联合深度去噪先验图像盲去模糊 下载: 1104次
1 引言
受成像设备晃动、散焦或大气湍流等因素的影响,实际获取的图像往往存在模糊现象,致使图像质量大大下降,影响后续的处理和应用。图像去模糊是计算机视觉、图像处理领域的研究热点。
针对去模糊问题的病态性,通常基于图像先验信息利用正则化技术构造图像去模糊模型,并对模型求解得到复原图像。通常有两类方法获得先验信息:一类是基于统计先验模型,另一类是通过学习方法获得。常用的统计先验模型有梯度重尾分布先验[1-2]、归一化稀疏先验[3]、
另外一类是通过学习的方法获得先验信息用于图像去模糊。Schuler等[11]提出一种基于卷积神经网络(CNN)的模糊核估计方法,但是该方法难以处理运动模糊图像。Xu等[12]利用图像先验初始化网络权值,实现了端对端的图像去模糊,但该算法复杂度较高;Su等[13]提出基于深度卷积神经网络的视频去模糊方法,但该方法需要学习多帧图像特征,不适用于单幅图像;Kim等[14]提出了一种深度聚合交替最小化图像的复原方法,虽然取得了较好的去噪效果,但去模糊效果欠佳;Nah等[15]提出了一种用于动态场景的多尺度卷积神经网络去模糊算法,利用图像金字塔结构由粗到精训练网络,可以较好地保留图像细节并避免振铃伪影,但该算法同样不能有效处理运动模糊图像。
综上,统计先验模型对图像特征表达不足,图像细节恢复能力有限,而目前大多数基于先验学习的方法仅适用于特定图像、模糊类型和噪声水平。基于此,提出一种联合深度去噪先验图像的盲去模糊方法。首先,基于图像模糊前后低值像素的稀疏性变化提出一种简单有效、更具普适性的低值像素先验;然后,针对目前去模糊研究中极少考虑噪声影响的问题,设计深度卷积神经网络,学习图像的深度去噪先验;最后,将包括梯度稀疏先验的统计先验与深度去噪先验融合到同一数学框架,构建新的图像盲去模糊模型,并提出有效的求解方法。所提方法可有效克服统计先验模型方法和基于先验学习方法各自的缺陷,不仅可以取得理想的去模糊效果,还可有效抑制噪声并去除各种视觉伪影。
2 基于统计先验的图像去模糊
图像模糊退化过程可表示为
式中:
式中:
式中第一项为数据保真项,第二项为全变差项,‖
各向异性全变差‖
式中
在图像去模糊领域,近年来提出了很多新的图像先验方法,如暗通道先验[16]、亮通道先验[17]、极端通道先验[18]等。虽然这类方法具有较强的稳健性,但却很难在抑制噪声的同时较好地恢复图像的细节。而且,这些自然图像先验并不适用于某些特定类型的图像,如人脸图像、文本图像等。因此,获取更加高效、更具普适性的图像先验,成为图像去模糊的关键。
本文首先根据图像模糊前后的直方图统计,提出一种简单有效的低值像素先验,同时设计深度卷积神经网络,学习图像的深度去噪先验,并联合梯度稀疏约束构建新的盲去模糊模型。
3 本文方法
3.1 低值像素先验
经研究和大量实验验证,图像在模糊退化过程中低值像素受影响较大。
采用零范数稀疏性度量构建图像低值像素稀疏性约束
图 2. (a)清晰图像和(b)模糊图像的像素灰度直方图
Fig. 2. Pixel gray histograms of (a) clear image and (b) blurred image
式中
式中
3.2 深度去噪先验
卷积神经网络继承了深度学习技术自动提取特征的优点,通过权值共享大大减少了所需要训练的参数,使卷积神经网络能快速处理图像,因而在图像去噪[19]、去雨[20]、去雾[21-23]和超分辨率重建[24]等领域发展迅速,并取得了不错的效果。文献[ 25]指出,图像噪声会严重影响图像去模糊的质量,甚至导致去模糊失败,而简单的图像降噪预处理会使部分模糊信息丢失,导致模糊核估计出现偏差。在去模糊过程中,若能有效抑制噪声,则可以大大提高图像去模糊的质量和效率。
卷积神经网络可有效用于图像去噪,其中文献[
19]是当前先进的主流方法,但其提出的19层卷积神经网络结构复杂、训练耗时过长,不能直接应用于去模糊过程的多次迭代求解。本文设计7层深度卷积神经网络学习图像深度去噪先验,所提网络结构简单、易于训练、参数规模小、时间复杂度低,更适用于图像去模糊问题。所提出的去噪卷积神经网络(CNN_Denoiser)结构如
第一层为输入层,输入一个含有噪声的图像。第二层到第六层为卷积层,其中包含三种卷积模块:1) Covn+ReUL模块,卷积层Covn包含72个大小为3×3×1的卷积核,再通过一个修正线性单元ReUL,ReUL作为激活函数用于非线性映射;2) Covn+Bnorm+ReUL模块,卷积层Covn包含64个大小为3×3×
用于训练该网络的损失函数L(
式中
噪声图像经过卷积层获得一系列特征图,这些特征图经过非线性映射进入下一卷积层获得更深层次特征,最终输出去噪图像。文献[ 27]和文献[ 28]指出,可将基于卷积神经网络的图像去噪模型表示为
式中等号右边第一项为保真项,第二项为卷积神经网络学习得到的深度去噪先验,
表 1. 去噪卷积神经网络性能和时间复杂度对比
Table 1. Comparison of performance and time complexity of denoising convolution neural networks
|
3.3 联合深度去噪先验图像去模糊模型
统计先验模型对图像特征表达不足,图像细节恢复能力有限,而目前基于先验学习的方法大多仅适用于特定应用场景。针对这些问题,本文结合低值像素先验和传统的梯度稀疏先验,并联合深度去噪先验,构造联合深度去噪先验图像去模糊模型:
式中:第一项为数据保真项,第二项为统计先验约束项,第三项为深度去噪先验约束项,‖Ñ
4 基于结构层的模糊核估计
文献[ 29]指出,绝大部分的模糊信息存在于图像的结构层,图像的结构信息是模糊核估计的关键,细小的纹理和噪声会导致模糊核估计不准确。针对这一问题,文献[ 29]提出一种基于自适应强边缘提取的模糊核估计方法,但是该方法复杂且可能增强伪边缘。文献[ 30]提出了一种基于图像分层的算法来实现图像的压缩噪声去除。受此启发,本文在模糊核估计过程中,基于图像分解理论分离出结构层,在其结构层估计模糊核。
4.1 图像结构层提取
基于图像分解理论[31],可将图像
结构层提取可通过求解以下最小化问题得到:
式中:
图 4. 图像纹理层与结构层。(a)原图;(b)纹理层;(c)结构层
Fig. 4. Texture layer and structure layer of image. (a) Original image; (b) texture layer; (c) structure layer
4.2 模糊核估计
基于图像结构层的模糊核估计模型为
式中:图像结构层
5 模型求解
本文利用交替最小化和算子分裂技巧,把去模糊问题(9)式求解转化为4个子问题;对于模糊核估计问题(13)式,利用快速傅里叶变换(FFT)得到收敛解。所提求解方法适用于求解多个图像先验联合约束下的一般性图像复原问题。
5.1 联合深度去噪先验去模糊模型求解
首先,分别对应原变量
当
固定变量
(16)式和(17)式可以通过阈值收缩算法求解:
(18)式可以转换为
不难发现,(21)式的形式与(8)式等号右侧的形式相同,相当于利用卷积神经网络得到的深度去噪先验对图像进行去噪。因此,变量
去模糊模型(9)式的迭代求解算法如
表 2. 图像去模糊模型迭代求解步骤
Table 2. Iterative algorithm for image deblurring
|
5.2 模糊核估计
固定图像
模糊核迭代求解的算法流程如
表 3. 模糊核估计的迭代求解步骤
Table 3. Iterative algorithm for blur kernel estimation
|
6 实验与结果分析
为了验证本文去模糊模型、模糊核估计及求解算法的有效性,从主观效果和客观评价指标两方面与目前的主流算法进行对比。对比算法包括:快速运动去模糊算法[32]、基于显著边缘和低秩先验的图像盲去模糊算法[33]、基于暗通道先验的去模糊算法[16]、高质量运动去模糊算法[7],以及边际似然优化盲反卷积算法[34]。参考上述文献的参数设置方法,以及大量实验验证,最终选取最优参数初始值:
6.1 主观效果对比
为了直观、全面地比较各算法性能,本文从相关文献常用的测试图像中选取了5幅不同类型的图像(包括模糊图像ECCV、Cartoon、Flower、Girl、Roma)进行去模糊实验,
图 5. 各算法去模糊结果。(a)模糊图像;(b)文献[ 7]算法;(c)文献[ 33]算法;(d)文献[ 16]算法;(e)本文算法
Fig. 5. Deblur results of different algorithms. (a) Blur images; (b) method in Ref. [7]; (c) method in Ref. [33]; (d) method in Ref. [16]; (e) proposed method
由
6.2 客观性能指标对比
为了进一步验证本文算法性能,计算并比较了各算法图像复原前后的PSNR。利用文献[
35]给出的测试数据,选取如
图 6. 清晰图像。(a)男孩;(b)桥;(c)画;(d)人脸
Fig. 6. Clear images. (a) Boys; (b) bridge; (c) paint; (d) face
图 7. 模糊核估计。(a)真实模糊核;(b)文献[ 16]算法;(c)文献[ 7]算法;(d)文献[ 32]算法;(e)文献[ 34]算法;(f)本文算法
Fig. 7. Blur kernel estimation of different algorithms. (a) True blur kernel; (b) method in Ref. [16]; (c) method in Ref. [7]; (d) method in Ref. [32]; (e) method in Ref. [34]; (f) proposed method
由
表 4. 各算法的PSNR值
Table 4. PSNR results of different algorithmsdB
|
表 5. 各算法的时间复杂度
Table 5. Time complexity of different algorithmss
|
7 结论
提出了一种联合深度去噪先验图像盲去模糊算法,广泛适用于各类型模糊图像复原。将统计先验(低值像素先验和传统梯度稀疏先验)与深度卷积神经网络学习得到的深度去噪先验相结合,构造了联合深度去噪先验图像去模糊模型。为了剔除不利于模糊核估计的细小纹理、伪边缘和噪声等,提出了基于图像结构层的模糊核估计方法。选取多幅不同种类的模糊图像,从主观和客观两方面对算法进行了比较。实验表明,本文算法能够在有效抑制噪声的同时,恢复更多的图像边缘、纹理等细节信息,大大改善了复原图像质量。不仅对自然图像,本文算法对文本图像、人脸图像等也有很好的去模糊效果。
[2] KoteraJ, ŠroubekF, MilanfarP. Blind deconvolution using alternating maximum a posteriori estimation with heavy-tailed priors[C]∥International Conference on Computer Analysis of Images and Patterns, 2013: 59- 66.
[3] KrishnanD, TayT, FergusR. Blind deconvolution using a normalized sparsity measure[C]∥2011 IEEE Conference on Computer Vision and Pattern Recognition, 2011: 233- 240.
[4] XuL, ZhengS, JiaJ. Unnatural l0 sparse representation for natural image deblurring[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2013: 1107- 1114.
[5] MichaeliT, IraniM. Blind deblurring using internal patch recurrence[C]∥European Conference on Computer Vision, 2014: 783- 798.
[9] 杨爱萍, 张越, 王金斌, 等. 基于原始-对偶算法的自适应加权广义全变差图像去模糊[J]. 激光与光电子学进展, 2018, 55(4): 041003.
[10] 苏畅, 付天骄, 张星祥, 等. 基于能量约束的自适应加权图像盲复原算法[J]. 光学学报, 2018, 38(2): 0210001.
[11] Schuler C J, Hirsch M, Harmeling S, et al. Learning to deblur[J]. IEEE Transactions on Pattern Analysisand Machine Intelligence, 2016, 38(7): 1439-1451.
[12] XuL, Ren J S J, Liu C, et al. Deep convolutional neural network for image deconvolution[C]∥Proceedings of the 27th International Conference on Neural Information Processing Systems, 2014: 1790- 1798.
[13] SuS, DelbracioM, WangJ, et al. Deep video deblurring for hand-held cameras[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2017: 1279- 1288.
[14] KimY, JungH, MinD, et al. Deeply aggregated alternating minimization for image restoration[C]∥IEEE International Conference on Computer Vision and Pattern Recognition, 2017: 284- 292.
[15] NahS, Kim TH, Lee KM. Deep multi-scale convolutional neural network for dynamic scene deblurring[C]∥Conference on Computer Vision and Pattern Recognition, 2017: 3883- 3891.
[17] Fu X, Lin Q, Guo W, et al. Single image dehaze under non-uniform illumination using bright channel prior[J]. Journal of Theoretical & Applied Information Technology, 2013, 48(3): 1843-1848.
[18] YanY, RenW, GuoY, et al. Image deblurring via extreme channels prior[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2017: 4003- 4011.
[21] RenW, LiuS, ZhangH, et al. Single image dehazing via multi-scale convolutional neural networks[C]∥European Conference on Computer Vision, 2016: 154- 169.
[23] ZhuC, ZhouY, XieZ. A pixel-to-pixel convolutional neural network for single image dehazing[C]∥International Conference on Neural Information Processing, 2017: 270- 279.
[24] WangZ, LiuD, YangJ, et al. Deep networks for image super-resolution with sparse prior[C]∥Proceedings of the IEEE International Conference on Computer Vision, 2015: 370- 378.
[25] ZhongL, ChoS, MetaxasD, et al. Handling noise in single image deblurring using directional filters[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2013: 612- 619.
[26] Kingma DP, BaJ. Adam: a method for stochastic optimization[C]∥Proceedings of the 3rd International Conference on Learning Representations ( ICLR 2015), 2015.
[27] ZhangK, ZuoW, GuS, et al. Learning deep CNN denoiser prior for image restoration[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2808- 2817.
[28] Ulyanov D, Vedaldi A, Lempitsky V. Deep image prior[J]. arXiv, 2017, 1711: 10925.
[30] LiY, GuoF, Tan RT, et al. A contrast enhancement framework with JPEG artifacts suppression[C]∥European Conference on Computer Vision, 2014: 174- 188.
[32] Cho S, Lee S. Fast motion deblurring[J]. ACM Transactions on Graphics, 2009, 28(5): 1-8.
[34] LevinA, WeissY, DurandF, et al. Efficient marginal likelihood optimization in blind deconvolution[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2011: 2657- 2664.
Article Outline
杨爱萍, 王金斌, 杨炳旺, 何宇清. 联合深度去噪先验图像盲去模糊[J]. 光学学报, 2018, 38(10): 1010003. Aiping Yang, Jinbin Wang, Bingwang Yang, Yuqing He. Joint Deep Denoising Prior for Image Blind Deblurring[J]. Acta Optica Sinica, 2018, 38(10): 1010003.