离焦模糊图像的盲复原算法(3)

′+LP′+1的一维像素值序列值形成一组长度为LN

′(x), 则ge′(x)就是直线边缘l′对应的一个边缘扩ge

′(x)求导并进行归一化, 散函数ESF, 根据式(8)对ge

可得线扩散函数LSF。若直线边缘l′的长度为len′, 则最后可得到len′个线扩散函数, 对这len′个线扩散函数求平均, 得到该直线边缘l′对应的平均线扩散函数hl′(x)。根据式(12)和(13)求hl′(x)的二阶中心矩σl′2, 那么通过该直线边缘l′得到离焦模糊半径

表示区域的同态性越好。因此定义一个综

K

σNAσN

S

合指标MN=

来刻画直线边缘左侧与理想的阶

跃边缘的近似程度; 同理, 对于直线边缘的右侧定

S

=义MP

KσPAσP

来刻画直线边缘右侧与理想的阶跃边

缘的近似程度。

如果

SMN

和

SMP

值都较高, 则表明该直线边缘

SMN

R′=2σl′。同理, 对每一条检测出的近似阶跃直线边缘都可以求出相对应的离焦模糊半径。已知离焦模糊半径后, 根据式(2)可以计算点扩散函数PSF, 然

最有可能位于理想的阶跃边缘的ESF支撑域内。因

′中的每一条直线边缘分布计算对应的此对GL和

S

MP

后通过Wiener滤波对离焦图像进行复原即可。

值, 选择两者都较高的直线边缘(一条或多

′和LP′)条), 那么通过相应的LN和LP(或细化后的LN

得到对应的ESF支撑域, 则ESF支撑域的中心即为阶跃或近似阶跃边缘的所在位置。

4 实验结果及分析 4.1 图像复原的实验结果

为了验证提出的离焦模糊图像盲复原算法的有效性, 对大量的实际离焦图像进行了实验, 取得了较好的结果。下面以其中一幅图像为例进行说明。

3.4 模糊半径估计和图像复原

本节主要讨论如何通过线扩散函数LSF求取离

孙韶杰 等：离焦模糊图像的盲复原算法

331

图7是一幅真实的离焦车牌图像的直线边缘检测结果。其中, 图(a)是完整的离焦模糊图像; 在实

)中, 大多关注的是对感际应用(尤其刑侦取证工作====兴趣目标(如车牌或文字等)的复原, 另外为消除图像中不同目标深度的影响, 选取图(a)中的车牌区域作为复原对象, 如图(b)所示; 利用Canny算子和

=

=

=

=

=

=

=======

Hough变换直线检测方法对图(b)进行检测的结果如图(c)所示。

对图7(c)中的每一条直线边缘, 利用本文算法得到的中间参数的数据如表1所示。实验中取区间间隔ΔL=5, 直线方向(θ)以度为单位。从表1中可以看出, 直线边缘5的一侧因为未能检测到突变的峰态系数, 所以认为它不是近似的阶跃边缘; 其余直线边缘的两侧虽然都能够检测到突变的峰态系数, 但是阶跃边缘的判定指标(见3.4节)来看, 只有直线边缘1、2、3和4最有可能位于阶跃或近似阶跃边缘的ESF支撑域内, 而直线边缘6和7对应的

SSMP较低, 直线8和9对应的MN较低, 因此直线边

缘6、7、8和9位于阶跃或近似阶跃边缘的ESF支撑域内的可能性较低。考虑到实验比较, 除直线边缘5之外, 对其余所有直线边缘均计算出相对应的离焦模糊半径R, 如表1中最后一行所示。除直线边缘5之外, 对图7(c)中的其余直线边缘, 提取所对应的边缘扩散函数ESF, 然后利用表1中计算得到的离焦模糊半径对图7(b)进行复原。

Fig.7 Line edge detection of defocus image

图7 离焦图像直线边缘检测 各条直线边缘对应的边缘扩散函数ESF和复原结果如图8所示, 其中横轴表示以直线边缘为中心的水平坐标(以像素为单位), 纵轴表示ESF的值。

Table 1 Parameters data of line edges in Fig.7(c) 表1 图7(c)中直线边缘对应的参数数据

len

直线1

直线2

直线3

直线4

直线5

直线6

直线7

直线8

直线9

21 23 23 33 34 22 23 52 38 3 0 5 9 7 5 12 9 6 7×535 6×530 3×515 4×5203×515 4×520 8×540 6×5301325.4 1905.7 518.1 1892.4

5×525

4×52014×570

4×52018×590

12×560 19×5951×55 3×515

θ

LN LP

A

σN KσN SMN AσP KσP SMP

2.6 2.1 1.0 1.9 509.8 907.5 518.1 996.0 1021.5 1402.3 1395.7 1450.2

1.1 1.3 9.9 2.9 452.1 506.2 21.9 18.5 411.0 389.4 2.2

6.4

2.1 2.6 1.7 1.5 7.4 4.1 5.0 1.4 1.2

456.2 20.2 1.9 959.2 2107.3

45.4 48.1 6.3 66.6

486.4 539.3 821.0 996.8 61.6 4.9 0.4 685.1 1681.1 27.5 26.2 26.6 25.2

R

332

Journal of Frontiers of Computer Science and Technology 计算机科学与探索 2011, 5(4)

Fig.8 ESF and restoration results of line edges

图8 直线边缘对应的ESF和复原结果

从图8可以看出, 直线边缘6、7、8和9对应的ESF的形状都不规则, 而直线边缘1、2、3和4对应的ESF和理想阶跃边缘的ESF(如图2)最为接近, 都近似为“S”形。表1中直线边缘对应的参数数据和图8中的ESF和对应的复原结果, 都说明了本文算法在离焦模糊图像中检测和定位近似阶跃边缘的有效性, 提高了离焦模糊半径的鉴别精度。

从表1中LN和LP的数据可以看出, 在离焦模糊图像中检测到的直线边缘一般并不是真正的阶跃或近似边缘, 都存在一定的偏差, 说明了3.1节分析的合理性。为进一步验证本文算法的合理性, 下面以直线边缘3为例, 计算它的两侧不同区域对应的直方图和峰态系数, 如图9所示, 其中横轴表 示像素的灰度值, 纵轴表示像素的个数。可见, 直线边缘3对应的NN=8和NP=3; 从直方图的分布可以看出, 在阶跃边缘的ESF支撑域内的直方图无明显的单峰现象, 而超过之后则出现明显的单峰现象; 从每个直方图下方对应的峰态系数来看, 峰态系数正好在ESF支撑域的边界附件发生了突变。图9的

直观和定量分析, 与3.1节的分析吻合, 从而进一步说明了本文算法的合理性和有效性。

图10和图11是另一幅实际拍摄的离焦图像的实验结果。图10(a)是离焦的模糊图像; 图10(b)是选取的待辨识的车牌图像; 图10(c)是利用本文算法检测出的两条近似阶跃边缘。图11(a)和(b)分别是直线边缘1和2对应的复原结果, 可见, 本文算法可以有效地恢复出离焦的车牌图像。

4.2 算法比较的实验结果

为进一步验证本文算法的有效性, 与倒谱分析下面以图12为例进行法[2]进行了大量的比较实验。说明。

首先以图12所示的离焦模糊的文本图像为例, 分别利用本文算法和倒谱分析法进行图像复原。利用本文算法对图12进行复原的结果如图13所示, 横轴表示以直线边缘为中心的水平坐标(以像素为单位), 纵轴表示ESF的值。其中, 图(a)是从图12中选取部分区域检测到的近似阶跃边缘; 图(b)为直线边缘2对应的ESF, 可见形状近似成“S”形, 其

孙韶杰 等：离焦模糊图像的盲复原算法

333

Fig.9 Histograms and kurtoses of line edge 3 图9 直线边缘3对应的直方图和峰态系数

Fig.11 Restoration results of Fig.10(b)

图11 图10(b)的复原结果

Fig.10 Detection of step edge in defocus image

图10 离焦图像阶跃边缘检测

他直线边缘 …… 此处隐藏：3376字，全部文档内容请下载后查看。喜欢就下载吧 ……