第14卷第3期 光学精密工程 V01.14 NO.3 2006年6月 Optics and Precision Engineering Jun.2006 文章编号 1004—924X(2006)03—0520—06 改进的奇异值分解法估计图像点扩散函数 汪源源,孙志民,蔡 铮 (复旦大学电子工程系,上海200433) 摘要:为了提高图像复原算法的性能,提出了一种改进的奇异值分解法估计图像的点扩散函数。从图像的退化离散模型 出发,对图像进行逐层分块奇异值分解,并自动选取奇异值重组阶数以减少噪声对估计的影响。利用理想图像奇异值向 量平均能谱指数模型,估计点扩散函数奇异值向量的频谱,再反傅里叶变换得到其时域结果。实验结果表明.该方法能 在不同信噪比情况下估计成像系统的点扩散函数,估计结果比原有估计方法有所提高,有望为图像复原算法的预处理提 供一种有效的手段。 关键词:图像复原;点扩散函数;分块奇异值分解;图像退化;平均能谱指数模型 中图分类号:TP391.4 文献标识码:A Estimation of PSF of image system using modified SVD method WANG Yuan—yuan,SUN Zhi—Min,CAI Zheng (Department of Electron Engineering,Fudan University,Shanghai 200433,China) Abstract:To improve the performance of image restoration algorithms,a modified Singular Value De— composition(SVD)method was proposed to estimate the Point Spread Function(PSF)of an imaging system.Using the discrete image degradation model,a block—based SVD filter scheme was applied for the image denoising with an automatically determined singular value rank.After the spectra of PSF singular vectors were estimated under an exponential model for、the averaged spectra of un—degraded image singular vectors,the IFFT was used to get the time—domain estimation of the PSF.The experi— mental results show that this proposed method can be applied to estimate the PSF of the imaging sys— tem under a wide SNR range and its performance is better than the original method.It may be used as an effective method for the image preprocessing in image restoration problems. Key words.image restoration;Point Spread Function(PSF);block—based Singular Value Decomposi— tion(SVD);image degradation;exponential model of averaged spectra 像边缘模糊和成像条件等因素带来的噪声叠加, 引 —口 . 一 往往使得图像质量退化。为了去除或减轻这些在 成像过程中发生的图像质量退化,除提高成像系 在图像成像过程中,成像系统性能造成的图 统性能和改善成像条件外 ,还可以利用图像复 收稿日期:2005—11-31;修订日期:2006—01—24. 基金项目:国家自然科学基金资助(No.30570488) 维普资讯 http://www.cqvip.com
第3期 汪源源,等:改进的奇异值分解法估计图像点扩散函数 521 原方法对退化的图像进行处理。图像退化的通用 模型中,图像边缘模糊被视为一个二维点扩散函 数(PSF)与原始图像的卷积过程,成像噪声则是 一个加性的高斯白噪声。因而,成像系统可以利 用这个二维点扩散函数和噪声方差或信噪比参数 进行描述。 作为图像复原方法应用中的一个关键环节, 成像系统点扩散函数的估计问题已经有许多算 法,例如早期的基于图像复倒谱的估计方法 ,基 于二维ARMA模型的估计方法 ,利用多帧图 像序列维纳滤波方法 和近期出现的基于奇异值 分解的估计方法 蜘等。 2基于奇异值分解的估计方法 根据矩阵奇异值分解理论,任意一个大小为 P×Q的矩阵A(P≥Q)可以写成: Q RA A一 V ∑ U rv ===∑ ,U r', ’,(1) r—l r一1 其中,u和V分别为P×Q的左奇异阵和Q×Q 的右奇异阵,各列向量U 和',,互相正交;Q×Q 的对角阵 是A的奇异值矩阵,由各阶奇异值 按式(2)从大到小排列组成;R 为A的秩(R ≤ Q)。 Sl≥ 2≥L≥sR ≥ R 一L一 一0,(2) 一般地,图像退化模型如式(3)所示: G—h*F+N, (3) 其中,F、G和N分别为理想源图像、退化图像和 零均值高斯白噪声,大小均为N×N;h为(2K+ 1)×(2L+1)的空间不变点扩散函数。该模型的 离散形式为: K JJ g(i, )一∑∑h(是,1)f(i—k, —z)+ ( , ) k-_一Kl=』 。(4) 其中,-厂( , )、g(i, )、 ( ,J)和h(志, )分别代 表F、G、N和h的离散形式。对源图像和退化图 像分别进行奇异值分解,则式(4)可以变换为: RG K L R F ∑s U rG', 一∑∑h(是,z)∑ ,U rFkl', ,+N r=1 k一一K{=/ r一1 。(5) 其中R。和R,分别为源图像和退化图像矩阵的 秩(R。≤N,R,≤N),S 和S 分别为源图像和退 化图像矩阵的第r个奇异值,U 和U州分别为相 应的左奇异向量, ,和', ,分别为相应的右奇异 向量。 同样地,点扩散函数h也可以进行奇异值分 解,并可以用第一阶重组近似表示,如式(6): Rh h一∑ lP—l l ', ≈ Ul h , (6) 将式(6)代入式(5),观察等式的两边,可以得到图 像和点扩散函数的奇异值向量间的卷积关 系: :: R R R R ∑ ≈∑ *ll ,∑ ≈∑ * ,(7) 一 1—1 ,=l r—l 为了利用这种时域的卷积关系来估计点扩散 函数,可以把它变换到频域后进行处理。式(8)给 出了理想图像奇异向量平均能谱的指数模 型: : S 一S :DFT(R ̄ 。),1 1≤N/2, (8) 其中,S 和S 分别为理想图像源一阶左奇异值 向量和右奇异值向量的平均能谱,R为选取的奇 异向量重组阶数(R≤N), 表示前R阶奇异向 量的一步自相关系数平均值,这里根据实验可取 为0.84 。 这样就可以从式(7)估计点扩散函数第一阶 奇异值向量的频谱,其幅度估计如式(9)所示: U( 一 , , (9) 其中S 。和S, 分别为退化图像第r阶左奇异值 向量和右奇异值向量的能谱。奇异值向量频谱的 相位通常设为零,直到从幅度估计中检测到过零 点时跳转为丌相位l5 。将点扩散函数第一阶奇异 向量的幅度和相位估计结果耦合后进行反傅里叶 变换,可以得到相应的时域估计结果,选定奇异向 量的边界 后再进行重组,得到点扩散函数的估 计值。 3 改进的点扩散函数估计方法 上述估计算法中,整个图像矩阵进行奇异值 分解后,根据经验选取固定的阶数进行重组 ],其 他数值较小的奇异值被认为对应于图像的噪声, 因而将这些奇异值置为零。 这样处理存在两个问题。一是选取的奇异值 重组阶数是固定的一个经验数值。不同的噪声水 维普资讯 http://www.cqvip.com
522 光学精密工程 第14卷 平下,选取的重组阶数应该是不同的,根据经验选 取固定的数值无法取得很好的效果。二是忽略了 图像的局部差异。图像信号在不同局部强弱不 同,但噪声在各局部的统计表现却是基本一致的, 因而对于存在差异的图像局部而言,噪声在其奇 异值中的表现存在差异,直接在全局奇异值中筛 选无法很好去除图像中的噪声。 针对以上两个问题,本文对原有估计算法进 行两点改进。 3.1奇异值重组阶数的自动选取 上述退化模型中,设S=h*F,则G=S4-N, 设S的秩为.R≤N,则其后(N-R)阶奇异值为0。 由于噪声N通常是一个满秩的矩阵,因此G的后 (N_R)阶奇异值不再为0,而只是一些较小的数 值,并且与其前R阶奇异值相比要小很多,将这 些奇异值设为0后进行重组得到的G 更接近于 S,从而起到减轻噪声影响的作用。 f 为了自动选取R,令c =>: ,其中 —l, 2,…N。根据{ } 的特点,{C } 组成的曲线可 以用两段不同斜率的线段近似表示,其交点处对 应的C 就是C 。因而只需要通过简单的几何关 系找到这两段近似线段的交点,就可以确定R的 取值。如图l所示,曲线ABC可以用AB 和B C 两条线段近似,B D垂直于线段AC且与曲线 ABC交于B点,当BD取到其最大值时,B点对 应的阶数就是R,此时BE也取到其最大值。实 际上,可以将曲线ABC和直线段AC看作阶数为 i的两个函数,它们的距离就是BE。据此可以方 便地确定R。 图1 R自动选取方法示意图 Fig.1 Demonstration of the automatic selection of R 3.2 图像分块逐层递进作奇异值分解 考虑到噪声在图像不同局部的不同影响,将 图像进行分块,并改变分块大小逐层递进应用奇 异值分解,然后选取一定的阶数进行重组去噪 ]。 具体的步骤如下: (1)初始化子块大小为1TlX , =4。 (2)退化图像G被分割成 × 大小的子块 , r、2 集{Gb } ,其中M=f\¨。 1。l| (3)各个子块分别进行奇异值分解,并用3.1 节中的方法自动选取重组的阶数,重组得到新的 子块集{Gb } ,并按原来顺序组合成G 。 (4)如果 =N/4,循环结束,得到的G 就是 去噪后的最终结果。否则,用G 取代G, 增大 一倍,回到步骤(2)进行新一轮循环。 综上,改进后的点扩散函数估计方法步骤为: 先对退化图像G进行逐层分块奇异值分解,并自 动选取重组的奇异值阶数,重组得到降噪后的图 像,并通过理想图像奇异向量平均能谱的指数模 型,得到点扩散函数频域的估计结果。最后将频 域的估计结果反傅里叶变换到时域,进行必要处 理得到最终的估计结果。 4 实验结果和分析 本文对改进的点扩散函数估计方法,进行了 模拟实验来评估其性能。实验中,先以256X 256 的标准数字图像作为理想的成像源图像,选用3 X 3的点扩散函数对其进行模糊,并叠加一定信 噪比的零均值高斯白噪声后得到退化图像。 为验证估计方法的有效性,先后用表1所示 的两种不同类型点扩散函数进行实验。 表1实验所用的两种不同类型PSF Tab.1 PSF of two different types for experiments 均值型PSF 高斯型PSF 0.1111 0.1111 0.1111 0.0751 0.1238 0.0751 0.1111 0.1111 0.1111 0.1238 0.2042 0.1238 0.1111 0.1111 0.1111 0.0751 0.1238 0.0751 为了对比方法改进前后的性能,分别应用改 进前后的方法处理退化图像来估计点扩散函数: (1)退化图像整体作奇异值分解,且固定重组 阶数R=40,即为原有估计方法; (2)退化图像逐层分块作奇异值分解,且自动 选取重组阶数,即为本文提出的改进估计方法。 得到估计结果后,对两种方法各自去噪后的 维普资讯 http://www.cqvip.com
维普资讯 http://www.cqvip.com
524 光学精密工程 第14卷 ’’_ ∞ 口 一● Z ∽ ■■黧 Digital image numbers (C)50 dB 图4不同信噪比下分别用原有方法(‘+’表示)和 改进方法(‘O’表示)估计的PSF复原的结果 ng the estimated PSF by the original method(denoted by ‘+’)and modified method(denoted by 图3 实验用标准数字图像(序号为1~9)譬■ Fig,4 Deconvolution results usi ‘O’)with variouS SNRs Fig.3 Standard digital images for experiment (indexed with 1~9) 5 结 论 针对奇异值分解法估计图像点扩散函数存 ∞ 口 在的主要缺点,本文提出了改进方法:从图像退化 Z ∽ 离散模型出发,对图像进行分块逐层奇异值分解, 并自动选取奇异值重组阶数以减少噪声对估计的 影响,然后再进行基于奇异值分解的估计。 Digital image numbers 对两种不同类型的PSF进行估计的实验结 果表明,该方法对比较普遍的高斯型PSF具有较 好的估计效果。对部分标准数字图像的实验结果 表明,改进后的方法能够在不同信噪比情况下估 ∞ q 计成像系统的点扩散函数,且其估计结果比原有 Z ∽ 方法有所提高,有望为图像复原算法的预处理提 供一种有效的手段。 Digital image numbers 参考文献: [1] 陈迎娟,张之江,张智强.CCD像素响应不均匀性的校正方法[J].光学精密工程,2004,12(2):216—220. CHEN Y J,ZHANG Z J,ZHANG Z G.Correction of CCD pixel nonuniformityl-J ̄.Optics and Precision Engi— neering,2004,12(2):216—220.(in Chinese) [2] 余帆,李德华,薛雷.光学和图像处理设备中的电磁兼容性设计[J].光学精密工程,2004,12(1):100—106. YU F,LI D H,XUE L.Electromagnetic compatibility design in optics and image processing equipmentEJ].Optics and Precision Engineering,2004,12(1):100—106.(in Chinese) 维普资讯 http://www.cqvip.com
第3期 汪源源,等:改进的奇异值分解法估计图像点扩散函数 525 [33 CANNON M.Blind deconvolution of spatially invariant image blurs with phase[J].IEEE Trans.A c.ousti ̄ . Speech and Signal Processing,1976,24(1):58—63. [4] TEKALP A M,KAUFMAN H,WOODS J W.Identification of image and blur parameters for the restoration of noncausal blurs[J].IEEE Trans.Acoustics,Spee ̄’h and Signal PrD(’essing,1986,34(4):963—972. [5] TEKAI P A M,KAUFMAN H.On statistical identification of a class of linear spac}invariant image blurs using non—minimum—phase ARMA models[J].IEEE Trans.A(oustics,Spee ̄h and Signal Pro{essing,1988,36(8): 1360—1363. [63 OZKAN M K,ERDEM A T,SEZAN M I,et a1.Efficient muhiframe Wiener restoration of blurred and noisy im— age sequences[J].IEEE Trans.Image Processing,1992,1(5):453—476. [7] DEVCIC Z,1.ONCAR1C S.Simultaneous estimation of PSF and global frame shifts at lower S/N ratios[C].IEEE Proc.Image and Signal Pr0(’essing and Analysis,Pula,2000. [8] DEVCIC Z,LONCARIC S.Blur identification using averaged spectra of degraded image singular vectors[C]. 1EEE Proc.Acoustics,Speech and Signal Processing,Turkey,2000. [93 KONS1、ANTINIDES K,NATARAJAN B,YOVANOF G S.Noise estimation and filtering using block—based singu— lar value decomposition[J].IEEE Trans.Image Processing,1997,6(4):479—483. 作者简介:汪源源(1968一),男,复旦大学电子工程系教授、理学博士、博士生导师,研究方向为医学信息处理、医学超声 工程。
因篇幅问题不能全部显示,请点此查看更多更全内容
Copyright © 2019- efsc.cn 版权所有 赣ICP备2024042792号-1
违法及侵权请联系:TEL:199 1889 7713 E-MAIL:2724546146@qq.com
本站由北京市万商天勤律师事务所王兴未律师提供法律服务