论文部分内容阅读
图像在获取、传输、存储等过程中极易受成像设备、外界环境等因素的影响,形成各种干扰信息引起图像质量不佳,导致后续图像处理工作无法顺利进行。因此,图像复原算法的研究显得尤其重要。其中,图像去模糊算法是图像复原算法中重要的一类。正则化方法因复原效果出色被广泛的运用在图像去模糊领域中,通常以迭代的方式来求解目标函数关于无失真图像的最优估计。然而,由于这类方法缺乏有效的迭代终止条件(iterative stopping criterion,ISC),一般采用经验的方式来设置迭代步数,以致这些算法缺乏灵活性而使得执行效率低下。甚至发生过迭代的现象,即超过一定迭代步数后复原的图像质量会越来越差。针对上述迭代型去模糊算法的不足,本论文提出一种迭代终止优化策略。具体地,通过初始监测点估计和自适应迭代终止两个步骤来实现。(1)在初始监测点估计中,提出一种基于图像质量感知特征的迭代估计(iteration estimation based image quality-aware features,IE-IQF)算法,该算法基于图像质量感知特征和局部均值估计(local means estimation,LME)方法实现。首先,在具有代表性的自然图像集上加入不同类型及失真程度的模糊得到模糊图像,通过空域下的自然场景统计方法提取模糊图像的感知特征建立特征样本库;再采用非局部集中化稀疏表示(nonlocally centralized sparse representation,NCSR)算法进行迭代去模糊操作,通过记录NCSR算法每一步迭代后复原图像的质量值FSIM(feature similarity index measurement)来确定最优迭代点,并以最优迭代点(步数)标定样本库中对应的特征矢量;最后,利用LME方法实现迭代步数的估计。通过上述步骤完成初始迭代监测点的估计,使得后续自适应迭代终止工作中更有目的性去监测去模糊度量,完成快速有效的算法优化。(2)自适应迭代终止步骤。首先,通过残差图像(迭代过程中所获得的中间估计图像和模糊核卷积后与模糊图像之间的差值)的统计特征设计一个去模糊效果度量(deblurring measure,DM),在估计的迭代步数前一定范围内进行监测,并利用该DM度量设计了自适应的迭代终止条件(adaptive ISC,AISC),进而实现NCSR算法自适应的终止。大量的实验证明,本论文提出的IE-IQF算法能够粗略地确定模糊图像所需迭代去模糊步数,其平均估计误差在60步左右。经过上述优化策略的两个步骤,改进后的NCSR算法复原图像的效果在PSNR、SSIM和FSIM图像质量指标值上的表现与原算法差别不大,具体地,差值范围分别为-0.0465~0.3868、-0.0004~0.0219、-0.0011~0.0079。且改进后的NCSR算法的执行效率很高,平均执行效率相比原算法提升31.3%。为了证明AISC的通用性,通过合理地调整相关参数之后,在其他迭代型去模糊算法中应用AISC。实验结果表明,改进后的其他迭代型去模糊算法在保证复原图像质量的前提下,算法执行效率得到改善。以大小为256?256的Lena图像为例,改进前后PSNR、SSIM、FSIM平均质量差值为-0.0917、-0.0033、-0.0025,平均执行效率提升12.7%。