面向散焦圖像的去模糊與深度估計研究.pdf

1、目前，在醫(yī)學、勘探、考古和工業(yè)檢測中，由內(nèi)鏡影像系統(tǒng)拍攝的場景圖像的模糊，一般是由相機失焦造成的。可以通過對發(fā)生散焦的圖像進行去模糊與三維重建，獲得清晰的場景圖像和精確的三維可視化場景，為醫(yī)生、勘探人員、考古學家和檢測人員提供決策參考。因此，對散焦圖像的去模糊和深度估計的研究具有重要的理論和應用價值。
　　針對散焦圖像，本文從圖像去模糊和深度估計兩方面進行研究。圖像去模糊可以看作是解半盲卷積過程，而深度估計則可看作是解盲卷積過程。

2、從生成模型和判別模型角度將解盲卷積轉(zhuǎn)化為解半盲卷積，使圖像去模糊和深度估計都可看作為解半盲卷積過程。首先，對于散焦圖像去模糊，從非負約束圖像去模糊的迭代方法和全變分圖像去模糊的保真項選取兩方面進行研究；其次，對于散焦圖像的深度估計，從準則函數(shù)的保真項和正則項的選取進行研究；最后，研究將生成模型轉(zhuǎn)化為判別模型，實現(xiàn)將解盲卷積問題轉(zhuǎn)化為解半盲卷積問題，并進行基于判別學習技術(shù)的深度估計研究。主要研究內(nèi)容如下：
　　從圖像去模糊屬于解卷積

3、問題的角度，本文提出了基于Kuhn-Tucker條件的迭代算法解決帶有非負約束的圖像去模糊問題。該迭代算法能夠保證每次迭代點是非負的，并在理論上證明該迭代算法可以單調(diào)收斂。實驗結(jié)果表明基于Kuhn-Tucker條件的迭代算法在去模糊后圖像視覺效果和PSNR方面均好于帶有非負修正的最速下降法和基于凸集投影方法的共軛梯度法。
　　從圖像去模糊屬于解半盲卷積問題的角度，本文提出了基于 I-divergence準則的全變分圖像去模糊模型。

4、該模型是基于圖像去模糊問題中涉及變量均為非負的特點，選取 I-divergence準則作為保真項，聯(lián)合全變分正則項，構(gòu)建了泛函極值函數(shù)，將其轉(zhuǎn)化為 Euler-Lagrange方程，引入時間變量，形成梯度下降流，綜合中心差分法和迎風方案構(gòu)造數(shù)值解法，對梯度下降流求解。實驗結(jié)果表明基于 I-divergence準則的全變分圖像模型在去模糊后圖像視覺效果、PSNR和BSNR方面均好于基于最小二乘準則的全變分圖像模型。
　　從散焦圖像的

5、深度估計屬于解盲卷積問題的角度，本文提出了帶有幾何約束的散焦圖像的深度估計方法。該方法具有以下幾個方面的優(yōu)點，第一，采用散焦程度較大的觀測散焦圖像與由散焦程度較小的觀測散焦圖像構(gòu)造的生成散焦圖像的差異度作為泛函極值函數(shù)，可以避免同時估計深度信息和清晰圖像的缺點，提高算法的效率。第二，根據(jù)真實孔徑成像幾何原理，在不同情況下，推導一系列點擴散函數(shù)的相對擴散參數(shù)的區(qū)間約束，有效避免由于較為復雜的正則項（如非局部均勻正則項，TV項等）造成的算法

6、效率較低的不足。第三，考慮深度估計中涉及變量均為非負的特點，選取I-divergence準則作為保真項，能夠保證在提高算法效率的同時，提高深度估計的精度。不帶噪聲的仿真實驗結(jié)果表明帶有幾何約束的深度估計方法更適用于連續(xù)光滑曲面(余弦曲面)。在運行效率和精度方面，帶有幾何約束的深度估計方法明顯優(yōu)于不帶幾何約束的深度估計方法。帶有噪聲的仿真實驗結(jié)果表明，帶有幾何約束的深度估計方法對于帶有椒鹽噪聲和泊松噪聲的散焦圖像不敏感。真實數(shù)據(jù)實驗結(jié)果表

7、明帶有幾何約束的深度估計方法明顯優(yōu)于不帶有幾何約束的深度估計方法。
　　從散焦圖像的深度估計屬于判別學習問題的角度，本文提出了基于判別測度學習的深度估計方法，該方法包含判別測度學習階段和深度估計階段。在判別測度學習階段，首先，將深度估計問題轉(zhuǎn)化為多分類問題，確定多分類的判別函數(shù)形式；其次，為了學習每個深度的判別測度，構(gòu)建了準則函數(shù)，該準則函數(shù)充分考慮組內(nèi)距離與組間距離；最后，將該準則函數(shù)轉(zhuǎn)化為半正定規(guī)劃，采用投影子梯度下降法加以求