暗通道约束和交替方向乘子法优化的湍流图像盲复原.docxVIP

暗通道约束和交替方向乘子法优化的湍流图像盲复原 在观察地平线目标时，由于空间目标产生的波在气候传播过程中随气候流动而改变，导致空气折射变化、波幅和相位的随机起伏。最终，利用地平线观测的地平线目标图像退化，严重影响了系统下一步的识别、检测和分类目标图像。因此, 实现大气湍流退化图像的复原, 是提高望远镜对目标探测能力和测量定位精度必须解决的关键问题之一。 湍流的最大特点, 是具有很强的随机性。这使得建模时, 很难描述和测定点扩散函数 (point spread function, PSF) 的具体形式, 必须从观察图像中以某种方式估计出退化信息。对这类严重的病态问题, 目前大多数采用盲复原算法进行处理 针对上述矛盾问题, 受文献[6]的启发, 结合优化算法交替方向乘子法 (alternating direction method of multipliers, ADMM) 1 湍流退化模型 在等晕区内的远距离非相干成像, 可以建模成一个线性移动不变系统, 湍流退化模型可简化为目标图像和点扩散函数的卷积过程, 即y=kue067x+n, 其中, ue067表示空间卷积运算, y表示观测的模糊图像, k表示点扩散函数值, x表示目标图像, n表示噪声。 2 算法的原理 2.1 admm优化算法 为了准确估计出模糊核, 本文算法在MAP框架下, 首先对输入图像采用由粗到精的图像金字塔方法。在每一层尺度上, 对图像施加暗通道约束和梯度约束, 对模糊核施加非负性约束和能量约束, 分别估计清晰图像和模糊核。当达到最大尺度时, 得到最终估计的模糊核, 然后在总变分模型下, 采用ADMM优化求解目标图像。最后当算法满足收敛条件时, 得到复原结果。算法流程如图1所示。 2.2 暗通道图像的先验约束 对于任意一幅图像I, 对其暗通道 式中, m和n代表像素的位置, N (m) 表示中心位置在m处的一个局部区域块, I 该性质的理论证明过程如下: 卷积是一个信号与另一个经过翻转、平移后的信号重叠部分的累积, 即: 当位置m处的像素值为局部区域块N (m) 的暗通道值, 即 由此可知, 可以用暗通道理论作为清晰图像的先验约束信息, 用‖D (x) ‖ 2.3 x的估计图像 图像复原的本质, 即通过目标观测图像y, 恢复出最接近原始目标图像x的估计图像。根据最优估计原则, 可建立代价函数: 其中第1项为数据保真项, 用以衡量估计图像和原始目标图像之间的相似程度, 第2项为点扩散函数的约束项, 第3项和第4项分别为对目标图像的梯度约束 ( 2.3.1 生成非线性算子 为采用坐标下降法来交替求解x和k, 将公式 (5) 拆分为以下2个代价函数: 公式 (6) 中存在L 对于公式 (8) , 可通过交替迭代最小化x, u和g来进行求解, 将求x的部分提取出来: 其中非线性算子D (x) 等于选择矩阵M乘以x:D (x) =Mx, 选择矩阵M满足: 式中, z为选择矩阵M中的第i行的元素, j为图像I在给定的图像块中最小像素值对应的位置。借助选择矩阵M, 通过公式 (11) 估计出每一层尺度下的目标图像x: (11) 式T 2.3.2 模糊核估计算法流程 求得当前尺度下估计的x后, 公式 (7) 就成为一个最小二乘问题, 可将其改写为: 模糊核的非负性约束条件和能量约束条件为: 本文采用Cho提出的由粗到精的图像金字塔方法求解模糊核 模糊核在每一层尺度上的估计算法流程如表1所示: 2.4 增广拉格朗日函数 在得到最终估计的模糊核k后, Pan采用L 基于导数空间的图像复原总变分模型, 可表示为: 式中, D是离散梯度算子D=[D 添加辅助变量f, 令f=d, 定义增广拉格朗日函数为: 采用交替方向乘子法更新参数f, d和q (关键是求解d) , 若给定参数f和q, 则d可以通过下式进行求解: 当更新d时, 可构造d的拉格朗日对偶函数: KKT条件为: 对应的解为: 式中, B=k 当满足收敛条件时, x即为最终复原的图像。步骤中F (·) 代表对变量做傅里叶变换。 3 实验数据及评价指标 为验证文中方法的有效性, 本文分别针对仿真模糊图像和真实模糊图像做出了2组对比性实验, 对比的方法都是近年来在图像盲复原领域中较为先进的方法。模拟数据采用256像素×256像素的海事卫星图像, 通过谱反演法模拟大气湍流的相位屏, 对卫星图像进行湍流退化模糊的仿真实验, 图像实测数据采用文献[14]给定的大气湍流图像测试数据库。客观评价指标上, 用峰值信噪比 (PSNR) 、灰度平均梯度 (gray mean grads, GMG) 和拉普拉斯梯度模 (Laplacian sum, LS) 来衡量图像的复原效果。PSNR属于有参评价, 其值越大表明图像质量越好。GMG和LS