空-時-頻特性知識指導的圖像恢復方法研究.pdf

1、圖像恢復在航空航天、天文、遙感、醫(yī)學、日常攝像及科學成像等方面有重要應用需求。由于成像系統(tǒng)、記錄設備、工作環(huán)境的不完善，不可避免地導致實際獲取的圖像包含模糊,噪聲等退化降質(zhì)問題,從而影響圖像的使用和后續(xù)處理。圖像恢復的目的是從成像系統(tǒng)觀測的退化圖像中恢復原始圖像。在很多情況下成像系統(tǒng)退化過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點擴展函數(shù)(PSF,point spread function)和恢復目標圖像。本論文重點

2、研究了空間域、時間域和變換域先驗知識建模以及圖像恢復的理論與方法。總體而言,本文的主要內(nèi)容如下:
　　首先,提出了2種參數(shù)化模糊辨識方法。首先我們從數(shù)學上證明了具有中心對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)化模糊辨識方法,在實驗中證實了平滑后的圖像有更高的二階中心矩,并應用到大氣長曝光湍流模糊退化恢復。針對低分辨率和低信噪比的無源毫米波(PMMW, passive millimeter wave)圖像,我們

3、提出了基于圖像分解的參數(shù)化模糊辨識方法,提出的方法有效地分離出有利于進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節(jié)層圖像,分別利用半盲反卷積和聯(lián)合雙邊濾波對得到的兩個子層進行處理,有效地克服了直接對退化圖像處理導致噪聲放大的缺點。
　　其次,提出了空間自適應總變分正則化圖像盲反卷積方法。通過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)部空間域信息來控制總變分模型在不同像素點的約束

4、強度。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)域施加較大的權值以便很好地抑制噪聲。由于空間自適應項的調(diào)節(jié)能力,提出的算法對正則化參數(shù)的選取不敏感,有效地提高了算法的實用性。
　　然后,提出了自適應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和PMMW參數(shù)化PSF模型,構(gòu)造了聯(lián)合PMMW圖像和PSF估計的半盲反卷積模型,仿真和真實PMMW圖像實驗驗證

5、了方法的有效性。我們在變分和最大后驗概率(MAP, maximum a posteriori)框架下引入框架小波變換稀疏性先驗約束,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能力,能夠根據(jù)目標圖像的不同方向自適應選擇合適的一階和二階方向?qū)?shù),因此,邊緣和細節(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、不可分離項的最小化問題轉(zhuǎn)化為一系列易于求解的子優(yōu)化問題,且每個子優(yōu)化問題具有

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、計算效率高以及易于數(shù)值實現(xiàn)。
　　再次,提出了整合多幀時間信息和稀疏正則化的多幀圖像盲反卷積模型。模型中的正則化項刻畫了圖像在空域和框架小波變換域下的稀疏性先驗約束,數(shù)據(jù)項整合了多幀數(shù)據(jù)的時間信息并且度量了在退化模型下與觀測數(shù)據(jù)的一致性。采用分裂Bregman迭代算法進行快速優(yōu)化求解,其優(yōu)勢是目標圖像中大的框架小波系數(shù)只需很少的

7、迭代次數(shù)就會被恢復并且保持穩(wěn)定,這有利于多幀盲反卷積,因為大的框架小波系數(shù)刻畫了圖像的邊緣和重要特征,進一步,PSF的估計隨著迭代進行也會變得準確,其次利用自適應軟閾值算子，同時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,采用由粗到細的漸進式多尺度框架估計PSF。在多尺度框架下每一個尺度內(nèi)利用能夠增強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的精度,對迭代過程中的數(shù)據(jù)進行了