1.一种基于稀疏性与非局部均值自相似性的图像复原方法,其特征在于,包括如下步骤:
S1:输入模糊图像g;
S2:根据步骤S1输入的模糊图像g盲估计假设清晰图像I0;
S3:构建求解清晰图像I与点扩散函数h的目标函数,并根据步骤S1所得图像g与步骤S2所得结果I0计算点扩散函数h;
S4:根据步骤S1所得图像g与步骤S3所得结果h分别估计组稀疏重建图像Jr与非局部均值自相似重建图像Js;
S5:根据步骤S4所得结果Jr与Js估计清晰图像I。
2.根据权利要求1所述的一种基于稀疏性与非局部均值自相似性的图像复原方法,其特征在于,所述步骤S2中盲估计假设清晰图像I0的算法是比值稀疏约束算法。
3.根据权利要求1所述的一种基于稀疏性与非局部均值自相似性的图像复原方法,其特征在于,所述步骤S3中构建求解清晰图像I与点扩散函数h的目标函数表达式为:其中,g为模糊图像,I为清晰图像,*表示卷积, 为矩阵二范数的平方,h为点扩散函数,a为图像块个数,Lj为第j个图像块的相似图像块组,Aj为Lj的稀疏表示系数,Dj为Lj经过SVD(Singular Value Decomposition)算法学习得到的稀疏表示字典,c为非局部均值匹配窗图像块的个数,Rm为第m个非局部均值匹配窗图像块,s为与Rm相似的图像块个数,Rn为与Rm相似的第n个图像块, 为Rn表示Rm的权重,γ1、γ2为正则化常数,T是限制Aj稀疏度的常数,
本发明方法采取交替求解的方法来估计点扩散函数h和清晰图像I,首先固定假设的清晰图像I0,计算点扩散函数h,然后在固定点扩散函数h的基础上,用组稀疏先验和非局部均值自相似性先验对初始清晰图像重建得到最终清晰图像I,在计算过程中,通常初始清晰图像的初值设置为原始模糊图像g,根据上述目标函数计算点扩散函数h的表达式为:g=h*I0 (2)
其中g为步骤S1输入的模糊图像,I0为步骤S3得到的假设清晰图像,根据上述公式反解卷积采用RANSAC(RANdom SAmple Consensus)算法原理计算得到点扩散函数h。
4.根据权利要求1所述的一种基于稀疏性与非局部均值自相似性的图像复原方法,其特征在于,所述步骤S4中对初始清晰图像以b=q×q为图像块尺寸、u(u<q)为步长进行部分重叠的图像块划分,从而获得图像块矩阵,并按列表示为:L=[l1,…,la] (3)其中a为图像块个数,在图像块矩阵中寻找相似图像块,构成相似图像块组Lj,通过计算图像块li与lj之间的欧氏距离d(li,lj),i=[1,…,a],j=[1,…,a]且i≠j,以欧氏距离作为度量标准,在图像块矩阵中搜索lj的相似图像块,组成相似图像块组的表达式为:Lj=[l1,…,lK] (4)其中K为相似图像块的个数,对相似图像块组Lj利用SVD算法训练低复杂度的自适应字典Dj,再利用OMP(Orthogonal Matching Pursuit)算法对相似图像块组整体进行稀疏表示,即估计稀疏表示系数Aj的表达式为:利用组稀疏表示约束重建图像,重建结果记为Jr,通过对每一个相似图像块组Lj的所有重建块组DjAj进行平均处理求解Jr,求解Jr的表达式为:其中 为Lj的转置,j=[1,…,a],利用非局部均值自相似图像块重建图像,重建结果记为Js,对每一个非局部均值匹配窗图像块Rm,通过对所有重建块 进行平均处理求解Js,求解Js的表达式为:Rm为初始清晰图像的非局部均值匹配窗图像块,匹配窗图像块大小为b,Rn为从初始清晰图像搜索窗中搜索的与Rm相似的图像块,由于图像结构具有相似性,对于Rm可以在搜索窗中可以找到s个与之相似的图像块Rn,根据NLM(Non Local Mean)Rm可利用Rn的加权平均来计算,即:
其中, 表示权重, 满足 且
表示归一化常数,t为平滑参数。
5.根据权利要求1所述的一种基于稀疏性与非局部均值自相似性的图像复原方法,其特征在于,所述步骤S5中根据步骤S4所得结果Jr与Js计算其清晰图像I的表达式为:‑1
其中F(·)为傅里叶变换,F (·)为傅里叶逆变换,h为步骤S3计算得到的点扩散函数,T
h为h的转置,g为步骤S1输入的模糊图像,b为图像块尺寸,K为相似图像块的个数,Jr与Js为步骤S4计算得到的组稀疏重建图像与非局部均值自相似重建图像,γ1、γ2为正则化常数。