基于改進(jìn)PSF估計(jì)的車載復(fù)雜圖像復(fù)原

吳春林，王正家，朱永平，何飛宇，白錦瑞

(1.湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，湖北 武漢 430068；2.湖北省產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)研究院，湖北 武漢 430068)

0 引言

在相機(jī)傳感器拍攝的曝光時(shí)間內(nèi),場景與攝像機(jī)發(fā)生相對(duì)運(yùn)動(dòng)產(chǎn)生的模糊為運(yùn)動(dòng)模糊[1]。運(yùn)動(dòng)模糊會(huì)使車載圖像出現(xiàn)模糊現(xiàn)象,影響圖像的清晰度和質(zhì)量。模糊的車載圖像會(huì)導(dǎo)致目標(biāo)邊緣輪廓不清晰,降低圖像識(shí)別的準(zhǔn)確率,觀察者出現(xiàn)乏力和不適等感受,無法掌握路況信息,增加交通事故的風(fēng)險(xiǎn),因此需要對(duì)車載運(yùn)動(dòng)圖像進(jìn)行復(fù)原。圖像運(yùn)動(dòng)模糊復(fù)原技術(shù)是圖像處理領(lǐng)域的一個(gè)重要分支[2],其研究涉及信號(hào)處理、圖像處理、數(shù)學(xué)等多個(gè)領(lǐng)域的交叉,對(duì)圖像處理領(lǐng)域的發(fā)展和進(jìn)步起到推動(dòng)作用。

根據(jù)圖像中模糊的范圍將運(yùn)動(dòng)模糊分為全局運(yùn)動(dòng)模糊和局部運(yùn)動(dòng)模糊。全局運(yùn)動(dòng)模糊是整幅圖像模糊,只有一個(gè)模糊核;局部運(yùn)動(dòng)模糊是僅有部分區(qū)域模糊,其他區(qū)域清晰。目前全局運(yùn)動(dòng)模糊去除方面取得了一定的成就[3-6],且效果較好。但是運(yùn)動(dòng)模糊不只有全局運(yùn)動(dòng)模糊,采用全局運(yùn)動(dòng)模糊復(fù)原的方法對(duì)局部模糊圖像處理時(shí),會(huì)產(chǎn)生嚴(yán)重的振鈴效應(yīng),且圖像質(zhì)量下降嚴(yán)重,所以學(xué)者們針對(duì)局部模糊圖像進(jìn)行了研究,取得了較大的成果。文獻(xiàn)[7]基于再模糊理論對(duì)圖像進(jìn)行再模糊,結(jié)合圖像的模糊前后奇異值的特點(diǎn),提取出模糊區(qū)域;文獻(xiàn)[1]結(jié)合多尺度的奇異值特征和閉合型圖分割的方法得到模糊區(qū)域,對(duì)模糊區(qū)域提取并復(fù)原,再與清晰區(qū)域拼接完成局部運(yùn)動(dòng)模糊的復(fù)原。雖然上述的局部運(yùn)動(dòng)模糊復(fù)原方法都取得了不錯(cuò)的效果,但是針對(duì)圖像中同時(shí)擁有局部運(yùn)動(dòng)模糊和全局運(yùn)動(dòng)模糊的復(fù)雜圖像,這些方法都不適用。文獻(xiàn)[8]把局部運(yùn)動(dòng)模糊和全局模糊進(jìn)行分離,取得了一定的效果,將運(yùn)動(dòng)物體所在的矩形區(qū)域進(jìn)行提取和恢復(fù),但提取的模糊區(qū)域并不準(zhǔn)確,所以在前景和背景融合后有分層現(xiàn)象,并且在運(yùn)動(dòng)模糊估計(jì)算法時(shí)間太久,實(shí)時(shí)性不強(qiáng)。因此,目前去模糊方法難以較好地復(fù)原復(fù)雜運(yùn)動(dòng)模糊圖像。

本文針對(duì)復(fù)雜的車載模糊圖像進(jìn)行研究。車載圖像的背景區(qū)域包含全局運(yùn)動(dòng)模糊,而局部運(yùn)動(dòng)區(qū)域包含了2種運(yùn)動(dòng)模糊,借鑒上述再模糊理論與分區(qū)域復(fù)原的思想,提出一種復(fù)雜車載運(yùn)動(dòng)模糊圖像的復(fù)原方法。具體為:采用改進(jìn)的模糊核估算方法,估算出圖像的全局運(yùn)動(dòng)模糊參數(shù),對(duì)圖像進(jìn)行全局運(yùn)動(dòng)模糊復(fù)原,改進(jìn)的算法能更好地估算模糊參數(shù),精度更高、效率更快;基于再模糊理論的思想,根據(jù)去全局運(yùn)動(dòng)模糊前后的圖像的結(jié)構(gòu)相似度(Structural Similarity, SSIM)和局部均方差特點(diǎn),檢測和分割出局部模糊區(qū)域,比文獻(xiàn)[8]提取的局部模糊區(qū)域更準(zhǔn)確,合成不會(huì)出現(xiàn)過渡不自然;將復(fù)原后的模糊區(qū)域與背景區(qū)域拼接合成最終的清晰圖像。

1 相關(guān)理論

1.1 再模糊理論

Crete等[9]提出的圖像再模糊理論是對(duì)原待測圖像進(jìn)行再模糊處理,借助模糊前后2幅圖像之間像素的差異以及變化來評(píng)價(jià)原始圖像的模糊程度。一副清晰的圖像,擁有突出的輪廓和細(xì)膩的紋理信息,經(jīng)過模糊處理后會(huì)損失較多的細(xì)節(jié)信息,而再次對(duì)模糊的圖像進(jìn)行模糊處理,可損失的細(xì)節(jié)信息將大大減少。從空間域來看:模糊處理主要是減小了相鄰像素之間的差異,使某一圖像塊中相鄰像素的差異減小,再模糊對(duì)像素之間差異的影響遠(yuǎn)小于第一次模糊;而從頻域來看:模糊處理主要是減少了圖像塊的高頻部分,使得圖像分布在中低頻部分,再模糊則可減少高頻部分不多。如圖1(a)～圖1(c)依次為清晰圖像以及2次模糊圖像,第一次模糊后損失大量細(xì)節(jié)信息,模糊前后圖像差異大,再次模糊則損失細(xì)節(jié)較少。

圖1 再模糊實(shí)驗(yàn)圖及直方圖Fig.1 Re-blur experiment diagram and histogram

圖1(d)～圖1(f)為原始圖像以及再模糊處理后的灰度直方圖。可以看出,原始圖像的灰度差很大,且高頻較多,經(jīng)過再模糊處理后第二幅圖像的高頻減小,且灰度之間的差異變小,再到第三幅圖像可以明顯看出灰度差值不大,相鄰的灰度值比較平均。因此可以通過對(duì)比模糊前后的圖像的相關(guān)差異,來檢測識(shí)別出局部模糊區(qū)域的位置。

1.2 圖像局部均方差和SSIM

圖像的局部均方差可較好地體現(xiàn)圖像的細(xì)節(jié)信息,當(dāng)圖像模糊時(shí),圖像相鄰間的像素關(guān)聯(lián)性較強(qiáng)、變化緩慢,從而均方差變小。因此對(duì)于模糊失真的圖像比較敏感,可用均方差來比較2幅圖像是否模糊。圖像的均方差是基于像素點(diǎn)來判斷的,并未考慮人眼的視覺觀感,所以時(shí)常出現(xiàn)評(píng)價(jià)的圖像與人眼觀感有差異,從而導(dǎo)致采用均方差判斷的圖像為模糊,但是實(shí)際人眼觀察到的圖像并不模糊。圖像的SSIM是基于人眼視覺系統(tǒng)提出的一種圖像評(píng)價(jià)模型,因此結(jié)合圖像的局部均方差和SSIM來判斷圖像塊是否模糊,能使判定結(jié)果更準(zhǔn)確且符合人的主觀感受。

圖像的局部均方差能夠反映圖像塊中像素的領(lǐng)域關(guān)系,且還可以表示圖像塊中像素灰度變化的劇烈程度。對(duì)于一副圖像計(jì)算局部方差時(shí),區(qū)域大小一般取(2k+1)(2k+1),其中k為正整數(shù)。圖像的局部均方差如下:

(1)

圖像具有很高的結(jié)構(gòu)性,主要表現(xiàn)為圖像像素間存在強(qiáng)相關(guān)性,可以通過SSIM來衡量圖像的質(zhì)量。SSIM主要用在圖像的質(zhì)量評(píng)估等領(lǐng)域,從亮度、對(duì)比度和結(jié)構(gòu)三方面來衡量圖像的相似性[10-12]:

(2)

式中:μx、μy為灰度均值,σx、σy為灰度均方值,σxy為灰度協(xié)方差,C1、C2、C3為保證分母不為0的常數(shù),l(x,y)、c(x,y)、s(x,y)分別為亮度、對(duì)比度和結(jié)構(gòu)對(duì)比度計(jì)算,S(x,y)為SSIM。

2 基于再模糊理論的運(yùn)動(dòng)模糊檢測與復(fù)原

運(yùn)動(dòng)模糊分為全局運(yùn)動(dòng)模糊和局部運(yùn)動(dòng)模糊。全局運(yùn)動(dòng)模糊是整幅圖像只有一個(gè)模糊核,排除噪聲的干擾,若已知模糊核和模糊圖像則可復(fù)原圖像;局部運(yùn)動(dòng)模糊圖像中運(yùn)動(dòng)區(qū)域表現(xiàn)為模糊,而其他區(qū)域清晰,若采用相同模糊核對(duì)圖像進(jìn)行復(fù)原,雖然模糊區(qū)域會(huì)恢復(fù)清晰,但原本清晰區(qū)域會(huì)產(chǎn)生振鈴效應(yīng),所以需要單獨(dú)分割出模糊區(qū)域進(jìn)行模糊復(fù)原,再與清晰的區(qū)域拼接融合,完成圖像的復(fù)原。如果整幅圖像既有全局運(yùn)動(dòng)又有局部運(yùn)動(dòng),則對(duì)整幅圖像的復(fù)原帶來困難,本文先求出全局運(yùn)動(dòng)模糊核,對(duì)圖像進(jìn)行全局模糊恢復(fù),去除全局運(yùn)動(dòng)模糊;再分割出局部模糊區(qū)域,對(duì)其進(jìn)行復(fù)原;最后合成清晰的圖像。算法流程如圖2所示。

圖2 算法流程Fig.2 Flowchart of algorithm

2.1 全局運(yùn)動(dòng)模糊的檢測與復(fù)原

要求解出圖像的全局運(yùn)動(dòng)模糊參數(shù),就是對(duì)僅有全局模糊的圖像塊進(jìn)行模糊核估計(jì),利用該模糊核對(duì)圖像進(jìn)行全局運(yùn)動(dòng)模糊復(fù)原。圖像的車身區(qū)域無運(yùn)動(dòng)的物體,也為背景的一部分,而圖像背景部分具有統(tǒng)一的模糊參數(shù),因此本文通過車身區(qū)域的模糊塊來計(jì)算出圖像的全局運(yùn)動(dòng)模糊核,排除局部運(yùn)動(dòng)的干擾。首先對(duì)圖像進(jìn)行高斯低通濾波去除部分噪聲的影響,然后求出全局運(yùn)動(dòng)模糊核對(duì)圖像進(jìn)行復(fù)原,得到清晰背景圖像。

(1)圖像模糊退化原理

相機(jī)運(yùn)動(dòng)生成模糊圖像,可表示為:

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

(3)

式中:*為卷積運(yùn)算,g(x,y)為模糊的圖像,f(x,y)為理想清晰圖像,h(x,y)為退化函數(shù),即點(diǎn)擴(kuò)散函數(shù)(PSF);n(x,y)為噪聲。將上式通過傅里葉變換后,轉(zhuǎn)化為頻率域,得到:

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

(4)

式中:G(u,v) 、H(u,v) 、F(u,v)、N(u,v)分別為g(x,y)、f(x,y)、h(x,y)、n(x,y)的傅里葉變換結(jié)果。可以看出,若要復(fù)原模糊圖像,模糊核和噪聲是影響復(fù)原效果的主要因素,而噪聲與H(u,v)的大小有關(guān),當(dāng)H(u,v)足夠小時(shí),噪聲是影響圖像質(zhì)量的主要因素,在復(fù)原過程中,部分噪聲被當(dāng)作圖像的高頻造成圖像模糊[13]。

若已知模糊圖像以及退化函數(shù),忽略噪聲的影響,則進(jìn)行去卷積操作得到原始的清晰圖像,而PSF可用式(5)表示:

(5)

式中:θ為運(yùn)動(dòng)模糊角度,l為運(yùn)動(dòng)模糊尺度。

若已知模糊角度和運(yùn)動(dòng)模糊的尺度就可得到模糊核,在模糊圖像塊的頻譜圖中,亮暗條紋相間,可通過相間條紋的角度來計(jì)算出模糊角度,一般使用Radon變換來估算出方向。模糊圖像的像素點(diǎn)具有很強(qiáng)的相關(guān)性,像素點(diǎn)的灰度值逐漸變化,因此可通過模糊圖像的自相關(guān)函數(shù)圖求得模糊尺度。但是由于外界因素的影響以及圖像本身的特點(diǎn),對(duì)圖像進(jìn)行傅里葉變換得到的頻譜圖會(huì)出現(xiàn)大量的毛刺和噪聲,還有頻譜圖中心的十字亮線,因此現(xiàn)有的PSF估計(jì)方法還有一些不足[14]:頻譜圖中的十字亮線會(huì)影響條紋間的距離以及方向,導(dǎo)致Radon變換后估算出的模糊方向存在一定的偏差;頻譜圖中的噪聲也會(huì)影響亮條紋的檢測。若模糊長度較小,則條紋間距過大、數(shù)量較少,噪聲在條紋中間占比大,沒有足夠的明顯條紋信息支撐Radon變換,直接去除噪聲則會(huì)導(dǎo)致圖像估計(jì)有偏差。

(2)改進(jìn)的PSF估計(jì)算法

綜上所述,本文提出一種改進(jìn)的運(yùn)動(dòng)模糊估計(jì)方法,具體步驟如下:

① 獲得模糊圖像的頻譜圖。圖3為運(yùn)動(dòng)模糊圖像,對(duì)運(yùn)動(dòng)模糊圖像取車身圖像塊進(jìn)行傅里葉變換,把得到的頻譜圖進(jìn)行動(dòng)態(tài)范圍的壓縮居中,如圖4所示。圖5為直接進(jìn)行邊緣檢測圖。

圖3 運(yùn)動(dòng)模糊圖像Fig.3 Motion blur image

圖4 頻譜圖Fig.4 Spectrogram

圖5 直接邊緣檢測圖Fig.5 Direct edge detection diagram

② 把頻譜圖進(jìn)行形態(tài)學(xué)運(yùn)算。把步驟①中的頻譜圖進(jìn)行膨脹腐蝕操作,如圖6所示,可以看出腐蝕操作去除了亮條紋中的噪聲點(diǎn),與原頻譜圖相比,亮條紋更明顯,因此也降低了頻譜圖中的十字亮線的影響。

圖6 處理后頻譜圖Fig.6 Spectrogram after processing

③ 運(yùn)動(dòng)模糊長度的估計(jì)。把步驟②中的頻譜圖進(jìn)行二值化操作,使得亮暗條紋更明顯且冗余信息少。對(duì)二值化后的圖像進(jìn)行邊緣檢測,然后對(duì)邊緣檢測圖進(jìn)行膨脹腐蝕操作,如圖7所示,從圖中可以看出幾乎沒出現(xiàn)十字亮線對(duì)邊緣檢測產(chǎn)生影響。采用Canny算子對(duì)邊緣圖像進(jìn)行以及微分以及自相關(guān)計(jì)算,通過自相關(guān)圖像計(jì)算出模糊長度,如圖8所示。

圖7 邊緣檢測圖Fig.7 Edge detection graph

圖8 自相關(guān)圖Fig.8 Autocorrelation diagram

④ 運(yùn)動(dòng)模糊角度的估計(jì)。對(duì)步驟③中的邊緣檢測圖像進(jìn)行Radon變換,通過變換圖估算出模糊方向,Radon變換如圖9所示。

圖9 Radon變換Fig.9 Radon transformation

(3)盲復(fù)原算法對(duì)比分析

噪聲和模糊核的準(zhǔn)確性是運(yùn)動(dòng)模糊圖像復(fù)原的關(guān)鍵。因此,為進(jìn)一步驗(yàn)證噪聲對(duì)運(yùn)動(dòng)模糊圖像的復(fù)原影響以及幾種算法的復(fù)原效果,采用幾種典型的復(fù)原算法對(duì)模糊圖像進(jìn)行復(fù)原。圖10和圖11為維納濾波、最小二乘方濾波法以及Lucy-Richardson(L-R)濾波對(duì)圖像進(jìn)行復(fù)原。第一組實(shí)驗(yàn)結(jié)果圖10為無噪聲的圖像復(fù)原實(shí)驗(yàn)圖,第二組實(shí)驗(yàn)圖11為含噪聲的模糊圖像復(fù)原結(jié)果。依次為原始圖、運(yùn)動(dòng)模糊圖、維納濾波復(fù)原圖、最小二乘方復(fù)原圖和L-R濾波算法復(fù)原圖。

圖10 無噪聲實(shí)驗(yàn)對(duì)比Fig.10 Comparison of noise-free experiments

圖11 含噪聲實(shí)驗(yàn)對(duì)比Fig.11 Comparison of experiments with noise

從無噪聲實(shí)驗(yàn)的對(duì)比圖10可以看出,L-R算法的復(fù)原效果與迭代次數(shù)有關(guān),迭代次數(shù)為25時(shí)復(fù)原效果最好,但產(chǎn)生了明顯的振鈴效應(yīng),圖像邊緣出現(xiàn)重影;而選取最佳K值的維納濾波以及最小二乘方復(fù)原效果比較理想。

從含噪聲的實(shí)驗(yàn)對(duì)比圖11可以看出,迭代次數(shù)為30時(shí)為最佳選擇,L-R算法對(duì)噪聲有一定的抑制,但復(fù)原效果不理想;最小二乘方濾波法復(fù)原效果理想,但對(duì)噪聲抑制作用小;最佳K值的維納濾波復(fù)原效果最好,圖像中的噪點(diǎn)明顯減少,圖像細(xì)節(jié)信息基本恢復(fù)。綜上實(shí)驗(yàn)結(jié)果對(duì)比分析,采用維納濾波算法復(fù)原圖像。

2.2 局部運(yùn)動(dòng)模糊的檢測

本文根據(jù)再模糊理論的思想,把全局運(yùn)動(dòng)模糊復(fù)原前的圖像視作再模糊后圖像,復(fù)原后的圖像視作模糊前的圖像,節(jié)省了對(duì)圖像再模糊的過程,節(jié)省了大量的時(shí)間。由于運(yùn)動(dòng)的物體在非車身區(qū)域,因此基于再模糊理論針對(duì)非車身區(qū)域進(jìn)行局部運(yùn)動(dòng)模糊檢測,可以減少處理區(qū)域、節(jié)省時(shí)間。算法步驟如下:

① 把全局模糊復(fù)原前后圖像的非車身區(qū)域分為n×m塊,計(jì)算每一小塊區(qū)域的SSIM和局部均方差。對(duì)圖像分塊處理會(huì)減小運(yùn)算量,極大縮短了算法時(shí)間,提高算法的實(shí)時(shí)性。

② 通過圖像塊模糊前后的局部均差來標(biāo)記圖像的模糊塊和清晰塊。圖像塊經(jīng)過模糊后局部均方差會(huì)減小,通過把模糊前后的圖像塊局部均方差相減,若差值較大,則說明圖像的變化大,標(biāo)記為清晰塊,相反則標(biāo)記為模糊塊;通過圖像塊模糊前后的SSIM來標(biāo)記圖像的模糊塊和清晰塊。對(duì)模糊前后圖像塊的SSIM作差,若差值較大,則說明圖像的變化大,標(biāo)記為清晰塊,相反則標(biāo)記為模糊塊。

③ 對(duì)步驟②中的模糊塊集合求交集,即為所求的模糊塊。

④ 形態(tài)學(xué)處理。本文基于圖像塊來提取出模糊區(qū)域,因此存在邊緣不平滑、不精準(zhǔn)的問題,在拼接融合過程中會(huì)出現(xiàn)邊緣過渡不自然;整個(gè)模糊區(qū)域中部分圖像塊被誤判為清晰塊,導(dǎo)致模糊區(qū)域中出現(xiàn)連接斷續(xù),不利于模糊區(qū)域的整體分割。所以需要對(duì)圖像進(jìn)行形態(tài)學(xué)中的先膨脹后腐蝕處理,精準(zhǔn)標(biāo)記出模糊區(qū)域。圖12為模糊區(qū)域檢測圖,從左往右依次為模糊區(qū)域粗提取、模糊區(qū)域分割和分割后的模糊區(qū)域。

圖12 模糊區(qū)域檢測Fig.12 Blurred area detection

2.3 局部運(yùn)動(dòng)模糊的恢復(fù)及融合

采用算法對(duì)局部運(yùn)動(dòng)模糊復(fù)原后,需要和全局運(yùn)動(dòng)模糊復(fù)原圖進(jìn)行拼接融合,得到清晰的圖像。圖像融合是根據(jù)2幅圖像中已經(jīng)配準(zhǔn)的特征點(diǎn),將2幅圖像拼接融合為1副圖像,2幅圖像拼接的交界處會(huì)存在不自然的過渡拼接縫,或者出現(xiàn)模糊重影,這是拼接融合的難點(diǎn)。由于線性融合流程簡單,且效果好,本文選用加權(quán)平均融合的算法[15]。

圖13為復(fù)原后的局部圖像塊與未復(fù)原的模糊圖的配準(zhǔn),可以看出配準(zhǔn)效果較好,不存在誤匹配的特征點(diǎn)。配準(zhǔn)的圖像進(jìn)行融合,圖14為融合后結(jié)果,從圖中可以看出,只有圖中車輛邊緣存在少許融合后邊緣痕跡,對(duì)人眼觀察無影響,因此融合效果較好。

圖13 局部復(fù)原圖像配準(zhǔn)Fig.13 Partial restoration image registration

圖14 清晰圖像融合Fig.14 Clear image blending

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性,本文采用模糊圖像進(jìn)行對(duì)比實(shí)驗(yàn)。

(1)模糊參數(shù)估計(jì)實(shí)驗(yàn)對(duì)比

為驗(yàn)證本文參數(shù)估計(jì)方法的有效性,采用文獻(xiàn)[3,16-17]以及本文算法進(jìn)行對(duì)比,以圖10(a)為標(biāo)準(zhǔn)測試圖像,對(duì)圖像進(jìn)行模糊處理,將模糊長度設(shè)置為5、15 pixel,將模糊角度在0°～180°取值,步長為35,表1為模糊角度估計(jì)實(shí)驗(yàn)結(jié)果,表2為模糊長度估計(jì)實(shí)驗(yàn)結(jié)果。

表1 模糊角度估計(jì)結(jié)果

表2 模糊尺度估計(jì)結(jié)果

由表1可知,文獻(xiàn)[3,16-17]估算的運(yùn)動(dòng)模糊角度平均誤差為1.0°、1.5°、1.9°,本文估算的運(yùn)動(dòng)模糊角度平均誤差為0.6°,最大誤差為1.7°;由表2可知,文獻(xiàn)[3,16-17]估算的運(yùn)動(dòng)模糊長度平均誤差為1.1、0.9、1.4,本文估算的運(yùn)動(dòng)模糊長度平均誤差為0.7 pixel,最大誤差為2 pixel,本文估算的運(yùn)動(dòng)模糊長度和角度平均誤差均小于其他方法,且最大誤差較小。綜上,本文方法具有更高的精度和魯棒性。

(2)全局運(yùn)動(dòng)模糊復(fù)原實(shí)驗(yàn)

圖15～圖17為仿真結(jié)果,其中圖(a)為實(shí)拍原始模糊圖,圖(b)～圖(d)依次為文獻(xiàn)[16]、文獻(xiàn)[3]、文獻(xiàn)[17]以及本文算法對(duì)圖像進(jìn)行模糊復(fù)原。為便于觀察,將局部區(qū)域圖像塊放大后置于原圖像下半部分。

圖15 運(yùn)動(dòng)模糊實(shí)驗(yàn)1Fig.15 Motion blur experiment 1

從圖15可以看出,幾種算法對(duì)運(yùn)動(dòng)模糊復(fù)原都有不錯(cuò)效果,文獻(xiàn)[16]算法細(xì)節(jié)處理較為平滑,但沒完全復(fù)原圖像中的模糊;文獻(xiàn)[3]算法在交通標(biāo)志和樹葉的邊緣位置有振鈴效應(yīng);文獻(xiàn)[17]算法對(duì)細(xì)節(jié)處理較好,但存在一定噪聲;本文算法不僅清晰無振鈴效應(yīng),且過濾平滑更符合人眼的視覺效應(yīng)。在圖16中,文獻(xiàn)[16]算法和文獻(xiàn)[3]算法在圖像中邊緣有明顯的振鈴效應(yīng);文獻(xiàn)[17]算法增強(qiáng)了噪聲,本文算法效果明顯。在圖17中,文獻(xiàn)[3,16-17]的算法雖然復(fù)原效果不錯(cuò),但存在振鈴效應(yīng)。綜上,本文算法在車載模糊圖像上復(fù)原效果較好。

圖16 運(yùn)動(dòng)模糊實(shí)驗(yàn)2Fig.16 Motion blur experiment 2

圖17 運(yùn)動(dòng)模糊實(shí)驗(yàn)3Fig.17 Motion blur experiment 3

評(píng)價(jià)圖像的質(zhì)量不僅有以上所述的主觀評(píng)價(jià),還有用參數(shù)來體現(xiàn)圖像質(zhì)量的客觀評(píng)價(jià)。客觀評(píng)價(jià)采用一種評(píng)價(jià)標(biāo)準(zhǔn)來評(píng)價(jià)圖像質(zhì)量好壞,常用的客觀評(píng)價(jià)方法有峰值信噪比(Peak Signal to Noise Ratio, PSNR)和SSIM。PSNR反映了處理后的圖像與原始圖像失真程度,值越大算法復(fù)原效果越好。但有時(shí)采用PSNR評(píng)價(jià)的結(jié)果與人眼觀感不符,所以采用PSNR和SSIM來評(píng)價(jià)圖像的質(zhì)量[18-19]。表3為幾種算法實(shí)驗(yàn)對(duì)比圖對(duì)應(yīng)的PSNR和SSIM值,表4為算法運(yùn)行時(shí)間對(duì)比。

表3 對(duì)比實(shí)驗(yàn)結(jié)果

表4 算法時(shí)間對(duì)比

由表3可知,本文算法的PSNR和SSIM平均最高,表明在客觀評(píng)價(jià)上,本文算法復(fù)原效果最好,復(fù)原后的圖像質(zhì)量最高。由表4可以看出,本文算法效率比其他3個(gè)文獻(xiàn)的效率更高,算法運(yùn)算時(shí)間為0.87 s。算法運(yùn)算時(shí)間與估計(jì)的模糊區(qū)域范圍大小有關(guān),本文是取整幅圖像的一小塊來進(jìn)行模糊估計(jì),極大縮短了算法時(shí)間。

(3)混合運(yùn)動(dòng)模糊復(fù)原實(shí)驗(yàn)

圖18～圖20為實(shí)測的混合運(yùn)動(dòng)模糊車載圖像實(shí)驗(yàn)圖,其中實(shí)驗(yàn)1和實(shí)驗(yàn)2為局部運(yùn)動(dòng)模糊為行駛車輛,實(shí)驗(yàn)3的局部運(yùn)動(dòng)模糊為行人,3組實(shí)驗(yàn)具有代表性。圖(a)為原始的混合模糊圖像,圖(b)為去除全局運(yùn)動(dòng)模糊后的圖像,圖(c)為局部運(yùn)動(dòng)和全局運(yùn)動(dòng)模糊復(fù)原后的清晰圖像。為便于觀察,截取圖中局部模糊和全局模糊部分圖像放大,置于原圖下方。

圖18 混合運(yùn)動(dòng)模糊實(shí)驗(yàn)1Fig.18 Mixed motion blur experiment 1

在圖18及圖19中,由圖(b)可以看出,行駛的車輛區(qū)域比圖(a)中的更加清晰,而背景部分幾乎得到復(fù)原,無明顯的振鈴效應(yīng)和噪聲,圖(c)中行駛的車輛基本得到復(fù)原,除邊緣有少許融合痕跡,整幅圖像較為清晰;在圖20(b)中的全局復(fù)原后的區(qū)域?yàn)檐嚿?復(fù)原效果較好且無振鈴效應(yīng),雖然圖20中的局部模糊范圍小,但從圖(c)中可以看出行人部分復(fù)原效果不錯(cuò)。

圖20 混合運(yùn)動(dòng)模糊實(shí)驗(yàn)3Fig.20 Mixed motion blur experiment 3

表3為以上3組運(yùn)動(dòng)模糊復(fù)原實(shí)驗(yàn)對(duì)應(yīng)圖像的PSNR和SSIM值,表5中(a)～(c)分別為原始混合模糊、去全局運(yùn)動(dòng)模糊以及去局部運(yùn)動(dòng)模糊圖。可以看出3組實(shí)驗(yàn)的原始混合運(yùn)動(dòng)模糊圖(a)的PSNR和SSIM都較低,經(jīng)過全局運(yùn)動(dòng)模糊復(fù)原后的圖(b)和圖(a)相比,PSNR以及SSIM平均提高了15.2%、19.6%。經(jīng)過局部模糊復(fù)原后,SSIM和PSNR也有一定提升。綜上對(duì)比分析可知,本文算法對(duì)混合運(yùn)動(dòng)模糊的車載圖像復(fù)原有不錯(cuò)的效果。

表5 模糊復(fù)原實(shí)驗(yàn)結(jié)果

(4)混合運(yùn)動(dòng)模糊復(fù)原實(shí)驗(yàn)對(duì)比

采用本文算法與文獻(xiàn)[8]算法進(jìn)行對(duì)比,圖21(a)～圖21(c)分別為原始模糊車載圖像、文獻(xiàn)[8]算法實(shí)驗(yàn)以及本文實(shí)驗(yàn)結(jié)果。可以看出,文獻(xiàn)[8]算法對(duì)局部和全局采用2種恢復(fù)算法存在差異,調(diào)整亮度后仍然存在分層現(xiàn)象,且局部運(yùn)動(dòng)的矩形區(qū)域復(fù)原后存在邊緣融合痕跡,提取的局部區(qū)域不準(zhǔn)確,而本文算法復(fù)原后無明顯痕跡,效果好。在背景區(qū)域本文算法復(fù)原無明顯振鈴現(xiàn)象,文獻(xiàn)[8]邊緣存在振鈴現(xiàn)象。

圖21 混合運(yùn)動(dòng)模糊實(shí)驗(yàn)對(duì)比Fig.21 Comparison of mixed motion blur experiment

4 結(jié)束語

本文對(duì)復(fù)雜的車載模糊圖像進(jìn)行研究,提出一種基于再模糊理論的復(fù)雜車載模糊圖像復(fù)原方法。對(duì)PSF估計(jì)算法改進(jìn)和優(yōu)化,對(duì)車身區(qū)域估算出全局模糊參數(shù),利用該參數(shù)對(duì)圖像進(jìn)行全局模糊復(fù)原,充分利用了模糊圖像的特點(diǎn);基于再模糊理論的思想,通過全局模糊復(fù)原前后的圖像提取出局部運(yùn)動(dòng)區(qū)域,節(jié)省了再模糊的時(shí)間,提高了算法的時(shí)效性;對(duì)局部運(yùn)動(dòng)區(qū)域復(fù)原后與背景區(qū)域融合,完成整幅圖像的復(fù)原。實(shí)驗(yàn)證明,本文算法復(fù)原的圖像PSNR和SSIM值都得到了提升。本文算法的復(fù)原效果較好,且適用于復(fù)雜的車載模糊圖像,具有一定的應(yīng)用價(jià)值。