一种多双字典稀疏复原方法.docxVIP

一种多双字典稀疏复原方法 1 运动模糊和噪声图像的原位优化 相机运动是相机和场景之间相对运动的结果。移动模糊严重影响了图像的质量。减小运动模糊的方法有很多种,大体可以分为两类:硬件补偿和图像复原。T. Hamamoto和K. Aizawa在文献中设计了一种特殊的CMOS传感器,它们能在检测到运动的区域选择性地停止电荷积分。Ben-Ezra等人组建了一个混合系统获取相机运动轨迹用来精确估计模糊核。Raskar等人用一个预先指定的二进制序列快速开关快门来减小去模糊问题的病态性,他们的方法减小了高频信息的丢失。由于产生运动模糊的因素非常多,有的通过硬件补偿就可以完全消除模糊,但有的并不能消除或者只能部分消除模糊。因此软件恢复的方法是非常必要的,并成为当今的研究热点。在点扩散函数(Point Spread Function,PSF)已知的情况下,用于运动模糊复原的算法有很多种,比如经典的维纳滤波算法,TV全变分方法等。维纳滤波算法简单且有效,其缺点主要是算法为了抑制噪声而得到的估计值过于平滑而丢失很多细节。全变分复原的理论基于连续模型,处理图像时采用什么样的离散方式能更好逼近全变分模型是一个难点,经典的全变分复原方法在噪声较大的情况下模型的稳态解中有明显的阶梯效应。Calvetti等人提出假定图像的PSF已知,模糊噪声图像的复原问题可以通过解一个线性系统来解决(广义极小剩余迭代算法,GMRES)。Ribaric等人假定圆周中心和运动角速度已知,提出了圆周运动产生模糊图像的复原方法。在PSF未知的情况下,可以用盲卷积方法来复原图像。Li等人提出一种迭代算法不断修正模糊核使最后图像恢复的结果在视觉效果上达到最好。 Lu Yuan, Jian Sun等人利用相机长时间曝光晃动时产生的模糊图像和短曝光时间产生的暗噪声图像,分别提取信息得到最终清晰的图像。 近年来,稀疏表示模型被广泛的应用于信号和图像处理等领域。稀疏表示是Olshausen和Field等人在研究人类视觉皮层神经元响应的稀疏性时提出的对自然图像更有效的表示方法。根据稀疏理论,该模型可以通过一组过完备基或冗余字典中很少量元素的线性组合来描述信号。最近也有稀疏表示在图像去模糊中的应用。Ma设计了一种MPST(Multi-Pixel Single-Time)相机,利用泊松奇异积分和Curvelet迭代阈值算法对模糊图像进行复原。Elad等人在文献中详细阐述了稀疏表示理论在图像处理,如去噪、去模糊、去水印等方面的应用。本文提出一种双字典稀疏复原算法对同时存在运动模糊和噪声的严重退化图像进行复原的方法,得到很好的效果。通过构建Haar冗余字典,求解Haar稀疏最优化问题抑制运动模糊;由于噪声并没有完全收敛和消除,甚至在Haar稀疏的过程中不断加权生成噪声斑(称之为模糊噪斑),故引入第二个冗余字典通过对图像滑动分块进行局部的稀疏最优化来消除模糊噪斑,最后对各分块进行加权得到复原图像。 2 图像退化模型和模型的稀疏表示 2.1 稀疏表示及正则化 图像去模糊是一个病态的反问题,可以看成是低通滤波器、向前向后扩散或者热力学函数的反问题,所以在图像复原过程中,一些小的噪声或者扰动就会导致很多错误。对于运动模糊图像,退化因子包括两个:模糊算子H和噪声算子N。对于清晰图像x,如果噪声模型用白噪声来描述,其图像退化模型可以表示为: y=NHx=Hx+n. (1) 1993年Mallat 和Zhang 首先提出了信号在过完备库(overcomplete dictionary)上分解的思想。图像的稀疏表示就是图像在这个过完备库(支撑集)上线性展开,这个支撑集要满足大部分基函数的系数为零。稀疏表示理论中称这个支撑集为字典,支撑集中的每个基函数为原子。若图像x∈Rn是可稀疏的,即存在变换基D,用一个稀疏信号α就可以表示原图像x x=Dα, (2) 其中D∈Rn×m,α∈Rm。D是一个过完备字典,字典中的每一列称为原子。因此退化模型可以表示为 y=HDα+n. (3) 为了得到原图像的估计值?x,只需找到能表示图像x最稀疏的向量α,求解该问题可以用最优l0范数来解决,即 ?α=argmin∥α∥0s.t.y=ΗDα+n, (4) 其中‖α‖0表示稀疏向量α的l0范数,定义为α非零元素的个数。求解最基本的方法有匹配追踪算法(MP)、正交匹配追踪(OMP)算法等,文献认为最优l0范数的求解是一个NP难问题,并证明了可以用l1范数代替l0范数求解: ?α=argmin∥α∥1s.t.y=ΗDα+n. (5) 正则化方法常常用来解决在某种约束条件下,图像处理中的病态问题,则带有稀疏约束条件的正则化形式可表示如下 minα∥y-ΗDα∥22+λ∥α∥0, (6)