0 引言

    動態(tài)模糊在攝影中無處不在，尤其是使用手機(jī)和車載攝像頭等輕型移動設(shè)備時，消除像素級的非均勻運(yùn)動模糊^[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)的識別方法雖然避免了模糊估計(jì)的大量計(jì)算開銷，但它們的表現(xiàn)和預(yù)測能力受到人為設(shè)計(jì)特性和簡單映射函數(shù)的限制，限制了在小塊圖像的學(xué)習(xí)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(fù)的問題，本文提出了一種混合的單圖像去運(yùn)動模糊方法，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)動模糊方法

    本文采用雙邊濾波器平滑整個圖像，對于強(qiáng)邊緣部分，用基于高頻層提取的方法^[2]恢復(fù)邊緣，采用一個大窗口和一個大Sigma來平滑不需要的疊影，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)開始，使用增強(qiáng)的模糊圖像和原始模糊圖像來估計(jì)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(jìn)PSF，對這種邊緣恢復(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)動產(chǎn)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(yùn)動產(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應(yīng)。對運(yùn)動模糊圖像的高頻層進(jìn)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(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Y通道進(jìn)行因子2的下采樣，然后采用雙線性插值法^[3]對其進(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和列號，B₂為因子2的上采樣雙線性插值，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，此時值域?yàn)V波起主要作用，保護(hù)了邊緣信息不會被模糊。

    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，它會變得有點(diǎn)模糊，因?yàn)槔硐氲狞c(diǎn)源不是作為一個點(diǎn)出現(xiàn)，而是被展開，這就是所謂的點(diǎn)擴(kuò)散函數(shù)。非點(diǎn)源通常是多個單個點(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，利用抖動圖像去模糊算法恢復(fù)運(yùn)動模糊圖像。

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3組實(shí)驗(yàn)來驗(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)和本文方法來處理實(shí)驗(yàn)圖片，恢復(fù)合成的運(yùn)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(yàn)證

    采用本文方法對合成的模糊圖像進(jìn)行處理，效果如圖4所示，從左至右分別是測試圖像的原始圖像、運(yùn)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(fù)圖像細(xì)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(shí)用性測試

    如圖5所示，模糊的PPT經(jīng)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(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，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消除單圖像運(yùn)動模糊。采用改進(jìn)的基于邊緣銳化的算法來恢復(fù)強(qiáng)邊緣，同時降低噪聲；采用雙邊濾波器對圖像的非強(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，則去模糊算法將失敗，去除不均勻的運(yùn)動模糊將是一個有趣而又具有挑戰(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550025)