0 引言

    動(dòng)態(tài)模糊在攝影中無(wú)處不在，尤其是使用手機(jī)和車(chē)載攝像頭等輕型移動(dòng)設(shè)備時(shí)，消除像素級(jí)的非均勻運(yùn)動(dòng)模糊^[1]是一項(xiàng)艱巨的任務(wù)。

    傳統(tǒng)的圖像復(fù)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(jì)來(lái)迭代更新中間圖像和模糊核，但許多真實(shí)的圖像并不符合特定模型的假設(shè)。

    基于深度學(xué)習(xí)的識(shí)別方法雖然避免了模糊估計(jì)的大量計(jì)算開(kāi)銷(xiāo)，但它們的表現(xiàn)和預(yù)測(cè)能力受到人為設(shè)計(jì)特性和簡(jiǎn)單映射函數(shù)的限制，限制了在小塊圖像的學(xué)習(xí)過(guò)程，無(wú)法充分利用較大圖像區(qū)域的周邊圖像信息。

    因此，針對(duì)模糊圖像模糊核未知，大圖像邊緣信息得不到較好恢復(fù)的問(wèn)題，本文提出了一種混合的單圖像去運(yùn)動(dòng)模糊方法，能恢復(fù)出豐富的圖像細(xì)節(jié)，去模糊效果較好。

1 一種混合的去運(yùn)動(dòng)模糊方法

    本文采用雙邊濾波器平滑整個(gè)圖像，對(duì)于強(qiáng)邊緣部分，用基于高頻層提取的方法^[2]恢復(fù)邊緣，采用一個(gè)大窗口和一個(gè)大Sigma來(lái)平滑不需要的疊影，減少振鈴效應(yīng)和噪聲，能恢復(fù)出更豐富的圖像細(xì)節(jié)。

    去模糊方法的流程如圖1所示，從邊緣恢復(fù)開(kāi)始，使用增強(qiáng)的模糊圖像和原始模糊圖像來(lái)估計(jì)PSF，然后利用PSF和原始模糊圖像來(lái)評(píng)估潛在清晰圖像。為了改進(jìn)PSF，對(duì)這種邊緣恢復(fù)、核估計(jì)和反卷積進(jìn)行了多次迭代，最后采用自適應(yīng)非盲反卷積方法得到高質(zhì)量的去模糊圖像。

1.1 圖像退化模型

    由運(yùn)動(dòng)產(chǎn)生的圖像退化可以被描述為線(xiàn)性移不變過(guò)程，表示為：

式中，L是模糊長(zhǎng)度，θ是模糊角度。圖2分別是清晰圖像和勻速直線(xiàn)運(yùn)動(dòng)產(chǎn)生的模糊退化圖像。

1.2 邊緣恢復(fù)

    圖像的邊緣和細(xì)節(jié)通常是具有嚴(yán)重變換的區(qū)域，與頻域中的高頻分量相對(duì)應(yīng)。對(duì)運(yùn)動(dòng)模糊圖像的高頻層進(jìn)行提取，通過(guò)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(zhuǎn)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(duì)Y通道進(jìn)行因子2的下采樣，然后采用雙線(xiàn)性插值法^[3]對(duì)其進(jìn)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(hào)和列號(hào)，B₂為因子2的上采樣雙線(xiàn)性插值，Y′為采樣結(jié)果。

    (3)從原始圖像的亮度中減去采樣結(jié)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(jìn)算法，在灰度變化平緩區(qū)域，值域?yàn)V波核函數(shù)接近于1，此時(shí)空域?yàn)V波起主要作用，雙邊濾波器退化為傳統(tǒng)的高斯濾波器，對(duì)圖像進(jìn)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(shí)值域?yàn)V波起主要作用，保護(hù)了邊緣信息不會(huì)被模糊。

    最后，用沖擊濾波器實(shí)現(xiàn)圖像濾波，提高圖像的信噪比。采用一種自適應(yīng)沖擊濾波模型^[4]：

1.3 模糊核估計(jì)

    在提取出的強(qiáng)邊緣區(qū)域的基礎(chǔ)上，采用L0正則化強(qiáng)度和梯度先驗(yàn)，用迭代方法對(duì)模糊核進(jìn)行估計(jì)。圖像的先驗(yàn)定義：

    當(dāng)圖像被捕獲，顯示在相機(jī)底片時(shí)，它會(huì)變得有點(diǎn)模糊，因?yàn)槔硐氲狞c(diǎn)源不是作為一個(gè)點(diǎn)出現(xiàn)，而是被展開(kāi)，這就是所謂的點(diǎn)擴(kuò)散函數(shù)。非點(diǎn)源通常是多個(gè)單個(gè)點(diǎn)源的總和，記錄圖像中的像素可以用點(diǎn)擴(kuò)散函數(shù)和潛在圖像表示：

式中，p_ij是PSF，j和i分別是真實(shí)圖像和相機(jī)記錄的圖像，u_j是真實(shí)圖像j的坐標(biāo)值，d_i是圖像呈像的坐標(biāo)值。

    利用高斯圖像金字塔，從粗到精估計(jì)模糊核。得到模糊核后，利用抖動(dòng)圖像去模糊算法恢復(fù)運(yùn)動(dòng)模糊圖像。

1.4 快速自適應(yīng)反卷積

    一旦估算出精確的PSF，就采用一種快速自適應(yīng)非盲反卷積方法進(jìn)行最終的反卷積：

    通過(guò)迭代求解，可以得到去模糊結(jié)果。

2 實(shí)驗(yàn)

    本實(shí)驗(yàn)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(jìn)行實(shí)現(xiàn)。

2.1 本文算法與其他算法進(jìn)行比較實(shí)驗(yàn)

    通過(guò)3組實(shí)驗(yàn)來(lái)驗(yàn)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(lái)處理實(shí)驗(yàn)圖片，恢復(fù)合成的運(yùn)動(dòng)模糊圖像效果對(duì)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(cè)試圖像處理的算法驗(yàn)證

    采用本文方法對(duì)合成的模糊圖像進(jìn)行處理，效果如圖4所示，從左至右分別是測(cè)試圖像的原始圖像、運(yùn)動(dòng)模糊圖像、去模糊圖像。本文的去模糊方法可以更好地恢復(fù)圖像細(xì)節(jié)，人物照和物體照片的人眼視覺(jué)效果都得到了提高。

2.3 算法處理的實(shí)用性測(cè)試

    如圖5所示，模糊的PPT經(jīng)過(guò)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(jié)構(gòu)，去模糊效果很自然。

    綜上所述，目前常用的其他算法在恢復(fù)模糊圖像時(shí)，雖然去除了大部分振鈴偽影，但犧牲了一些細(xì)節(jié)，導(dǎo)致恢復(fù)出來(lái)的圖像不夠清晰；而本文方法的去模糊圖像細(xì)節(jié)保存得很好，能夠清晰地顯示圖像結(jié)構(gòu)，并且有更少的振鈴效應(yīng)。

3 結(jié)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(lái)消除單圖像運(yùn)動(dòng)模糊。采用改進(jìn)的基于邊緣銳化的算法來(lái)恢復(fù)強(qiáng)邊緣，同時(shí)降低噪聲；采用雙邊濾波器對(duì)圖像的非強(qiáng)邊緣部分進(jìn)行平滑，以消除噪聲和窄邊。然而，如果平面內(nèi)攝像機(jī)的旋轉(zhuǎn)或運(yùn)動(dòng)，則去模糊算法將失敗，去除不均勻的運(yùn)動(dòng)模糊將是一個(gè)有趣而又具有挑戰(zhàn)性的課題。

參考文獻(xiàn)

[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(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽(yáng)550025)