盲图像恢复的两个关键问题研究，黄丽清，夏又生，正确估计模糊核尺寸和识别模糊核类型是盲图像恢复的关键问题。为了解决这两个关键问题，首次提出了一种基于特征线检测的模糊核尺山国武技论文在丝原模糊图像偏大估计除最偏小估计原始尺寸估计图1基于丁无偏信计的算法(SURE)在不同PSF尺寸下的估计结现有的盲图像恢复算法通常假定模糊核尺寸佔计和模糊核类型是已知的。而有在双正则化方法仅能近似估计模糊核较小尺寸的情形且很耗时。在最近文献一种基于深度学习的模糊核参数识別算法被提岀。该算法利用神经网絡模型学习和模糊特征进行模糊核参数认识别,而模糊核类型识别是通过图像特征和人的视觉判定。山国武花论文在丝图2参数化盲图像恢复SURE算法在不同模糊类型下的结果为了解决模糊核尺寸止确估计和模糊核类型自动识别两个关键问题,本文提岀两种新算法:种是基于特征线检测的模糊核尺寸估计算法;另·种是基于字典学习的模糊核类型识别算法。实验结果证实所提岀的两种算法能有效地估计模糊核尺寸和识别模糊核类型。最后,应用结果进一步显示所提出的两种技术对提高盲图像恢复效果起到了重要作用。模糊尺寸估计为了解决退化图像的模糊核尺寸估汁问题,木文提岀了一种边缘检测算法。具体流程如图所示。可以看出边缘检测主要包括图像对数归·化特征,二进值转化及特征线估计。退化图像的对数归一化矩阵计算可借助文的方法,而二进值矩阵则利用函数实现。正确给出特征线统计规则是边缘检测的关键特征线统计规则假设退化图像大小为×。如果二进值特征矩阵的某一行是特征线,则该行的像素值应该为。因此,首先统计二进值特征矩阵的每一行具有像素值为的个数。如果该数大,则当前行是一条特征线,存储当前行号到集合同理,统计二进值特征矩阵的每一列具有像素佶为的个数。如果该数大于则存储当前列号到集合为了避免重复计算,在计算二值特征矩阵的特征线吋,如果特征线的对应行或列号很靠近,则应视为同一条特征线。为了防止矩阵边界产生错误的特征线统计,对于中行编号(或减行编号)或列编号(或减列编号)小于τ的不进行计算。按上述规则对二值特征矩阵的行和列的特祉线统计。模糊核尺寸估计算法给定×退化图像和阈值参数τ>,ε>。让为的傅里叶变换。模糊核的初始尺寸为计算对数归一化矩阵:山国武花论文在丝其中、利用函数,计算值矩阵统计二值矩阵的每行具有数值为1的个数。如果该数大于/,存储当前行号到统计二值矩阵的每列具有数值为1的个数。如果该数大于/,存储当前的列号5、边界特征线处理:如果<如果模糊核尺寸估计:如果E则。输出模糊核尺寸尺寸二值计书换高斯模糊=插值放太动模糊插对数归一化值原始图像什计二值尺寸转换图3两种模糊核尺寸估计过程最后应当注意,为了防止加大尺寸产生的较小格子对边缘特征线的产生淏判,我们可对较小尺寸的退化图像且模糊尺寸较大的对数归一化矩阵预先进行适当的调比山国武花论文在丝与相关工作比较现有的模糊核尺寸估计算法是利用双正则化方法。该算法仅能近似佔计模糊核尺寸较小的情形且耗时。基于深度学习的模糊核参数识别算法在试验例子中采用估计模糊核方差来近似判定髙斯模糊核尺寸,对运动模糊核尺寸则无法近似判定。本文算法用到了文献中对数归一化图像特征,但我们的方法不仅能高效估计高斯模糊核尺寸而且也能估计运动模糊核尺寸。模糊类型识别为了解决模糊核类型识别问题,本文提岀了一种宁典学习算法。字典学习过稈包括对输入退化图像的结构相似性指标讣算,训练厍退化图像的结枃相似性指标计算,结构最相似的类型图判定。只体流程如图所小。模糊图像的对数归一化训练焦输入观测图像计算结构相似指标翻垂重对寻找最佳的FSM值圈園出的图4模糊类型识别过程(a:髙斯模糊,b:运动模糊,c:散焦模糊退化图像对数归一化字典库与结构相似性指标不大一般性,假定有幅原始图像,分别受到种模糊核的影响,其中模糊核的尺寸有种,而模糊核的其它参数都是预先固定的,共有ⅹ×幅退化模粧图像。进行对数归一化处理,产生退化图像对数归一化字典库。记字典库集合为=。对该集合每个计算下列结构相似性指标:的梯度其中Δ分别表示水平和垂直方向的梯度山国武花论文在丝的相位一致矩阵(8)E∑∑。其中Q0是的1og- gabor过滤器模糊类型识别算法给定×退化图像和参数>,>。让为的傅里叶变换。计算退化模糊图像的对数归一化矩阵:、计算训练库集合中每个与之间结构相似性值:其中和由公式(7-8)计算。、找结构最佳的相似性矩阵:输出对应类型图。与相关工作比较文猷中,引入的对数归一化图像特征是用于图像分类,图像识别,及图像特征的提取。最近,文献提岀了一种棊于深度学习模糊参数识别算法。该算法建立了层的深度神经內络模型,将要输入图像映射到特征空间作为输入层进行计算,计算过程较为复杂。在模糊核类型识别上,文献则建议通过抽取图像特征信息和人的视觉进行判定,因而适用预先知道的儿类模糊核类型。对比,木文算法不仅利用了对数归一化图像特征,而且采用了最佳结构相似性指标进行自动的模糊核类型判定,可用于较广泛类的模糊核类型识别实验结果在这节,本文通过实验证明所提出的两种算法的优势。实验中,本文的对薮归一化图像厍用和图像分别受种不同模糊核且只有不冋尺寸和参数的模糊图像产生區对数归一化图像。由于模糊图像的对薮归一化图像跟观测图像木身没有关系,因此为了提髙本文算法的识别速度,我们使用由图像户生的幅对数归一化图,同时为了提高模糊类型识别的正确性,我们再随机挑选幅由图像生的对数归一化图,由此组成本文的模糊图像的对数归一化训练集:(1)高斯模糊:方差范围尺寸范围共幅图像。山国武花论文在丝(2)运动模糊:长度设置角度设置共幅图像(3)散焦模糊:半径设置共幅图像。为了验证本文所提出算法的正确性,我们用的图像库进行验正,本文所有的实验高斯模糊参数设置为ε=8,τ-20,运动模湖τ=10。从无噪和不同噪声方差的情况下来说明本文算法的准确度。我们从图像库中随机选择了个小图像库,每个图像库的图像数为共嘔图像来验证。在图像梯度的计算中,本文实验使用卷积运算来计算。通用的梯度模板有梯度,梯度,梯度。本文的实验使用梯度。冋时由于本文的训练库是用尺寸为×的图像进行操作的,所以在模糊核类型识别实验中要对的尺寸进行判断,如果尺寸不为×则使用将尺寸调整为模糊尺寸估计为了验证本文提出的模糊尺寸估计算法的正确性,我们分別进行了无噪情况和含噪情况的实验验证。()无噪情况下表是在无噪环境下,幅图像在不同高斯方差和不同高斯尺寸下的正确率体现以及在角度为的不同运动模糊尺寸下的正确牽体现。从表中可以看出,本文算法的正确率比较高。但是在髙斯尺寸为,运动尺寸为时,本文的正确率有所下降。这是因为尺寸增加,对数归一化图像的格子间的距减少,因此佔计误差会变大,可以通过修改τ的值来提高正确率。图是在无噪情况下个图像库在不同晑斯尺寸和不同运动模糊尺寸下的估计止确率的曲线图,从图中可以看出,高斯尺寸的估计正确率保持在以上,运动模糊的尺寸小于等于的正确率也保持在左石,而尺寸为的正确率会低点。但总的来说,本文算法的正确卒比较高。表1无噪声卜,模糊尺寸估计的正确率图像库高斯方差为3高斯方差为4高斯方差为5运动模糊正确高斯尺正确正确图像正确率图像正确率图像正确率动尺正确图像寸正确率数数数数的图像数据库下载网址:山国武技论文在丝9·9高斯方差为4区库(b)运动模糊图无噪情况下,个图像库的尺寸估计正确率曲线图(2)含噪情况卜衣是在不同噪声方差环境下,幅图像在不同扃斯方差和不同高斯尺寸下的正桷率体现以及在角度为的不同运动模糊尺寸下的正确率体现。而图是本文算法在个图像库中的正确率由线图。从表和图中可以看出,本文算法的正确率很高。但是表中高斯尺寸为时,可以明显看岀噪声对模糊核尺寸较大的影响比较大,在噪声方差为时准确率降低为这是因为本文算法是对对数归一化图像进行边缘检测,也就是对进勹矩阵进行操作。附加噪声会随机増人图像的像素值,因此对二进制矩阵影响很人。但总体来说,本文算法的准确度很高表不同噪声下,模糊尺寸估计的正确率图像库高斯方差为高斯方差为高斯方差为运动樸糊噪声高斯尺上确图像正确率图像正确率图像正确率运动正正确正确方差寸尺图像正确率数数数数山国武花论文在丝e7799e-1111刻偬车噪声为情况下,高斯方差为◆M=11E=17△M=23噪声为情况下,运动模糊图不同嗓声情况下,个图像戽的尺寸估计正确率由线图模糊类型识别为了验证本文提出的模糊类型识别算法的正确性,我们同样使用的图像数据库,在无噪和含噪两和情况下进行实验校正。分别进行高斯模糊,运动模糊,散焦模糊的类型识别。实验数据设置,高斯尺寸为××,方差都为;运动尺寸为,角度为;散焦半径为。噪声方差从表或表可以看出不论是在无噪还是有噪的情況下,本文算法的正确率都将近达到