图像模糊识别

2024-06-28

图像模糊识别（通用8篇）

图像模糊识别篇1

0 引言

人脸蕴含着大量信息, 如性别、年龄、表情等, 是重要的生物特征之一, 故基于人脸图像的性别分类[1,2,3,4,5,6]、年龄估计[7,8,9]、表情识别[10,11,12], 在过去的几十年里得到了广泛的关注和研究。就性别分类方面, 除利用人脸内部特征进行分类外, 还有:或利用头发特征展开研究、或将人脸内部特征和外部特征结合起来进行研究, 如文献[13]引出了头发长度、分头等特征, 并详细推导了各自的特征提取方法, 在AR人脸库中进行了测试, 平均识别率达到了90%以上;文献[14]结合人脸特征、头发特征、衣服进行了性别分类, 同样取得了良好效果。

现实中, 尽管人们凭视觉能随时根据容貌断定出一个人的性别, 但多数人很难准确描述出到底是依据什么不同的特征来区分人的性别。由此看出, 性别同人脸特征间存在着一定的模糊性, 故本文提出了基于模糊隶属度的人脸图像性别识别。在FG-NET和FID人脸库中进行了测试, 取得了良好效果。

1 人脸特征提取

局部二进制模式 (Local Binary Pattern, 简称LBP) 对光照不敏感, 具有灰度级选择不变性, 是一种强有力的纹理描述方法。Ahonen等[15]提出了基于局部二进制模式的人脸特征提取方法, 首先将人脸均分为许多子窗口, 对所有子窗口提取LBP直方图, 然后将这些直方图顺次连接成一个直方图, 用此直方图来描述人脸, 得到脸部有效特征。后来, Lian等人[16]将局部二进制模式方法应用到性别识别中, 取得了良好的分类效果。故本文利用LBP方法提取人脸局部特征, 再者, 局部特征比全局特征能更细致的刻画人脸。

最初的LBP算子是由Ojala等人[17]提出来的, 该算子对图像进行如下操作:对于固定大小的3×3矩形窗, 将周围8个像素的灰度值与中心的灰度值进行比较, 比较结果为一个二进制数, 小于中心像素灰度值的用0表示, 大于或等于的用1表示, 然后从左上端开始顺时针方向旋转读出8个二进制数, 将此二进制数转换为一个十进制数, 作为该矩形窗的特征值, 如图1所示。

上述分析, 用式子表示为:

式中:xc为中心像素点的灰度值, xp为中心点周围某个相邻像素点的灰度值, u (·) 为阶梯函数, 定义为:

使用LBP算子扫描整幅人脸图像, 就可以得到图像的LBP编码, 如图2是用8邻域LBP算子提取人脸纹理后的效果图。

最初的LBP算子无法提取大尺度结构纹理特征, Ojala等人[18]又使用不同数量的邻近子块以及不同尺寸的矩形块对LBP算子进行了扩展, 表示为 (P, R) , P代表邻域中像素的个数, R为邻域半径, 图3为LBP算子扩展示例。

上述扩展仍然存在缺陷, 当半径尺寸很大、邻近子块数量很多时, 提取出的大部分特征不足以有效的描述纹理, 文献[19]对LBP算子进行了另外扩展:均匀模式 (uniform pattern) , 经过实验验证, 该模式在大大减小特征数量的同时, 能够有效描述出图像中大部分纹理特征。

本文用LBPPu, R2来表示LBP算子, 其中下标 (P, R) 为半径为R, 包含P个采样点的邻域, 上标u2表示该算子是均匀模式。本文采用的 (8, 1) 邻域中共有256种各异的模式, 其中58种是均匀模式, 故 (8, 1) 邻域的LBP直方图总共有59种模式。当图像中所有像素标定LBP值后, 图像f (x, y) 的直方图定义为:

为了更有效地保留空间信息、表征人脸, 文献[15]将人脸图像分成若干子块R0, R1, …, Rm-1, 对子块分别作直方图, 得到保留空间信息的新直方图为:

式中:i=0, 1, …, n-1;j=0, 1, …, m-1。

将人脸图像中所有子块的LBP直方图顺次拼接起来:

式 (5) 中任一向量元素值在[0, 255]之间, 为了与本文后叙的正态分布运算相符, 将式 (5) 进一步转化为:

该向量即为本文的人脸特征向量。

2 模糊隶属度描述

设论域U={人脸图像} (本文样本数≥200) , U上的2个模糊子集A1 (男性人脸) , A2 (女性人脸) , 构成标准人脸模型库{A1, A2}, 每个模型Ai由n个特征值X={x1, x2, x3, …, xn}来刻画, 由此定义了一个广义模糊向量:

每个标准模型Ai (i=1, 2) 对每一单因素xj (j=1, 2, …, n) 均服从正态分布 (即Ai为正态模糊集) [20]。

即

式中:为统计平均值;为标准差。

现有一待测人脸图像I, 特征提取后其有效人脸特征向量为:XI={x1, x2, x3, …, xn}, 先计算待识别人脸XI对标准模型的隶属度, 即计算一个特定向量对广义模糊向量Ai (i=1, 2) 的隶属度。

XI对男性人脸A1的隶属度为:

XI对女性人脸A2的隶属度为:

按最大隶属原则, 待测人脸图像的性别为:

即在A1 (XI) , A2 (XI) 中, 最大隶属度Ai (XI) (i=1, 2) 所对应的性别即为待测脸像的性别。

备注:∧、∨分别表示inf和sup (取下、上边界) , 在有限个元素之间, 它们表示min及max (取最小、最大值) 。

3 实验与分析

3.1 人脸库的选择

本文采用了2种人脸库进行了实验。

首先在FG-NET人脸图像库中验证了本文算法在人脸图像性别识别中的有效性。

FG-NET人脸库中包含82个人共1002幅人脸图像, 每个人有6~18幅, 每幅图像标有准确的年龄、性别等信息, 部分图像如图4。

由于FG-NET人脸库中的图像是在非受限环境下采集的, 部分图像存有较大的噪声, 故又在自建的人脸图像库 (Face Image Database, 简称FID) 中进行了实验。通过数码采集和扫描相片两种方式得到500 (取男、女各250人, 每人一幅) 幅正面人脸图像构成FID人脸库, 部分图像如图5。

3.2 性别识别

首先将彩色图像转换为灰度图像, 方法采用文献[21]中的最佳灰度转换。公式为:

式中:R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量, Gray表示转换后的灰度值。

由于人脸图像存在姿态和大小的差别, 因此需要将其统一到标准姿态和大小的情况下。旋转图像, 使每幅人脸图像的两眼处于同一水平方向上, 然后切割图像, 去除图像中可能影响识别效果的部分, 如背景、头发等, 得到有效人脸区域, 达到图像归一化的目的:两眼间距为20, 大小为48×48。

再次, 将归一化的人脸图像分割成36个8×8的像素子块。 (1) FG-NET人脸库实验结果

FG-NET人脸库中图像样本虽较多, 但只取自82个人, 不可避免的在实验中学习样本会取自同一个人的多幅人脸图像, 但庆幸的是, 多幅样本 (同一个人) 来自不同的年龄阶段, 同一个人在不同年龄时的脸形、面部器官轮廓及纹理特征皆有所差异, 在性别识别方面同样具有代表性。

实验中, 任选男性、女性各150幅人脸图像作为学习样本, 特征提取后, 求得每一具体性别的统计平均值、方差, 所得数据部分如表1。

现有一待测人脸I, 图像归一化后, 采用LBP方法提取人脸特征得到向量XI={1.85, 2, 0.9, 2.4, 0.8, 1, …, 1.8}。

先计算待识别人脸XI对标准人脸模型的隶属度:

1) XI对男性人脸A1的隶属度为:

(1) 因为=0.2, 0.45, δ11, 由式 (8) 得A11 (x1) =0.95。

(2) 因为=0.4, 0.63, δ12, 由式 (8) 得A12 (x2) =0。

2) XI对女性人脸A2的隶属度为:

(1) 因为=0.3, 0.55, , 由式 (8) 得A21 (x1) =0.99。

(2) 因为=0.5, 0.71, , 由式 (8) 得A22 (x2) =0.92。

由式 (11) Gender=∨{A1 (XI) , A2 (XI) }=∨{0, 0.12}得到待测人脸图像I为女性人脸, 识别结果正确。

经过大量测试, 取得了94%的正确识别率, 部分测试示例如图6。

(2) FID人脸库实验结果

为了更有效的说明本文算法在人脸图像性别识别中的稳定性与有效性, 同样的方法, 在图像更为清晰的FID人脸库进行了学习及大量测试, 取得了96%的正确识别率, 部分测试示例如图7。

4 结论

本文将模糊隶属度引入到人脸图像的性别识别中, 算法简洁, 运算量适中, 最高识别准确率达到了96%, 与先前的研究基本相当。如文献[6]结合独立分量分析 (Independent Component Analysis) 和遗传算法 (Genetic Algorithm) 进行人脸性别分类, 在FERET人脸库中的最高识别率达到了97%, 但本文算法较其简单。文献[5]提取三维人脸的几何特征后, 用非线性支持向量机 (Non-linear Support Vector Machines) 进行了性别识别, 平均错误率为17.44%。

首先采用局部二进制模式 (LBP) 提取人脸特征, 其次根据最大隶属度原则在FG-NET人脸库及FID人脸库中进行了测试, 取得了良好的效果。但人脸图像的性别识别目前仍处在理论研究阶段, 推导更为有效的算法仍是下一步工作的重点。

摘要：由于人脸面貌特征与性别存在着一定的不确定性, 提出了基于模糊隶属度的人脸图像性别识别。用对光照、灰度变化具有较强鲁棒性的局部二进制模式 (LocalBinary Pattern, LBP) 提取人脸特征, 首先将人脸均分为多个子窗口, 对所有子窗口提取LBP直方图, 然后将这些直方图顺次连接来描述人脸。细致推导了适用于人脸图像性别识别的模糊函数, 根据最大隶属度原则, 来识别人脸的性别。在FG-NET人脸库及自建的FID人脸库中进行了实验, 取得了96%的最高识别率。

关键词：局部二进制模式,特征提取,模糊隶属度,性别识别

图像模糊识别篇2

基于模糊神经网络的目标识别

结合模糊推理和神经网络两种方法的优点,从网络的结构、工作过程、学习算法等方面,探讨了一种基于模糊神经网络(FNN)的目标识别方法.通过仿真结果证明,此方法确实可行.

作者：孙宝琛时银水朱岩 SUN Bao-chen SHI Yin-shui ZHU Yan 作者单位：防空兵指挥学院,河南,郑州,450052刊名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：12(3)分类号：V24关键词：模糊推理神经网络 BP学习算法目标识别

图像模糊识别篇3

图像识别是人工智能的重要部分, 将识别图像的关键特征点作为比较对象, 通过使用计算机技术对图像识别信息的选取、比较、鉴别、判断, 最终识别出图像的类型及相关数据, 并获得某种我们预期得到的结论。

对图像进行智能识别时, 经常会用到图像智能识别以及增强技术, 通过抽取所需要的图像并综合运用各种方法提高图像质量, 从而增强识别的准确性。在数据记录设备长时间的数据记录后, 如何从中选取出有用的信息, 同时因图像获取端远离接收端, 需要将获得的图像传输到处理设备一侧, 并在这些传输之中进行各种符合格式要求的转换, 在多次传输类型的转换和长距离传输后, 通常会引起图像质量的降低。以上的降低是在假设输入端信号良好的情况下所获得的结论, 但是综合考虑高速运动物体拍摄时的客观条件影响 (如亮度因素、镜头因素、相对运动、高速跟踪等) , 都会使图像的质量下降, 同时在传输过程中, 尤其是模拟信号传输阶段, 必然会引入各种噪声并产生信号的衰减。因此未经处理的图像在信号可识别度及处理速度等方面都具有改进空间, 通过采取一定的技术手段提高数据的识别效能, 提高识别效率, 具有很强的现实性。为解决这一问题, 根据实际需求通过图像智能识别并进行增强处理, 将获得图像中的关键信息凸显出来, 与此同时可以将不需要信息的影响降至最低。

获得的图像通过合理和适合的增强处理后, 可以将原本不清晰甚至是不利于分辨的图像增强至清晰的, 同时包含大量可用信息的图像, 高效率地去除获得图像中的噪点、增强图像的可辨别度和辨别的准确度, 从而更方便对图像中所需要一种简便可行的图像识别处理过程可以增强、分类和匹配等。

1 图像的输入

想要对图像进行处理, 首要工作就是获得所需要的素材, 即使用计算机技术将图像采集下来。针对高速经纬仪拍摄的画面特点和类型, 选取适合的传输手段, 在满足传输速率的情况下尽可能的提高传输质量, 使用数字信号进行传输, 减少损耗, 减少模数、数模转换, 提高效率。

2 获取图像的预处理

对获取的图像进行计算, 是一项运算量很大的工作, 因为我们所需要的信息只是其中的一部分, 因此降低后续算法的复杂度并提高效率是我们不得不关心的一个内容, 因此对图像进行预处理就显得尤为重要了, 这是一项基础性的工作, 如果没有进行预处理, 那么后续的图像识别工作将很难开展下去, 预处理的结果将直接影响最终图像识别的效果和速度。

预处理所要达到的目的是将图像中的噪声尽量消除或减小, 对所需要的部分进行背景分离, 将有效信息区域从大量的信息中抽取出来, 最终提高图像关键点提取能力并增强匹配精度, 便于最终提取出正确的图像特征。一般情况下采取以下方法进行图像信息的预处理。

2.1 方向图计算

方向图广泛应用于图像增强、特征提取、自动分类、方向模版匹配等图像识别的重点处理环节。常规提取方向图的方法分为以下三步:一是进行图像分割, 将图像分割成足够小的子块;二是对获得的每一个子块进行数据分析, 对其中的每一个点进行独立的计算, 可以利用算子分别计算每一个子块中每一个点的x以及y方向梯度;三是根据梯度值, 对每个子块方向进行计算, 从而最终得到图像的方向。

2.2 图像分割

从一般角度讲, 图像分割主要有3大类方法: (1) 基于边缘; (2) 基于区域; (3) 基于纹理。根据高速运动目标的特性, 图像样本算法选择的时候就只能采用基于边缘的这一类算法。

每一幅待处理的图像, 根据所包含的信息可以分为四个区域: (1) 背景区; (2) 不可恢复区; (3) 清晰区; (4) 可恢复区。通过图像分割, 可以将背景区和不可恢复区剔除出去, 剩余的信息就是有用的清晰区和可恢复区了。这一方法可通过三步实现: (1) 首先分割出背景区域; (2) 再从前景中分割出模糊区域; (3) 最后从模糊区域分割出不可恢复部分。

总体上说, 用于图像分割的方法根据所要处理图像的特点各有利弊, 仅仅采用某种特定的图像分割方法不能达到所要获得的效果。因此可以结合多种方法的优点, 祛除不利的方面, 综合运用多种方法, 构造一种多级分割的立体体系结构。通过分割处理的图像不仅为后续工作节省了运算时间, 同时也提高了识别的准确性。

3 图像增强

通过对某型经纬仪设备拍摄高速运动目标图像分析, 可使用较为简单但有效的灰度变换进行图像增强处理。利用matlab图像工具箱提供的函数imhist () 观察Mr.bmp的直方图。

为了将图像中有用的信息抽取出来, 剔除无用信息的灰度区间, 通常使用分段线性变换的方法, 通过将整个灰度值的区间平均分成若干条线段, 并将每一个直线段同一个局部的线性变换关系一一对应。

采用这一方法的好处是可以根据实际目标特性需要, 调整目标的灰度细节, 可以将无关信息的灰度区间删除, 突出所需目标相关信息。

MATLAB软件中, imadjust函数可以实现图像的灰度变换, 通过直方图变换调整图像的对比度。由于原始图像的灰度较暗, 对比度不够强烈, 所以调用Matlab图像工具箱提供的函数imadjust () 对其进行修正。通过对使用需求的针对性分析, 可以充分利用图像中的亮度信息, 明显改善图像的清晰度和对比度。

4 图像分类匹配

特征提取能够将所需要处理目标的图像信息, 通过数值特征用唯一的形式表达出来, 尽最大可能地保留所需信息, 删除无用信息。在高速运动目标模糊图像智能识别增强方法研究中, 如何减少识别时间、降低计算复杂度, 提高最终识别能力, 这些都需要将获取的图像精确、快速的地归类进入到已存储在计算机中的不同目标属性的图像数据库中, 通过多次处理最终形成的数据信息要与数据库中存储的若干目标图像信息进行匹配和比对, 通过计算它们之间的相似程度和特征点, 识别出获取图像的属性信息。

5 结语

图像智能识别增强技术实现的方法有许多种, 只采用某一特定方法难以取得良好效果, 这里只是提供了一种可能的选择。采用更实用、简便的图像处理算法, 在减小计算量的同时提高识别率和识别速度, 最终通过图像识别和增强处理, 提高判读效率和准确性是下一步研究的重点和方向。

参考文献

[1]杨小冬, 宁新宝.自动图像识别系统图像分割算法的研究[J].南京大学学报, 2004, 40 (4) :424—431.

[2]基于自相关的匀速运动模糊尺度参数识别[N].国防科技大学学报, 2006.28 (5) :123-125.

模糊动态AHP导弹识别算法篇4

弹道导弹为有效地突破反导防区天基、地基的各种光电设备的探测跟踪,采用了大量现代技术,使之具有多种突防与反识别措施。其飞行中段至再入段初期因飞行时间较长,便于进行跟踪和识别被认为是导弹防御的关键阶段,而中段的威胁目标群中,弹头与伴飞物的飞行速度和弹道轨迹大体相同,不利于速度和轨道参数识别,再加之各种电磁干扰与诱饵,因此单一的陆基雷达探测系统难以进行有效识别,已不能完全满足反导的需求,而天基红外预警卫星系统[1]是除雷达之外对弹道导弹进行监视与识别的另一种重要手段,其各类红外探测器能够获得识别真假弹头的多种特性,因而在弹道导弹目标识别中扮演着重要角色。

在一般情况下,弹道导弹的真弹头约占到有效载荷与容积的80%以上,弹头与诱饵及假目标在质量与形体上存在着较大差异,而不同目标的红外辐射特性又因其质量、形体的差异表现出不同变化规律。因此,导弹预警卫星系统的目标识别,主要是通过其所携带各类红外探测器从背景环境中区分出真假弹头的红外辐射特性差异。通过对各种情报及装备技术资料进行整理分析,本文认为,其中温度变化率、热容差异、辐射强度、灰度特性、运动特性是识别判断的关键因素,它们集中反映了弹头的物理和动力学特性。目前,国外研究弹道导弹在飞行中段及再入段的预警卫星目标识别的相关文章还少有报道,国内研究尚处起步阶段。文献[2]、[3]对预警卫星导弹粗识别与目标综合识别模型做了些有益的研究,但从公布的文献资料来看,预警卫星目标识别主要集中在早期预警(粗识别)和单一的红外识别技术及识别流程上,相关的信息融合算法研究还比较少。对此,本文提出一种信息融合下的多属性决策模型,对上述几种弹头的主要红外属性特征进行分析并作为目标识别特征量,完成了属性权重的动态构建,最后给出了仿真计算与结果分析。

1 弹道导弹目标红外识别原理分析

从中段到再入段初期,弹道导弹会产生如下动作:助推火箭关机,弹体分离,产生诱饵弹及气球、碎片等伴飞物质,再入大气层。这一阶段中,如何对目标群中的真假弹头识别成为预警卫星系统目标识别的重要任务。通过对这一时间段的目标群研究分析,发现以下几种目标红外特性及探测手段可利用目标的质量与形体间的关联来有效识别真假弹头。1)温度变化率。目标的温度变化与其质量存在着一定关系:由于弹头的质量最大,因此在同样外部环境下,弹头的温度变化要比诱饵慢得多[4,5,6],所辐射出的红外信号也比诱饵要强。因此,可采用双色长波红外阵列组成一个辐射比温度计,通过在两个红外谱段测量目标的辐射功率之比值,来消除因目标的表面物理特性不同而带来的发射率的影响,以确定出目标群中各个物体的相对温度高低,记录其变化过程,并进而推导出各个物体的相对质量大小。2)热容差异。当目标群进入中段飞行后暴露于温度极低的外太空环境中以及再入段初期进入大气层,这两个时间段目标温度随时间的变化规律反映了其热量吸收率av与放射率εIR的信息,其中重目标的热量吸收率av与放射率εIR的比值av/εIR,即热容量,比轻目标的变化快[6,7]。因此,通过短波和中波红外探测器测量目标的av/εIR可以有效地识别目标。3)辐射强度。目标表面被认为是具有一定发射率的灰体,其辐射强度由表面温度和发射率决定,而发射率是由目标的材质、质量、表面涂层材料、壳体厚度等因素构成。进入大气层前,目标群温度基本处于平衡状态,而一旦进入大气层后,气动加热将使表面温度迅速升高,一些轻诱饵都将被燃烧掉,剩下的主要是弹头和重型诱饵。它们的速度在100 km以上的高度上几乎无差异,但它们的辐射强度则随着高度的降低出现明显区别[4,5,8]。其中辐射强度变化率单调增加无明显波动,且辐射强度最大者即为弹头。4)灰度特性。目前,随着在低轨天基红外系统(SBIRS-Low)中大规模像元的焦平面阵凝视红外成像器[9]硬件和超高速图像信息处理软件技术等的应用,使红外成像技术对真假弹头的识别更加有效。红外成像可以对飞行中众多目标的红外图像进行分析判断[10],以达到利用目标的灰度特性来识别弹头的目的。例如同样环境下,真弹头温度变换比假目标与诱饵慢,其红外成像灰度上,弹头灰度变化就较为平缓。5)红外识别运动特性。可以通过一系列红外图像检测目标的运动特性。诱饵及假弹头、弹体碎块等在分离抛射过程中由动量守恒而产生的分离前后相对速度的变化。以及再入段初期,受空气阻力和各自质量与形体的影响,再入减速特征差异明显[4,11],而弹头则因形状规则重心稳定,其运动相对平稳且速度最快,根据目标红外运动图像序列,可以识别出真假弹头。

综上所述,以上五种红外特性均能从不同侧面反映出目标间的质量形体差异,但各有其局限性:一是判定时只考虑一个因素或部分因素,其可靠性与准确性不佳;二是各因素在不同时间段,表现效果会有较大变化。而将此五项因素构成决策的综合属性集,可以较全面、准确的反映各目标的红外威胁程度。因此,结合目前相应红外传感器的可靠性与精确性,本文主要综合利用这五个红外特性作为目标识别的依据。

2 模糊动态AHP目标识别模型的建立

目标识别是一个推断和决策的行为,从上节分析可知,如果将每个目标看作一个方案,将各种红外特性分别看作各方案的属性,决策准则是目标红外威胁程度,则多目标识别就成为一个多属性决策的排序问题,实时甄选出威胁值最大的目标,即质量形体威胁最大的目标作为主要威胁目标,即达到目标识别目的。

2.1 总体模型

在此,根据由目标的质量及形体特征引起的红外特性变化规律,将目标群中具有较大质量与形体,可构成“可视的红外目标”的物质分为五类,由此设立方案集(即目标集)A={A1,A2,A3,A4,A5}={真弹头、气球、加热角锥体、重型假目标、弹体碎块},属性集G={G1,G2,G3,G4,G5}={温度变化率、热容差异、辐射强度、灰度特性、运动特性}。基于模糊动态AHP算法的识别排序模型如下图1所示。

由于在本属性集属性中既有定量描述又有定性描述,而且相互之间关系复杂,具有一定的模糊性。而层次分析法AHP是一种新的应用较为广泛的建模方法,利用层次分析数学可把半定性、半定量的问题转化为定量计算,但传统算法中简单利用成对比较法构造判断矩阵比较粗糙,主观随意性大,所以,本文结合模糊动态评判来构造判断矩阵和决策模型可以提高评估精度,增强决策的科学性。

2.2 应用比较法和模糊动态评判法构造属性重要性矩阵

AHP的主要步骤:1)建立层次结构;2)构造判断矩阵并进行一致性检验;3)求解权重向量,综合排序。而在第2步中传统的判断矩阵构造中的两两属性比较法,由于简单采用1—9标度法,构造矩阵比较粗糙,甚至会出现逻辑上不合理的情况,一致性比较差,而且不能求解重要性随时间变化的因素的权值。因此,本文引入模糊动态评判法来构造判断矩阵,具体步骤为:

1)构建两个属性对于目标的相对重要性矩阵。采用专家打分对比法,根据各自的相对重要性给予评分,采用1—9标度法[12],如有属性G1、G2,专家P的打分分别为n1、n2,则G1关于目标的相对重要性指标为ap=n1/n2,而G2关于目标的相对重要性指标为bp=n2/n1。用此方法可以得到任意两个属性关于目标的相对重要性指标,构造出判断矩阵。通常,给出的判断矩阵很难满足完全一致性[13],文献[12]指出当n阶判断矩阵的最大本征值λmax小于相应的临界本征值λ′max时,即认为判断矩阵A具有满意一致性。

2)建立动态因素[13]。如第i个因素相对于第j个因素比较,则可表示为aij Tm=(lij Tm,xij Tm,uij Tm),其中xij Tm为相对重要度即中心值,Tm为时间,lij Tm和uij Tm分别为aij Tm的左右范围。当uij Tm—lij Tm的值越大,判断越模糊;反之,越清楚。设A(Tm)=(a ij Tm)n×n×Tm是模糊判断矩阵,满足:

3)计算判断矩阵权值向量。首先确定时间Tm,采取文献[13]中的方法对判断矩阵(仅针对中心值,而非左右范围)进行微调,使之达到一致性要求。如调整后的一致性判断矩阵为A(Tm)=(a ij Tm)n×n×Tm(Tm已确定),则经过一系列推导,可以得出如下计算公式:

首先,第i个因素满足n个目标的综合程度值(ei)[13]的计算公式为

其次,第i个因素未归一化权重(ωi)[13]如下所示:

式中:α∈[0,1]为决策者的优化度。当α=1时,表示一个决策者的乐观观点;当α=0时,表示决策者的悲观观点;当0<α<1时,表示决策者的观点介于两者之间。

将求出的权重ωi逐层聚合后,进行归一化处理,即可得到归一化权重ωi*。取不同时间段Tm,重复上述步骤,即可求出各个关键时间段上的归一化权重向量WTm=[ω1*,ω2*,ω3*,ω4*,ω5*]T,它表示n个特征属性的相对威胁程度大小。

4)时间Tm与tmn的确定。T为根据导弹各飞行阶段呈现不同的特点而划分的若干连续时间段集合T={T1,T2,...Tm},各Tm对应于相应的归一化权重向量WTm,其间包含预警卫星对目标群的探测时间点tmn,即tmn∈Tm。

结合本模型,参评专家P为天基红外预警卫星所采取的各探测技术手段,决策优化度α为某时间段Tm属性Gi的观测效果权值。所以,本文充分考虑了空间与时间上的信息融合,以降低识别结果的不确定性。

3 算法实现

3.1 属性权重的确定

利用模糊动态法来构建属性相对重要性矩阵A,可以较好地解决五个红外属性特征的相对重要性随时间变化而改变的问题。例如,在导弹飞行中段时期的灰度特性相比运动特性变化明显,易于辨别弹头,因而灰度特性相对于运动特性重要。而到了再入段初期,目标群的运动特性相对于灰度特性变化明显,易于分辨弹头,因而运动特性相对于灰度特性重要性上升。

为了说明动态判断矩阵在整个识别过程中属性相对重要性的变化,本文选取T1为再入段初期一时间段为例,结合目前各相应红外传感器的探测精度,预先制定属性相对重要性矩阵A如表1,并存入数据库。本文限于篇幅,只列出了中心值的判断矩阵,对于矩阵中除对角线以外的值大于1的元素,其左扩展为中心值减去1,右扩展为中心值加上1,对于矩阵中除对角线以外的值小于1的元素,可以按式(1)处理。

通过“本征向量法”[12]求得表1的λmax=5.279,小于五阶矩阵的临界值λ′max=5.45,可以通过一致性检验,以下各表求λkmax方法同。取α=0.5,防御系统方根据式(1)~(3)和表1可实时计算得五个因素在T1的归一化相对威胁权重系数为:TW1=[.0293,.0297,.0082,.0159,.0168]T。

3.2 确定各属性下的判断矩阵

以某型洲际弹道导弹为例进行计算。各属性下目标威胁判断矩阵计算过程不同于属性重要性矩阵A。取观测时间点t1n为再入段初期一时刻(t1n∈T1),各目标在五项属性下的变化情况,目前无法直接得到探测数据,只能依据前面的理论和文献[4]、[5]、[8]及相关情报资料建立的数据库,进行模拟计算仿真,防御系统方再将实时结果两两比较,得出各属性下目标威胁判断矩阵。

例如,对于温度变化率属性G1,经计算五类目标相互之间的威胁性比较矩阵P1,如表2所示。

其中,λ1max=5.293<λ′max=5.45,符合一致性要求。求解

得特征向量Wk=[w1k,w2k,w3k,w4k,w5k]T即为各目标在第k个特征属性下优劣比较的权值向量,

热容差异判断矩阵P2,辐射强度判断矩阵P3,灰度特性判断矩阵P4,运动特性判断矩阵P5(考虑再入减速特性差异)中,各目标相对威胁性比较,如表3、4、5、6所示。

整理后得各目标在五个红外特征属性下的决策矩阵Ct1n=[W1,W2,W3,W4,W5],如表7所示。

3.3 计算各目标的威胁值

目标的威胁值是指目标的红外特性威胁程度大小,据此判断各目标属于弹头的可信度,将其按大小排序后,最大值者即为真弹头。根据前面求得的各属性权重和综合决策矩阵,利用简单的矩阵相乘法则,就可得各目标的红外威胁值(如图1所示),按下式计算:

最终得各目标红外威胁值为

按威胁值大小排序为A1>A3>A4>A2>A5。由排序结果可以看出,A1具有最大红外威胁值,防御系统即判其为真弹头,与仿真系统中攻击方所给情况一致,达到预期效果。其余各目标的红外威胁值与各自目标的真实情况基本一致。

而在T2飞行中段一时期,用上述方法计算出各目标t2n时(t2n∈T2)红外威胁值为

按威胁值大小排序为:A1>A4>A3>A2>A5。通过比较可以看出,两次计算的排序结果基本一致,只是A3,A4的红外威胁值排序发生了变化。这是因为飞行中段时期目标灰度特性相对于运动特性重要,说明在不同时间,各属性的相对权重系数发生了一定变化,从而最终影响了各目标红外威胁值向量Mtmn的计算结果。本例证明该方法的正确性与有效性。本文相对于文献[2]做到了更进一步的弹头目标精识别。

结束语

图像模糊识别篇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

运动模糊图像复原算法研究篇6

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7

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8

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