【《图像去模糊算法研究的文献综述》3600字】

图像去模糊算法研究的文献综述当模糊是均匀且空间不变时，我们可以用一个卷积公式来表示模糊过程： ， （1）其中、、、分别是模糊图片、清晰图片、模糊核还有加性噪声的参数，是卷积符号。由于只有是已知的，我们需要恢复和，那就意味着这个问题是高度不确定的，因为不同的和是有可能产生相同的的。图像盲去模糊需要用到PSF和原始图像的一些先验知识，并且当我们真正进行去模糊时，加性噪声会造成一定的影响，因此，图像的无参数恢复问题处理起来非常困难，高频噪声容易在这个过程中受到影响，如果PSF的逆直接代入算法计算，会导致算法性能较差。再加上以目前的技术，获取图像中的噪声是很困难的，所以恢复得到的图像并不可能完全与原始图像相同，因为我们无法将所有的加性噪声去掉，又因为原始图像和PSF的先验知识不是全部知道的，所以一般情况下，图像盲去模糊不单单只有一个解，随着初始条件的改变还有不同的估计图像的假设，往往也会得到不用的解的质量，这就导致了图像盲去复原算法的复杂性，我们往往要针对不同类型的图像设计不同的算法，并且还要通过多次迭代实验。图像盲复原需要考虑到很多方面的问题，比如所设计算法的效率，即复杂度，所设计的算法也需要十分稳定，在不同的图像类型上进行图像盲复原还需要考虑到是否适合这种情形。针对不同的假设，主要来说，我们一般把图像盲复原算法分为以下两种情况:一是从原始图像的某些特有的特征出发，得到一个估计的PSF，然后借助估计得到的PSF，利用经典的图像复原方法进行复原，这种情况要进行两个不同的步骤，即PSF的估计还有图像的复原，它的特点是计算量较小；第二种情况是同时识别PSF和实际图像，把PSF估计和清晰图像的预估结合在一起，在这种情况下设计算法相对来说比较复杂，计算量较大。最近这几年，研究人员通过研究同一张照片的不同模糊图片，把它们总结成多通道的图像盲去复原算法，值得一提的是，当空间发生变换的时候，它的情况较为复杂，所以点函数也应该考虑到这一点，考虑到其实现在人们对图像盲去模糊的研究不是很深入，根据目前已有的条件，同时结合系统退化数据模型的特点，研究人员把图像盲复原算法重新分成3类，结构如图1。图1.图像盲复原算法分类为了使去模糊过程性能良好，现有的先进的方法对模糊核或者原始清晰图片或两者进行了假设。比如，很多方法[6,7,8,9,10,11,12]将图像梯度的稀疏性单独提出来进行预估，在简单的图像处理需求中，这些方法十分受欢迎，比如去噪，三维系统还有光照。Levin等人[13]表明，在这种前提的基础上实现的算法能更好的处理已存在原始清晰图片的加模糊合成图片，尤其是当这个算法是在最大后验原则，即MAP的框架制定的时候。为了解决这个问题，在MAP框架下取得最好的去模糊结果，我们就要在前面进行一项边缘提取步骤[14,15]。我们还可以引入一个新的图像先验规则，使得它们在自然图像上表现更好。有一些先验方法已经被证实有效，比如归一化稀疏性先验[7]，正则化先验[11]，内部补丁复原先验[16]等。然而，这样子建立起来得模型就失去了普遍性，在其他类型的图像上表现就没有这么好，比如人脸[17]、文本图像[18,19,20]和低光照强度图片[21]。图像盲复原算法的前景:图像盲去模糊的研究还处于启蒙阶段，当我们忽略噪声时，线性的退化模型就成了课题难点，因为目前针对这种情况的标准的分析方法还不是很成熟，滤波器的设计也没有一个模式，不仅是实际应用，就连理论研究也很少。更深层次的说，结合目前最新的研究，算法大概可以被分为以下几类：(1)不断优化现有算法和不断探索更好的算法有了前文的背景阐述，我们可以知道目前已有的算法还需要花费很大力气去改进,比如在IBD算法中，要保证算法的收敛性，就要设置一定的初始条件；要保证图像的处理质量，就要设置合适的算法终止条件；要降低噪声的影响，就要设置滤波器中合适的条件参数，也就是噪声的参数。当今研究的部分重点就在于，我们需要更好的解决过度敏感的噪声，以及尽量让设计出来的算法也可以应用于非均匀去模糊。在采用神经网络的方法中,文献《BinaryImageRestorationUsingPulseCoupledNeuralNetwork》[22]中提出用脉冲耦合神经网络解决二值图像重建；文献《精确复原退化图像的连续》[23]中提出采用连续Hopfield网络的方法进行精确图像复原；其他方法还包括遗传算法[24]，基于小波理论[25]，基于独立组件分析方法[26,27]，迭代条件编码算法[28]等。(2)基于非线性退化模型的图像盲复原算法如果是现实情况下考虑退化模型，我们就会发现一般来说目前所有的该模型都是非线性，但是当我们在进行处理时，我们可以用线性化的方法，只是如果这个退化模型非线性化程度较高，那我们得到的结果是很难令我们满意的，《ChristianJutten.ParametricApproachtoBlindDeconvolutionofNonlinearChannels》[29]提出了基于多项式以及神经网络两种参数模型处理非线性信号盲分离算法，但是拓展到二维图像的情况就较为复杂，算法还需要进一步完善，研究基于非线性退化模型的图像盲复原算法也是下一步研究方向之一。(3)去噪处理算法研究加性噪声的存在,使图像的复原问题变成了严重的不确定问题，而且一般情况下由于我们一般都会假设只知道噪声的统计工作特性，因此我们要从退化图像中完全去除噪声是不可能的。另外，由于噪声的存在，复原效果并不理想，因此研究结合降噪的盲图像复原算法具有重要的现实意义。为克服这些噪声的影响，一般可以采用先进行数据降噪，后进行求解复原[30]；二是将降噪和复原同时结合进行[31,32,33]这两类研究方法目前,在大多数算法中，噪声被描述为高斯噪声，这在实际应用中有很大的局限性，对于非高斯情况的研究可以采用一种基于噪声的高阶统计特性的去噪算法通过研究发展也是很重要的研究方向，也可采用其他已有类型的方法需要进行降噪，《AllinsonM.Imagedenoisingusingself-organizingmap-basednonlinearindependentcomponentanalysis》[34]提出了利用自组织映射的非线性独立组件分析方法进行图像降噪处理算法。(4)实时处理算法还有一个重要的因素会限制算法的实际应用，那就是去模糊算法的复杂性。LunDaniel.P.Kh等人提出采用正则化的离散周期Radon变换的方法[35,36]将二维的卷积转化为一维进行处理，以提高算法的速度；KreilGerald等人提出采用神经网络的实吋处理算法[37]，算法的实时性是算法实际应用的先决条件。(5)应用研究我们花费大量精力去研究一个东西，就是为了能让研究成果有所应用，盲去模糊算法也不例外。目前盲复原算法在天文学以及遥感医学方面已经取得了一些应用上的成就，但是有需求的行业是多种多样的，比如工业图像实时检测、机器视觉、网络环境下的图像传输恢复和刑事侦破等，都需要继续努力实现应用。本文研究了一个去模糊算法，该算法同时对自然图像和特定图像都有不错的结果。通过对模糊过程进行观察，我们发现一个有意思的现象：模糊图像的暗通道（局部区域像素中的最小值）比较暗。直白的说，在模糊过程中，当一个局部区域中的暗像素和该区域中的高亮度像素进行平均时，它的强度就会增加。关于模糊过程中存在的这一普遍性质，我们已经在理论和实践中得到了验证，这启示了我们想到是否可以用一个正则化项来使得待恢复的图像中的暗通道最小化,这样这个项对原始清晰图像得敏感性就会更强。对新的暗通道项进行优化是非常困难得，但是我们考虑到正则化范数存在一个特性，它具有高度非凸的特点，而且我们需要进行一个非线性的最小运算才能将优化继续，所以我们研究了一个最小线性算子，它是建立在最小算子查找表的前提下，关于求解线性最小化的问题，可以采用半二次分裂法。实际的效果是，这个算法也适用于非均匀去模糊的情形，因为它的收敛速度很快。参考文献[1]StarckJL,PantinE.DeconvolutioninAstronomyAReview[J].Publicationsofthe AstronoicalSocietyofthePacific,2002,114(800):1051〜1069.[2]KrishnamurthiV,LiuYH,BhattacharyyaS,etal.Blinddeconvolutionoffluorescence micrographsbymaximum-likelihoodestimation[J].AppliedOptics,1995,34(29):6633-47.[3]MullerJP.DigitalImageProcessinginRemoteSensing[M].Philadelphia,USATaylor& Francis,1988226-269.[4]张航,罗大庸.图像盲复原算法研究现状及其展望[J].中国图象图形学报,2004, 9(010):1145-1152.[5]LucyLB.AnIterativeTechniquefortheRectificationofObservedDistributions[J].The AstronomicalJournal,1974,79(6):745.[6]ChanTF,WongCK.Totalvariationblinddeconvolution[J].IEEETransactionsonImage ProcessingAPublicationoftheIEEESignalProcessingSociety,1998,7(3):370.[7]FreemanWT,FergusR,SinghB,etal.Removingcamerashakefromasinglephotograph usingstatisticsofanaturalimage:US,US7616826B2[P].2009.[8]KrishnanD,TayT,FergusR.Blinddeconvolutionusinganormalizedsparsitymeasure[C]. ComputerVision&PatternRecognition.IEEE,2011.[9]A.Levin,Y.Weiss,F.DurandandW.T.Freeman,Efficientmarginallikelihoodoptimizationin blinddeconvolution[C].CVPR2011,2011,pp.2657-2664.[10]J.Pan,Z.Hu,Z.Su,andM.-H.Yang.Deblurringtextimagesvia-regularizedintensityand gradientprior[C].CVPR2014,2014,pages2901–2908.[11]QiS,JiaJ,AgarwalaA.High-qualitymotiondeblurringfromasingleimage[J].Acm TransactionsonGraphics,2008,27(3):1-10.[12]L.Xu,S.Zheng,andJ.Jia.Unnaturalsparserepresentationfornaturalimagedeblurring[J]. CVPR2013,2013,pages1107–1114.[13]LevinA,WeissY,FDurand,etal.Understandingandevaluatingblinddeconvolution algorithms[J].IEEE,2009.[14]ChoS,LeeS.FastMotionDeblurring[J].AcmTransactionsonGraphics,2009,28(5):1-8.[15]L.XuandJ.Jia.Two-phasekernelestimationforrobustmotiondeblurring[J].ECCV2010,2010 pages157–170.[16]T.MichaeliandM.Irani.Blinddeblurringusinginternalpatchrecurrence[C].ECCV, 2014,pages783–798.[17]PanJ,ZheH,SuZ,etal.DeblurringFaceImageswithExemplars[C].European ConferenceonComputerVision.SpringerInternationalPublishing,2014.[18]ChenX,HeX,JieY,etal.Aneffectivedocumentimagedeblurringalgorithm[C].IEEE ConferenceonComputerVision&PatternRecognition.IEEE,2011.[19]ChoH,WangJ,LeeS.TextImageDeblurringUsingText-Specific Properties[C].EuropeanConferenceonComputerVision.Springer,Berlin,Heidelberg,2012.[20]J.Pan,Z.Hu,Z.Su,andM.-H.Yang.Deblurringtextimagesvia-regularizedintensityand gradientprior[J].CVPR2014,2014.pages2901–2908.ZheH,ChoS,WangJ,etal.DeblurringLow-LightImageswithLightStreaks[C].IEEE ConferenceonComputerVision&PatternRecognition.IEEE,2014..[22]GuXiaodong,WangHaiming,YuDaoheng.Binaryimagerestorationusingpulsecoupled neuralnetwork[A].In8thInternationalConferenceonNeuralInformationProcessing[C],Shanghai,China,2001:835-840.[23]王磊,莫玉龙.精确复原退化图象的连续Hopfield网络研究[J].上海交通大学学报,1997, 031(012)