刑事模糊图像

2024-12-16

刑事模糊图像（共7篇）

刑事模糊图像篇1

众所周知, 图像应用技术给人们的生活带来了各种便利。不管是日常生活, 还是文化艺术体验, 图像给人们以直观、真实的感受。通过对光学图像的获取, 经过几个程序显示在镜头、底片、储存介质上, 帮助我们记录生活、记录思想。但是, 光学传输过程受到各种介质的影响, 成像系统的千差万别, 都会对图像产生不同的影响。因此, 我们经常会遇到图像像素重叠、失焦、对比度较差等问题, 这些问题会导致成像图片的质量较差。而图像复原技术就是对退化图像进行。因此, 从图像模糊的成因、图像复原技术以及其应用三个方面进行说明。

1 模糊图像的成因

一般来说, 模糊图像的成因分为两个方面:①外部原因。例如在光学图像的获取过程中, 外界天气不佳、目标与成像系统的运动、目标在场景中景深不一致等因素造成捕获图像过于模糊。②自身因素。由于自身摄影技术水平有限, 使得记录中的图像退化, 产生模糊图像。这对于刑事侦查过程中的目标识别、追踪所产生的影响不言而喻。

这样的图像对比度较低——虽然能看得到, 但却看不清, 给具体的监控工作带来了不小的困难。因此, 我们需要具体分析模糊图像产生的因素, 减少模糊图像出现的概率。我们可以从以上两个成因中看出, 外界因素对于模糊图像的影响最为直接。曝光不足、曝光过度、恶劣天气、噪声干扰都会使得图像的质量下降, 并且由于储存设备本身在对图像进行压缩之后, 也会在一定程度上压缩图像的相关细节。因此, 在这些情况下, 我们就需要对模糊图像进行复原。

2 模糊图像复原技术及其应用

图像复原是指通过改善和恢复低质量的图像而减少降质图像带来的影响。这在司法、刑事侦破领域十分重要。目前, 在刑事侦查中, 模糊图像复原主要用于变形图像矫正、物证修复、去除干扰、局部复原等四个方面。

2.1 变形图像矫正

变形图像矫正, 也就是利用数字技术对图像变形进行矫正复原。为了真实再现物体的空间关系, 反映各物体之间的原始状态, 通常采用数字技术对变形的图形进行复原矫正。例如, 通过几何变形矫正, 去除圆柱体上被拍摄对象的变形或者对于相机倾斜拍摄造成的变形都可以进行复原矫正。

在刑事侦查过程中, 变形图像矫正可以真实地反映被提取对象 (鞋印、手纹) 的图像, 复原后的结构比较准确。

2.2 物证修复

物证修复, 即对于受到光线不均等外界影响的图像进行修复。当侦查所需的图像出现由于光线以及反射因素造成的图像深浅不一的情况时, 可以利用图像复原技术进行局部或者整体修复。在具体的侦查工作中, 经常遇到指纹、掌纹等物证由于光的影响出现局部模糊、色调不一、明暗对比强烈的情况, 利用数字复原技术可以局部调亮、调节色彩反差, 通过图像调节、羽化实现复原。而整体性修复则是对于物证痕迹较弱、真实性较差的图像进行均衡化以及对比度的调整来增强图像、还原色度减少图像中的外界影响导致的图像模糊。

2.3 去除干扰

去除干扰, 也就是通过去除干扰消除图像上的干扰因素, 提高图像的分辨率。在刑事侦查过程中, 如果案件物证附着了血迹以及指纹等, 很有可能使得图像的颜色、形态出现变形或者模糊。因此, 在这种情况下, 就可以通过数字技术分离色彩、数字滤波消除外界因素对于图像的影响。比如, 通过低通或者高通数字滤波增强图像的细节, 提高图像的质量;去除不利的背景, 进行局部灰度扩展, 显现隐藏痕迹, 在较暗背景中增强图像;通过数字滤波技术去除规则条纹背景, 减少背景干扰;通过调节图像的透明度, 滤除不规则背景, 调节X值、Y值可以去除图像中的重复性元素减少干扰;通过去除背景干扰色自动将图像的主题加以突出, 有利于掌握物证的具体特征;利用颜色选取等工具, 将图像中需要清除的颜色去除, 减少背景干扰。

2.4 局部复原

局部复原, 是指利用逆图像退化技术恢复图像的原始状态。通过这种技术, 可以在监视系统中有效地识别模糊的图像, 尤其是针对宾馆、高速路口、银行等地监控设施, 通过逆图像退化技术复原运动中的模糊图像;通过数字滤波对模糊系数、运动参数进行调速, 减少图像的损伤。而对于散焦的模糊图形, 通过数字滤波对图像进行散复原——先选定一个区域的参数进行处理, 之后调节参数值, 然后对整个图像进行处理。对于监控录像中因物体运动而产生的模糊图像, 可以利用动态多帧进行融合处理, 修复图像。对于因噪声干扰而产生的模糊图像, 可以通过代数运算的方法, 求图像的平均值降噪来复原图像。

3 在应用过程中存在的问题

通过以上论述, 我们可以看出:模糊图像复原技术已经在实践中有了充分的应用以及较快的发展, 在复原模糊图像的技术上日趋成熟。但是在实际的工作中, 还是存在一些问题。例如对于模糊图像的不同类型需要有针对性的算法, 因为一种算法只能对应解决一种模糊图像。这样不利于处理由多种因素造成的模糊图像。另外, 在复原技术的应用中包含了大量的参数, 由于技术方面的限制, 绝大多数参数的设置还是由人工经验进行选定, 这就在一定程度上增大了处理图像的主观性。在实际的处理过程中, 应该选定合理的操作流程。在这个方面, 我们在处理和复原模糊图像时还需要不断的尝试。

摘要：随着科学技术应用的飞速发展, 图像处理的数字化水平不断提高, 各种图像显示设备的升级更加快速, 因此人们在应用图像处理或者图像显示的过程中能够深刻感受到技术带来的新体验以及信息化应用水平的提高。这也给人们的生活带来的极大的便利。这些图像处理技术不仅应用与人们的日常生活, 也被广泛应用于军事、交通等各个领域。通过详细介绍模糊图像复原技术在刑事侦查中的应用, 揭示了图像处理系统的提升对于刑事侦查工作的影响。

关键词：模糊图像,复原技术,矫正,刑事侦查

参考文献

[1]禹晶, 徐东彬, 廖庆敏.图像去雾技术进展[J].中国图象图形学报, 2011, 16 ( (9) :1561-1576.

[2]张震, 曹军梅.网络取证系统的技术分析与模型实现[J].中国公共安全 (学术版) , 2006, (1) :81-85.

[3]陈勇兵, 郭晓云, 沈未名.一种鲁棒性的基于运动估计的自适应时空域视频去噪算法[J].计算机应用, 2006, 26 (8) :1882-1887.

刑事模糊图像篇2

1、刑事模糊图像形成因素

模糊图像处理是对由于介质、客观环境等因素造成的模糊图像和退化图像进行校正处理, 使其清晰化, 以利于图像研判。刑事图像的模糊有多种因素造成:一是非正确曝光退化, 如非线性退化等;二是离 (散) 焦模糊, 对焦不实使物体不能清晰的成像于焦平面上;三是运动模糊, 运动模糊是指在曝光瞬间, 照相机与被摄物体间有相对运动;四是噪声干扰致使图像模糊不清;五是监控视频模糊, 如安装位置不合适、光线太暗或太亮、目标运动过快、摄像镜头对焦不实等, 往往使影响资料变得模糊不清。

2、Retinex算法原理及应用特性

2.1 Retinex理论概述

Retinex (视网膜“Retina”和大脑皮层“Cortex”的缩写) 理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统 (Human Visual System) 的图像增强理论。该算法的基本原理模型最早是由Edwin Land (埃德温·兰德) 于19世纪70年代提出的一种被称为具有颜色恒常性的色彩理论, 并在颜色恒常性的基础上提出的一种基于此理论的图像增强方法。Retinex理论的基本内容包括物体的颜色是由物体对长波 (红) 、中波 (绿) 和短波 (蓝) 光线的反射能力决定的, 而不是由反射光强度的绝对值决定的;物体的色彩具有一致性, 不受光照非均性的影响, 即Retinex理论是以色感一致性 (颜色恒常性) 为基础的。鉴于Retinex原理, 对于观察图像S中的每个点 (x, y) , 用公式可以表示为:

其中, S (x, y) 为所观察的图像, R (x, y) 是反射物体图像, L (x, y) 为入射光图像。

2.2 Retinex算法的应用特点

Retinex理论的基本思想就是将原始图像看成是由照射图像和物体反射属性组成, 照射光图像直接决定一幅图像中像素能够达到的动态范围, 物体反射属性决定了图像的内在性质, 因此, 在原始图像中去除或降低照射图像的影响从而保留本质的反射属性是Retinex理论的基本思想。Retinex算法具有锐化、颜色恒常性、动态范围压缩大、色彩逼真度高等特点。

传统的图像增强算法, 如线性变换、非线性变换、图像锐化等只能增强图像的某一类特征, 如压缩图像的动态范围, 或增强图像的边缘等。Retinex算法可以在动态范围压缩、边缘增强和颜色恒常三方面达到平衡, 因此可以对各种不同类型的图像进行自适应性地增强。

3、Retinex算法对数字模糊图像处理的适用

3.1 Retinex算法对图像的预处理

在多种以Retinex为核心的算法中, 单尺度 (Single-Scale Retinex, SSR) 算法和多尺度 (Multi-Scale Retinex, MSR) 算法是最具有代表性和最成熟的算法。利用多尺度Retinex灰度图像增强算法对灰度图像进行增强, 在图像的预处理阶段对噪声进行滤除, 做到改善图像颜色恒常性, 压缩图像动态范围, 提高对比度, 有效显示淹没在阴影、光照等区域中的细节, 为下一步的特征提取提供必要的条件。

3.2 Retinex算法对场景模糊图像的增强

场景的干扰常常致使物体成像模糊, 如雨雾天条件下, 户外景物的对比度和颜色发生退化, 计算机视觉系统无法正确检测与跟踪场景中目标, 这就需要对雨雾天图像或视频作清晰化处理。Retinex理论及相关算法是图像增强的新思路, 其理论基础是色彩的恒常性, 它通过模拟人眼观察场景的方式, 恢复因图像采集设备限制而丢失的场景细节, 达到增强图像对比度, 还原物体真实色彩的目的。

3.3 Retinex算法对图像细节特征的增强

在图像处理和计算机视觉领域, 特征提取被广泛运用, 其效果很大程度上取决于图像的质量。图像在采集的过程中, 多变的光照条件、物体间相互遮挡、采集设备自身限制等因素都会影响图像质量, 要想对质量差的图像进行特征提取非常困难。基于Retinex理论的图像增强算法能减少计算时间, 将多种计算函数相结合, 能够有效地重建图像细节达到增强图像的目的, 使增强后的图像更适合于细节特征的提取。

Retinex算法是数字图像处理的新算法, 与其他传统图像处理算法相比, 具有很大的优势, 能大量保留提取图像的细节特征。在刑事图像处理工作中, 技术人员所感兴趣的就是对侦破案件有用的细节特征。刑事图像工作遇到的问题及其产生原因都是其他领域图像处理所共有的, 因此, Retinex理论同样适用于刑事图像处理研究, 将基于Retinex理论的各种改进的Retinex算法直接应用到刑事模糊图像处理工作中, 势必会给当前的刑事模糊图像处理工作打开新的局面。

参考文献

[1]李权合, 毕笃彦, 时平, 何宜宝.基于Retinex和视觉适应性的图像增强[J].中国图形图像学报, 2010, 15 (12) :1728-1732.

[2]乔小燕, 姬光荣, 陈雾.一种改进的全局Re tinex图像增强算法及其仿真研究[J].系统仿真学报, 2009, 21 (4) :1185-1197.

[3]刘茜, 卢心红, 李象霖.基于多尺度Retinex的自适应图像增强方法[J].计算机应用, 2009, 29 (8) :2077-2079.

刑事模糊图像篇3

一、刑事图像技术教学现状

随着我国高等教育的全面改革与深入, 公安招录体重也有所改变。《刑事图像技术》作为刑侦人才的必修课程, 其具有较强的技术性与专业性。然而, 由于传统教学方式的制约以及社会发展背景下, 犯罪者技术与设备的更新, 我国当前的刑事图像技术教学存在多种不足, 主要表现如下:

(一) 教学内容陈旧, 知识更新进度不一致

当前的刑事图像技术还是由建国初期的刑事照相专业发展而来, 以往的刑事照相专业主要是针对刑事处理中的相片搜集与保存, 而当前的刑事图像技术则已经包涵了刑事照相、刑事数字图像处理以及刑事录像技术在内的公共安全图像技术的专门学科。且伴随着实践运用, 该课程所包含的内容会越来越多, 但是, 当前的教材之中, 却并没有涉及到这些内容, 而是简单的对传统刑事照相的论述。这样的课程学习, 难以提高学生的实践能力, 然而这门课程本身具有的实践性过强, 这也就使得学生难以胜任其实际工作。

(二) 教学实验理论化, 难以适应实践的需求

为了更好地提高学生的实践能力, 刑事图像技术课程也会设计一些实验环节。然而, 在当前已有的实验当中, 存在许多的问题, 主要有:第一, 实验内容设置局限性较强, 与学科发展脱节。刑事图像技术实验项目相对较多, 但是主要是围绕着刑事照相的相关内容, 而数字图像、视频处理、编辑处理等应用性技术, 实验课程的设置较少, 基本是以理论教学为主, 这使得学科实验设计严重不合理, 对于学生能力的培养实用性较差;第二, 当前实验室建设难以满足实验教学的需求。刑事图像技术实验包涵的内容较多, 重要有光学、化学、电子、机械、计算机等学科, 所以, 要开展实验需要配备综合素质较高, 业务能力较强的教师。除此之外, 犯罪技术的更新需要教学设备的同步, 这也是一大限制。

(三) 没有充分利用新型教学方法与手段

随着科学技术的更新, 多媒体技术已经被广泛应用于教学之中, 多媒体幻灯片也已经基本取代了传统的粉笔叫黑板的教学模式。但是, 在当前幻灯片的使用中, 主要是利用其展示图片。比如, 针对一些新型的仪器, 无法用语言来传递给学生, 就利用幻灯片将其大概形状等表现出来。然而该种方式, 实际上是无法让学生知道这种仪器的效果, 而只是一种观摩式学习, 这是对学习效率的降低。对于刑事图像技术来说, 需要利用当前多种的科学技术手段, 来实现视觉、听觉等多方面的刺激, 使得课堂深动化。加之课堂教学的地点与时间都具有一定的限制性, 难以满足师生交流。

(四) 现有考核方式的理论化严重

虽然我国在不断的提倡素质教育, 然而在考核方面却还是沿用了应试教育的方式, 也就是平时成绩+试卷的方式。不否认该种方式具有一定的优越性。但是, 其理论性过于严重, 使得刑事图像技术的学科特色难以凸显。刑事图像技术作为一门应用型学科, 如果只是使用单纯的试卷考核, 根本难以评断学生的知识掌握程度与综合运用能力。只有理论的考核也会让学生相对懒散, 轻视实验操作, 学生为了应付理论考试, 都会在考试之前突击看书, 去根据教师勾划的重点加以复习, 由此可见其理论知识也未必扎实。

二、刑事图像技术教学改革思路

综合上文, 可以看出当前刑事图像技术课程的教学存在诸多的问题。而其中最为重要的一个问题就是教学方向错误。教学方向错误是指课程的定性与其实际教学的内容不符合。就该门课程的应用可以看出, 该门课程是属于应用型学科, 所以在教学上, 需要以实践为主, 然而, 在当前的教学中, 无论是从教学实验还是从教学考核, 其偏重的都是理论。虽然, 近年来高等教育改革推进了该门课程的改进, 其课程的教学理念也相对科学化, 知识结构相对合理, 培养模式也在不断的变更, 然而, 也暴露了许多问题, 需要在教学实践中加以解决。例如教学中忽视了该门课程的本质。该门课程虽然是技术应用性课程, 但课程的学习意义是为了服务社会。很多时候, 教学工作者与学生都过于重视该门学科的教学成绩, 从而忽视了对学生思想的建设, 使得一些学生学习成果好, 却并没有服务于社会, 反而成为了犯罪分子;在教学中注重教师的主导地位, 却忽略了学生的主体角色。这些都制约着该门学科的正常发展。

三、课程改革的主要内容

(一) 调整教学内容的原则

在开展该课程教学时, 需要充分的认识到该课程的社会地位, 并就其日后可能会涉及到的应用岗位加以揣测, 针对岗位性质进行分析, 岗位的工作内容也需要进一步了解, 从而来确定教学内容。刑事图像技术最终是为公安刑侦服务, 且该岗位的技术性要求较高。因此, 在课程内容上, 需要以实践为主, 理论也需要合理的设置, 占有比例不宜过大。同时, 该门课程涉及内容较多, 不能依靠课堂的讲解来满足学生的知识需求, 因此, 需要开设对应的辅助课程, 来巩固该门学科所需要的多种知识内容。

(二) 教学理念的变化

在当前的教学背景之下, 要进行该门课程的教学改革, 就必须要进一步改善教学理念。针对教学现状, 笔者认为其教学理念应该变更为以网络、图片、角色扮演等多种渠道, 多种教学手段来调动各学生的多种感官协调, 从而使得其在该门学科的实践中, 可以更加的严谨, 且灵活。人才的培养实际上是为了提高其社会实用性, 而在人才培养过程中也需要对其思想进行建设, 尤其是该种学科所使用的部门, 具有公共服务性质, 因此, 需要巩固学习者的服务思想。

(三) 优化整合教学内容

当前的刑事图像技术课程教学内容主要包括普通照相、刑事照相、数字图像处理、视频影像技术四个部分, 其中一些内容的设计时间相对较早, 可能在当时的时代背景下具有一定的应用价值, 但是, 在当前的背景下, 已经没有应用价值。因此, 要进行教学改革, 也必须要对内容进行取舍。比如普通照相中, 可以适当的删除光学技术的知识, 将其散入物证照相、特种照相之中。针对教学内容的调整, 才能保证教学的有效性。

(四) 实验教学的改革

在上文中已经针对当前刑事图像技术教学中实验教学的不足进行了分析, 如果要进行教学改革就必须针对其不足加以修改。第一, 调整实验内容并且建立以案件为主导的教学方式。无论采用何种教学模式来实施刑事图像技术教学, 其最终目的都是服务于公安刑侦。因此, 在教学过程中, 可以适当的添入案件, 案件的代入能够让学生有一定的新鲜感, 且代入案件后可以让学生适应日后的技术使用, 提前了解该门课程的价值;同时案件具有的故事性能够让学生的学习积极性提高。第二, 创新实验教学方式。综合上文可以看出, 该门课程实验需要综合性专业技能较高的教师来进行指导, 然而在实践中该种人才的数量不多, 因此, 其师资必然会存在问题。面对该种状态, 优化实验教学方式, 对其加以创新是最好的解决方式。

(五) 端正学生的学习态度

在我国当前的刑事图像技术课程学习上, 学生的学习态度将会直接影响该门课程的教学开展与教学质量。就目前来说, 学生在选择刑侦相关的专业, 一般都是出于自身的兴趣或者想要日后从事相关工作。首先, 如果学生是出于兴趣选择相关专业, 那么在后期的学习中会出现两种状况, 要么就是积极性较高, 学习态度好, 学习效率也较为理想;要么就是认为学习与想象的课程不同, 从而逐渐丧失学习兴趣, 学习效率逐渐降低。其次, 学生是为了日后就业所选择的专业。无论是上述的哪种状况, 学生在学习时, 都可能会具有一定的排斥心理, 而排斥心理的存在, 会让学生学习效率与质量下降。因此, 笔者认为, 在开展该门学科教学时, 应该先了解学生选择专业的目的, 然后就目的引导教学, 从而使得教学质量得到有效地提高。

四、结语

通过教学模式的改革, 去构建一个更加适合当前教育需求与社会需求的教学模式, 从而使得新的教学理念能够融入教学之中, 教学设计与教学方式得到合理的优化。在传统的教学中, 过于重视理论的灌输, 然而公安刑侦的相关专业都有一定的技术性要求。因此, 传统的教学模式需要进行改革, 才能更加适应当前的人才需求。在教学改革时, 需要注重基础实践与综合训练的结合, 注重场景模式的设计, 这些对于学生的主观能动性、学习能力的发展都具有一定的促进作用。在教学改革时, 必须以当前的用人需求为准, 适应公安招录培养体制改革下的课程教学需求, 使得学生的专业理论知识更为扎实, 专业技能熟练化, 能够充分应用于实践之中, 满足公安部门对于社会稳定的需求。

摘要：刑事图像技术是公安刑侦、刑事技术人员的一项重要警务能力。因此, 在相关专业教学中, 刑事图像技术已经成为其专业核心课程。尤其是随着当前信息技术的不断发展, 刑事图像技术已经成为案件侦破的一个关键环节。而当前的犯罪活动也日益呈现国际化、科技化与智能化的特点, 使得案件侦破的过程中存在更多的问题需要解决。针对刑事图像技术的运用现状, 一些公安院校纷纷就该课程的教学内容、教学方法、教学模式、考核方案等多个方面来进行教学改革与教学优化, 希望可以以更加完善的教学模式来引导该课程的学习, 从而提高相关专业人员的专业技能, 培养更多专业素质高、实战能力强的技术与知识共存的应用型人才。

关键词：刑事图像技术,教学模式,改革思路

参考文献

[1]陈昭.刑事图像技术本科实验教学分级改革之思考[J].净月学刊, 2014, 01:124-128.

[2]蔡竞.刑事图像处理课程教学改革的探索与实践[J].湖北警官学院学报, 2014, 05:188-189.

[3]李博.刑事图像技术课程多模态化教学模式探究[J].法制与社会, 2014, 25:215-217.

[4]姚园园.刑事图像技术课程教学改革的探讨[J].鄂州大学学报, 2013, S1:120-122.

[5]王文, 皮建华, 代勇.刑事科学技术专业综合实验实训的构建[J].四川警察学院学报, 2013, 01:98-104.

[6]张大治.政法院校招录体制改革背景下的刑事数字图像处理课程教学内容构建[J].四川警察学院学报, 2013, 02:97-100.

[7]张颖.谈公安院校刑事图像学的教学改革[J].辽宁警专学报, 2012, 02:99-101.

[8]王蓉.以实战需求为导向加强刑事技术专业的教学改革[J].贵州警官职业学院学报, 2012, 06:72-76.

刑事模糊图像篇4

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

运动模糊图像复原算法研究篇5

关键词：运动模糊,图像滤波,图像复原

0 引言

随着多媒体技术的迅猛发展,图像与我们的生活的联系越来越紧密。在日常生活中,照相机已经成为我们生活中的一部分。但是由于图像的质量会受到大气中噪声的影响,以及在拍摄过程中,相机的抖动、焦距失焦以及拍摄对象的运动等均可能造成图像质量的下降,而在一些重要的应用中,对图像质量的要求又很高,图像复原技术便应运而生。

1 维纳滤波图像复原

1.1 维纳滤波原理

维纳滤波[1](wiener)综合了退化函数和噪声统计特征两个方面进行复原处理。方法是寻找一个滤波器,使得复原后的图像f(x,y)与原始图像f(x,y)的均方误差最小即:

其中E[·]是数学期望算子。这里假定:噪声和图像不相关,其中一个有零均值,估计的灰度级是退化图像灰度级的线性函数。在这些条件下,上式中误差函数的最小值在频域中用下式计算:

这里,应用了这样一个事实:一个复数量与它的共轭的乘积等于复数量幅度的平方。这个结果就是维纳滤波,由括号里边的项组成的滤波器通常叫做最小均方误差滤波器。上式中各项说明如下。

H(u,υ):退化函数

G(u,υ):退化函数的傅里叶变换

H*(u,υ):H(u,υ)的复共轭

Sη(u,υ)=|N(u,υ)|2:噪声的功率谱

Sf(u,υ)=|F(u,υ)|2:原始图像的功率谱

1.2 维纳滤波优缺点

维纳滤波器的优点是适应面较广,无论平稳随机过程是连续的还是离散的,是标量的还是向量的,都可应用。对某些问题,还可求出滤波器传递函数的显式解,并进而采用由简单的物理元件组成的网络构成维纳滤波器。维纳滤波器的缺点是,要求得到半无限时间区间内的全部观察数据的条件很难满足,同时它也不能用于噪声为非平稳的随机过程的情况,对于向量情况应用也不方便。

1.3 维纳滤波实验结果

将一幅清晰图像与点扩散函数进行卷积,可以得到人工模糊的图像。在恢复人工模糊图像的时候,可以得到相对较好的恢复结果。为了验证Wiener滤波图像复原结果,分别对其加载(40,30)的运动模糊。

虽然Wiener滤波能在一定程度上复原得到原始的清晰图像,但也存在着缺点。因为维纳滤波采用均方误差准则复原图像,而均方误差准则对所有误差,不管其在图像中的位置如何,都会赋以同样的权值。但是人眼对高梯度区域和暗处的误差比其他区域的误差具有较大的容忍性。由于使MSE最小化,Wiener滤波器以一种并非最适合人眼的方式对图像进行了平滑。

2 Lucy—Richardson滤波复原法

2.1 Lucy—Richardson滤波复原原理

Lucy-Richardson算法[2]是目前应用最广泛的图像复原技术之一,它是一种迭代的方法。利用加速收敛的Lucy-Richardson算法对图像进行恢复,算法能够按照泊松噪声统计标准求出与给定PSF卷积后最有可能成为输入模糊图像的图像。当PSF己知而图像噪声信息未知时,也可以采用此算法进行有效的恢复。本方法由于迭代产生的噪声放大,是这类最大可能性数据逼近法的常见问题。在低信噪比条件下,恢复图像可能会出现一些斑点,这些斑点不代表图像上的真实信息,而是恢复图像过于逼近噪声所产生的结果。所以适当地选择迭代次数对图像的恢复很重要。

Lucy-Richardson算法也称为L-R算法,它是从最大似然公式中引出来的,在这种方法中,图像是用泊松统计加以模型化的。Lucy-Richardson算法的原理可用下面的公式3来表示

公式(3)是一次迭代的过程,其中∩f(m,n)是迭代的上一次结果,当第一次迭代的时候,这个值可以取初始输入的模糊图像g(m,n),h(-m,-n)可以用h(HX-m,HY-n)来表示,其中HX和HY分别表示系统函数的高度和宽度,公式中的所有乘均为矩阵点乘,卷积为二维的卷积,卷积尺寸控制为图像的尺寸。如果将上面的结果迭代多次,那么我们最终可以选择较好的结果图像作为最终的输出图像。

2.2 Lucy—Richardson滤波复原实验结果

3 图像评价

通过MAE,MSE,NMSE,SNR,PSNR等参数对原始图像和复原图像进行比较,对复原图像做出客观评价。

由表1知,在无噪声条件下维纳滤波复原的效果比Lucy-Richardson复原效果更好一些。

4 结论

文章从理论对运动模糊图像的恢复工作进行了较为深入的研究和讨论。通过两种算法实现了运动模糊图像的复原算法。算法设计简单,实用性好,广泛应用于工业控制、道路监控、军事、医学以及刑侦等领域。

参考文献

[1]吴淑艳.运动模糊图像复原算法研究[D].上海:上海师范大学,2009.

车载图像去模糊算法研究篇6

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:mxinλxk-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=xk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) .

运动模糊图像复原技术介绍篇7

由于图像的传送和转换,总要造成图像的降质。在拍摄期间,如果相机与景物之间存在足够大的相对运动,就会造成照片的模糊,即为图像的运动模糊。运动模糊是造成图像退化的重要原因之一,对运动模糊图像的复原研究早已成为图像复原领域的热点,退化模型的建立方法特别是退化参数(运动模糊方向和运动模糊距离)的估计已经有了比较成熟的方法,噪声滤除技术也在不断地发展和完善。本文则对几种参数估计方法和滤波方法进行概括和对比总结,以便于在以后的研究中更具有针对性。

1 几种求退化函数的方法介绍

1.1 图像的方向微分原理及自相关的点扩散函数尺度鉴别原理鉴别运动模糊参数[3]

由于存在着惯性,在摄取图像的短暂曝光时间内,物体的运动方向一般认为是不变的,即近似为直线运动。若能由已知的运动模糊图像准确地估计出运动模糊方向,通过图像旋转,将运动模糊方向旋转到水平轴方向,这样的旋转可以把原来二维的运动模糊点扩散函数转变为一维函数,同样,整个图像复原工作就由二维问题转化为一维问题,经过这样的处理大大降低了模糊图像复原的难度,并为图像复原的并行计算创造有利条件。

这里定义物体运动的水平方向为0度,实际运动方向与水平方向的夹角记为a,这里规定上为负、下为正,并且按照顺时针增大。一般来讲,匀速直线运动的点扩散函数是矩形函数,在其对应的频域上存在周期性的零值,运用方向微分算子不但可以有效地估计匀速直线运动、加速运动物体的运动方向和点扩散函数,而且具有自动鉴别性能良好的抵抗噪声。

基于方向微分的鉴别方法的基本思想是:把原图像的自相关函数及其功率谱密度看作是各向同性的一阶马尔可夫过程。由于物体的运动方向与零值条纹方向相垂直,当物体在运动过程中出现运动模糊时,运动方向上图像的高频成分被降低,而其他方向上图像的高频成分影响较小,特别是对运动方向垂直的部分高频成分没有任何影响。在此条件下对模糊图像进行方向性的高通滤波(方向微分),在运动模糊方向上,由于此方向模糊图像对应的高频成分最少,滤波(方向微分)之后模糊图像在此方向上的能量损失最大,得到的微分图像灰度值(绝对值)之和必然最小,而在其他的方向上,能量损失相对较少,所以得到最小的图像灰度值(绝对值)之和便得到了运动模糊方向。

知道了运动模糊方向以后,接下来需要对模糊尺度进行识别。所谓的模糊尺度是指物体与相机之间的相对运动距离,也就是相对运动模糊带的长度。它与模糊函数的自相关函数大小有关。在求模糊尺度之前,首先对模糊图像进行模糊带增强的预处理,即对模糊图像在垂直于运动方向进行求导运算。然后再沿运动方向进行求导(后面一个像素点的灰度值减去前面一个像素点的灰度值),大多数模糊图像的背景的像素点有很强的相关性,得到的导数是在模糊带端点(i=1,n-1)正负相反的两个冲激函数,两个最低点之间距离的二分之一即为我们所求的模糊距离。

利用方向微分鉴别运动模糊方向,利用求导和自相关等技术确定运动模糊点扩散函数尺度,不但可以有效地鉴别匀速运动、加速运动、振动等各种运动的模糊方向,而且可以很好的估计出模糊尺度,此方法具有很强的抗干扰能力,鉴别范围大,精度高、鲁棒性强。

1.2 三次样条插值方法求运动模糊方向[7]

在实验中发现方向微分方法鉴别结果误差较大,通过观察方向微分图的直方图,在方向微分方法的基础上,给出了一种新的鉴别模糊方向的算法,它可以鉴别匀速直线运动、变加速运动、振动等各种运动的模糊方向,在计算需要插值处的灰度值时,给出了插值精度比较高的三次样条插值的计算方法。经过实验证明,该算法具有更高的鉴别精度。

三次样条曲线是由分段的三次曲线并接而成。一维的三次样条插值函数S(x)∈C[x0,xn],且在每个小区间[xj,xj+1](j=0,1,…,n-1上是三次多项式,其中x0

其中系数Aj、Bj、Cj、Dj待定。根据差值公式便可以微分图像的灰度值,从而实现模糊图像的方向鉴别。令:

通过观察不同角度的微分图像的直方图,可以发觉越靠近真实运动模糊方向,其最大绝对灰度值越小。于是考虑用微分图像的最大绝对灰度值M(Δf)θ来代替绝对灰度值之和I(Δf)θ作为鉴别条件。

从理论上也可以证明这一点,越接近真实运动模糊方向,高频成分越少,微分图像像素就越集中分布在低灰度区,而运动方向上的最大绝对灰度值也越小。

1.3 光流方程借鉴法[5]

光流方程借鉴法是近年来出现的一种应用比较广泛的方法,它能很好的确定运动模糊图像的点扩散函数(PSF),它的基本思想是:利用原始图像作为初始值来研究运动模糊的形成过程。通过对模糊图像的分析可以发现,在图像中存在大量的方向平行于运动方向的直线,也就相当于沿着运动方向整幅图像在做刚体运动。在此方向上用Hough变换检测模糊角度,从而确定运动模糊方向。模糊图像沿运动方向的导数等于原始图像与其移位的差,两者之间的距离恰为模糊尺度。从而得到模糊核和点扩散函数(PSF)。

在运动方向的检测上,因为运动方向基本上与模糊图像刚体运动方向平行,并且模糊图像中存在着大量的平行于运动方向的直线,因此,检测这些直线的方向就可以确定运动模糊的方向。模糊图像中运动物体的边缘一般都不是很分明,可以先对模糊图像进行边缘检测,这样可以更好的突出运动物体的运动轨迹。

下面是对一幅运动模糊图像进行实验的实验结果,首先应用Sobel算子进行边缘检测,分别对模糊长度为20、35、45、60的运动模糊的方向进行估计,模糊方向区间设定为[-90°,90°),实验以10°为间隔,规定线段至少有10个像素才能检测出来,当存在4个像素的间断点时,做连接处理,于此同时用Hough变换进行遍历检测,这里设其间隔角度为0.5°实验结果如图示1所示。

从实验结果中可以看出,Hough变换能够很好的检测出平行的直线,但是在实际的应用当中,特别是在复杂背景下原始图像中本身存在的线条也会影响方向检测的估计结果,并且这种影响会随着模糊程度的加深而变得越来越小。

在此方法中,运动模糊尺度的估计方法和自相关的点扩散函数尺度鉴别法有相近的地方,其原理也是先把退化图像旋转-θ,从而把运动模糊方向转化到水平方向,然后应用自相关函数进行模糊长度的估计。模糊图像沿运动方向的导数等于原始图像与其移位图像的差,两者之间的距离即为模糊尺度。考虑到原始图像自身的相关性对运动方向的影响,这里加入一个滤波器来抑制因上边的差分而产生的扩大化的噪声,对求导后的图像沿水平方向进行差分,并计算其自相关函数,每行取均值。把这些均值进行对比在其中心两边将分别出现一个最小值。这个最值与中心的距离既是所要找的模糊尺度。

此方法应用Hough变换和自相关函数来估计模糊角度和尺度。Hough的遍历检测能够很好的抑制噪声,自相关函数的均值比较使得检测结果受误差影响很小,因此这种算法能够达到精确检测的目的。

1.4 种植迭代算法在空间域内求H函数[4]

设原始图象为f,退化算子为H,它包括图象本身的退化和乘性噪声所引起的退化,加性噪声为n,退化图象为g,则图象退化模型可表述为:g=Hf+n当图象退化模式已知,且不考虑噪声影响时,公式可以变为g=Hf由于H是一个相当大的矩阵,一般的算法计算相当的复杂,在这里借助于方程组的超松驰迭代法来求解方程,从而可以在g和H已知的情况下恢复出原始图像f。

下面介绍一下超松驰迭代法求解原理。我们将上边提到的方程变换为Hf=g则方程便成为一个以f为未知数的方程组,如果图象大小仍为256*256,则f为256*256向量,方程组的未知数个数为256*256,设经过第k次迭代后方程组的解为fk,引入剩余向量rk=g-Hfk,则下一迭代值可以表示为:fk+1=fk+rk。

上式实质上是用)次迭代后的剩余向量来改进fk。对上式引入加速因子w得到超松驰迭代法如下式:fk+1=fk+w(g-Hfk)

其中w亦称为松驰因子。

把上边的原理应用于图像处理中,应用信噪比来评估,信噪比公式为:

其中f,g,分别为原始图象、退化图象和恢复图象。

实验结果表明,迭代次数越多则恢复图象质量越获得改善,此方法对图像的改进有很好的作用。

2 几种去除噪声的方法介绍

在求得了系统的退化函数H以后下一步的工作就是对图像的噪声进行滤除,根据不同的噪声特点采用不同的滤波方法,在面就对几种常用的滤波方法进行介绍和总结。

2.1 均值滤波方法

这种滤波方法是在图像上,对待处理的像素给定一个模板,该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。它主要包括以下几种类型:算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器等。其中算术均值滤波器和几何均值滤波器应用较为广泛。

在实际用用中发现因为均值滤波对所有的点都是同等对待,在将噪声点分摊的同时,将景物的边界点也分摊了,所以它会使图像变的模糊。但是又因为高斯噪声的幅值近似正态分布,其均值为零,且污染点分布在每点像素上。所以均值滤波对高斯噪声有很好的滤除作用。

2.2 中值滤波方法

中值滤波方法主要的思想就是:在某个模板中,对像素进行由小到大排列的重新排列,那么最亮的或者是最暗的点一定被排在两侧,取模板中排在中间位置上的像素的灰度值替代待处理像素的值,就可以达到滤除噪声的目的。它最常用的公式是:

自适应中值滤波器是中值滤波器中最主要的一种,自适应中值滤波器不但可以工作在矩形窗口区sxy,而且它还可以在进行滤波处理时依据一定的条件改变sxy的大小。因此可以弥补前边滤波器的不足。对于椒盐噪声来说,由于它是幅值近似相等但随机分布在不同位置上,噪声均值不为零,所以用均值滤波器的滤波效果要好很多。

2.3 逆滤波

逆滤波法是经典的图像复原算法,它是用退化图像的傅立叶变换来计算原始图像的傅立叶变换的估计,对于复原模型来说当忽略噪声的影响时,退化模型的傅氏变换为:

H(x,y)称为系统的传递函数,从频域角度来看,它使图像退化,由上式可得复原图像的谱F(x,y)=G(x,y)/H(x,y),其中1/H(x,y)称为逆滤波器,对F(x,y)进行傅氏反变换即可得到复原图像f(x,y)。

实际应用中由于噪声的影响使得此种滤波方法存在这病态问题,也就是说当有噪声存在且H(x,y)等于零或者非常小的数值点上时,噪声就会被放大。这就意味着F(x,y)将变成无穷大或非常大的数。而噪声的干扰就会被放得很大,有可能使恢复的图像和f(x,y)相差很大,甚至面目全非。系统中存在噪声有逆滤波复原的表达式为:

解决该病态问题的唯一方法就是避开H(x,y)的零点即小数值的H(x,y),途径有两种:一是,使H(x,y)具有低通滤波的性质。二是,在H(x,y)=0及其附近,人为地仔细设置H-1(x,y)的值,使N(x,y)*H-1(x,y)不会对复原产生太大的影响。

逆滤波方法是一种简单实用,物理意义明确的滤波方法,被广泛应用到工业领域,

不过由于算法自身的原因,存在着许多局限性,使得它的使用受到一定的限制。

2.4 维纳滤波

维纳滤波又称为最小均方误差滤波,它用于图像复原的基本思想是:假设信号是平稳随机的,按照准备恢复的图像与原图像的均方差最小原则来实现滤波。目标是寻找一个使统计误差函数:e2=E{(f-f軇)}最小的估计了f軇(x,y),E是期望值,f是未退化图像。该表达式在频域可表示为:

式中:|H(u,v)|2=H*(u,v)H(u,v),H*(u,v)

表示H(u,v)的复共扼;sη(u,v)=|N(u,v)|2

表示噪声的功率谱;sf(u,v)=|F(u,v)|2

表示未退化图像的功率谱。

但是实际应用中大多并不知道信号和噪声的分布状态,则上边得式子可以简化为:

从上式可得,只要知道了H(u,v),确立适当的K值,作相应的逆傅里叶变换,即可得到复原图像。虽然维纳滤波算法能够以低的代价获得较好的复原效果,但它必须提前知道系统的点扩散函数,所以其应用性得到了很大的限制。

3 结束语