1.本发明涉及图像处理技术领域，尤其涉及一种基于局部极值约束的总差分非盲图像去模糊方法。
背景技术：2.图像模糊是导致图像质量差的主要原因之一，它会删除图像中的重要细节，比如图像边缘。非盲图像去模糊是从由已知模糊核生成的模糊图像中恢复潜在的清晰图像，这是成像中常见但具有挑战性的逆问题。非盲图像去模糊是一个不适定问题，噪声和带限模糊核的存在使该问题的解不唯一。这使得很难从单个模糊观察中估计潜在的清晰图像，即使模糊核是已知的。
3.图像去模糊是提高图像质量的关键步骤。由于图像去模糊本质上是不适定的，因此采用正则化技术使其适定。在正则化框架中，利用能有效表征原始图像固有属性的良好图像先验模型，可以得到高质量的复原图像。再过去的几十年中，各种基于正则化的去模糊方法应运而生。其中，总差分模型因其出色的保留显著边缘的能力而被广泛使用，但是它同时也平滑了图像的细节。
技术实现要素：4.根据现有技术存在的问题，本发明公开了一种基于局部极值约束的总差分非盲图像去模糊方法，具体包括如下步骤：
5.根据图像暗通道定义获得退化图像的暗通道，对暗通道中元素为零的位置赋予一个大于零的极小值，获得退化图像的局部极值；
6.根据退化图像的局部极值与图像局部结构之间的关系，构建局部极值约束，根据局部极值约束强化图像的空间局部结构，构建两种局部极值约束的总差分模型；
7.提出基于局部极值约束的总差分图像去模糊方法，采用该方法恢复图像的固有空间局部结构得到恢复图像。
8.进一步的，所述局部极值约束采用如下方式获取：
9.将暗通道中的零元素位置赋予一个大于零的极小值
[0010][0011]
其中b表示波段数，i和q表示像素的位置，表示中心位于i处的像素块，xj是第j波段τ为大于0的常数，τ＝10-6
，如果x是灰度图像，则有min
j∈{1,...,b}
xj(q)＝xj(q)。
[0012]
进一步的，所述两种局部极值约束的总差分模型采用如下方式建立：
[0013]
对于灰度图像，所述局部极值约束的总差分模型的表达方式为：
[0014][0015]
对于高光谱图像，所述局部极值约束的总差分模型的表达方式为：
[0016][0017]
其中，j＝1,2,
…
,b表示第j个波段，c0为图像局部极值，其定义为式(1)。
[0018]
由于采用了上述技术方案，本发明提供的一种基于局部极值约束的总差分非盲图像去模糊方法，该方法通过探索模糊图像的暗通道和图像局部结构之间的联系，即模糊退化图像中局部最小像素在一定程度上能够反映图像的局部空间结构，首先将图像暗通道扩展到多波段的高光谱图像，称为广义暗通道，进而定义一种图像局部极值约束，然后将这一约束引入到总差分模型，定义局部极值约束的总差分模型，从而解决总差分模型的倾向于平滑图像细节信息的问题，在此基础上，提出一种基于局部极值约束的总差分非盲图像去模糊方法，该方法通过退化图像局部最小像素的相关值强化图像的结构信息，能够有效保留图像显著边缘结构的同时恢复图像的细节信息，得到恢复效果的提升。该方法可以作为一种模糊退化图像(包括自然图像和高光谱图像)恢复的有效手段，在模糊退化图像恢复等方面具有重要的应用价值。
附图说明
[0019]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]
图1为本发明提供的一种基于局部极值约束的总差分非盲图像去模糊方法的流程示意图；
[0021]
图2为退化图像局部极值；
[0022]
图3为本发明中局部极值的相关值反映图像结构的示意图；
[0023]
图4为本发明中局部极值约束强化图像的结构信息的示意图；
[0024]
图5为实施例中本发明提供的局部极值约束的总差分非盲图像去模糊方法在自然图像上的恢复结果示意图；
[0025]
图6为实施例中本发明提供的局部极值约束的总差分非盲图像去模糊方法在高光谱图像上的恢复结果示意图。
具体实施方式
[0026]
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
[0027]
如图1所示的一种基于局部极值约束的总差分非盲图像去模糊方法，具体包括如下步骤：
[0028]
步骤101：根据获得的模糊的退化图像，计算模糊的退化图像的局部极值；
[0029]
具体来说，我们进一步将描述图像局部邻域中的最小像素的暗通道概括为可用于多波段图像和高光谱的更一般的形式，定义如下
[0030][0031]
其中，b表示波段数，i和q表示像素的位置，表示中心位于i处的像素块，xj是第j波段τ为大于0的常数，在本文中τ＝10-6
，如果x是灰度图像，则有min
j∈{1,...,b}
xj(q)＝xj(q)。根据获得的模糊退化图像y，采用上式计算得到退化图像局部极值，如附图2所示，可以看到，模糊退化图像的暗通道比清晰图像的暗通道具有更少的零元素。
[0032]
步骤102：根据模糊退化图像局部极值计算局部极值相关约束；
[0033]
具体来说，对于步骤101中得到的退化图像极值，我们将其零元素位置赋予一个大于零的极小值，得到图像局部极值，通过对每个位置元素取倒数，称为局部极值的相关值，通过局部极值的相关值，探索图像局部极值和图像结构之间的联系，如附图3所示，可以看到，局部极值的相关值可以在一定程度上反映图像的结构信息，因此，我们考虑利用图像局部极值的相关值对退化图像的梯度进行约束。
[0034]
步骤103：根据步骤103获得的局部极值相关约束，对每次迭代生成的图像梯度进行约束，强化图像的结构信息；附图4反映了利用局部极值约束强化之后的图像梯度。
[0035]
步骤104：将局部极值相关约束引入到总差分模型，定义局部极值约束总差分，同时定义自适应更新的正则化项参数。
[0036]
具体来说，分别定义了基于灰度图像的约束总差分模型和基于多光谱和高光谱图像的约束总差分模型，定义分别如下：
[0037][0038][0039]
其中，j＝1,2,
…
,b表示第j个波段，c
0i
为图像局部最小值，其定义如下：
[0040][0041]
其中，b表示波段数，i和q表示像素的位置，表示中心位于i出的像素块，xj是第j波段τ为大于0的常数，在本文中τ＝10-6
，如果x是灰度图像，则有min
j∈{1,...,b}
xj(q)＝xj(q)。
[0042]
对于灰度图像，参数λ的定义如下
[0043][0044]
其中，ρ＝2(α+θmn)，mn图像每个波段像素总数，σ是零均值高斯噪声的标准差，参
数(α,β)
→
0和θ＝0.4。
[0045]
对于多光谱和高光谱图像，参数λ的定义为
[0046][0047]
可以看到，本发明中λ的取值是自适应的，它不需要手动指定，并且对于高光谱图像，不同的波段具有不同的λ值。
[0048]
步骤105：判断是否满足迭代停止条件，若满足，则迭代结束，得到估计的潜在清晰图像；若不满足，则继续迭代，直到满足迭代停止条件。
[0049]
实施例：
[0050]
本发明实施的基于局部极值约束的总差分非盲图像去模糊方法的具体步骤如下：
[0051]
下面按照上述方法步骤，对于自然图像和高光谱，分别在几组不同模糊核退化情况下产生退化图像，以用于对本发明提供的一种基于局部相极值约束的总差分非盲图像去模糊方法进行测试说明，以及应用效果分析和评价。
[0052]
1.数据集及退化类型
[0053]
测试数据由三个自然图像数据集和两个高光谱图像组成。其中，自然图像测试数据集1由20个灰度图像组成，数据集2由9个彩色图像和6个灰度图像，共15个图像组成，数据集3为berkeley segmentation dataset，由100个图像组成。第一组高光谱数据使用pavia university是由rosis(reflective optics system imaging spectrometer)传感器于2001年在意大利帕维亚地区获取的帕维亚大学高光谱数据集。图像尺寸为610
×
340，共计包含207400个像元，空间分辨率为1.3m，波段范围为0.43～0.86μm，共计103个波段。第二组高光谱数据urban162是由hydice传感器获取的，图像大小为307*307。原始数据有210个波段，在去除噪音和水吸收波段后，一般留下162个波段做后续处理与分析。
[0054]
给定这些数据集，通过以下模糊核和高斯噪声的标准差产生退化图像：
[0055]
1)标准差为1.6的高斯模糊核，噪声水平为σ＝0.00006，表示为guassiana；
[0056]
2)标准差为3的高斯模糊核，噪声水平为σ＝0.0001，表示为guassianb；
[0057]
3)尺寸为9的均匀模糊核，噪声水平为σ＝0.00006，表示为squarea；
[0058]
4)尺寸为13的均匀模糊核，噪声水平为σ＝0.00006，表示为squareb；
[0059]
5)位移为20个像素，运动角度为15度的运动模糊核，噪声水平为σ＝0.0002，表示为motiona；
[0060]
6)位移为35个像素，运动角度为45度的运动模糊核，噪声水平为σ＝0.0002，表示为motionb；
[0061]
2.实验评价指标
[0062]
为了给出一个全面的评价，本发明分别对自然图像和高光谱图像上的实验结果进行了定量和视觉上的评价。在自然图像上采用峰值信噪比(psnr)和结构相似度(ssim)进行定量衡量，高光谱数据上使用psnr，ssim，光谱角度映射器(sam)和合成的全局多维相对误差(ergas)进行定量评估，其中，psnr和ssim用于评估图像的空间质量，其值越大，复原图像的质量越好，sam和ergas评估图像的光谱质量，越小的值对应越佳的恢复图像质量。
[0063]
3.实验结果分析及评价
[0064]
本发明提供的一种基于局部极值约束的总差分非盲图像去模糊方法，在多个数据集和模糊核退化类型下的实验结果如表1-表3所示，各个评估指标的最佳值以粗体标记，对应的恢复结果图如附图5-附图6所示。
[0065]
为了分析和评价提出的基于局部极值约束的总差分(lmctv
ctv
和lmctv
chtv
)非盲图像去模糊方法的恢复效果，本实验引入了传统的总差分(tv)，基于导数交替方向优化的快速总差分图像复原(admm-c和admm-h)，高光谱图像的快速正约束反卷积(fpd)和基于光谱空间总差分正则化的高光谱图像反卷积(sstv)。实验得到在三个自然图像数据集和两个高光谱图像上的实验评估结果，如下表1-3所示：
[0066]
表1数据集1上的实验评估结果
[0067][0068]
表2数据集2上的实验评估结果
[0069][0070]
表3数据集3上的实验评估结果
[0071][0072][0073]
通过表1-表3可以看出，本发明所提出的基于局部极值约束的总差分(lmctv
ctv
)非盲图像去模糊方法，在多个自然图像数据集和模糊退化类型下，其恢复效果全都优于传统的总差分(tv)和基于导数交替方向优化的快速总差分图像复原(admm-c和admm-h)。
[0074]
在高光谱数据上的实验评估结果如下表4-表5所示：
[0075]
表4 urban数据上的实验评估结果
[0076][0077]
表5pavia university数据上的实验评估结果
[0078][0079]
通过表4和表5可以看出，本发明所提出的基于局部极值约束的总差分(lmctv
chtv
)非盲图像去模糊方法，在不同退化类型的两个高光谱数据上实验中，其恢复效果全都优于高光谱图像的快速正约束反卷积(fpd)和基于光谱空间总差分正则化的高光谱图像反卷积(sstv)。
[0080]
本发明公开的一种基于局部极值约束的总差分非盲图像去模糊方法，该方法根据模糊图像的暗通道能够在某种程度上反映图像的空间结构信息以及模糊操作改变了图像的局部最小值这一事实，利用图像局部极值强化图像的结构信息，联合总差分模型恢复退化图像，从而有效恢复图像的固有空间局部结构，包括显著边缘和细节信息，并对不同模糊退化类型具有较好的适用性。
[0081]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
技术特征：1.一种基于局部极值约束的总差分非盲图像去模糊方法，其特征在于包括：根据图像暗通道定义获得退化图像的暗通道，对暗通道中元素为零的位置赋予一个大于零的极小值，获得退化图像的局部极值；根据退化图像的局部极值与图像局部结构之间的关系，构建局部极值约束，根据局部极值约束强化图像的空间局部结构，构建两种局部极值约束的总差分模型；提出基于局部极值约束的总差分图像去模糊方法，采用该方法恢复图像的固有空间局部结构得到恢复图像。2.根据权利要求1所述的方法，其特征在于：所述局部极值约束采用如下方式获取：将暗通道中的零元素位置赋予一个大于零的极小值其中b表示波段数，i和q表示像素的位置，表示中心位于i处的像素块，x
j
是第j波段τ为大于0的常数，τ＝10-6
，如果x是灰度图像，则有min
j∈{1,...,b}
x
j
(q)＝x
j
(q)。3.根据权利要求1所述的方法，其特征在于：所述两种局部极值约束的总差分模型采用如下方式建立：对于灰度图像，所述局部极值约束的总差分模型的表达方式为：对于高光谱图像，所述局部极值约束的总差分模型的表达方式为：其中，j＝1,2,
…
,b表示第j个波段，c0为图像局部极值，其定义为式(1)。
技术总结本发明公开了一种基于局部极值约束的总差分非盲图像去模糊方法，包括：根据图像暗通道定义获得退化图像的暗通道，对暗通道中元素为零的位置赋予一个大于零的极小值，获得退化图像的局部极值；根据退化图像的局部极值与图像局部结构之间的关系，构建局部极值约束，根据局部极值约束强化图像的空间局部结构，构建两种局部极值约束的总差分模型；提出基于局部极值约束的总差分图像去模糊方法，采用该方法恢复图像的固有空间局部结构得到恢复图像。该方法利用图像局部极值强化图像的结构信息，联合总差分模型恢复退化图像，从而有效恢复图像的固有空间局部结构。的固有空间局部结构。的固有空间局部结构。
技术研发人员：宋梅萍 李兰 李芳
受保护的技术使用者：大连海事大学
技术研发日：2022.07.06
技术公布日：2022/11/1
