买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供了一种优化PSF估计的多特征图像复原方法，属于图像复原技术领域。该方法首先利用输入的原始低分辨率图像盲估计初始点扩散函数；然后根据该点扩散函数得到假设清晰图像；再根据初始图像和假设清晰图像更新点扩散函数；根据原图和更新的点扩散函数估计组稀疏重建块，根据原图估计自相似特征重建块；最后根据组稀疏重建块和自相似性特征重建块得到最终的图像复原结果；根据原图和最终复原结果图得到最终的点扩散函数。该方法使用图像的自相似性特征、组稀疏特征、点扩散函数相结合的策略，有效改善图像细节信息，可实现减少图像模糊和噪声、提升边缘细节信息的效果，达到提高图像质量的目的。

主权项：1.一种优化PSF估计的多特征图像复原方法，其特征在于，包括如下步骤：S1：输入模糊图像g；S2：根据步骤S1输入的模糊图像g盲估计点扩散函数h0；S3：根据步骤S1所得结果g与步骤S2所得结果h0采用Lucy-Richardson复原算法估计假设清晰图像I0；S4：构建求解复原图像I与点扩散函数h的目标函数并根据步骤S1所得结果g与步骤S3所得结果I0计算点扩散函数h1；S5：根据步骤S4所得结果h1分别估计组稀疏重建图像Jr与自相似重建图像Js；S6：根据步骤S5所得结果Jr与Js估计复原图像I；S7：根据步骤S6所得结果I与步骤S1所得结果g计算优化后的点扩散函数h；所述步骤S2中盲估计点扩散函数h0的算法是迭代最小二乘算法；所述步骤S4中构建求解复原图像I与点扩散函数h的目标函数表达式为： 其中，g为模糊图像，I为复原图像，为梯度算子，为模糊图像g的梯度图像，为复原图像I的梯度图像，为矩阵二范数的平方，h为点扩散函数，Bjg为从图像g中抽取的图像块，Bj为图像g的抽取矩阵，Gα为图像g的降采样图像，α为降采样因子，CiGα为从Gα中抽取的图像块，Ci为图像Gα的抽取矩阵，Lj为Bjg的相似图像块组，Aj为Lj的稀疏表示系数，Dj为Lj经过SVDSingularValueDecomposition算法学习得到的稀疏表示字典，γt、γn、γg为正则化常数，T是限制Aj稀疏度的常数，本发明方法采取交替求解的方法来估计点扩散函数h和复原图像I，首先固定假设的清晰图像I0，计算点扩散函数h1，然后在固定点扩散函数h1的基础上，用组稀疏先验和自相似性先验对模糊图像g重建得到复原图像I，最后根据模糊图像g与复原图像I计算得到优化后的点扩散函数h，根据上述目标函数计算点扩散函数h1的表达式为： 其中g为步骤S1输入的模糊图像，I0为步骤S3得到的假设清晰图像，F*为傅里叶变换，为傅里叶变换的复共轭，F-1*为傅里叶逆变换，与为梯度算子，表示傅里叶变换后的乘法；所述步骤S5中对步骤S1输入的模糊图像g∈RM×N以n＝q×q为图像块尺寸、ss＜q为步长进行部分重叠的图像块划分，从而获得图像块矩阵，并按列表示为：L＝[l1，…，la]其中为图像块个数，在图像块矩阵中寻找相似图像块，构成相似图像块组Lj，通过计算图像块li与lj之间的欧氏距离dli，lj，i＝[1，…，a]，j＝[1，…，a]且i≠j，以欧氏距离作为度量标准，在图像块矩阵中搜索lj的相似图像块，组成相似图像块组的表达式为：Lj＝[l1，…，lK]其中K为相似图像块的个数，对相似图像块组Lj利用SVD算法训练低复杂度的自适应字典Dj，再利用OMPOrthogonalMatchingPursuit算法对相似图像块组整体进行稀疏表示，即估计稀疏表示系数Aj的表达式为： 利用组稀疏表示约束重建图像，重建结果记为Jr，通过对每一个相似图像块组Lj的所有重建块组DjAj进行平均处理求解Jr，求解Jr的表达式为： 其中为Lj的转置，j＝[1，…，a]，利用自相似图像块重建图像，重建结果记为Js，对每一个图像块Bjg，用其相似图像块CiGα替换，求解Js的表达式为： Gα表示步骤S1输入模糊图像g的降采样图像，α为降采样因子，Bjg为从图像g中抽取的图像块，CiGα为从Gα中抽取的图像块，由于图像不同尺度之间结构具有相似性，对于图像块Bjg可以在图像Gα中找到与之最相似的图像块CiGα，即Bjg可以用CiGα来替换；所述步骤S6中根据步骤S5所得结果Jr与Js计算其复原图像I的表达式为： 其中F*为傅里叶变换，为傅里叶变换的复共轭，F-1*为傅里叶逆变换，与为梯度算子，h1为步骤S4计算得到的点扩散函数，g为步骤S1输入的模糊图像，n为图像块尺寸，K为相似图像块的个数，Jr与Js为步骤S5计算得到的组稀疏重建图像与自相似重建图像，γt、γn、γg为正则化常数。

全文数据：

权利要求：

百度查询： 湘潭大学 一种优化PSF估计的多特征图像复原方法