一种用于红外图像超分辨率增强的图像盲退化方法

摘要

本发明涉及一种用于红外图像超分辨率增强的图像盲退化方法，方法包括：获取红外图像；在1至N之间生成一个随机数R，其中，N为退化方式的总数量；从N种所述退化方式中随机选取R种所述退化方式；对R种所述退化方式进行随机排序；按照随机排序的顺序，依次利用R种所述退化方式对所述红外图像进行处理，得到处理后的红外图像；对步骤5处理后的红外图像添加椒盐噪声，以得到红外退化图像。本发明由于采用多种模糊方式与噪声方式(含椒盐噪声)进行红外图像退化模拟，比现有所采用方法得到的红外图像退化方式更为实际，同时本发明对红外图像退化过程采用重随机排序操作，大幅扩展了红外图像的退化空间，弥补了现有方法退化单一的不足。

说明书

技术领域

本发明属于红外图像技术领域，涉及一种用于红外图像超分辨率增强的图像盲退化方法。

背景技术

在红外图像采集、传输和处理过程中，由于受大气扰动、光学系统聚焦不良、景物和成像装置的相对运动等因素影响，导致得到的图像质量下降，图像变得模糊并夹杂噪声。为了获得高信噪比、高清晰度的图像，需要根据图像退化模型对退化图像进行超分辨率增强。图像超分辨率增强指在不提高图像分辨率的基础上从低质量图像中恢复原始高频细节成分，是低级计算机视觉中的经典病态逆问题之一，在实际应用以及计算机模式识别任务中具有广泛的应用，例如增强图像的视觉质量以及目标检测识别等任务的性能。

现有的基于深度卷积神经网络的单帧图像超分增强大多采用基于模糊核的图像退化方式；稍微复杂点的则采用模糊与噪声组合的方式。然而，这些方法大多假设模糊核是先验已知的，在实际应用中难以估计。噪声往往假设为加性高斯白噪声，难以模拟真实图像的噪声分布。事实上，噪声也可能来自探测器噪声和JPEG压缩噪声。在将超分增强网络模型应用于真实图像时，模糊类型与噪声类型不匹配都能够导致性能下降。即当涉及到真实图像退化的复杂性时，现有的退化模型所包含的退化空间还未能覆盖绝大多数图像的退化方式。

因此，提供一种有效的图像退化方式成为了亟待解决的问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种用于红外图像超分辨率增强的图像盲退化方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种用于红外图像超分辨率增强的图像盲退化方法，所述图像盲退化方法包括：

步骤1、获取红外图像；

步骤2、在1至N之间生成一个随机数R，其中，N为退化方式的总数量；

步骤3、从N种所述退化方式中随机选取R种所述退化方式；

步骤4、对R种所述退化方式进行随机排序；

步骤5、按照随机排序的顺序，依次利用R种所述退化方式对所述红外图像进行处理，得到处理后的红外图像；

步骤6、对步骤5处理后的红外图像添加椒盐噪声，以得到红外退化图像。

在本发明的一个实施例中，所述N为4。

在本发明的一个实施例中，所述退化方式包括模糊方式和噪声方式，所述模糊方式包括各项同性高斯模糊方式与各项异性高斯模糊方式，所述噪声方式包括高斯噪声方式与JPEG压缩噪声方式。

在本发明的一个实施例中，所述模糊方式的模糊核尺寸在{5×5，7×7，9×9，11×11，13×13，15×15，17×17}之间随机采样。

在本发明的一个实施例中，所述各项同性高斯模糊方式的模糊核的核宽从[0.1,2.4]、[0.1,2.8]之间随机采样。

在本发明的一个实施例中，所述各项异性高斯模糊方式的模糊核的旋转角度从[0,π]之间随机采样，每个轴的长度从[0.5,6]、[0.5,8]之间随机采样。

在本发明的一个实施例中，所述高斯噪声方式采用三维零均值高斯噪声模型N(0,Σ)，其中，Σ为协方差矩阵，第一种情况，当Σ＝σ

在本发明的一个实施例中，所述JPEG压缩噪声方式的压缩因子从[30,95]之间随机采样。

在本发明的一个实施例中，所述步骤6包括：

对步骤5处理后的红外图像添加噪声比例为0.0001的椒盐噪声，以得到红外退化图像。

与现有技术相比，本发明的有益效果：

本发明由于采用多种模糊方式与噪声方式(含椒盐噪声)进行红外图像退化模拟，比现有所采用方法得到的红外图像退化方式更为实际，同时本发明对红外图像退化过程采用重随机排序操作，大幅扩展了红外图像的退化空间，弥补了现有方法退化单一的不足。

通过以下参考附图的详细说明，本发明的其它方面和特征变得明显。但是应当知道，该附图仅仅为解释的目的设计，而不是作为本发明的范围的限定，这是因为其应当参考附加的权利要求。还应当知道，除非另外指出，不必要依比例绘制附图，它们仅仅力图概念地说明此处描述的结构和流程。

附图说明

图1为本发明实施例提供的一种用于红外图像超分辨率增强的图像盲退化方法的流程示意图；

图2为本发明实施例提供的另一种用于红外图像超分辨率增强的图像盲退化方法的流程示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1和图2，图1为本发明实施例提供的一种用于红外图像超分辨率增强的图像盲退化方法的流程示意图，图2为本发明实施例提供的另一种用于红外图像超分辨率增强的图像盲退化方法的流程示意图，本发明提供一种用于红外图像超分辨率增强的图像盲退化方法，该用于红外图像超分辨率增强的图像盲退化方法，其中：

步骤1、获取红外图像。

具体地，使用红外探测器获取红外图像。

步骤2、在1至N之间生成一个随机数R，其中，N为退化方式的总数量。

具体地，本实施例共选取了N种退化方式，而通过随机所生成的随机数R，对应的是从N种退化方式中选取R种退化方式。

步骤3、从N种退化方式中随机选取R种所述退化方式。

具体地，在通过步骤2确定随机数R后，便可以通过该随机数R，从N种退化方式中再随机选取R种退化方式。

步骤4、对R种退化方式进行随机排序。

具体地，通过步骤3随机选取了R种退化方式，之后对这R种退化方式在进行随机排序，例如R为3，分别对应A退化方式、C退化方式和E退化方式，随机排序后的顺序为C退化方式→A退化方式→E退化方式。

步骤5、按照随机排序的顺序，依次利用R种退化方式对红外图像进行处理，得到处理后的红外图像。

具体地，按照步骤4随机生成顺序，利用排序后的R种退化方式，依次对红外图像进行处理，例如，首先利用C退化方式对红外图像进行处理，之后。利用A退化方式对红外图像进行处理，最后利用E退化方式对红外图像进行处理。

本实施例首先生成了一个随机数R，然后从N种退化方式随机选取了R种退化方式，又对随机选取的R种退化方式进行了随机排序，最后按照这种排序，依次用R种退化方式对红外图像进行了处理，由此能够使红外图像经历一个更为贴近现实情况的退化过程，使得到的红外图像退化方式更为实际，同时本实施例对红外图像退化过程采用重随机排序操作，大幅扩展了红外图像的退化空间。

在一个具体实施例中，N为4。

具体地，退化方式包括模糊方式和噪声方式，模糊方式具体可以包括各项同性高斯模糊方式与各项异性高斯模糊方式，噪声方式具体可以包括高斯噪声方式与JPEG压缩噪声方式。

进一步地，模糊方式的模糊核尺寸在{5×5，7×7，9×9，11×11，13×13，15×15，17×17}之间随机采样，即在{5×5，7×7，9×9，11×11，13×13，15×15，17×17}之间随机选取一个模糊核尺寸。

进一步地，各项同性高斯模糊方式的模糊核的核宽从[0.1,2.4]、[0.1,2.8]之间随机采样，即在[0.1,2.4]、[0.1,2.8]随机选取一个模糊核的核宽。

进一步地，各项异性高斯模糊方式的模糊核的旋转角度从[0,π]之间随机采样，每个轴的长度从[0.5,6]、[0.5,8]之间随机采样，即从[0,π]之间随机选取一个旋转角度，并从[0.5,6]、[0.5,8]之间随机选取轴的长度。

进一步地，高斯噪声方式采用三维零均值高斯噪声模型N(0,Σ)，其中，Σ为协方差矩阵，第一种情况，当Σ＝σ

进一步地，JPEG压缩噪声方式的压缩因子从[30,95]之间随机采样，即[30,95]随机选取一个JPEG压缩噪声方式的压缩因子。

本实施例考虑到图像细节模糊的轻重、像素的偏移方向和幅度会不一样，因此选取了上述参数区间，又因为真实图像空间退化是未知的，所以为了尽量覆盖全面，所以每个参数都通过随机产生的方式产生，由此既保证了图像细节模糊的轻重、像素的偏移方向和幅度，又可以覆盖较为全面的图像退化空间，从而保证退化的效果。

步骤6、对步骤5处理后的红外图像添加椒盐噪声，以得到红外退化图像。

具体地，对步骤5处理后的红外图像添加噪声比例为0.0001的椒盐噪声，以得到红外退化图像，其用于模拟红外探测器中的过热盲元与死盲元。

本发明所提供的图像盲退化方法主要完成红外波段的目标场景信息在进入红外探测器过程中的退化过程分析建模，可用于红外图像处理技术领域中的红外图像超分辨率增强，实现退化图像的恢复。

本发明所提供的图像盲退化方法拓宽了真实图像的多样性退化方式，提高了人脸识别准确率。

本发明由于采用多种模糊方式与噪声方式(含椒盐噪声)进行红外图像退化模拟，比现有所采用方法得到的红外图像退化方式更为实际，同时本发明对红外图像退化过程采用重随机排序操作，大幅扩展了红外图像的退化空间，弥补了现有方法退化单一的不足。

发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征数据点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特征数据点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。