1.一种高斯相对算子双重鉴别性图像盲去模糊方法,其特征在于:该方法包括以下步骤:步骤1.基于双重鉴别性原则,设计图像先验;所述双重鉴别性要求两方面,一方面,图像先验具备区分清晰图和模糊图的能力,以有效缓解模糊核估计的解退化问题,另一方面,图像先验具备区分强边缘和弱纹理的能力,以显著减少纹理对模糊核估计可能产生的干扰影响;
步骤2.将图像先验代入优化模型进行图像盲去模糊,利用交替迭代算法分别求解中间潜像与模糊核,将复杂的中间图像估计转化为了一个简单、直观的图像滤波问题,步骤3.采用非盲恢复得到最终清晰图像;
步骤4.在多场景仿真基准数据和真实模糊图像上进行数值实验,调整中间参数,最终得到图像盲去模糊方法,其中,所述双重鉴别性原则的图像先验最终的表达形式为:
其中,为小尺度特征,为大尺度特征,用于鉴别强边缘与弱纹理,用于鉴别清晰图和模糊图,Gσ定义为局部高斯核,用于尺度选择:σ是尺度参数,(x0,y0)是核的中心,
σ4取值接近于0,当σ4足够小时,有
对于清晰图像,为模糊核Gσ3与清晰图像梯度卷积后的结果与清晰图像梯度的比值,分子远小于分母,其结果小于1;
若将模糊图像视为清晰图像与某个模糊核k的卷积,则(3)可表示为:对于模糊图像,由于其梯度的相似性更低,一幅图像的梯度和该图像模糊后的图像梯度分别与一个同样的模糊核k卷积过后所得到的取值结果相差不大,那么式(4)的值,总是趋向于1,因此有:即在中,在最小化迭代的过程中,最终图像会趋近于清晰图像;
步骤2中,将图像先验代入优化模型进行图像盲去模糊是指将所述图像先验要代入到其中,α和β是非负权值,为编码图像s相对于原始图像b的偏离程度,即恢复的中间图像s与模糊图像b在卷积意义下保持一致,模糊核k的先验约束采用的是最简单的范数;
所述求解中间潜像利用半二次分裂法,引入一个与中间潜像相对应的辅助变量,得到一个新的目标函数,中间潜像通过使用快速傅里叶变换作为一个封闭形式的解来计算出来,辅助变量初始化为一个零图像,根据初始输入图像最小化求解更新辅助变量,其求解相当于通过所提先验导出的一个图像滤波实现;
将步骤2中所估计得到的模糊核与中间潜像进行非盲恢复,具体为:首先,通过使用拉普拉斯算子的方法估计潜像,其次,使用步骤2中的梯度信息估计潜像,然后,计算这两个估计图像之间的差异图,并使用双边滤波去除伪影,最后,从估计潜像中减去滤波后的差异图。
2.根据权利要求1所述的高斯相对算子双重鉴别性图像盲去模糊方法,其特征在于:步骤2具体包括如下步骤:步骤2-1-1:求解中间潜像时利用最优化策略即半二次分裂法来求解,引入一个与中间图像s相对应的辅助变量z,即s=z,则得到一个新的目标函数:其中:参数ρ表示惩罚因子,
当ρ接近无穷大时,求解式(7)最小化结果接近J(s,k(i-1)),在s和z上的每个最小化解中,s通过使用快速傅里叶变换(FFT)作为一个封闭形式的解计算出来:其中,F(·)表示傅里叶变换,F-1(·)表示傅里叶逆变换,表示傅里叶变换的复共轭;
步骤2-1-2:z被初始化为一个零图像,给定s,通过最小化式(9)来数值计算z:的在x/y方向上近似转化为
的在x/y方向上做上述相同方式的近似转化,随后,引入非线性权重ωx/y、vx/y:最终,被重写为:
其中,tx=ωx+vx,ty=ωy+vy,
进一步表达为如下矩阵-向量形式:
其中,S和Z分别是s和z的向量化表示,且表示为:
其中,CX/Y(Z)是在x/y方向上由tx/y所构造的对角加权矩阵,DX/Y是对应x/y方向上由导数算子所构造的带循环块的块循环(BCCB)矩阵,T表示转置运算;
此时,式(13)的最小化归结为迭代地求解如下线性系统为:(ρI+αL)Z+×ρS (15)其中,I是一个对角单位矩阵,L表示如下:
通过前向差分近似导数算子,L变成一个正定的稀疏五点拉普拉斯矩阵,最终采用预处理共轭梯度(PCG)法有效求解(16)式。
3.根据权利要求1所述的高斯相对算子双重鉴别性图像盲去模糊方法,其特征在于:步骤2中求解模糊核的过程具体为:延用梯度域求解策略,得到模糊核估计结果:
4.根据权利要求3所述的高斯相对算子双重鉴别性图像盲去模糊方法,其特征在于:步骤2中得到模糊核后进行一些规范化处理,包括:将负值取0以及归一化使其元素之和为1。