单幅模糊图像复的研究-开题报告.doc

西北大学研究生学位论文开题报告 姓名 学号 培养层次（博士/硕士） 培养单位 信息科学与技术 专业 导师/导师组 论文题目 单幅模糊图像的模糊核估计及图像恢复 选题背景： 图像是人类传递信息的重要媒介，在人们的生活和工作中图像信息起到不可替代的作用，然而图像模糊在现实生活中普遍存在，如交通路口的电子眼对闯红灯车辆的监视，需要记录其车牌号，但由于速度快，摄像机上的号码是模糊的。很多拍摄场景随着时间不断改变，具有不可重复性，摄影者不能重复拍摄，如果某一瞬间由于相机抖动而造成图像模糊，而恰巧这个场景不能重复拍摄，那么摄影者就会失去这一珍贵的图像。所以对这类图像复原方法的研究是就有非常重要的现实意义。 图像去模糊作为图像恢复的重要课题可以追溯到二十世纪六十年代，著名的应用包括阿波罗登月和火星表面的探测等。而自然图像的模糊类型主要有运动模糊、高斯模糊、散焦模糊等，而运动模糊又包含匀速直线运动模糊、旋转运动模糊、多重运动模糊、非参数运动模糊等。因此很难在去模糊前将模糊图像的模糊类型确定。图像恢复不同于图像增强，图像恢复必须要获得图像的退化过程，然后在退化模型的基础上进行退化的反演绎，所以建立正确的退化模型是图像有效恢复的前提。图像恢复的处理一般过程为：首先根据实际了解的图像降质过程，建立数学模型。假设为原始图像，经过点扩展函数（简称PSF，也称模糊核）退化后，则有退化图像为。恢复过程则是根据己知的和降质过程的先验知识，寻求恢复系统的冲击响应，输入使输出的恢复结果尽量地逼近。若模型的存在病态问题，则在中只要有很小的一个扰动，便会造成很大的变化，其值往往会远偏离原始真值，而图像去模糊恰恰是一个病态问题的求解，所以图像去模糊是求取逼近于原始图像解的问题。图像去模糊发展至今，已经出现许多处理思想与模型。 逆滤波方法[4]是较早出现的去模糊算法，这种算法假定模糊图像不存在噪声干扰，直接利用退化模型做逆运算得到复原的清晰图像，但是实际的模糊图像中往往带有噪声干扰，而逆滤波方法在噪声存在时效果较差；Helstron提出了最小均方误差滤波[6]，即维纳滤波，方法建立在认为图像和噪声是随机过程的基础上，而目标是找一个未污染图像的估计值，使它们之间的均方差最小，这种方法说明了如何处理噪声，但是需要知道图像较多的先验知识；Richardson和Lucy在原图像符合泊松分布的假设提前下提出了 Lucy-Richardson（L-R）算法[14][16]，目前已被广泛应用于图像修复中，但是由于其对噪声的敏感性，使得修复后的图像中存在明显的振铃效应；Chan 等提出了基于变分法和偏微分方程（PDE）[19][20]的 TV（Total Variation）盲去卷积模型通过交替迭代算计算模糊核与理想图像，利用模型中的正则化项来抑制复原过程中的振铃效应，但引入的 TV 模型不符合图像形态学分布，导致对图像的纹理区域会产生错误的抑制；近年来，Bayes 分析、变分法、正则化方法、小波等技术应用到图像去模糊中，使图像去模糊效果不断得到改善。 虽然模糊图像的恢复结果得到不断的改善，但还远远没有达到人们的要求，这些去模糊处理的方法多多少少有其不足之处，仍然没有一种方法是绝对适合任何模糊图像恢复的，因此，继续研究图像去模糊是很有必要的。 研究思路及方法： 对于单幅模糊图像，已知的信息量非常有限。对于这样的一幅图像它没有关于噪声的信息，没有 模糊类型的信息，因此在实际的去模糊过程中，若对于这样的图像去模糊处理，采用的去模糊处理的数学模型也不定，常见的有概率模型、变分模型等。去模糊算法的选择也与对点扩散函数先验信息的获知情况有关，对于点扩散函数信息知道的越多，去模糊算法的有效性以及去模糊的结果会有更精确。所以，实际去模糊过程中，可以先估计点扩散函数，在选取去模糊算法复原退化图像，也可以同时进行点扩散函数与原始清晰图像的估计，这样的算法会相对复杂，用时也相对较多。 复原图像模糊核的估计和噪声的滤除对于降质图像上网恢复是非常重要的环节。当滤除噪声不合理时会是原本模糊的图像更加难以辨识；当模糊核估计不准确时，恢复出来的图像也是模糊不堪的，因此这两个方面在图像的恢复中有着至关重要的作用。本文试图提出一个新的图像恢复流程。首先利用一种新的维纳滤波图像去高斯噪声算法，将图像中的噪声滤除，滤除噪声后的图像可以减少噪声对图像恢复的不良影响。在滤除噪声之后，将模糊图像识别分类。分类的目的是更加准确的估计出模糊核的参数，应用针对性的方法分别估计不同类型的模糊核。最后进行去卷积算法复原图像。 本文的主要研究思路包括模糊类型的区分、模糊核的估计、图像去模糊等[17]。第一，在模糊图像类别的区分中，虽然当前不存在关于图像模糊类型的统一区分方法，但是可以预料的是，如果在利用去模糊