一种基于梯度方向先验的被测目标图像复原方法

摘要

本发明公开了一种基于梯度方向先验的被测目标图像复原方法，首先设定被测目标的位姿参数范围，在参数范围内渲染被测目标模型获得模板图像，构建被测目标模板集；然后以梯度方向为特征，通过相似度函数获取最佳匹配模板，并以最佳匹配模板的梯度方向特征和待复原图像的梯度方向特征构建梯度方向先验项，利用交叉迭代的方式估计模糊核和清晰潜像；最后将基于hyper‑Laplacian的非盲复原获得的复原图像作为引导图像，通过引导滤波基于L0正则化的非盲复原获得复原图像实现被测目标图像复原。本发明充分考虑了被测目标图像的特点，以梯度方向先验约束图像复原，模糊核估计更准确，以估计的模糊核为基础，通过引导滤波抑制了振铃效应，提高了图像复原的质量。

说明书

技术领域

本发明涉及一种图像复原方法，属于机器视觉技术领域，尤其涉及一种基于梯度方向先验的被测目标图像复原方法。

背景技术

机器视觉已被广泛应用于智能制造中被测目标的非接触测量，成像系统离焦、成像系统与被测目标的相对运动会造成被测目标图像模糊退化，制约着被测目标的高精度测量。

基于边缘选择的图像复原方法选择局部的显著边缘特征，全局优化能力差；基于统计先验知识的图像复原方法在极大后验估计(maximum aposteriori，MAP)的框架中利用局部平滑、块先验等，迭代寻优实现图像复原，但计算量极大，在噪声干扰时误差较大；基于稀疏通道先验的图像复原方法利用稀疏通道的约束实现图像复原，暗通道稀疏先验、极通道稀疏先验、显著通道稀疏先验等取得了较好的效果。然而，被测目标通常是无纹理的光滑目标，图像中包含镜面高光，镜面高光的非线性会导致解模糊图像产生严重的振铃效应，给图像的模糊复原造成困难。

考虑被测目标的三维模型是先验信息，OpenGL能够利用被测目标的三维模型渲染被测目标模板图像，仿真被测目标的成像过程，仿真的被测目标模板图像与真实的被测目标图像的梯度方向分布是一致的，利用仿真图像和真实图像构建梯度方向稀疏先验项，利用梯度方向先验约束估计模糊核，建立基于梯度方向先验的被测目标图像复原算法，提高图像复原的质量。

发明内容

本发明以被测目标图像复原为目的：首先设定被测目标的位姿参数范围，在参数范围内渲染被测目标模型获得被测目标模板图像，构建被测目标模板图像数据集；然后以梯度方向为特征，通过相似度函数获取待复原的被测目标图像的最佳匹配被测目标模板，并以最佳匹配被测目标模板图像的梯度方向特征和待复原的被测目标图像的梯度方向特征构建梯度方向稀疏先验项，利用交叉迭代的方式估计模糊核和过程清晰潜像；最后将基于L

本发明采用的技术方案为一种基于梯度方向先验的被测目标图像复原方法，该方法具体包括以下步骤：

步骤一：设定被测目标的位姿参数范围，建立虚拟成像坐标系，在参数范围内以固定间隔确定被测目标模板图像的位姿参数，以位姿参数渲染获得以面片法向量颜色编码的被测目标模板图像，渲染的被测目标模板图像构成被测目标模板图像数据集；

步骤二：以被测目标模板图像数据集为输入，被测目标模板图像按照渲染参数进行分层，构建被测目标模板图像分层树；采用梯度方向为特征，通过相似度函数在被测目标模板图像分层树中匹配待复原被测目标图像，获取最佳匹配被测目标模板图像，并以最佳匹配被测目标模板图像的梯度方向特征和待复原图像的梯度方向特征构建梯度方向稀疏先验项，利用交叉迭代的方式估计模糊核和清晰潜像；

步骤三：将基于hyper-Laplacian非盲复原获得的被测目标复原图像I

具体而言，步骤一包括如下步骤：

建立如图2所示的球形坐标系，被测目标位于球形坐标系中心，虚拟摄像机位于球形表面，视点位置用位姿参数

设定被测目标的位姿参数范围，以实际使用的摄像机的内参K

步骤二包括如下步骤：

为加速被测目标模板匹配的速度，考虑参数越接近的被测目标模板图像越相似，以被测目标模板图像数据集为输入，被测目标模板图像按照渲染参数进行分层，构建被测目标模板图像分层树。设第i个模板图像T

采用差分算子Sobel在图像的RGB三通道中计算梯度，选择梯度幅值最大的梯度的方向作为梯度方向特征。

式中，x＝[x,y]为像素坐标，Q(x)为梯度方向，q

被测目标模板匹配的相似度函数为

式中，<·>表示点乘，t

在获得最佳匹配被测目标模板图像后，构建梯度方向先验项

D(I)＝sin(O

式中，D(I)为梯度方向先验项，O

将梯度方向先验引入MAP框架，模糊核和过程清晰潜像估计表示为

式中，

引入辅助变量d和g，清晰潜像估计表示为

辅助变量d和g为

式中，α,β,γ,σ为权重系数。

其解析解为

式中，F(·)和F

模糊核估计表示为

式中，

其解析解为

通过多尺度的迭代，实现过程清晰潜像和模糊核的估计。

步骤三包括如下步骤：

在步骤二估计的模糊核的基础上，利用基于hyper-Laplacian先验非盲复原所得被测目标复原图像I

本发明的优点：充分考虑了被测目标图像的特点，以梯度方向先验约束图像复原，模糊核估计更准确，以估计的模糊核为基础，通过引导滤波抑制被测目标图像的振铃效应，提高了被测目标图像复原的质量。

附图说明

图1是本发明所述的一种基于梯度方向先验的被测目标图像复原方法流程图。

图2是被测目标图像渲染的球形坐标系。

图3是被测目标模板图像分层树。

图4是被测目标图像。

(a)Bracket (b)Connector (c)Flange

(d)HingeBase (e)L-Holder (f)PoleClamp

(g)SideClamp (h)Stopper (i)T-Holder

图5是模糊核。

图6是被测目标模板图像量化梯度方向分布。

图7是不同复原方法结果的箱型图。(a)模糊核的SSIM；(b)复原图像的PSNR。

具体实施方式

下面结合实例及附图对本发明作进一步的描述，需要说明的是，实施例并不限定本发明要求保护的范围。

实施例

实施例采用公开的被测目标图像和模糊核仿真72幅模糊的被测目标图像，图像集中包含9种不同的金属被测目标，参数范围为-60°≤λ≤60°，

实施例的计算机配置Intel(R)core i7-8750H，16G RAM。实施例在Windows10系统MATLAB R2018b平台上进行。

选择估计模糊核的结构相似度(Structural Similarity Image Measurement，SSIM)和复原图像的峰值信噪比(Peak Signal To Noise Ratio，PSNR)表征本方法的效果。

设定OpenGL投影的参数范围为-60°≤λ≤60°，

载入三维模型，在参数范围内以Δλ为10°，

按照渲染被测目标模板图像的位姿参数，构建被测目标模板图像分层树，分层树的第二层有3000个模板，分辨率为320×240，第三层有288个模板，分辨率为160×120，第四层有32个模板，分辨率为80×60。

以Sobel算子提取被测目标模板图像的梯度方向特征，量化梯度分布如图6所示，以梯度方向特征为基础，利用相似度函数从上至下遍历分层树，获取最佳匹配被测目标模板图像，构建梯度方向先验，估计模糊核和过程清晰潜像。

Bracket被测目标图像在不同模糊核下的仿真图像的复原结果如表1所示。

表1 Bracket被测目标图像在不同模糊核下的仿真图像的复原结果

不同图像在不同模糊核下图像的复原平均结果如表2所示

表2不同被测目标图像在不同模糊核下的仿真图像的复原结果

基于暗通道稀疏先验的图像复原方法(DCP)，基于极通道稀疏先验的图像复原方法(SCP)，基于显著通道稀疏先验的图像复原方法(ECP)和本发明方法(Ours)的图像复原结果箱型图如图7所示。

上述实验结果表明：采用本发明所述方法进行被测目标图像复原，模糊核的结构相似度高，复原图像的峰值信噪比高，有效提高了被测目标图像复原的质量。