基于圖像質(zhì)量評(píng)價(jià)的自動(dòng)圖像復(fù)原技術(shù)*

王 輝，吳欽章

(1.中國(guó)科學(xué)院光電技術(shù)研究所，成都610209;2.中國(guó)科學(xué)院研究生院，北京100039)

圖像復(fù)原技術(shù)是從降質(zhì)圖像中恢復(fù)出原始圖像的一種圖像處理技術(shù)，這些降質(zhì)因素包括模糊，噪聲，形變等。這類技術(shù)最初是從空間探索計(jì)劃提出來(lái)的。從衛(wèi)星或飛船上獲得的關(guān)于地球和太陽(yáng)系中行星的圖像因?yàn)槎喾N原因降質(zhì)，這些原因如成像設(shè)備受使用環(huán)境限制造成的性能限制;相機(jī)和成像對(duì)象的相對(duì)運(yùn)動(dòng)，相機(jī)機(jī)械振動(dòng)和翻動(dòng)等。獲得圖像的代價(jià)十分高昂，因此圖像復(fù)原是非常有意義的?，F(xiàn)在圖像復(fù)原技術(shù)應(yīng)用已經(jīng)擴(kuò)展到我們生活的各個(gè)領(lǐng)域，如醫(yī)學(xué)圖像質(zhì)量改善、復(fù)原，安全監(jiān)控圖像增強(qiáng)及低分辨率圖像增強(qiáng)技術(shù)，老舊的影視圖像復(fù)原等［1］。圖像復(fù)原求解是一個(gè)病態(tài)的逆過(guò)程，復(fù)原圖像非常敏感于噪聲和模型誤差。在圖像盲復(fù)原中，目標(biāo)圖像和模糊核都是近似的，很少存在精確解。當(dāng)前的主流圖像復(fù)原研究主要集中于利用圖像的稀疏先驗(yàn)知識(shí)［2－4］或者使用規(guī)整化方法消除復(fù)原的病態(tài)性［5－6］?？墒沁@些圖像復(fù)原方法都是被動(dòng)圖像復(fù)原，這些方法不管實(shí)際圖像降質(zhì)原因直接進(jìn)行復(fù)原處理。這在實(shí)際成像系統(tǒng)中是很難有效的。現(xiàn)在也有一些圖像復(fù)原處理開(kāi)始引入主動(dòng)過(guò)程，如［7］使用混合成像技術(shù)來(lái)輔助圖像的運(yùn)動(dòng)模糊，［8］使用陀螺儀和加速計(jì)來(lái)輔助去除運(yùn)動(dòng)模糊等。但是這些方法很難結(jié)合到已有成像系統(tǒng)中。在圖像復(fù)原研究中，發(fā)現(xiàn)如果能將圖像質(zhì)量評(píng)價(jià)引入到圖像復(fù)原框架中，將會(huì)將形成新的主動(dòng)圖像復(fù)原，因?yàn)闊o(wú)需額外的硬件，所以很容易集成到現(xiàn)有成像系統(tǒng)中，將會(huì)大大擴(kuò)展圖像復(fù)原的應(yīng)用范圍。

由于圖像復(fù)原往往沒(méi)有原始圖像，所以圖像復(fù)原中的圖像質(zhì)量評(píng)價(jià)技術(shù)一般只能是無(wú)參考圖像復(fù)原。無(wú)參考圖像質(zhì)量評(píng)價(jià)是一種不需要具體的參考圖像的一種客觀圖像評(píng)價(jià)方法，它依據(jù)模型給出的量化指標(biāo)，模擬人類視覺(jué)系統(tǒng)感知機(jī)制設(shè)計(jì)算法對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)。無(wú)參考圖像質(zhì)量評(píng)估在很多圖像處理應(yīng)用中占有很重要的地位，它可以用來(lái)監(jiān)控圖像質(zhì)量控制系統(tǒng)的圖像質(zhì)量，評(píng)價(jià)圖像處理系統(tǒng)的性能和優(yōu)化圖像處理算法的參數(shù)［9］。由于人類視覺(jué)評(píng)價(jià)系統(tǒng)中一些很難量化的因素，如認(rèn)知，學(xué)習(xí)，視覺(jué)上下文，美感等，全參考圖像質(zhì)量評(píng)價(jià)方法獲得的成功很有限，而無(wú)參考圖像質(zhì)量評(píng)估更難［10］，并且圖像質(zhì)量評(píng)價(jià)應(yīng)用在圖像復(fù)原中還有其特定的需求。

在圖像復(fù)原中，無(wú)參考圖像質(zhì)量主要涉及圖像銳度或模糊度量，例如梯度［11］，峰度［12］，DCT 系數(shù)［13］，邊緣擴(kuò)展程度［14－15］，基于黎曼張量［16］等。這些評(píng)價(jià)方法雖然經(jīng)常被應(yīng)用，但它們常忽略了其他降質(zhì)影響，例如噪聲。如果直接應(yīng)用到圖像復(fù)原中，其還沒(méi)有考慮偽像的影響。［17－18］提出一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法，該方法同時(shí)敏感于圖像模糊和噪聲，并且已經(jīng)應(yīng)用到圖像去噪算法參數(shù)優(yōu)化中。但是對(duì)于圖像模糊復(fù)原病態(tài)解中的偽像問(wèn)題并沒(méi)有給予關(guān)注。基于［17－18］中的圖像質(zhì)量評(píng)價(jià)方法，本文提出一種可以應(yīng)用于圖像模糊圖像復(fù)原的圖像質(zhì)量評(píng)價(jià)方法，新算子通過(guò)引入圖像結(jié)構(gòu)相似和圖像復(fù)原趨勢(shì)修正使其不僅敏感于圖像模糊和噪聲，而且敏感于圖像偽像。圖像結(jié)構(gòu)用于刻畫(huà)復(fù)原偽像;圖像復(fù)原趨勢(shì)用于刻畫(huà)復(fù)原過(guò)程的有效性。本文提出的圖像質(zhì)量算子可以廣泛應(yīng)用于圖像增強(qiáng)［21－22］，圖像去噪［23］，和圖像原位模糊復(fù)原，如離焦模糊復(fù)原，高斯模糊復(fù)原等，用于判斷算法的有效性和優(yōu)化算法或系統(tǒng)參數(shù)。

文章首先介紹了基于圖像質(zhì)量評(píng)價(jià)的圖像復(fù)原，接著介紹了通過(guò)維納圖像復(fù)原誤差來(lái)說(shuō)明復(fù)原過(guò)程本身病態(tài)性帶來(lái)的圖像誤差，第2部分介紹了新的圖像質(zhì)量評(píng)價(jià)算法，第3部分介紹了新圖像質(zhì)量評(píng)價(jià)方法的實(shí)驗(yàn)驗(yàn)證及在圖像復(fù)原中的應(yīng)用，第4部分總結(jié)全文。

1 基于圖像質(zhì)量分析的自動(dòng)圖像復(fù)原

經(jīng)調(diào)研，幾乎所有的圖像復(fù)原過(guò)程都是被動(dòng)的，也就是說(shuō)圖像復(fù)原過(guò)程全部假設(shè)已知圖像模糊類型或圖像先驗(yàn)，并沒(méi)有考慮到實(shí)際成像降質(zhì)原因的多變性，也沒(méi)有考慮圖像復(fù)原過(guò)程有效性，即能否得到正確解。由于圖像降質(zhì)過(guò)程的復(fù)雜性、成像獲取條件限制以及圖像本身的復(fù)雜性，很難預(yù)先確定圖像是否受到降質(zhì)，受到何種降質(zhì)，在圖像復(fù)原中，目標(biāo)圖像和模糊降質(zhì)核都是近似的，很少存在嚴(yán)格意義上的精確解。通過(guò)對(duì)圖像質(zhì)量分析技術(shù)的研究，如果能找到有效的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法，那么將圖像質(zhì)量評(píng)價(jià)引入到圖像復(fù)原過(guò)程中，將會(huì)大大提高圖像復(fù)原的效用與穩(wěn)定性，進(jìn)而擴(kuò)展圖像復(fù)原的應(yīng)用范圍，這對(duì)于實(shí)時(shí)圖像應(yīng)用意義非常大。

基于圖像質(zhì)量分析的自動(dòng)圖像復(fù)原框架如圖1所示。首先對(duì)輸入圖像進(jìn)行圖像質(zhì)量估計(jì)，如果圖像本身質(zhì)量能滿足要求，則不進(jìn)行復(fù)原處理。圖像質(zhì)量差的圖像進(jìn)行圖像復(fù)原處理，復(fù)原圖像經(jīng)過(guò)圖像質(zhì)量評(píng)價(jià)后輸出，如果經(jīng)復(fù)原后，圖像質(zhì)量得到提高，那么輸出復(fù)原圖像，否則輸出原圖像。由于引入了圖像質(zhì)量評(píng)價(jià)過(guò)程，圖像復(fù)原結(jié)果的有效性得到保證，起碼復(fù)原輸出的圖像不會(huì)變差。這里需要指出的是，圖1中的“圖像質(zhì)量估計(jì)1”和“圖像質(zhì)量估計(jì)2”所用方法在本設(shè)計(jì)中并不一致，因?yàn)閺?fù)原過(guò)程本身的病態(tài)性，得到的復(fù)原圖像常含有放大的噪聲，甚至圖像與噪聲結(jié)構(gòu)都會(huì)改變，所以相應(yīng)的評(píng)價(jià)方法有差別。

圖1 自動(dòng)圖像復(fù)原框架

進(jìn)一步發(fā)揮圖像質(zhì)量評(píng)價(jià)在框架中的作用，由于實(shí)際圖像的降質(zhì)類型很難確定，在一種成像系統(tǒng)中可能會(huì)出現(xiàn)多種模糊情況，例如在跟蹤成像設(shè)備中，就會(huì)出現(xiàn)運(yùn)行模糊，離焦模糊，湍流模糊等。因?yàn)槿绻麍D像降質(zhì)核的結(jié)構(gòu)和實(shí)際降質(zhì)模糊核的結(jié)構(gòu)不一致，那么是很難復(fù)原出質(zhì)量好的圖像的。成像過(guò)程雖然復(fù)雜，但是可以使用各種模型來(lái)逼近獲得復(fù)原圖像。為了滿足實(shí)際系統(tǒng)的應(yīng)用需求，基于圖像質(zhì)量評(píng)價(jià)技術(shù)提出了多模式圖像復(fù)原，將固定單一的圖像復(fù)原過(guò)程使用多模式的同步復(fù)原過(guò)程來(lái)代替，使用圖像質(zhì)量評(píng)價(jià)來(lái)輸出質(zhì)量最佳者，使用這種多模型模糊核結(jié)構(gòu)策略來(lái)逼近實(shí)際的模糊核估計(jì)，如圖。由于多模式圖像復(fù)原結(jié)構(gòu)的引入，復(fù)原過(guò)程就可以順理成章的使用各種模型假設(shè)的圖像復(fù)原技術(shù)。一般成像系統(tǒng)中，只需要使用幾種典型的圖像復(fù)原過(guò)程即可。

圖2 多模式圖像復(fù)原自動(dòng)圖像復(fù)原框架

下面，將分析復(fù)原圖像質(zhì)量評(píng)價(jià)對(duì)于圖像質(zhì)量評(píng)價(jià)算法的要求，并根據(jù)此設(shè)計(jì)新的適應(yīng)于復(fù)原圖像的圖像質(zhì)量評(píng)價(jià)算法。

2 復(fù)原圖像對(duì)于圖像質(zhì)量評(píng)價(jià)因子的要求

圖像的降晰過(guò)程

其中，g(x，y)表示模糊觀測(cè)圖像;h(x，y)表示點(diǎn)擴(kuò)散函數(shù)，并且是線性移不變，相對(duì)于圖像的支持域較小的模糊核;f(x，y)表示潛在的未模糊圖像(目標(biāo)圖像);n(x，y)表示圖像噪聲;*表示卷積。式(1)經(jīng)傅里葉變換后

其中，G(·)，H(·)，F(xiàn)(·)，和 N(·)分別表示 g(·)，h(·)，f(·)和 n(·)的傅立葉變換。經(jīng)推導(dǎo)，維納濾波如下

假設(shè)圖像噪聲時(shí)白噪聲，所以|N(u，v)|2是常數(shù)，且未知未退化圖像，所以|N(u，v)|2/|F(u，v)|2常用常數(shù)代替。

復(fù)原誤差定義為復(fù)原圖像和真實(shí)圖像之間的差異。這樣得到復(fù)原誤差的向量表達(dá)式如下

式中黑體表示其相應(yīng)的向量形式。

一般K是一個(gè)很小的值(如0.000 1)，所以式(4)變?yōu)?/p>

式(6)的頻率域表達(dá)式為

其中σ是噪聲的標(biāo)準(zhǔn)差。

這樣就得到了噪聲放大因子。當(dāng)使用維納濾波器時(shí)，噪聲放大因子為

假設(shè)加入的高斯白噪聲的均值為0，標(biāo)準(zhǔn)方差σ=0.001，所使用的 K=0.000 1，這樣很容易算得維納濾波復(fù)原噪聲放大因子為7。還可以看出，由于H估計(jì)精度帶來(lái)的誤差更大，不只是對(duì)噪聲，對(duì)圖像原有結(jié)構(gòu)也會(huì)帶來(lái)影響。下面通過(guò)實(shí)驗(yàn)來(lái)說(shuō)明復(fù)原過(guò)程對(duì)于圖像影響，如圖3所示。假設(shè)一幅圖像受到離焦模糊影響，離焦半徑是5像素，并且受到標(biāo)準(zhǔn)差為0.001，噪聲均值為零的高斯白噪聲污染(這樣的噪聲程度是合理的)，現(xiàn)在通過(guò)維納濾波復(fù)原圖像，其復(fù)原離焦半徑由3－18像素?？梢钥吹疆?dāng)復(fù)原離焦半徑存在誤差的圖像結(jié)構(gòu)的劇烈變化。

由圖像降至過(guò)程的復(fù)雜性、成像獲取條件限制以及圖像本身的復(fù)雜性，很難預(yù)先確定圖像是否受到降質(zhì)，受到何種降質(zhì)，復(fù)原中目標(biāo)圖像和模糊降質(zhì)核都是近似的，很少存在嚴(yán)格意義上的精確解。由于復(fù)原過(guò)程本身的病態(tài)性，得到的復(fù)原解常有噪聲的放大，甚至圖像與噪聲結(jié)構(gòu)的改變。為了使用圖像質(zhì)量評(píng)價(jià)因子能作為圖像復(fù)原圖像的質(zhì)量指示，它必須適應(yīng)以下3點(diǎn):①圖像質(zhì)量評(píng)價(jià)因子本身的計(jì)算無(wú)需參考圖像;②圖像質(zhì)量評(píng)價(jià)因子可以很好的反應(yīng)圖像的模糊程度和噪聲程度;③圖像質(zhì)量評(píng)價(jià)算子必須能適應(yīng)圖像結(jié)構(gòu)或噪聲結(jié)構(gòu)變化。由于復(fù)原過(guò)程本身的病態(tài)特性和解近似特性，復(fù)原解過(guò)程可能會(huì)改變復(fù)原圖像和噪聲的結(jié)構(gòu)。

3 適應(yīng)于復(fù)原圖像的質(zhì)量評(píng)價(jià)算子

圖像梯度可以有效的表達(dá)圖像的結(jié)構(gòu)。用g(x，y)表示圖像，圖像的局部塊梯度矩陣用下式表達(dá)

其中，wi表示 N·N 像素局部圖像，［gx(k)，gy(k)］表示圖像在點(diǎn)(x，y)的梯度。這樣相應(yīng)的梯度協(xié)方差矩陣為

通過(guò)奇異值分解可以得到矩陣G的主方向，

其中，U，V是正交矩陣，列向量v1代表圖像局部梯度場(chǎng)主方向，相應(yīng)的奇異向量v2表示該圖像塊的主方向，v2與v1垂直。奇異值是s1，s2分別表示向量v1，v2的相對(duì)能量，滿足 s1≥s2≥0。

式可以等價(jià)的通過(guò)C的特征向量來(lái)表示

根據(jù)圖像局部區(qū)域塊梯度矩陣的奇異值表示了該圖像塊的主方向和垂直方向的能量，他們之間的相對(duì)關(guān)系敏感于模糊，這樣得到以下圖像銳度算子

文獻(xiàn)［17－18］指出，圖像銳度算子Q有以下特點(diǎn):1計(jì)算簡(jiǎn)單;2無(wú)需參考圖像;3可以很好的反應(yīng)對(duì)模糊和噪聲程度(也就是說(shuō)，當(dāng)模糊增加時(shí)，Q變小，當(dāng)噪聲增加時(shí)，Q變小，具有近似單調(diào)性);4對(duì)于非高斯噪聲也有不錯(cuò)的表現(xiàn)。圖像質(zhì)量算子Q已經(jīng)用于圖像去噪算法參數(shù)優(yōu)化中［17－18］。

雖然圖像質(zhì)量算子對(duì)于模糊和噪聲具有很好的適應(yīng)性，但是其有以下兩個(gè)缺點(diǎn):

(1)圖像質(zhì)量算子Q計(jì)算的是全局測(cè)度，這樣圖像的平滑區(qū)域或噪聲區(qū)域會(huì)影響整體質(zhì)量算子，即圖像各向異性邊緣的密度會(huì)影響圖像的質(zhì)量算子。如果一幅圖像的各向異性變緣較少或者較多，圖像質(zhì)量算子就會(huì)較小或者較大，而不能有效反應(yīng)圖像的質(zhì)量。

(2)其不能作為圖像質(zhì)量因子應(yīng)用于指導(dǎo)評(píng)價(jià)圖像模糊復(fù)原。由于圖像復(fù)原求解方程式不滿足Hadamard正定條件，是一個(gè)病態(tài)的逆過(guò)程，復(fù)原圖像非常敏感于噪聲和模糊核誤差。Hadamard正定條件:①方程解是存在的;②解是唯一的;③如果方程數(shù)據(jù)的誤差趨向于零，那么解的誤差也趨向于零(連續(xù)性)。由于病態(tài)原因，復(fù)原圖像常存在嚴(yán)重的圖像偽像，如圖3。

圖3 維納圖像復(fù)原結(jié)果

通過(guò)使用圖像質(zhì)量算子Q直接評(píng)價(jià)復(fù)原結(jié)果，用于選擇最佳復(fù)原圖像，得到圖像質(zhì)量評(píng)價(jià)曲線如圖4中Q所示，結(jié)合復(fù)原圖像質(zhì)量曲線和復(fù)原圖像結(jié)果，可以明顯看出圖像質(zhì)量算子不能有效表示復(fù)原圖像質(zhì)量的變化趨勢(shì)。算子Q不能有效評(píng)價(jià)主要原因是圖像偽像非常嚴(yán)重，已經(jīng)改變了圖像的結(jié)構(gòu)。

圖4 圖像質(zhì)量算子Qn，Q，Grad估計(jì)圖3中圖像質(zhì)量

為滿足滿足圖像質(zhì)量評(píng)價(jià)因子是適用于復(fù)原圖像質(zhì)量評(píng)價(jià)，設(shè)計(jì)了以下復(fù)原圖像質(zhì)量評(píng)價(jià)因子

其中Qmap表示復(fù)原圖像的局部塊質(zhì)量評(píng)價(jià)因子矩陣，其中Qmap(i，j)表示對(duì)應(yīng)塊的圖像質(zhì)量評(píng)價(jià)因子;S是相似矩陣，表示對(duì)應(yīng)復(fù)原圖像^f與降質(zhì)圖像g之間的結(jié)構(gòu)相似關(guān)系;T是復(fù)原趨勢(shì)矩陣，表示復(fù)原過(guò)程的有效性。這樣使用相似矩陣來(lái)描述復(fù)原圖像結(jié)構(gòu)變化，趨勢(shì)矩陣來(lái)描述圖像復(fù)原過(guò)程有效性。

相似矩陣可以通過(guò)對(duì)應(yīng)的塊之間的圖像結(jié)構(gòu)關(guān)系來(lái)表示。圖像結(jié)構(gòu)可以通過(guò)圖像的主方向來(lái)表示，根據(jù)奇異值分解理論，主方向可以通過(guò)特征向量v1，v2來(lái)表示，假設(shè)圖像局部塊的主方向?yàn)棣取?/p>

其中v1表示圖像局部塊梯度矩陣的特征向量，δ表示一個(gè)很小的數(shù)。圖像結(jié)構(gòu)相似矩陣S通過(guò)下式來(lái)計(jì)算

其中，Dg(i，j)表示模糊降質(zhì)圖像局部塊的主方向，D^f(i，j)表示復(fù)原估計(jì)圖像局部塊的主方向，ε表示容忍圖像結(jié)構(gòu)差異。如果模糊降質(zhì)圖像與復(fù)原估計(jì)圖像相對(duì)應(yīng)的局部塊的主方向差異小于ε，則認(rèn)為復(fù)原過(guò)程沒(méi)有改變圖像結(jié)構(gòu);否則，認(rèn)為復(fù)原過(guò)程改變了目標(biāo)圖像結(jié)構(gòu)。

復(fù)原趨勢(shì)矩陣主要用來(lái)描述圖像復(fù)原過(guò)程的有效性，其可以通過(guò)圖像模糊程度或者噪聲程度來(lái)描述，由于圖像質(zhì)量評(píng)價(jià)因子Q可以很好的反應(yīng)圖像模糊和噪聲程度，通過(guò)模糊降質(zhì)圖像與復(fù)原估計(jì)圖像相對(duì)應(yīng)的局部塊的圖像質(zhì)量評(píng)價(jià)因子Q之間的關(guān)系來(lái)描述圖像變化趨勢(shì)矩陣，趨勢(shì)矩陣T可用下式來(lái)計(jì)算

其中，其中，Qg(i，j)表示模糊降質(zhì)圖像局部塊的圖像質(zhì)量評(píng)價(jià)因子Q，Q^f(i，j)表示復(fù)原估計(jì)圖像局部塊的圖像質(zhì)量評(píng)價(jià)因子Q。如果模糊降質(zhì)圖像的圖像質(zhì)量評(píng)價(jià)因子Q小于等于復(fù)原估計(jì)圖像相對(duì)應(yīng)的局部塊的圖像質(zhì)量評(píng)價(jià)因子Q，這樣認(rèn)為復(fù)原過(guò)程正向的，是有意義。

經(jīng)過(guò)圖像相似矩陣和圖像復(fù)原趨勢(shì)矩陣，結(jié)合圖像質(zhì)量評(píng)價(jià)因子Q本身的特性，可以分析得出，復(fù)原圖像質(zhì)量評(píng)價(jià)因子Qn能很好的滿足復(fù)原圖像的質(zhì)量指示的條件，并且計(jì)算過(guò)程簡(jiǎn)單。下面使用Qn來(lái)描述圖中復(fù)原圖像的質(zhì)量，驗(yàn)證算子的有效性。

4 實(shí)驗(yàn)結(jié)果

為驗(yàn)證圖像質(zhì)量算子Qn的有效性，分別使用Qn，Q來(lái)評(píng)價(jià)圖3中的圖像，并且使用基于梯度的圖像質(zhì)量評(píng)價(jià)算子Grad［11］。圖像質(zhì)量評(píng)價(jià)結(jié)果如圖4所示，為了繪制觀察，每個(gè)圖像質(zhì)量評(píng)價(jià)算子都經(jīng)過(guò)調(diào)整。從圖可以看出，圖像質(zhì)量評(píng)價(jià)因子Qn可以很好的反應(yīng)復(fù)原圖像質(zhì)量變化的趨勢(shì)，能給出恰當(dāng)?shù)乃惴Q策指導(dǎo)。經(jīng)過(guò)相似過(guò)程測(cè)試多幅典型圖像，圖像質(zhì)量評(píng)價(jià)因子Qn都可以反應(yīng)圖像質(zhì)量的變化趨勢(shì)。由圖像質(zhì)量評(píng)價(jià)因子Qn變化趨勢(shì)，還可以看出復(fù)原圖像質(zhì)量隨著復(fù)原離焦模糊核半徑誤差的逐漸增大，圖像質(zhì)量Qn并不是逐漸變小，Qn曲線只能近似描述復(fù)原圖像質(zhì)量變化趨勢(shì)，而不能完整刻畫(huà)復(fù)原圖像質(zhì)量，這也說(shuō)明該質(zhì)量評(píng)價(jià)因子Qn只能用于選擇最佳質(zhì)量復(fù)原圖像，而不能用于精確指導(dǎo)復(fù)原過(guò)程。這也間接說(shuō)明了復(fù)原過(guò)程的病態(tài)性。

為進(jìn)一步驗(yàn)證圖像評(píng)價(jià)算法的有效性，通過(guò)將其應(yīng)用到實(shí)際離焦圖像復(fù)原中，復(fù)原過(guò)程如圖2所示。其中的“圖像質(zhì)量評(píng)價(jià)1”使用圖像質(zhì)量算子Q，“圖像質(zhì)量評(píng)價(jià)2”使用圖像質(zhì)量算子2。Q的閾值有實(shí)驗(yàn)獲得。由于圖像本身信噪比較低，首先使用［19］中方法估計(jì)離焦半徑，接著在以所估計(jì)離焦半徑為中心一定范圍內(nèi)作為圖像復(fù)原離焦半徑，接著使用維納濾波圖像復(fù)原進(jìn)行復(fù)原圖像，最后使用圖像質(zhì)量評(píng)價(jià)因子Qn作為質(zhì)量指示，選擇Qn最大者為最后輸出圖像。作為為對(duì)比，使用［20］的最大似然估計(jì)盲復(fù)原方法。復(fù)原圖像如圖5所示，可以看出，本文復(fù)原結(jié)果明顯好于［18］的結(jié)果，圖5(b)的Qn=0.034，圖5(c)的 Qn=0.006 9。

圖5 真實(shí)模糊圖像復(fù)原

5 結(jié)論

實(shí)時(shí)應(yīng)用對(duì)于圖像復(fù)原算法穩(wěn)定性需求非常高，鑒于圖像復(fù)原過(guò)程的復(fù)雜性與病態(tài)性，在圖像復(fù)原過(guò)程中引入圖像質(zhì)量評(píng)價(jià)過(guò)程是一種可行的解決方案。本文提出了一種基于無(wú)參考圖像質(zhì)量評(píng)價(jià)的圖像復(fù)原技術(shù)。該技術(shù)在圖像復(fù)原中引入圖像質(zhì)量評(píng)價(jià)，使被動(dòng)圖像復(fù)原變?yōu)橹鲃?dòng)圖像復(fù)原。由于圖像復(fù)原過(guò)程的病態(tài)性導(dǎo)致的圖像誤差問(wèn)題，提出了一種針對(duì)復(fù)原圖像質(zhì)量評(píng)價(jià)的算法，該算法通過(guò)在圖像質(zhì)量算子中引入圖像相似矩陣和圖像復(fù)原趨勢(shì)矩陣，使其能適應(yīng)復(fù)原對(duì)于圖像結(jié)構(gòu)或噪聲結(jié)構(gòu)變化。該圖像質(zhì)量評(píng)價(jià)算子計(jì)算無(wú)需參考圖像，可以很好的反應(yīng)圖像的模糊程度和噪聲程度，并且計(jì)算簡(jiǎn)單。本文提出的主動(dòng)圖像復(fù)原和適用于復(fù)原圖像質(zhì)量評(píng)價(jià)的方法將大大擴(kuò)展圖像復(fù)原的自動(dòng)實(shí)時(shí)應(yīng)用。需要指出的是自動(dòng)圖像復(fù)原中的復(fù)原過(guò)程是并行的處理過(guò)程，這對(duì)于算法的優(yōu)化非常有益。最后，本文的復(fù)原圖像質(zhì)量算子只可以處理原位模糊，即模糊過(guò)程不改變圖像的相對(duì)關(guān)系，對(duì)于非原位模糊過(guò)程，如運(yùn)動(dòng)模糊，則需要進(jìn)一步研究。

［1］ Bovik A C.The Handbook of Image and Video Processing［M］.New York，Elsevier Academic Press，2005.

［2］ Fergus R，Singh B，Hertzmann A，et al.Removing Camera Shake from a Single Photograph［J］.ACM Trans.Graph.2006，25:787－794.

［3］ Shan Q，Jia J，Agarwala A.High-Quality Motion Deblurring from a Single Image［J］.ACM Trans.Graph，2008，27: － .

［4］ Cai J F，Ji，Liu H，et al.Z:Blind Motion Deblurring from a Single Image Using Sparse Approximation［C］//CVPR(2009)，104－111.

［5］ Yang J，Zhang Y，Yin W.An Efficient TVL1 Algorithm for Deblurring Multichannel Images Corrupted by Impulsive Noise［J］.SIAM Journal on Scientific Computing，2009，31(4):2842－2865.

［6］ Goldstein T，Osher S.The Split Bregman Method for L1-Regularized Problems［J］.SIAM J.Imag.Sci.，2009(2):323－343.

［7］ Ben-Ezra M，Nayar S K.Motion deblurring using hybrid imaging［C］//Proc.of the 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，USA，2003.

［8］ Joshi N，Kang S B，Lawrence C，et al.Image Deblurring Using Inertial Measurement Sensors［C］//ACM SIGGRAPH，2010:1－9.

［9］ Wang Z，Alan C B，Hamid R S.Image Quality Assessment:from Error Visibility to Structural Similarity［J］.IEEE Transactions on Image Processing，2004，13(4):600－612.

［10］ Wang Z，BOVIK A.Why is Image Quality Assessment so Difficult?［C］//IEEE International Conference on Acoustics Speech and Signal Processing(IEEE，2002)，3313－3316.

［11］ Batten C F.Auto Focusing and Astigmatism Correction in the Scanning Electron Microscope［D］.M.Phil.Thesis，University of Cambridge，August 2000.

［12］ Caviedes J，Oberti F.A New Sharpness Metric Based on Local Kurtosis，Edge and Energy Information［J］.Signal Processing:Image Communication，2004，19:147－161.

［13］ Marichal X，Ma W Y，Zhang H J.Blur Determination in the Compressed Domain Using DCT Information［C］//Proceedings of the International Conferenceon ImageProcessing，Kobe，Japan，October 1999，2:386－390.

［14］ Marziliano P，Dufaux F，Winkler S，et al.A No-Reference Perceptual Blur Metric［C］//Proceedings of the International Conference on Image Processing，Rochester，NY，2002，3:57－60.

［15］ Varadarajan S，Karam L J.An Improved Perception-Based No-Reference Objective Image Sharpness Metric Using Iterative Edge Refinement［J］.Proceedings ofthe 15th IEEE International Conference on Image Processing，October 2008:401－404.

［16］ Ferzli R，Karam L J.A No-Reference Objective Sharpness Metric Using Riemannian Tensor［C］//Third International Workshop on Video Processing and Quality Metrics for Consumer Electronics，Scottsdale，Arizona，January 2007，25－26.

［17］ Zhu X，Milanfar P.A No-Reference Image Content Metric and Its Application to Denoising［C］//IEEE International Conference on Image Processing(ICIP)，Hong Kong，September 2010.

［18］ Zhu X，Milanfar P.Automatic Parameter Selection for Denoising Algorithms Using a No-Reference Measure of Image Content［J］.IEEE Trans.Image Processing，2010，19(12): － .

［19］ Fabian R，Malah D.Robust Identification of Motion and out-of-Focus Blur Parameters from Blurred and Noisy Images［J］.Graphical Models and Image Processing，1991，53(5):403－412.

［20］ Katsaggelos K，Lay K T.Maximum Likelihood Blur Identification and Image Restoration using the EM Algorithm［J］.IEEE Transaction on Signal Processing，1991，39(3): － .

［21］徐英，洪治.結(jié)合小波去噪THz圖像多尺度增強(qiáng)算法研究［J］.傳感技術(shù)學(xué)報(bào)，2011，24(3):398－401.

［22］李冠章，羅武勝.李沛適應(yīng)彩色空間的圖像對(duì)比度增強(qiáng)算法［J］.傳感技術(shù)學(xué)報(bào)，2009，22(6):833－837.

［23］張鈺.一種新的片上抑制CMOS圖像傳感器暫態(tài)噪聲方法［J］.傳感技術(shù)學(xué)報(bào)，2011，24(6):859－863.