基于非局部均值的彩色图像去模糊算法研究.docVIP

基于非局部均值的彩色图像去模糊算法研究 　　摘 要： 针对稀疏先验正则化方法非盲去模糊算法，在图像含噪声时去除模糊能力不强，提出了基于非局部均值算法与稀疏先验正则化相结合的非盲去模糊算法。首先对模糊图像进行高斯去模糊；然后使用域变换的边缘保存滤波，得到含有噪声的图像轮廓信息；再采用非局部均值算法去掉图像中的噪声信息；最后采用稀疏先验正则化滤波去卷积。实验证明，该算法能够有效的去除模糊，不会产生振铃效应，鲁棒性较好，具有较好的图像去模糊效果。 　　关键词： 图像去模糊； 域变换； 非局部均值； 稀疏先验； 非盲 　　中图分类号：0235 文献标志码：A 文章编号：1006-8228（2017）02-05-04 　　0 引言 　　由于数码照相机、智能手机等图像采集设备不断普及，人们在日常生活中比较喜欢拍下身边的景物，但是由于拍照时移动相机或目标物体处于移动状态，或由于照相技术不佳、对焦不准等原因，出现拍摄的图像模糊的情况。 　　图像去模糊作为数字图像处理中最基本的一项技术，一直以来都是广大学者研究的热点。数字图像模糊过程可以表示成一副清晰图像与点扩散函数的卷积再加上噪声。去模糊算法可以分成两种，如果点扩散函数已知，则称为非盲去卷积；反之则称为盲去卷积。现实生活中，绝大部分模糊图像的扩散函数都是未知的，因此出现了较多盲去卷积算法，其中有针对离焦模糊和运动模糊等不同类型的盲去卷积算法，然而其效果并不是特别理想，且只能针对特定类型的模糊图像。专家学者近年来更专注于非盲去卷积的研究，希望获得鲁棒性更好的图像去模糊算法。 　　本文主要研究图像非盲去卷积算法。将非局部均值算法[1]与边界保持的频域变换滤波器[2-4]相?Y合，提出了一种改进的基于频域变换与非局部均值的快速去卷积算法，运用在彩色图像上，能够取得较好的图像去模糊效果。 　　1 相关工作 　　1.1 基于频域的图像去模糊 　　彩色模糊图片的形成按照以下传统的卷积模型： 　　⑴ 　　其中，f为理想的彩色图像，h为扩散函数，n为噪声，一般假设n为高斯白噪声，为卷积运算。如果采集到的图像的模糊图像g是一副M行，N列的矩阵图像，那么h也是一个M×N矩阵，g，f，n都是M×N矩阵。 　　从图像的模糊模型来看，图像的恢复过程是一个去卷积的过程。在这个去卷积的过程中，最重要的是对模糊函数h进行估计。传统的图像去模糊方法认为模糊函数是不变的，然而现实生活中拍照出的模糊图片往往不是严格意义上的按照某个模糊函数叠加在清晰图片上产生的，而是不断变换的。因此基于空间变换的图像去模糊的提出有利于提高图像去模糊的质量，获得更清晰的图像。 　　而基于空间变换的图像去模糊算法根据扩散函数的影响范围可以分为分块去卷积算法和直接去卷积算法[5]。分块去卷积，把图像分成若干块，每一块的扩散函数是空间不变的，对每块进行维纳滤波去卷积，然后将所有的块合并在一起复原成清晰图像。直接去卷积，是先估算出整个图像的空间变化的扩散函数，再进行逆运算去卷积，得到清晰图像。 　　近年来，各国学者在前人的基础上不断研究，提出了更多的基于空间变换的图像去模糊算法。这些算法都具有较强的实时性，鲁棒性，适用范围较广，能够获得较为清晰的去模糊图像。 　　Hirsch等人将模糊图像线性表示为，提出了一种基于频域的非盲去卷积[6]。但Horacio等人在2014年提出了一种基于稀疏矩阵的非盲去卷积算法[7]。该算法具有在去除噪声的同时能够较好的保存图像的轮廓信息，并且在频域上是一个线性复杂度去卷积算法。该算法还提出了用填充法解决去卷积算法中常见的振铃效应，并取得了较好的效果。本文在此基础上，将Buades等人提出的非局部均值算法运用在图像去卷积的算法中，提出了一种改进算法。 　　2 本文算法 　　2.1 高斯去卷积 　　首先使用吉洪诺夫正则化（Tikhonov正则化）图像f获得模糊图像g的近似图像。尽管这里获得的依然存在噪声和振铃现象，但是能够提取出更近似于原图像的边缘信息。 　　⑵ 　　其中H=F（h），H*表示为H的复共轭，F（?）代表傅里叶变换，Ds=F（ds），运算符代表面向元素的矩阵乘积运算符。 　　⑶ 　　其中，G=F（g），Ws=F（ws），所以H，Ds，G，Ws分别代表了h，ds，g，ws做频域变换后所得到的值。 　　然后可以通过以下公式可以得到： 　　⑷ 　　2.2 域变换的边缘保存滤波 　　本文采用了文献[8]提出的彩色图像边界保持算法平滑图像获得近似图像。该算法在去除图像噪声信号的同时，能够非常好的保留图像的轮廓信息。 　　⑸ 　　其中，，a是反馈系数，d是域变换前两个相邻采样点间的距离。 　　⑹ 　　⑺ 　　2.3 非局部均值算法 　　在完成前两步之后，图像中还