無(wú)人機(jī)偵察圖像運(yùn)動(dòng)模糊復(fù)原方法研究

武永恒，張小孟2，李小民，李文廣2，李 炭

(1.石家莊鐵道大學(xué) 電氣與電子工程學(xué)院，石家莊 050043; 2.陸軍工程大學(xué)石家莊校區(qū) 無(wú)人機(jī)工程系，石家莊 050003)

0 引言

無(wú)人駕駛飛機(jī)簡(jiǎn)稱“無(wú)人機(jī)(unmanned aerial vehicle，UAV)”，是利用無(wú)線電遙控設(shè)備和自備的程序控制裝置操縱的不載人飛機(jī)[1]，是各國(guó)戰(zhàn)略打擊中不可缺少的軍事力量。無(wú)人機(jī)偵察成為信息化戰(zhàn)爭(zhēng)中獲取情報(bào)的重要手段，可根據(jù)獲取到的戰(zhàn)場(chǎng)信息及時(shí)對(duì)敵方行動(dòng)展開有效對(duì)抗。

無(wú)人機(jī)在偵察過(guò)程中會(huì)受到諸多因素使圖像降質(zhì)，而降質(zhì)圖像使后期利用圖像進(jìn)行情報(bào)分析變得困難，導(dǎo)致情報(bào)的失準(zhǔn)、片面化，進(jìn)而影響決策者的正確判斷及戰(zhàn)爭(zhēng)的勝負(fù)，降低了偵察圖像的應(yīng)用價(jià)值。其中運(yùn)動(dòng)模糊圖像最容易形成，如何降低運(yùn)動(dòng)模糊圖像對(duì)后期情報(bào)處理的影響成為無(wú)人機(jī)偵察圖像預(yù)處理的關(guān)鍵。因此，對(duì)圖像運(yùn)動(dòng)模糊復(fù)原算法進(jìn)行研究具有重要意義。

本文對(duì)無(wú)人機(jī)偵察圖像運(yùn)動(dòng)模糊的成因及特點(diǎn)進(jìn)行簡(jiǎn)要概述，并對(duì)現(xiàn)在主流的兩類運(yùn)動(dòng)模糊復(fù)原方法(運(yùn)動(dòng)非盲復(fù)原法與盲復(fù)原法)進(jìn)行了深入研究，針對(duì)無(wú)人機(jī)偵察圖像的特點(diǎn)分析了每種算法的性能，最后對(duì)無(wú)人機(jī)偵察圖像實(shí)時(shí)去模糊的發(fā)展趨勢(shì)進(jìn)行了展望。

1 無(wú)人機(jī)偵察圖像運(yùn)動(dòng)模糊成因及特點(diǎn)

1.1 無(wú)人機(jī)偵察圖像運(yùn)動(dòng)模糊成像原因

無(wú)人機(jī)在飛行過(guò)程中，由于載荷的復(fù)雜振動(dòng)和相機(jī)抖動(dòng)等因素導(dǎo)致航拍器成像面(CCD)的移動(dòng)速度與拍攝圖像像素的移動(dòng)速度不同步，即相機(jī)在曝光時(shí)間內(nèi)拍攝物體與感光介質(zhì)之間發(fā)生相對(duì)運(yùn)動(dòng)，使實(shí)際成像在CCD上產(chǎn)生位移而形成運(yùn)動(dòng)模糊圖像，產(chǎn)生原理如圖1所示。

圖1 運(yùn)動(dòng)模糊產(chǎn)生原理

無(wú)人機(jī)從A點(diǎn)飛行到A1的過(guò)程中：無(wú)人機(jī)在A點(diǎn)時(shí)，地面上的一點(diǎn)C會(huì)在CCD上的B點(diǎn)成像(理論成像位置)，當(dāng)無(wú)人機(jī)運(yùn)動(dòng)到A1時(shí)，地面上的點(diǎn)C成像在B1(實(shí)際成像位置)，C點(diǎn)的成像由B點(diǎn)移動(dòng)到B1點(diǎn)，產(chǎn)生水平位移，形成運(yùn)動(dòng)模糊。

1.2 無(wú)人機(jī)偵察圖像運(yùn)動(dòng)模糊成像特點(diǎn)

無(wú)人機(jī)在情報(bào)獲取過(guò)程中，圖像大多是高空垂直拍攝，這使無(wú)人機(jī)偵察模糊圖像相對(duì)于其它模糊圖像具有自身特點(diǎn)：

1)無(wú)人機(jī)飛行高度較高且運(yùn)動(dòng)速度快，航拍圖像的模糊尺度較大。

2)圖像內(nèi)目標(biāo)數(shù)量大，有河流、山丘、淺色建筑等，影響去模糊效果。

3)無(wú)人機(jī)運(yùn)動(dòng)方式有勻速運(yùn)動(dòng)、正弦運(yùn)動(dòng)、隨機(jī)運(yùn)動(dòng)等，不同運(yùn)動(dòng)方式拍攝的模糊圖像有各自的特點(diǎn)。

4)高空垂直拍攝，使得拍攝圖像含不確定噪聲影響去模糊效果。

2 圖像非盲復(fù)原法

非盲復(fù)原法是在圖像的點(diǎn)擴(kuò)散函數(shù)(point spread function(PSF)，模糊核)和模糊圖像已知的情況下建立圖像退化模型，然后對(duì)模型進(jìn)行逆運(yùn)算得到清晰圖像的一種方法。這種方法出現(xiàn)較早，相對(duì)現(xiàn)有的新方法來(lái)說(shuō)比較完善，但應(yīng)用在無(wú)人機(jī)偵察領(lǐng)域時(shí)存在以下問(wèn)題：

1)由于無(wú)人機(jī)航拍圖像的不確定性，使得無(wú)法確定圖像的模糊核，失去已知條件無(wú)法建立退化模型。

2)針對(duì)性較差，沒有針對(duì)無(wú)人機(jī)運(yùn)動(dòng)模糊特點(diǎn)進(jìn)行處理，復(fù)原效果不理想。

常用的方法有：逆濾波算法、維納濾波算法、約束最小二乘算法、Lucy-Richardson算法。

2.1 逆濾波算法

逆濾波法使用傅里葉變換將圖像的退化模型轉(zhuǎn)換到頻域來(lái)求解原始圖像[2]。圖像的退化模型描述為一個(gè)空間域的卷積過(guò)程，退化模型的表現(xiàn)形式為[3]：

g(x,y)=h(x,y)*f(x,y)+n(x,y)

(1)

式中，g(x,y)為模糊圖像，h(x,y)為模糊核，f(x,y)為清晰圖像，n(x,y)為噪聲，*是卷積運(yùn)算。將式(1)通過(guò)傅里葉變換可得到頻域退化模型：

G(u,v)=H(u,v)F(u,v)+N(u,v)

(2)

式(2)可變形為：

(3)

在忽略噪聲的情況下，式(3)中第二部分為零，僅根據(jù)模糊圖像與模糊核即可求得復(fù)原圖像。

20世紀(jì)60年代中期，Nathan使用逆濾波法恢復(fù)太空中獲取的模糊圖像，但效果較差[3]。隨后Harris[4]與Mcglamery[5]對(duì)逆濾波法進(jìn)行了改進(jìn)，分別使用PSF解析模型和由實(shí)驗(yàn)得到的PSF對(duì)模糊圖像進(jìn)行復(fù)原，效果稍有改善，但當(dāng)噪聲較大時(shí)仍無(wú)法得到清晰圖像。

逆濾波法雖簡(jiǎn)單快速，但有很大的局限性：實(shí)際情況下模糊圖像必定會(huì)存在噪聲，當(dāng)噪聲較大時(shí)式(3)中第二部分的值與理想情況相差較大，無(wú)法復(fù)原出清晰圖像。因此逆濾波法只適用于噪聲較小甚至可以忽略的情況，并不適用于無(wú)人機(jī)偵察這一背景。

2.2 維納濾波算法

由于逆濾波法抗干擾性較差，1967年Helstrom改進(jìn)了逆濾波，提出將圖像和噪聲看作是一個(gè)隨機(jī)過(guò)程，以未退化圖像和估計(jì)圖像之間的最小均方誤差來(lái)復(fù)原圖像的維納濾波算法[6]。均方誤差度量式如下：

(4)

(5)

式中，G(u,v)是模糊圖像的傅里葉變換，G*(u,v)是G(u,v)的共軛，且|G(u,v)|2=G*(u,v)G(u,v)，Sn(u,v)是n(x,y)的功率譜，且Sn(u,v)=|N(u,v)|2，Sf(u,v)是f(x,y)的功率譜，且Sf(u,v)=|F(u,v)|2，γ的取值代表濾波器的種類：γ=1時(shí)，為標(biāo)準(zhǔn)維納濾波器；γ為隨機(jī)變量時(shí)，為含參數(shù)維納濾波器；當(dāng)噪聲很小可以忽略(Sn(u,v)=0)時(shí)，式(5)退化為逆濾波器。

實(shí)際中一般將噪聲視為高斯白噪聲，式(5)近似表示為：

(6)

式中，K為常數(shù)，通過(guò)人為調(diào)節(jié)K的值來(lái)使均方誤差最小，復(fù)原出理想圖像。當(dāng)K增大時(shí)，濾波器加強(qiáng)對(duì)噪聲的抑制使復(fù)原圖像變暗；當(dāng)K減小時(shí)，濾波器減小對(duì)噪聲的抑制使復(fù)原圖像質(zhì)量下降。大量數(shù)據(jù)表明K取[0.001,0.01]時(shí)復(fù)原效果較為理想。

1967年，Slepian[7]將維納濾波法推廣到處理隨機(jī)模糊核的情況。之后Pratt[8]與Habibi[9]將算法進(jìn)行優(yōu)化，提高了維納濾波的計(jì)算精度和速度，但其復(fù)原效果并不理想。1974年，卡農(nóng)[10]提出了類似維納濾波的功率譜均衡濾波器，在特定情況下，得到了較為清晰的復(fù)原圖像。隨后Hunt[11]將此方法應(yīng)用在噪聲較大的模糊圖像上時(shí)發(fā)現(xiàn)，維納濾波出現(xiàn)了低通濾波效應(yīng)，人工痕跡明顯，圖像失真嚴(yán)重。

維納濾波法在一定程度上抑制了噪聲的影響，但并不適用于無(wú)人機(jī)偵察領(lǐng)域，主要原因歸結(jié)為三點(diǎn)：

1)維納濾波只適用于線性系統(tǒng)，而實(shí)際中的成像往往都是非線性的。

2)人類視覺系統(tǒng)中的平滑效應(yīng)與維納濾波復(fù)原出圖像的平滑效應(yīng)相差較大。

3)算法存在病態(tài)問(wèn)題，且抗噪性較差，無(wú)法復(fù)原出清晰圖像。

2.3 約束最小二乘算法

為克服維納濾波法的病態(tài)問(wèn)題，提出一種依靠噪聲均值和方差的先驗(yàn)知識(shí)求解最優(yōu)值的方法，即約束最小二乘法[12]。

約束最小二乘法在圖像復(fù)原模型上增加約束條件，使原始圖像二階導(dǎo)數(shù)的二范數(shù)最小(即‖f″‖2最小)，以達(dá)到復(fù)原圖像的目的。為了方便計(jì)算將二階導(dǎo)數(shù)替換為二階差分，把問(wèn)題轉(zhuǎn)化為求‖Qf‖2的最小值，其中Q為f的線性算子。原始圖像f滿足圖像的退化模型式(1)，得到其約束條件：

(7)

由此，根據(jù)Lagrange乘法建立數(shù)學(xué)模型：

(8)

其中:λ為拉格朗日系數(shù)。最后解得：

(9)

根據(jù)實(shí)際中不同種類的模糊圖像，尋找相應(yīng)的先驗(yàn)知識(shí)，確定線性算子Q的取值，建立出不同形式的約束最小二乘算法，找到求解病態(tài)問(wèn)題的方案，復(fù)原出清晰圖像，這是約束最小二乘法最大的優(yōu)點(diǎn)。但其跟逆濾波法有相同的缺點(diǎn)，在噪聲較小可以忽略時(shí)復(fù)原效果較為理想。當(dāng)噪聲的強(qiáng)度過(guò)高時(shí)，復(fù)原效果過(guò)于依賴λ的取值，當(dāng)λ過(guò)小時(shí)噪聲對(duì)復(fù)原圖像影響較大，當(dāng)λ過(guò)大時(shí)人工痕跡過(guò)于明顯，目前為止還未找到合適的取值。而且該方法需根據(jù)不同種類模糊圖像，人工找尋合適參數(shù)后進(jìn)行復(fù)原，不適用于情報(bào)偵察。

2.4 Lucy-Richardson算法

Lucy-Richardson算法區(qū)別于上述三種算法，它是一種非線性的迭代復(fù)原方法，它是由Lucy和Richardson分別提出，引用時(shí)通常稱為L(zhǎng)ucy-Richardson(簡(jiǎn)稱L-R)算法[13]。L-R算法是基于貝葉斯框架和泊松分布的一種數(shù)學(xué)模型，依靠統(tǒng)計(jì)模糊信號(hào)的震蕩概率特性，將問(wèn)題轉(zhuǎn)化為求解模型的最大似然估計(jì)值來(lái)復(fù)原圖像。

貝葉斯公式：

(10)

式中，P(x|y)表示在事件y的條件下事件x發(fā)生的概率，P(y|x)表示在事件x的條件下事件y發(fā)生的概率，P(x)表示事件x的概率。

泊松統(tǒng)計(jì)模型：

(11)

式中，u表示給定時(shí)間范圍內(nèi)事情發(fā)生的平均次數(shù)。

根據(jù)貝葉斯公式和泊松統(tǒng)計(jì)模型得到L-R算法的迭代方程：

(12)

當(dāng)模糊圖像中僅存在泊松噪聲時(shí)，L-R算法復(fù)原效果較為清晰，但隨著迭代次數(shù)n的增加，圖像的失真現(xiàn)象會(huì)越來(lái)越嚴(yán)重。

L-R算法存在振鈴效應(yīng)降低了復(fù)原圖像的質(zhì)量，因此學(xué)者們對(duì)L-R算法進(jìn)行了改進(jìn)。J.J.Ding等人[14]將金字塔結(jié)構(gòu)融入L-R算法，將圖像的模糊尺度細(xì)化后再進(jìn)行迭代復(fù)原，減少了迭代次數(shù)，一定程度上避免了細(xì)節(jié)引起的振鈴效應(yīng)。D.Chen等人[15]基于多高斯光束模型和基爾霍夫近似，估計(jì)了模糊圖像的點(diǎn)擴(kuò)展函數(shù)，進(jìn)一步提高了L-R算法復(fù)原圖像的清晰度。H.Zhao等人[16]提出了一種基于矢量外推法的L-R算法，在算法的框架中引入一個(gè)指數(shù)修正項(xiàng)，使迭代步驟加大、算法收斂速度變快，但噪聲放大速度較快，且信噪比較低。由于L-R算法運(yùn)算量較大、需反復(fù)試驗(yàn)、只對(duì)存在泊松噪聲的模糊圖像復(fù)原效果較好等缺點(diǎn)，導(dǎo)致L-R算法并不適用于無(wú)人機(jī)偵察圖像復(fù)原。

3 圖像盲復(fù)原法

無(wú)人機(jī)進(jìn)行偵察時(shí)圖像會(huì)受到噪聲等不確定因素的影響，無(wú)法確定圖像的點(diǎn)擴(kuò)散函數(shù)，使得圖像非盲復(fù)原法不再適用。圖像盲復(fù)原法針對(duì)這種隨機(jī)不確定問(wèn)題，利用僅有的模糊圖像來(lái)尋找先驗(yàn)知識(shí)，建立數(shù)學(xué)模型，復(fù)原模糊圖像[17-19]。根據(jù)復(fù)原策略的不同，圖像盲復(fù)原主要分為先驗(yàn)辨識(shí)法和聯(lián)合辨識(shí)法兩大類[20]。

3.1 先驗(yàn)辨識(shí)法

先驗(yàn)辨識(shí)法利用模糊圖像的先驗(yàn)知識(shí)對(duì)PSF進(jìn)行估計(jì)，把圖像盲復(fù)原問(wèn)題轉(zhuǎn)化為圖像的非盲復(fù)原，再利用非盲復(fù)原算法進(jìn)行處理。常見的方法有：空域法和頻域法。

3.1.1 空域法

空域法是根據(jù)圖像模糊前后邊緣的變化來(lái)估計(jì)退化參數(shù)的一種方法。對(duì)模糊圖像中退化參數(shù)的估計(jì)是模糊圖像復(fù)原的關(guān)鍵，在建立退化模型中如何獲取更好、更精確的退化參數(shù)一直是圖像復(fù)原的研究重點(diǎn)，其準(zhǔn)確性直接影響去模糊效果。

根據(jù)圖像邊緣的這種特性，Lin等學(xué)者[21]研究了一種檢測(cè)模糊核模糊尺度的方法，通過(guò)運(yùn)動(dòng)模糊圖像在運(yùn)動(dòng)方向上梯度的變化估計(jì)出圖像邊緣的擴(kuò)散寬度，得到模糊尺度的近似值，由于梯度測(cè)量的缺陷使得模糊尺度的精度較低。加州大學(xué)的Bae H等人[22]將Kinect體感設(shè)備與IMU傳感器應(yīng)用到攝像機(jī)中設(shè)計(jì)了一個(gè)可以估計(jì)模糊核的設(shè)備，提高了模糊核參數(shù)的精度。由于模糊圖像在空域中的特征并不明顯，因此近年來(lái)對(duì)該方法的研究較少。

3.1.2 頻域法

頻域法是根據(jù)模糊圖像在頻域中的特征估計(jì)模糊核的一種方法。Cannon等學(xué)者[23]發(fā)現(xiàn)了勻速直線運(yùn)動(dòng)模糊圖像的頻譜上存在一條零值條紋，根據(jù)條紋可計(jì)算出模糊核，但其受噪聲影響較大，復(fù)原效果并不理想。Lokhande等學(xué)者[24]通過(guò)檢測(cè)模糊圖像頻譜中暗條紋的方向，得到模糊角度。華中科技大學(xué)鄧澤峰博士改進(jìn)了Radon變換法，提出了基于Radon變換的極大值算法和基于曲線擬合的反比例模型法[25]分別計(jì)算模糊角度和模糊尺度。但在有噪聲時(shí)，效果較差。A.M.Deshpande等人[26]提出了一種將倒譜域法與位平面切片法相結(jié)合的方法，提高了模糊核參數(shù)估計(jì)的精度。

頻域法雖然簡(jiǎn)單、快速，但其對(duì)存在加性噪聲的圖像復(fù)原效果并不理想，而且此方法僅限于勻速直線運(yùn)動(dòng)模糊圖像，另外頻譜中沒有零值條紋則無(wú)法估計(jì)模糊核。由于獲取先驗(yàn)知識(shí)的條件過(guò)于復(fù)雜，缺乏一般性使得該方法不適用于無(wú)人機(jī)偵察這一背景。

3.2 聯(lián)合辨識(shí)法

聯(lián)合辨識(shí)法是將模糊核估計(jì)與圖像復(fù)原結(jié)合，同時(shí)進(jìn)行處理的一種方法。該方法實(shí)用性、魯棒性較強(qiáng)，但算法復(fù)雜，實(shí)時(shí)性較差。常見的方法有：迭代盲反卷積法、非負(fù)支持域約束遞歸逆濾波法和基于正則化的方法。

3.2.1 迭代盲反卷積法

迭代盲反卷積法(iterative blind deconvolution, IBD)是圖像盲復(fù)原中最直接有效的一種算法[27]。該方法根據(jù)PSF與模糊圖像在頻域和時(shí)域中的特點(diǎn)，在頻域與時(shí)域之間交替迭代求解，直至滿足一定標(biāo)準(zhǔn)。

交替求解時(shí)需對(duì)PSF與模糊圖像添加約束條件：像素的非零性與模糊核的能量守恒性。此約束條件下的復(fù)原圖像模型表示為：

(13)

式中，N為像素總數(shù)。像素個(gè)數(shù)隨著迭代次數(shù)的增加而減小，當(dāng)N為零時(shí)停止迭代。通過(guò)傅里葉變化和維納濾波算法得到IBD迭代公式：

(14)

(15)

式中,Sff(u,v)，Shh(u,v)，Snn(u,v)分別是原始圖像、PSF和噪聲的功率譜，其比值可用較小的常量代替。

IBD法雖然簡(jiǎn)單直觀，但由文獻(xiàn)[28]分析可得IBD法與維納濾波相似抗噪性較差，而且解的唯一性和收斂性無(wú)法確定。為此屈志毅等人[29]先使用IBD法對(duì)點(diǎn)擴(kuò)散函數(shù)進(jìn)行估計(jì)，然后采用神經(jīng)網(wǎng)絡(luò)的方法復(fù)原，保證了算法的收斂性。但在迭代求解過(guò)程中受模糊圖片中的噪聲級(jí)別和模糊程度影響較大，無(wú)法保證復(fù)原質(zhì)量。張?chǎng)┑热薣30]提出了一種多尺度的迭代卷積法，該法將圖像分解到平滑分量和細(xì)節(jié)紋理分量，然后分別對(duì)每個(gè)分量進(jìn)行迭代卷積求解，提高了復(fù)原圖像的質(zhì)量。至今IBD法雖有了很大改善，但對(duì)噪聲干擾的魯棒性依然較差。

3.2.2 非負(fù)支持域約束遞歸逆濾波法

非負(fù)支持域約束遞歸逆濾波法(nonnegativity and support constraints recursive inverse filtering，NAS-RIF)是一種逆濾波的方法，算法流程如圖2所示。

圖2 非負(fù)支持域約束遞歸逆濾波算法流程

本方法充分利用高通濾波器的特性，求取全局函數(shù)的最小值。但又由于高通濾波器，將噪聲放大導(dǎo)致圖像的清晰度下降。針對(duì)NAS-RIF算法的不足，文獻(xiàn)[31]在非線性限制函數(shù)中添加邊緣保持約束項(xiàng)，提高了圖像的紋理細(xì)節(jié)，但只針對(duì)信噪比低的圖像具有較好的復(fù)原效果。文獻(xiàn)[32]首先使用輪廓去噪法削弱圖像的噪聲，再使用NAS-RIF算法進(jìn)行復(fù)原，提高了圖像的信噪比。文獻(xiàn)[33]使用幾何非線性擴(kuò)散濾波除去了部分噪聲，又將總變分引入非線性限制函數(shù)，在保持圖像細(xì)節(jié)的情況下提高了圖像的信噪比，但當(dāng)噪聲較為嚴(yán)重時(shí)復(fù)原質(zhì)量會(huì)大大降低。因此NAS-RIF算法對(duì)于含不確定噪聲的無(wú)人機(jī)偵察圖像來(lái)說(shuō)并不適用。

3.2.3 基于正則化的方法

基于正則化的方法是根據(jù)PSF與模糊圖像的特點(diǎn)構(gòu)建相應(yīng)的正則化約束來(lái)復(fù)原圖像?；谡齽t化方法的圖像復(fù)原框架可表示為：

(16)

基于正則化的方法相對(duì)其他方法具有穩(wěn)定、細(xì)節(jié)突出、良好的抗噪性等優(yōu)點(diǎn)，但仍無(wú)法滿足無(wú)人機(jī)偵察過(guò)程中實(shí)時(shí)去模糊的要求，因此基于正則化的方法成為無(wú)人機(jī)模糊圖像復(fù)原領(lǐng)域研究的熱點(diǎn)。

4 實(shí)驗(yàn)與分析

4.1 數(shù)據(jù)采集

本實(shí)驗(yàn)采用模擬運(yùn)動(dòng)模糊圖像與無(wú)人機(jī)拍攝的真實(shí)運(yùn)動(dòng)模糊圖像驗(yàn)證算法的復(fù)原效果。模擬運(yùn)動(dòng)模糊圖像是清晰圖像與PSF卷積后加入高斯噪聲得到。圖3是測(cè)試圖像Cameraman、Woman及對(duì)應(yīng)的模糊核與模糊圖像。

圖3 測(cè)試圖像

無(wú)人機(jī)拍攝的真實(shí)運(yùn)動(dòng)模糊圖像取自DJI Phantom 3 Professional 型無(wú)人機(jī)，如圖4所示。

圖4 無(wú)人機(jī)拍攝的真實(shí)運(yùn)動(dòng)模糊圖像

4.2 復(fù)原實(shí)驗(yàn)

實(shí)驗(yàn)對(duì)象如表1所示。

表1實(shí)驗(yàn)對(duì)象

為驗(yàn)證正則化法的魯棒性與實(shí)用性首先利用7種算法對(duì)測(cè)試圖像Cameraman與Woman進(jìn)行復(fù)原實(shí)驗(yàn)。然后進(jìn)行無(wú)人機(jī)運(yùn)動(dòng)模糊圖像復(fù)原實(shí)驗(yàn)，將NAS-RIF算法與文獻(xiàn)[38]正則化法進(jìn)行對(duì)比分析。

圖5是算法1～7的復(fù)原效果對(duì)比圖，對(duì)比發(fā)現(xiàn)盲復(fù)原法較非盲復(fù)原法復(fù)原圖像更清晰。對(duì)比(f)、(g)、(h)發(fā)現(xiàn)正則化法復(fù)原的模糊圖像主觀視覺更好，圖像邊緣清晰程度較好。

圖5 模糊圖像復(fù)原效果對(duì)比圖

圖6 無(wú)人機(jī)運(yùn)動(dòng)模糊圖像復(fù)原效果

由于算法1～5復(fù)原效果較差，對(duì)無(wú)人機(jī)運(yùn)動(dòng)模糊圖像僅對(duì)算法6與算法7的復(fù)原效果進(jìn)行對(duì)比。如圖6所示。

由圖6中的(b)、(c)分析可得：較NAS-RIF算法，正則化法復(fù)原圖像整體對(duì)比度更好，圖像清晰度更好。由圖6中的(d)、(e)、(f)分析可得：正則化法復(fù)原圖像紋理細(xì)節(jié)更加明顯，減少了重影現(xiàn)象。

通過(guò)實(shí)驗(yàn)表明正則化法應(yīng)用于無(wú)人機(jī)運(yùn)動(dòng)模糊圖像時(shí)復(fù)原效果較好，相對(duì)于其他算法實(shí)用性較強(qiáng)。

5 結(jié)束語(yǔ)

隨著計(jì)算機(jī)視覺與人工智能技術(shù)的發(fā)展，對(duì)無(wú)人機(jī)偵察信息處理的要求不斷提高。因此，針對(duì)無(wú)人機(jī)在運(yùn)動(dòng)過(guò)程中產(chǎn)生的降質(zhì)圖像，在分析目前主流算法的基礎(chǔ)上，根據(jù)無(wú)人機(jī)偵察圖像自身的特點(diǎn)，對(duì)無(wú)人機(jī)偵察圖像運(yùn)動(dòng)模糊復(fù)原算法的發(fā)展趨勢(shì)做出以下展望：

1)提高算法的處理速度。處理速度在情報(bào)處理中要求較高，而目前復(fù)原算法無(wú)法在保證復(fù)原質(zhì)量的前提下實(shí)現(xiàn)快速處理。

2)提高算法的適用性。目前復(fù)原算法大都針對(duì)某類圖像具有較好的復(fù)原效果，而無(wú)人機(jī)偵察環(huán)境復(fù)雜多變使得圖像信息具有不確定性，因此提高算法的適用性成為無(wú)人機(jī)偵察圖像復(fù)原領(lǐng)域中的重要研究方向。

3)提高算法的智能性。理想的智能算法是可根據(jù)實(shí)際情況智能選擇參數(shù)，高效的完成處理。而現(xiàn)有算法是經(jīng)多次實(shí)驗(yàn)由經(jīng)驗(yàn)得到合適參數(shù)或手動(dòng)調(diào)節(jié)參數(shù)，因此復(fù)原算法的智能性是目前無(wú)人機(jī)圖像處理領(lǐng)域亟待解決的問(wèn)題。