦区域或者尖峰。
为了去掉图像中的噪声,最终选择的图像边缘为
式中:是经过冲激滤波后的图像; τr是用来去除较小的r值的阈值; τs是梯度幅度的阈值。从式( 6) 可看出边缘选择主要取决于梯度幅度并为了保留图像中的细小边缘,本文在每次迭代中减少τr和τs的值( 每次均在上次迭代的基础上除以1. 1) 。经过多次迭代以后,保留有用边缘信息,而减少不利突出边缘,用来估计出比较准确的模糊核。
1. 2 模糊核估计
根据式( 1) 模糊图像的退化过程,可以推导出清晰图像边缘与模糊图像边缘存在类似的退化过程,如式( 7) ,利用上文提取到的图像边缘!Ls作为图像先验知识,并用K的L1范数作为正则项来抑制模糊核中的噪声,构造如下目标函数式( 8) 来估计模糊核
式中: ‖K▽Ls-▽B‖2表示数据匹配项,它要求边缘退化的前后差异最小; ‖K‖2表示模糊核高斯正则项; η是正则化因子。由于该目标函数中采用高斯正则项进行拟合,所以该目标函数是一个凸函数,其一定存在一个闭合的解,且可通过最小化目标函数来求得。
由于目标函数中的变量都是矩阵,所以可用如下方程式重新表达
对式( 9) 两边求偏导,可得
令,则目标函数的解为
运用快速傅里叶变化( FFT) 技术,将矩阵的空间卷积运算转化到频率域的点乘运算,以此可大大地降低计算量。
1. 3 模糊核修正
由于噪声的干扰,估计出的模糊核K不是很精确,也同样充满了噪声。因此需要根据模糊核的特性对模糊核进行修正,使模糊核更加精确,从而能够复原出更好的图像。
1) 针对模糊核的非负特性,将剔除模糊核K中过小的元素以及负值。定义模糊核最小元素值的阈值Tk如下
式中: max( K) 表示模糊核K中最大元素值; d表示最大元素与最小元素的倍数关系,噪声越高,该值也应越大,从而保留更多的模糊核元素。最后将模糊核小于阈值Tk的元素置零来保证PSF的非负性,并降低模糊核的噪声。
2) 针对模糊核的能量守恒特性,最后需要对模糊核进行正规化,使元素和等于1。
图2为2组模糊核的修正效果。可看出运用本节方法,可以最大程度降低模糊核噪声,并保留模糊核最主要的结构,其更接近真实的模糊核。
2 盲去模糊算法
估计出模糊核之后,即可用非盲反卷积的方法估计出清晰图像。在图像去模糊时常把边缘统计特性作为一个正则化项,从而把反卷积问题转化为适定问题。由于边缘分布往往比较复杂,如何有效地对边缘统计特性进行精确建模以及如何对该问题进行优化是该类方法的难点。运用自然图像边缘分布的图像反卷积算法,通常可以用以下数学模型表示
式中: D表示一阶有限差分算子; ‖DL‖1表示TV正则项,可看作是图像L梯度的L1范数。
可用分裂Bregman算法[7]解决这类问题,首先引入一个辅助变量及其二次惩罚泛函,把去模糊优化问题转化为一个等价的无约束优化问题,然后利用Bregman算法将其分解为两个子优化问题,并采用交替迭代最小化方法进行求解。
首先,引入辅助变量G代替DL,公式( 17) 转化为关于L和G的约束优化模型
增加变量L和G的二次惩罚项,得到与式( 15) 对应的无约束优化模型
利用Bregman算法,可将式( 16) 分解成两个子优化问题来求解
式中: b是迭代参数;; L的初始值设为B; G和b的初始值均设为0。
根据分裂Bregman算法,为了解决式( 17) 、式( 18) 两个子优化问题,可以利用交替最小化方法来交替求解,在每次迭代过程中,式( 17) 、式( 18) 转化为方程为
式中: g = DL + b,由于本文去模糊算法的图像边界条件设为周期型边界; K和D都是块循环矩阵,因此式可利用FFTs简化计算式( 19) 、式( 20) 。
3 实验
本实验针对真实的运动模糊图像进行处理,实现真正意义的盲去运动模糊。在模糊核估计过程中,参数μ设置为2+ 3。为证明本文算法的有效性,选取了3幅真实运动模糊图像,图3和图4是本文算法的处理结果,在图5中,将本文算法与当前对去除运动模糊效果较好的两种算法进行对比,来进行盲复原实验。
从结果对比可看出,对两组真实模糊图像的复原效果,本文算法复原效果明显优于Fergus[1]和Cho[3]的复原效果,且本文算法能够很好地恢复图像中的细节部分,估计出的模糊核符合运动模糊相机轨迹的特征,达到了运动去模糊的效果。
4 结束语
图像去模糊 篇5
1 运动模糊参数的辨识
1. 1 运动方向的辨识
变速、非直线运动模糊在一定条件下可以转化为分段匀速直线运动模糊,为方便起见,本文研究内容只针对匀速直线运动模糊,其数学模型可表示为[9]:
式( 1) 中f( x,y) 代表清晰图像; h( x,y) 代表退化函数,也被称为点扩散函数( PSF) ; n( x,y) 代表噪声;·表示卷积,g( x,y) 代表拍摄的运动模糊图像。在相机曝光时间T内,运动模糊在角度 θ 上移动像素λ 的点扩散函数为[8]
式( 2) 可以看出,h( x,y) 取决于运动方向和运动模糊长度,当已知运动方向时,则可利用已知的运动方向来旋转图像,把运动模糊旋转到水平方向,那么可认为运动模糊为水平匀速直线运动模糊,其点扩散函数[10]( PSF) 可表示为
对式( 3) 作傅里叶变换,得到其频域上的表达式。
式( 4) 中点扩散函数( PSF) 的傅里叶变换如下。
可以看出得到的H( u,v) 是一个sinc函数,对应在频域图上会出现一组平行暗条纹。除了中心暗条纹外,其他暗条纹都是等间距的,且运动方向与暗条纹的方向垂直,所以可以通过暗条纹方向来检测运动的方向。本文采用Radon变换来检测运动的方向。图1 为运动模糊图像及其频谱图。
从图1 中可以看出文中分析的暗条纹,为了使暗条纹更加清晰,对图1 进一步处理,即灰度直方图均匀化,如图2( a) 。Radon变换是对亮条纹来做估计的,所以必须对图2( a) 做反色处理,如图2( b) 。
图2( b) 边缘都是亮色,对Radon变换有干扰,为了克服边缘亮色对Radon变换的干扰,截取图2( b) 中间部分。具体方法如下: 图2( b) 可以用矩阵表示为: A,获取A的行数、列数: a、b。为了更好地辨识运动方向,截取图像如图3(a)。对图3(a)进行0°~180°Radon变换,Radon变换的最大值对应垂直于横轴的θ值就是运动方向θ。在图3(b)中可以看出需要检测的振动方向θ,其值为60°。
1. 2 运动模糊尺度的辨识
式( 3) 中可以看出运动模糊长度与点扩散函数( PSF) 密切相关,则运动模糊长度与其频谱上的暗条纹间距也密切相关。因此,根据图像的大小对式( 5) 进行离散化( 假设图像有N行) ,其表达式如下。
令H( u) = 0,则有现假设有2 两个对应频谱图上暗条纹连续的零点u0、u1,则化简可得令D = u1-u0,则可得到关系式( 7) 。
从式( 7) 可以看出,运动模糊长度 λ 可以通过运动模糊图像的行数N除以运动模糊图像频域图中暗条纹间距D得到。
文献[4]中利用中心暗条纹来计算运动模糊长度( 中心暗条纹间距是2D) ,显然只用一组暗条纹间距来计算运动模糊长度是不够精确的。本文针对其不足,利用模糊图像频谱图上所有的暗条纹来计算运动模糊长度。具体做法如下。
第一步: 利用得到的运动方向 θ,将频谱图顺时针旋转 θ 至水平方向。
第二步: 对旋转后的图像进行水平投影,得到水平投影图。
第三步: 在投影图中搜索对应暗条纹的确切极小值点ui( i = 0,1,…) 。
第四步: 利用极小值点计算暗条纹间距,在根据式( 7) 计算运动模糊长度。
对图2( b) 进行测试,第一步将图像旋转 θ 至水平方向得到图4( a) ,第二步将图像像素按列累加到水平方向上得到投影图如图4( b) ,第三步在投影图上搜索对应暗条纹的极小值点ui( i = 0,1,…) 如图4( c) 。第四步计算得到的极小值点之间的像素距离( 中心暗纹间距是2D) ,求取平均值,再利用式( 7) 计算运动模糊长度。
通过图4( c) 中对应暗条纹的极小值点,可以获取暗条纹的间距,列于表1 中。
对表1 中不同暗条纹得到的间距求取平均值( 其中u3u4为2 倍暗条纹间距) ,得到结果为:15. 875,图像行数N = 256,结合式( 7) 计算得到运动模糊长度 λ 约为16. 13,λ 的真实值为16,测量误差不到1个像素,表明按本方法测量运动模糊尺度十分精确。
2 运动模糊图像恢复
相机曝光时间内运动如图5 所示,在曝光过程中,第i行图像的运动形式为AiBi,运动量为di,第i + 1行图像振动形式为Ai + 1Bi + 1,运动量为di + 1。第i行和第i + 1 行有很长一段是重复的,因此在成像过程中每行图像会受相邻图像的影响,为了更好地恢复运动模糊图像采用考虑相邻图像影响的逐行恢复算法来恢复运动模糊图像。
于是对式( 1) 去噪后,分解为
式( 8) 中i代表第i图像; h( x,y) 代表点扩散函数,在进行退化逆过程反卷积运算即可得到第i复原图像,逐行求取之后得到整幅清晰图像。具体做法如下: 以要恢复的第i行图像为中心,上下各取 λ 行( λ 即为运动模糊尺度) ,将所选定的图像范围用h( x,y) 来恢复,恢复后再取图像的中间行作为复原图像的第i行。重复此步骤,依次获取每行复原图像。这样做不仅克服了恢复过程中边界处的振铃效应,同时提高图像的恢复质量,突出了图像的细节特征。
3 实验
本实验采用Adept MobileRobots公司的Pioneer3 mobilerobot和灰点公司的FL3 - GE - 03S2C -C相机( 图像像素为648 × 488,像素尺寸为7. 4μm × 7. 4 μm,帧频和曝光时间分别为82FPS、1 s,镜头焦距为8 mm) 搭建实验平台。算法编译环境为matlab 2014a。
为了验证本文算法有效性,利用实验平台[图6( a) ]分别采集清晰图像、水平匀速直线运动模糊图像以及任意运动方向的匀速直线运动模糊图像。图6( b) 为清晰图像,图6( c) 为水平运动模糊图像,图6 ( d) 为任意运动方向的模糊图像。
分别应用文献[2]、文献[3]、文献[5]以及本文算法对水平匀速直线运动模糊图像以及任意运动方向匀速直线模糊图像进行图像复原。
图7 为水平匀速直线运动模糊图像恢复结果。图7( a) 为文献[2]算法恢复结果,图7( b) 为文献[3]算法恢复结果,图7( c) 为文献[5]算法恢复结果,图7( d) 为本文算法恢复结果。
图8 为任意运动方向匀速直线运动模糊图像恢复结果。图8( a) 为文献[2]算法恢复结果,图8( b)为文献[3]算法恢复结果,图8( c) 为文献[5]算法恢复结果,图8( d) 为本文算法恢复结果。
为了客观上评价本文算法恢复图像的有效性,运用均方差( MSE) 和峰值信噪比( PSNR) 作为评价图像质量的指标[11]。分别计算两组实验不同算法恢复图像MSE和PSNR的值,并将水平匀速直线运动模糊图像恢复图像的MSE和PSNR值列于表2中,任意运动方向模糊图像恢复图像的MSE和PSNR值列于表3 中。
从表2 和表3 中的数据看出,本文算法恢复图像的品质优于其他算法,本文算法获取的恢复图像更加清晰、品质更高。
4 结论
针对相机曝光时间内,相机与拍摄目标存在相对运动会造成图像运动模糊,在辨识运动模糊参数的基础上,提出了一种逐行法来恢复运动模糊图像。实验表明,本文算法辨识运动模糊尺度十分精确,误差在一个像素以内; 应用本文算法恢复运动模糊图像效果优异,能够得到细节清晰、品质更好的恢复图像。本文算法适用于不同形式的运动模糊图像。
参考文献
[1]彭青建.运动模糊图像复原算法研究.成都:电子科技大学,2010Peng Qingjian.Study of motion blurred image restoration algorithm.Chengdu:University of Electronic Science and Technology of China,2010
[2]王秋云,王轶群.基于Lucy-Richardson算法的运动模糊图像复原研究.自动化与仪器仪表,2013;(02):13-14Wang Q Y,Wang Y Q.Research on restoration of motion blurred image based on Lucy-Rechardson algorithm.Automation and Instrument,2013;(02):13-14
[3]何蕾,檀结庆,张平.一种改进的最小二乘正则化的图像复原方法.计算机工程与应用,2008;44(1):63-65He L,Tan J Q,Zhang P.Improved method for image restoration based on least-squares and regularization.Computer Engineering and Applications,2008;44(1):63-65
[4]加春燕.运动模糊图像运动长度的频谱估计法.北京工业职业技术学院学报.2015;14(1):51-54Jia Chunyan.Estimation of the blur length for motion-blurred image based on spectral analysis.Journal of Beijing Polytechnic College,2015;14(1):51-54
[5]邹文洁.一种新的基于倒谱法和Richardson-Lucy算法的运动图像盲复原方法.南华大学学报(自然科学版),2010;24(2):61-67Zou W J.A new method of blind restoration of motion image based on cepstrum method and algorithm of Rechardson-Lucy.Journal of University of South China(Science and Technology),2010;24(2):61-67
[6]韩礼,张力军,蔡洪,等.基于维纳滤波的运动模糊星图复原仿真分析.光学技术,2014;40(4):316-317Han L,Zhang L J,Cai H,et al.Simulation analysis on star image restoration of motion blur based on Wiener filtering.Optical Technique,2014;40(4):316-317
[7]陈至坤,逄鹏,王福斌,等.改进逐行法恢复空间移变振动降质图像.科学技术与工程,2014;14(26):104-107Chen Z K,Pang P,Wang F B,et al.Improved line-by-line method to restore space variant degared image of vibration.Science Technology and Engineeing,2014;26(14):104-107
[8]贤光,颜昌翔,张新洁.运动模糊图像点扩散函数的频谱估计法.液晶与显示,2014;5(29):751-754Xian G,Yan C X,Zhang X J.Motion-blurred image point spread function estimation method based on spectral analysis.Chinese Journal of Liquid Crystals and Displays,2004;29(5):751-754
[9] Preey S W,Guan L.Weight assignment for adaptive image restoration by neural network.IEEE Trans Neural Networks,2000;11(1):156-170
[10] Dhanasekar B,Ramamoorthy B.Restoration of blurred images for surface roughness evaluation using machine vision.Tribology International,2010;43(1-2):268-276
模糊图像恢复的算法研究 篇6
图像去模糊是图像处理中的基本问题, 在成像系统中, 引起图像退化的原因有很多。例如噪声的影响, 就是引起图像降质的主要原因之一, 但另一个主要原因就是在成像系统的散焦, 成像设备与物体的相对运动, 成像器材的固有缺陷或外部干扰等过程中成像产生了模糊。本文主要针对图像恢复中的模糊情况, 对运动模糊图像去模糊的算法进行介绍与研究。
二、算法描述
1.首先对运动模糊图像进行平滑处理, 通过傅里叶变换把模糊图像变换到频域上进行处理, 对其傅里叶变换后的图像采用canny边缘提取对图像进行平滑滤波。
Canny边缘检测器是高斯函数的一阶导数, 是对信噪比与定位之乘积的最优化逼近算子。在Canny法中, 通过两个阈值来分别检测强边缘和弱边缘;当且仅当弱边缘与强边缘连接时, 弱边缘才被在输出。Canny法不容易受噪声干扰, 能够在噪声和边缘检测之间取得较好的平衡, 能够检测到真正的弱边缘。Canny边缘检测算法:
Step1:用高斯滤波器平滑图象;
高斯低通滤波器传递函数为:
其中, σ为标准偏差。通过令σ=D0, 我们可以根据截止参数D0得到表达式:
当D (u, v) =D0时, 滤波器由最大值1将为0.607。
Step2:用有限的一阶偏导差分来计算梯度的幅值和方向;
梯度矢量为:
用分解的方法提高速度, 把∇G的2个滤波卷积模板分解为2个一维的行列滤波器:
其中, k为常数, σ为高斯滤波器参数, 它控制着平滑程度。对于σ小的滤波器, 虽然定位精度高, 但信噪比低;σ大的情况则相反, 因此要根据需要适当的选取高斯低通滤波器参数σ。这里D0经过反复试验得出D0=85时, 效果较好。
Step3:对梯度幅值进行非极大值抑制;
仅仅得到全局的梯度并不足以确定边缘, 因此为确定边缘, 必须保留局部梯度最大的点, 而抑制非极大值。
解决方法:利用梯度的方向。
四个扇区的标号为0到3, 对应3*3邻域的四种可能组合。在每一点上, 邻域的中心象素M与沿着梯度线的两个象素相比。如果M的梯度值不比沿梯度线的两个相邻象素梯度值大, 则令M=0。即:
Step4:阈值化
减少假边缘段数量的典型方法是对N[i, j]使用一个阈值。将低于阈值的所有值赋零值。
解决方法:1.双阈值算法。双阈值算法对非极大值抑制图象作用两个阈值τ1和τ2, 且2τ1≈τ2, 从而可以得到两个阈值边缘图象N1[i, j]和N2[i, j]。由于N2[i, j]使用高阈值得到, 因而含有很少的假边缘, 但有间断 (不闭合) 。双阈值法要在N2[i, j]中把边缘连接成轮廓, 当到达轮廓的端点时, 该算法就在N1[i, j]的8邻点位置寻找可以连接到轮廓上的边缘, 这样, 算法不断地在N1[i, j]中收集边缘, 直到将N2[i, j]连接起来为止。
2.将平滑后的图像转化为二值图后进行hough变换, 这样可以很大程度提高模糊方向的准确估计, 提高图像还原的质量进行hough变换, 根据hough变换原理提取最大峰值, 之后旋转90度, 得到模糊图像方向的估计值。
3.利用步骤2估计的模糊参数psf, 采用最小二乘法对图像进行恢复。
三、仿真结果与分析
根据上面所提算法, 利用MATLAB软件对其进行仿真。仿真采用的原图为128*128的tire.tif图片, 并在原始图像中加入模糊方向为75度, 模糊尺度20个像素的运动模糊参数。如图2所示:
本文所提算法是基于Canny边缘提取的Hough变换对运动模糊图像进行恢复的。Canny算子边缘算法是寻找图像梯度的局部极大值, 梯度是用高斯低通函数的一节微分来计算的。Hough变换是用来在图像中查找直线的, 通过其对Canny提取出的边缘查找直线, 而这个直线的斜向方向就是运动模糊图像的模糊方向, 从而可以通过估计出的糊方向值对模糊图像进行最小二乘法恢复。得出的结论是:从仿真图像看出此方法在对高强度的运动模糊图像恢复取得了较好的效果。M=0 N
摘要：图像的恢复就是去除图像中的噪声, 是图像处理当中很重要的环节。本文采用Canny理论的边缘提取对模糊图像进行平滑滤波, 然后对处理后的图像进行hough变换来提取最大峰值, 从而估计出模糊方向值, 实验结果表明取得了较好的效果.
关键词：图像恢复,运动模糊图像,边缘检测
参考文献
[1]阮秋琦.数字图像处理 (matlab版) .北京:电子工业出版社, 2005:94, 319-320
[2]章毓晋.图像处理和分析.北京:清华大学出版社, 2004:84-85
[3]高成.matlab图像处理与应用 (第二版) .北京:国防工业出版社, 2007:172-173
车辆运动模糊图像复原方法 篇7
在实际环境中,摄像机获取的车辆图像,由于车辆和摄像机之间的相对运动,往往造成图像模糊。为了有效地利用这些图像,需要对运动模糊图像进行复原,从而得到可视效果较好的图像。模糊图像复原的常用方法是维纳滤波[1,2],参数估计是模糊图像复原的关键,文献[3]采用人工方法选取维纳滤波中的噪信功率比参数。文献[4]使用图像空间梯度方法估计点扩展函数的长度参数。文献[5]对运动模糊图像的频谱进行累加增强,然后利用观察,估计点扩展函数长度参数。
笔者研究了1种运动模糊图像复原方法,采用维纳滤波进行复原,使用误差-参数分析法估计点扩展函数的长度参数,基于概率统计的方法估计噪声参数,并对振铃效应进行处理,实验结果表明,该方法在信噪比较低的情况下仍能准确地估计模糊长度参数,对噪信功率比参数具有较强的鲁棒性,对运动模糊图像具有较好的复原效果。
1 图像复原建模
1.1 图像降质与复原模型
运动模糊图像降质模型可以描述为:
式中:f(x,y)为原始图像;g(x,y)为模糊图像;h(x,y)为点扩展函数;n(x,y)为加性噪声。
式(2)为式(1)在频域中的表达式,大写字母为相应原函数的傅里叶变换。
使用维纳滤波进行图像复原的频域模型为:
式中:|H(u,v)|2=H*(u,v)H(u,v),H*(u,v)为H(u,v)的复共轭。Sn(u,v)为噪声功率谱,Sf(u,v)为未退化图像功率谱。
1.2 点扩展函数参数估计
运动模糊的点扩展函数可以表示为:
式(4)为1个水平方向运动模糊的点扩展函数,d是运动模糊长度。若运动模糊的方向不在水平方向,则可通过坐标变换转换到水平方向。
本文采用误差-参数分析法[6]辩识点扩展函数,该方法在观测图像的信噪比较低、运动模糊长度较大时也可得到较好的估计效果。误差-参数分析法利用误差度量E估计参数d,其步骤如下:
1) 选定1个长度参数搜索范围,用长度初始值d0、步长Δd和搜索步数k来表示。
2) 由参数d产生点扩展函数h,实施复原算法,依据h和观测图像g决定复原图像的估计值f′。计算复原误差e=‖g-f′×h‖2或频域误差E=‖G-F′H‖2。
3)作出E-d曲线,曲线在d的真实值附近的变化率将显著变小,由此估计点扩展函数的参数d值,并获得相应的点扩展函数。
为了能得到较为准确的估计值,常设定几个不同的信噪比参数,以获得多条曲线,从而便于曲线的分析和观察。在估计点扩展函数的参数d时,常取E-d曲线中较平缓的位置作为估计值,在估计点扩展函数范围时,一般无法做到十分精确,当设定搜索范围较大时,有时会出现几个可能的估计值,需要通过实验对其进行筛选。
1.3 噪声参数估计
实际图像由于受多种因素影响,维纳滤波复原模型中的噪信功率比参数往往难以得到,可以利用降质图像估计噪信功率比[7]计算降质图像中各局部方差,取局部方差的最大值作为图像方差σ
在实际应用中,由于受平坦区域寻找的合理性、噪声类型等影响,对估计的图像噪信功率比参数往往还需进行一定的修正。
2 振铃效应处理
图像复原时,在图像灰度变换剧烈的地方出现了干扰条纹,称之为振铃效应,若不对其进行处理,会对复原结果造成很大的影响。在离散傅里叶变换中,要求图像数据具有周期性,而实际图像无法满足这个要求,必须在图像边缘补充像素点以满足傅里叶变换的要求。若直接使用维纳滤波,扩展部分像素点默认为0,会带来很大的边缘误差,可以通过采用平滑的方法来解决这个问题。
设原始图像为,平滑边缘后图像为。
按此规律将图像进行扩展,这样既可以满足傅里叶变换的要求,又可以减小灰度变换剧烈的边缘,有效的抑制振铃效应。
3 实验结果
为检验本文图像复原方法的有效性,分别对实验图像和实际图像进行测试。
首先,对1幅清晰车牌图像加模糊长度为10像素、方向为45°的运动模糊,并加均值为0、方差为0.000 1的高斯噪声,如图1所示,此时降质图像的噪信功率比为0.008 8。
观察模糊图像及其频谱(如图2),可得到关于模糊图像方向和模糊长度范围的大致信息。从频谱信息可以得到运动模糊的方向(与条纹呈90°夹角),约为45°。根据第1.2节介绍的方法计算E-d曲线(如图3),选取曲线变化较为平缓处的值为7像素和9.5像素。利用1.3节介绍的方法估计噪声参数,得到噪信功率比为0.001 7。
依据上述得到的参数,利用维纳滤波对模糊图像进行复原,复原结果见图4。从图4可以看出,模糊长度取7像素时,复原效果不佳,模糊长度取9.5像素时取得了较好的复原效果,图5是图4(b)振铃处理后的结果,可见振铃处理使条纹减弱,图像恢复效果更佳。本文方法的信噪比估计值为0.001 7,调整至真实值0.008 8,复原效果如图6所示,可以看出,调整噪信功率比参数后,复原图像在细节上更加清晰。
为了进一步验证复原效果,对实际拍摄的运动模糊图像进行复原。图7(a)是模糊图像,由模糊图像的频谱信息和E-d曲线,估计运动模糊方向为130°、模糊长度为21像素、噪信功率比为0.002,复原结果见图7(b),可见本文方法具有很好的复原效果。
4 结 论
本文研究了1种运动模糊图像处理方法,该方法对运动模糊图像具有较好的复原效果。实验结果表明:①采用E-d曲线可以较准确地估计模糊长度参数;②基于概率统计方法估计信噪比参数虽然存在一定误差,但使用维纳滤波对图像进行复原仍可得到较好的复原效果,维纳滤波复原模型对信噪比参数具有较强的鲁棒性;③通过平滑边界的方法可减小振铃效应,改善复原效果。
参考文献
[1]张德丰,张葡青.维纳滤波图像恢复的理论分析与实现[J].中山大学学报,2006,45(6):44-47
[2]Furuya,Hiroko.Image restoration via wiener filte-ring in the frequency domin[J].WSEAS Transac-tion on Signal Processing,2009,5(2):63-73
[3]明文华,孔晓东,屈磊,等.运动模糊图像的恢复方法研究[J].计算机工程,2004,30(7):133-135
[4]陈前荣,陆启生,成礼智,等.运动模糊图像点扩散函数尺度鉴别[J].计算机工程与应用,2004,40(23):15-19
[5]蔡慧敏,张艳宁,王志印,等.一种匀速直线运动模糊参数估计方法[J].计算机工程与应用,2008,44(19):175-177
[6]Zou Mouyan,Unbehauen R.An iterative method ofblur identification and image restoration[C]//Pro-ceedings of the International Conference on ImageProcessing,Switzerland:1996