fast motion deblurring 中文翻译.doc

快速运动去模糊摘要本文介绍了一种针对只几秒钟功夫的大小适中的静态单一影像的快速去模糊方法。借以引入一种新奇的预测步骤和致力于图像偏导而不是单个像素点,我们在迭代去模糊过程上增加了清晰图像估计和核估计。在预测步骤中,我们使用简单的图像处理技术从估算出的清晰图像推测出的固定边缘,将单独用于核估计。使用这种方法,前计算高效高斯可满足对于估量清晰图像的反卷积,而且小的卷积结果还会在预测中被抑制。对于核估计,我们用图像衍生品表示了优化函数,经减轻共轭梯度法所需的傅立叶变换个数优化计算过数值系统条件,可更加快速收敛。实验结果表明,我们的方法比前人的工作更好,而且去模糊质量也是比得上的。 GPU ( Graphics Processing Unit 图像处理器)的安装使用程。我们还说明了这个规划比起使用单个像素点需要更少的更加促进了进一步的提速,让我们的方法更快满足实际用途。 CR (计算机 X 成像)序列号: [ 图像处理和计算机视觉] :增强—锐化和去模糊关键词:运动模糊,去模糊,图像恢复 1 引言运动模糊是很常见的一种引起图像模糊并伴随不可避免的信息损失的情况。它通常由花大量时间积聚进入光线形成图像的图像传感器的特性造成。曝光期间, 如果相机的图像传感器移动,就会造成图像运动模糊。如果运动模糊是移位不变的,它可以看作是一个清晰图像与一个运动模糊核的卷积,其中核描述了传感器的踪迹。然后, 去除图像的运动模糊就变成了一个去卷积运算。在非盲去卷积过程中, 已知运动模糊核, 问题是运动模糊核从一个模糊变形恢复出清晰图像。在盲去卷积过程中, 模糊核是未知的, 清晰图像的恢复就变得更加具有挑战性。本文中, 我们解决了静态单一图像的盲去卷积问题,模糊核与清晰图像都是由输入模糊图像估量出。单一映像的盲去卷积是一个不适定问题,因为未知事件个数超过了观测数据的个数。早期的方法在运动模糊核上强加了限制条件,使用了参数化形式[Chen et al. 1996;Chan and Wong 1998; Yitzhaky et al. 1998; Rav-Acha and Peleg2005] 。近来,有几种方法被提出, 用来处理静态单一图像的一般运动模糊[Fergus et al. 2006; Jia2007; Shan et al. 2008] 。虽然这些方法能够取得极好的去模糊效果, 但是需要密集的计算。通常为一个大小适中的单一图像解模糊需要超过几分钟的时间。大多数盲去卷积方法采取一种轮流优化运动模糊核和清晰图像的迭代过程。在这个过程中, 模糊核从估算出的清晰图像和已知模糊图像获得。然后, 通过对已知模糊图像应用非盲去模糊, 模糊核用于估计清晰图像。新估算出的清晰图像在下一个迭代中用于核估计。已有方法中的密集计算源于用于核估计和清晰图像估计的复杂方法。核估计需要包括大型矩阵和向量的最优化,处理非线性的非盲去卷积则需要极其复杂的最优化技术。本文提出一种快速的盲去卷积方法,能够在仅仅几秒钟对静态单一图像进行去模糊。我们通过在迭代去模糊过程中加速核估计和清晰图像估计的步骤来提升速度。用我们的方法去模糊得到的图像质量是比得上前人的工作的, 而且比他们更高效。用 C++ 实现通常需要不到 1 分钟就可以对一副大小适中的图像去模糊,比之前用 C 语言实现快了大约 20倍[Shan et al. 2008] 。而我们的方法中,用 GPU 实现能够进一步减少处理时间在几秒钟之内, 足够快到用于去模糊的实际应用。为了加速清晰图像估计, 我们在迭代去模糊过程中引进了一个新奇的预测步骤。在预测步骤中, 强边缘有估算的清晰图像中得到, 然后单独用于核估计。这个方法可以让我们避免使用计算效率低下先验对估计清晰图像进行非盲去卷积。在不阻碍核估计的情况下, 下一步迭代的预测步骤中, 小的去卷积结果可以丢弃。对于非盲去卷积, 我们用一个伴随高斯先验的简单方法, 可以运用傅立叶变换快速计算。因为在预测步骤中只运用了简单的图像处理技术,结合简单非盲去卷积和预测可以高效地获得估算清晰图像用于核估计。对于核估计, 我们用图像偏导而不是单个像素点表示优化函数。我们用共轭梯度法解答有优化函数导出的数值系统, 用傅立叶变换去计算共轭梯度法所需要的梯度值。运用图像偏导可把傅立叶变换的数目从 12 减到 2, 节省了 5/6 计算梯度值所需的计算量。此外, 使用图像偏导也可使数值系统的条件数比使用单个像素点少, 因而让共轭梯度法更加快速聚合成为可能。所以,在我们的方法中,用于核估计的数值优化程序被显著促进。本文的贡献描述如下: ●我们提出了一种单一映像非盲去卷积的快速方法, 可在几秒钟内对大小适中的图像进行去模糊。●在不降低核估计精确度的前提下, 结合预测步骤与简单非盲去卷积, 我们加速了迭代去模