随着移动成像设备的快速发展,尤其是智能手机的普及,图像已成为人们感知世界、与外界交换信息的最重要的途径之一。由于复杂的成像环境,如噪声、低光照、物体运动等,加之手持相机本身的不稳定性极易发生抖动,高质量的图像采集往往难以保证,尤其是模糊图像降低视觉感知质量、对图像高层语义分析等带来困难。一方面,现有的消费级相机中已配备了光学防抖与自动对焦技术,但是其仅仅能够在一定程度上缓解相机抖动与未正确对焦造成的图像模糊,对于复杂的退化处理能力有限。另一方面,计算摄影学尝试从硬件角度解决这些问题,通过设计新型相机结构、编码光圈、曝光设置等在采集图像过程中收集更多信息,以期望提高采集图像的质量。然而,现有的这类解决方案都存在造价高昂、便携性差、配置复杂等问题,难以取代传统相机的消费市场主导地位。因此,针对传统相机的图像复原问题亟待解决。图像的模糊退化过程通常建模为清晰图像与模糊核的卷积结果,因此图像去模糊问题又称为反卷积。由于图像采集过程中存在的测量误差、传输与存储过程中引入的噪声等,使图像反卷积成为一个病态的不可逆问题。加之模糊过程未知,盲反卷积问题更加难以解决。现有的盲反卷积方法通常包括估计模糊核与复原清晰图像两个阶段,在算法计算效率、鲁棒性和复原质量等方面存在瓶颈。本文针对上述问题,面向图像盲反卷积,从复原模型与优化算法的角度出发,设计高效的非盲复原模型与算法、提出有效的模糊核估计的先验模型及学习算法、以及模糊核估计误差的建模方法复原高质量清晰图像,主要包括:(1)盲反卷积方法需迭代执行模糊核估计与非盲复原清晰图像两个部分,非盲复原算法的计算复杂度制约着盲反卷积算法的效率。现有的非盲复原方法通常定义在图像域,从模糊图像直接恢复清晰图像。我们提出图像梯度域的复原模型,由于图像梯度域更为稀疏,提出的梯度模型具有更高的收敛性。结合全变分先验模型,我们提出基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)的快速梯度域复原方法(Derivative ADMM,D-ADMM),能够保证全局收敛性。同时相比于传统的图像域复原方法,D-ADMM算法收敛速度更快,计算效率更高。此外,由于在图像梯度域估计模糊核更为稳定、准确,我们提出的梯度域非盲复原模型为开发高效、鲁棒的盲反卷积方法提供基础。(2)对于模糊核估计,现有方法往往依赖于自然图像统计先验信息,并采用不同复原阶段手动调节参数的方式避免算法收敛到平凡解。基于梯度域的复原模型,通过将图像梯度先验建模为超拉普拉斯分布,我们提出迭代自适应先验的模糊核估计方法,对每次迭代先验设置特定的参数,能够选择合适的特征有助于估计模糊核。进而,为了自适应确定每次迭代的模型先验参数,我们提出了判别学习方法,能够从训练数据集中学习得到有效的参数。不同于自然图像先验,以准确估计模糊核为优化目标,学习得到的迭代自适应先验更加有助于提高模糊核估计的鲁棒性。同时,迭代自适应先验参数具有良好的扩展性,能够有效应用于其他仿真和真实模糊图像。(3)当估计出模糊核,现有的复原方法恢复清晰图像往往未考虑模糊核估计误差,复原图像易引入振铃、颜色畸变等,严重影响视觉质量,我们提出部分反卷积模型(Partial Deconvolution)。通过从模糊图像估计参考傅里叶频谱,我们在傅里叶域引入了二值指示矩阵,以确定模糊核估计误差的傅里叶系数。进而在反卷积过程中,我们仅采用准确的傅里叶系数,以取得稳健的去模糊效果。为了获取有效的指示矩阵,我们提出了E-M算法交替估计指示矩阵与更新清晰图像。此外,我们的部分反卷积模型能够直接引入模糊核的傅里叶频谱零点,在反卷积过程中即可抑制振铃效应。我们将部分反卷积模型应用于基于小波、学习模型的非盲复原方法中,能够有效消除模糊核估计误差带来的负面效应。(4)每种盲反卷积方法的模糊核估计误差存在方法特异性,难以通过统一的物理模型对其建模。我们提出信度项和正则项的联合学习模型(Simultaneous Fidelity and Regularization Learning,SFARL),其中正则项建模清晰图像先验,信度项对模糊核估计误差造成的图像残差分布进行建模。我们通过采取一组大尺寸滤波器提取图像残差的空间相关性信息,进而采用相应的非线性函数对其响应值的分布进行拟合。针对每种盲反卷积方法,我们通过构建大量的训练数据,进而利用提出的判别学习框架,可以同时学习信度项和正则项的模型参数,有针对性地建模估计误差的方法特异性,复原更高质量的清晰图像。此外,我们提出的联合学习模型具有很强的建模能力,能够扩展应用于其他图像复原任务,如图像去噪、去雨等。
暂无评论