[发明专利]基于多尺度梯度差值的单幅图像散焦模糊估计算法

摘要

本发明公开了一种基于多尺度梯度差值的单幅图像散焦模糊估计算法，步骤(1)、边缘位置散焦模糊估计；步骤(2)、对稀疏散焦地图进行滤波和插值，最终获得全散焦地图。与现有技术相比，本发明能够准确地计算出图像每一个像素点处的散焦值；其中散焦估计算法能够有效抑制模糊纹理的歧义性；对于不同场景类型的散焦模糊图像，均可以获得高精度的散焦地图。

主权项

一种基于多尺度梯度差值的单幅图像散焦模糊估计算法，其特征在于，该方法包括以下步骤：步骤(1)、边缘位置散焦模糊估计，该步骤的具体操作包括：给定一幅理想聚焦图像i(x,y)，对应的模糊图像p(x,y)建模为：p(x,y)=i(x,y)⊗g(x,y,σ)---(1)]]>其中，(x,y)表示图像中的像素点坐标，σ表示原始图像每个像素点的散焦模糊量，先定义一组二维高斯内核g(x,y,σk),(k＝1,2,...,n)，每个二维高斯函数g(x,y,σk)的表达式为：g(x,y,σk)=12πσk2exp(-x2+y22σk2)---(2)]]>接下来，使用这些二维高斯内核g(x,y,σk)与原始模糊图像p(x,y)进行卷积，得到一组再模糊图像pk(x,y)(k＝1,2,...,n)，该过程如下式所示：pk(x,y)=p(x,y)⊗g(x,y,σk)---(3)]]>获得一组再模糊图像沿任意方向θ的梯度公式表示为：▿pkθ(x,y)=cos(θ)▿pkx(x,y)+sin(θ)▿pky(x,y)---(4)]]>其中，和表示再模糊图像pk(x,y)沿y轴和x轴的梯度函数；分别给定沿y轴方向幅值为A的阶梯型边缘b(x)和沿x轴方向幅值为A′的阶梯型边缘b(y)，b(x)＝Aμ(x)+B                                     (5)b(y)＝A′μ(y)+B′                                   (6)其中μ(x)是理想阶跃函数，B是b(x)对应的偏移量；μ(y)是理想阶跃函数，B′是b(y)对应的偏移量；计算出一组再模糊图像pk(x,y)沿y轴和x轴的一组梯度函数和▿pkx(x,y)=Aμ(x)⊗▿gx(x,y,σ2+σk2)=A2π(σ2+σk2)exp(-x22(σ2+σk2))---(7)]]>▿pky(x,y)=A′μ(y)⊗▿gy(x,y,σ2+σk2)=A′2π(σ2+σk2)exp(-y22(σ2+σk2))---(8)]]>将式(7)和(8)带入式(4)，计算出沿梯度方向θM(x,y,σk)的一组梯度幅值||▿pkθM(x,y)||=(▿pkx(x,y))2+(▿pky(x,y))2---(9)]]>θM(x,y,σk)=tan-1(▿pky(x,y)▿pkx(x,y))---(10)]]>证明这组梯度函数和分别在y轴和x轴上获得最大值：▿pkx(0,y)=A2π(σ2+σk2)---(11)]]>▿pky(x,0)=A′2π(σ2+σk2)---(12)]]>当这组梯度函数和同时取得最大值时，梯度幅值获得一组梯度幅值最大值||▿pkθM(0,0)||=(▿pkx(0,y))2+(▿pky(x,0))2=Aθ2π(σ2+σk2)---(13)]]>获得一组梯度差值Ci,j，公式如下：Ci,j=||▿piθM(0,0)||-||▿pjθM(0,0)||=Aθ2π(σ2+σi2)-Aθ2π(σ2+σj2)---(14)]]>设置σk∈{1.2,1.8,2.4,3.0,3.6,4.2}像素，Aθ＝210；使用MATLAB曲线拟合工具箱来获得各散焦模糊量，计算公式如下：σ=2.6Ci,j+18.8Ci,j+0.1-B---(15)]]>最后，计算这n‑1个散焦估计值的加权平均值，得到每一个边缘像素的散焦估计值；步骤(2)、对稀疏散焦地图进行滤波和插值，该步骤的具体操作包括：利用散焦模糊量组成一幅稀疏散焦地图对散焦地图的边缘像素进行联合双边滤波[1]，校正原始稀疏散焦地图中的错误估计值；采用基于拉普拉斯的插值方法[2]对稀疏散焦地图进行插值；最终获得全散焦地图。