文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.190345
中文引用格式： 王司雨，李良榮，顧平，等. 一種混合的單圖像去運動模糊方法[J].電子技術應用，2019，45(9)：81-84.
英文引用格式： Wang Siyu，Li Liangrong，Gu Ping，et al. A mixed single image motion deblur method[J]. Application of Electronic Technique，2019，45(9)：81-84.
0 引言
動態(tài)模糊在攝影中無處不在，尤其是使用手機和車載攝像頭等輕型移動設備時，消除像素級的非均勻運動模糊[1]是一項艱巨的任務。
傳統(tǒng)的圖像復原方法主要有：逆濾波法、維納濾波法、露西-理查德森算法。它們都需要使用圖像退化模型、模糊核估計來迭代更新中間圖像和模糊核，但許多真實的圖像并不符合特定模型的假設。
基于深度學習的識別方法雖然避免了模糊估計的大量計算開銷，但它們的表現(xiàn)和預測能力受到人為設計特性和簡單映射函數(shù)的限制，限制了在小塊圖像的學習過程，無法充分利用較大圖像區(qū)域的周邊圖像信息。
因此，針對模糊圖像模糊核未知，大圖像邊緣信息得不到較好恢復的問題，本文提出了一種混合的單圖像去運動模糊方法，能恢復出豐富的圖像細節(jié)，去模糊效果較好。
1 一種混合的去運動模糊方法
本文采用雙邊濾波器平滑整個圖像，對于強邊緣部分，用基于高頻層提取的方法[2]恢復邊緣，采用一個大窗口和一個大Sigma來平滑不需要的疊影，減少振鈴效應和噪聲，能恢復出更豐富的圖像細節(jié)。
去模糊方法的流程如圖1所示，從邊緣恢復開始，使用增強的模糊圖像和原始模糊圖像來估計PSF，然后利用PSF和原始模糊圖像來評估潛在清晰圖像。為了改進PSF，對這種邊緣恢復、核估計和反卷積進行了多次迭代，最后采用自適應非盲反卷積方法得到高質量的去模糊圖像。
1.1 圖像退化模型
由運動產生的圖像退化可以被描述為線性移不變過程，表示為：
式中，L是模糊長度，θ是模糊角度。圖2分別是清晰圖像和勻速直線運動產生的模糊退化圖像。
1.2 邊緣恢復
圖像的邊緣和細節(jié)通常是具有嚴重變換的區(qū)域，與頻域中的高頻分量相對應。對運動模糊圖像的高頻層進行提取，通過以下步驟獲得豐富的邊緣區(qū)域。
(1)將原始圖像從RGB顏色空間轉換為YCbCr顏色空間，利用式(3)提取Y通道的值。
式中，R、G、B為3種顏色通道的值，Y為亮度通道值。
(2)對Y通道進行因子2的下采樣，然后采用雙線性插值法[3]對其進行因子2的上采樣，如式(4)所示。
其中，m和n分別為原始圖像的行號和列號，B2為因子2的上采樣雙線性插值，Y′為采樣結果。
(3)從原始圖像的亮度中減去采樣結果的亮度，得到圖像的高頻層，如式(5)所示。
其中，H表示圖像的高頻層。
雙邊濾波算法是基于高斯濾波的一種改進算法，在灰度變化平緩區(qū)域，值域濾波核函數(shù)接近于1，此時空域濾波起主要作用，雙邊濾波器退化為傳統(tǒng)的高斯濾波器，對圖像進行平滑操作。而在圖像邊緣部分，由于像素間的差異較大，此時值域濾波起主要作用，保護了邊緣信息不會被模糊。
最后，用沖擊濾波器實現(xiàn)圖像濾波，提高圖像的信噪比。采用一種自適應沖擊濾波模型[4]：
1.3 模糊核估計
在提取出的強邊緣區(qū)域的基礎上，采用L0正則化強度和梯度先驗，用迭代方法對模糊核進行估計。圖像的先驗定義：
當圖像被捕獲，顯示在相機底片時，它會變得有點模糊，因為理想的點源不是作為一個點出現(xiàn)，而是被展開，這就是所謂的點擴散函數(shù)。非點源通常是多個單個點源的總和，記錄圖像中的像素可以用點擴散函數(shù)和潛在圖像表示：
式中，pij是PSF，j和i分別是真實圖像和相機記錄的圖像，uj是真實圖像j的坐標值，di是圖像呈像的坐標值。
利用高斯圖像金字塔，從粗到精估計模糊核。得到模糊核后，利用抖動圖像去模糊算法恢復運動模糊圖像。
1.4 快速自適應反卷積
一旦估算出精確的PSF，就采用一種快速自適應非盲反卷積方法進行最終的反卷積：
通過迭代求解，可以得到去模糊結果。
2 實驗
本實驗采用英特爾酷睿i7 4 GHz處理器，具有8 GB RAM，在Windows 7操作系統(tǒng)下，用MATLAB進行實現(xiàn)。
2.1 本文算法與其他算法進行比較實驗
通過3組實驗來驗證提出方法的魯棒性。首先，分別采用維納濾波算法、露西-理查德森算法(Lucy Richardson algorithm，L-R)和本文方法來處理實驗圖片，恢復合成的運動模糊圖像效果對比如圖3所示，可以看出本文的方法比其他兩種常用的去模糊算法的處理效果更好。
2.2 測試圖像處理的算法驗證
采用本文方法對合成的模糊圖像進行處理，效果如圖4所示，從左至右分別是測試圖像的原始圖像、運動模糊圖像、去模糊圖像。本文的去模糊方法可以更好地恢復圖像細節(jié)，人物照和物體照片的人眼視覺效果都得到了提高。
2.3 算法處理的實用性測試
如圖5所示，模糊的PPT經過本文算法去模糊處理后，其文字和圖形的清晰度都有提高；處理后的圖像清晰地展示了物體的結構，去模糊效果很自然。
綜上所述，目前常用的其他算法在恢復模糊圖像時，雖然去除了大部分振鈴偽影，但犧牲了一些細節(jié)，導致恢復出來的圖像不夠清晰；而本文方法的去模糊圖像細節(jié)保存得很好，能夠清晰地顯示圖像結構，并且有更少的振鈴效應。
3 結論
本文提出了一種基于邊緣銳化和雙邊濾波器的混合算法來消除單圖像運動模糊。采用改進的基于邊緣銳化的算法來恢復強邊緣，同時降低噪聲；采用雙邊濾波器對圖像的非強邊緣部分進行平滑，以消除噪聲和窄邊。然而，如果平面內攝像機的旋轉或運動，則去模糊算法將失敗，去除不均勻的運動模糊將是一個有趣而又具有挑戰(zhàn)性的課題。
參考文獻
[1] OLIVEIRA J P，F(xiàn)IGUEIREDO M A T，BIOUCASDIAS J M.Parametric blur estimation for blind restoration of natural images：linear motion and out-of-focus[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2014，23(1)：466-77.
[2] CHANG C F，WU J L，CHEN K J.A hybrid motion deblurring strategy using patch based edge restoration and bilateral filter[J].Journal of Mathematical Imaging and Vision，2018，60(7)：1081-1094.
[3] ZHAO M，ZHANG X，SHI Z，et al.Restoration of motion blurred images based on rich edge region extraction using a gray-level co-occurrence matrix[J].IEEE Access，2018，6(99)：15532-15540.
[4] BETTAHAR S，STAMBOULI A B.Shock filter coupled to curvature diffusion for image denoising and sharpening[J].Image and Vision Computing，2008，26(11)：1481-1489.
[5] XIAO J，PANG G，ZHANG Y，et al.Adaptive shock filter for image super-resolution and enhancement[J].Journal of Visual Communication & Image Representation，2016，40：168-177.
作者信息:
王司雨，李良榮，顧 平，李 震
(貴州大學 大數(shù)據(jù)與信息工程學院，貴州 貴陽550025)