空-時(shí)-頻特性知識(shí)指導(dǎo)的圖像恢復(fù)方法研究.pdf

1、圖像恢復(fù)在航空航天、天文、遙感、醫(yī)學(xué)、日常攝像及科學(xué)成像等方面有重要應(yīng)用需求。由于成像系統(tǒng)、記錄設(shè)備、工作環(huán)境的不完善，不可避免地導(dǎo)致實(shí)際獲取的圖像包含模糊,噪聲等退化降質(zhì)問(wèn)題,從而影響圖像的使用和后續(xù)處理。圖像恢復(fù)的目的是從成像系統(tǒng)觀測(cè)的退化圖像中恢復(fù)原始圖像。在很多情況下成像系統(tǒng)退化過(guò)程的信息常常是未知的或僅僅部分已知,盲反卷積被廣泛地用于估計(jì)點(diǎn)擴(kuò)展函數(shù)(PSF,point spread function)和恢復(fù)目標(biāo)圖像。本論文重點(diǎn)

2、研究了空間域、時(shí)間域和變換域先驗(yàn)知識(shí)建模以及圖像恢復(fù)的理論與方法?？傮w而言,本文的主要內(nèi)容如下:
　　首先,提出了2種參數(shù)化模糊辨識(shí)方法。首先我們從數(shù)學(xué)上證明了具有中心對(duì)稱的模糊增加圖像二階中心矩,提出了基于二階中心矩最小化的參數(shù)化模糊辨識(shí)方法,在實(shí)驗(yàn)中證實(shí)了平滑后的圖像有更高的二階中心矩,并應(yīng)用到大氣長(zhǎng)曝光湍流模糊退化恢復(fù)。針對(duì)低分辨率和低信噪比的無(wú)源毫米波(PMMW, passive millimeter wave)圖像,我們

3、提出了基于圖像分解的參數(shù)化模糊辨識(shí)方法,提出的方法有效地分離出有利于進(jìn)行圖像反卷積的大尺度結(jié)構(gòu)的基層圖像和含有噪聲的細(xì)節(jié)層圖像,分別利用半盲反卷積和聯(lián)合雙邊濾波對(duì)得到的兩個(gè)子層進(jìn)行處理,有效地克服了直接對(duì)退化圖像處理導(dǎo)致噪聲放大的缺點(diǎn)。
　　其次,提出了空間自適應(yīng)總變分正則化圖像盲反卷積方法。通過(guò)引入差分特征值作為邊緣指示算子,構(gòu)造了具有空間自適應(yīng)調(diào)節(jié)能力的總變分模型,它能夠利用圖像內(nèi)部空間域信息來(lái)控制總變分模型在不同像素點(diǎn)的約束

4、強(qiáng)度。提出的模型考慮圖像內(nèi)部空間信息分布的差異,在邊緣區(qū)域施加較小的總變分約束,在平坦區(qū)域施加較大的權(quán)值以便很好地抑制噪聲。由于空間自適應(yīng)項(xiàng)的調(diào)節(jié)能力,提出的算法對(duì)正則化參數(shù)的選取不敏感,有效地提高了算法的實(shí)用性。
　　然后,提出了自適應(yīng)捕捉圖像多尺度方向性和結(jié)構(gòu)特征的半盲、非盲和盲反卷積模型。利用框架小波變換域稀疏性知識(shí)和PMMW參數(shù)化PSF模型,構(gòu)造了聯(lián)合PMMW圖像和PSF估計(jì)的半盲反卷積模型,仿真和真實(shí)PMMW圖像實(shí)驗(yàn)驗(yàn)證

5、了方法的有效性。我們?cè)谧兎趾妥畲蠛篁?yàn)概率(MAP, maximum a posteriori)框架下引入框架小波變換稀疏性先驗(yàn)約束,構(gòu)造了變換域稀疏性正則化的Poisson圖像反卷積模型,框架小波變換具有多尺度刻畫(huà)能力,能夠根據(jù)目標(biāo)圖像的不同方向自適應(yīng)選擇合適的一階和二階方向?qū)?shù),因此,邊緣和細(xì)節(jié)信息可以被很好地保持。采用分裂Bregman迭代算法將包含不可微、不可分離項(xiàng)的最小化問(wèn)題轉(zhuǎn)化為一系列易于求解的子優(yōu)化問(wèn)題,且每個(gè)子優(yōu)化問(wèn)題具有

6、封閉形式的解或者可以利用快速傅里葉變換求解。由于引入了分裂Bregman迭代算法,提出的算法所需內(nèi)存小、計(jì)算效率高以及易于數(shù)值實(shí)現(xiàn)。
　　再次,提出了整合多幀時(shí)間信息和稀疏正則化的多幀圖像盲反卷積模型。模型中的正則化項(xiàng)刻畫(huà)了圖像在空域和框架小波變換域下的稀疏性先驗(yàn)約束,數(shù)據(jù)項(xiàng)整合了多幀數(shù)據(jù)的時(shí)間信息并且度量了在退化模型下與觀測(cè)數(shù)據(jù)的一致性。采用分裂Bregman迭代算法進(jìn)行快速優(yōu)化求解,其優(yōu)勢(shì)是目標(biāo)圖像中大的框架小波系數(shù)只需很少的

7、迭代次數(shù)就會(huì)被恢復(fù)并且保持穩(wěn)定,這有利于多幀盲反卷積,因?yàn)榇蟮目蚣苄〔ㄏ禂?shù)刻畫(huà)了圖像的邊緣和重要特征,進(jìn)一步,PSF的估計(jì)隨著迭代進(jìn)行也會(huì)變得準(zhǔn)確,其次利用自適應(yīng)軟閾值算子，同時(shí)抑制噪聲和保持邊緣。
　　最后,提出了兩階段多尺度框架盲反卷積方法。首先,采用由粗到細(xì)的漸進(jìn)式多尺度框架估計(jì)PSF。在多尺度框架下每一個(gè)尺度內(nèi)利用能夠增強(qiáng)圖像邊緣陡峭程度的范數(shù)約束圖像,以及范數(shù)約束模糊核,為了改善模糊核估計(jì)的精度,對(duì)迭代過(guò)程中的數(shù)據(jù)進(jìn)行了