多参数梯度稀疏正则化图像非盲去模糊 non-blind image deblur with multi-parameter gradient sparse regularization.pdfVIP

第36卷第3期 杭州电子科技大学学报(自然科学版) V01．36No．3 2016年5月 Journalof Dianzi Sciences) Mav2016 HangzhouUniversity(Natural 多参数梯度稀疏正则化图像非盲去模糊 杨 洁，张 嵩 (杭州电子科技大学通信工程学院，浙江杭州310018) 摘要：自然图像在不同纹理区域具有不同的梯度特性，通过对图像梯度进行合理分层规划将图像 纹理划分为5个区域，对各纹理区域梯度进行l。范数约束，且每个区域对应1个合适的P指数值， 建立多参数正则化模型，有效避免了全局单一P指数的缺陷．最后结合GISA稀疏编码框架，得到 更加稳固的复原结果．通过实验对比，发现提出的多参数梯度稀疏正则化方法可以有效地提升图 像纹理细节部分视觉质量，同时也能取得更高的信噪比． 关键词：l。范数约束；图像梯度；多参数正则化；纹理划分 中图分类号：TP391 文献标识码：A 文章编号：1001—9146(2016)03-0073-05 0 引 言 在用数码相机等设备获取图像的过程中，经常会遇到由于抖动、离焦等原因而导致的图像模糊问 (TV)模型建模，复原结果保留了图像中大部分陡峭边缘以及物体的边界，但是在平滑区域会出现阶梯 现象；自然图像梯度分布具有“重尾”特性[3]，文献1-4]指出图像梯度满足超拉氏分布分布，并在MAP框 架下建模；文献[5]提出了GISA稀疏编码算法，从理论上给出解决非凸优化问题的一般方法，应用在图 像处理中得到了更加稳固的解．但是图像不同纹理区域具有不同的梯度特性，文献[4]及文献[5]等文 章中，在图像全局仅使用单一P指数的z。范数约束，会损失图像纹理的中频部分，不利于不同纹理区域 细节的重建． 本文在实验中发现，强纹理区域应使用较大的P指数，而平滑区应采用较小的P指数．提出一种根 据梯度信息对图像分区域的方法，划分出图像的纹理区、平滑区等各个区域，在不同区域赋予P指数不 同的值，即多参数梯度稀疏正则化．然后结合GISA稀疏编码框架求解建立的最小化模型．实验证明，本 文方法能够使得复原结果拥有更高的信噪比和更好的视觉质量． 1 不同纹理P指数估计 1．1 P指数估计方法 一幅自然图像中，其不同的纹理区域的梯度数值大小显然是不同的，如图1所示，(a)为原始图，(b) 为其梯度图．一般认为图1中(b)图的黑色部分为图像中平滑区域，梯度值大都集中在0值附近．而其他 白色部分梯度值较大，是图像中纹理和边缘区域．根据梯度对图像划分区域，然后每个纹理区域再估计 出其合适的P指数值． 首先定义纹理强度为IS(￡)，则有： N f∑h：1 粥(f)一j业等生． (1) 收稿日期：2015—10—10 万方数据 74 杭州电子科技大学学报(自然科学版) 2016匀 LaJ蟓女A幽像 Cb)悌度圈 图1“帽子”图的梯度显示结果 其中，俗(￡)为像素点t处的纹理强度，如果窍(f)为0或者很小则这个像素点位于平滑区，否则位于纹理 区；D为图像梯度；Ⅳ为以像素位置t为中心的3×3的窗口；N为窗口W内像素点总个数，此时N一9；在 这个窗口内，hi为其中的每一个梯度值． 使用纹理强度TS(f)来划分图像区域：平滑区、弱纹理区与强纹理区、弱边缘与强边缘区[7]．通过大 量实验验证得到可靠的经验数据，总结出纹理区域划分结果以及对应P指数值如表1所示．TS(f)的区 间值对应1种纹理区域．不同纹理区p指数的确 表1 不同区间值对应的纹理区