Deblur：运动模糊图像复原（三）

运动模糊图像复原（三）

 

Reference：

Deblurring Text Images via L0 -Regularized Intensity and Gradient Prior

 

在运动模糊图像复原（一）中有涉及到模糊模型的估计，这是一个难点，但是没有细说。这篇文章主要记录一下第四点的内容：使用latent image和blurred image预估当前层级的模糊模型。

在估计模糊模型之前，输入的latent image和blurred image两张图像，使用2*2的初始梯度核进行卷积之后的结果作为最终输入Bx,By（blurred image对应的水平垂直方向梯度）,Lx,Ly（Latent image对应的水平垂直方向梯度），充分利用梯度信息进行模糊核的估计。

1	0
-1	0

1	-1
0	0

 

在论文中，作者只给出了梯度空间下的模糊核估计公式，但并未给出该最小二乘最小化问题的闭环解。那么下面我结合代码给出闭环解公式。

论文中的梯度空间估计的模糊核k公式如下，其中x表示latent image，y表示blurred image：

，

那么，它的最小二乘最小化问题的闭环解如下，为了跟下文内容统一，使用L表示x，B表示y，

那么，选择迭代方式计算时，推出k的计算公式为：

 

首次迭代时，核函数设置数值全为1/(kernel_height*kernel_width)，大小等于(kernel_width,kernel_height)的矩阵，设为x。

那么按照如下公式进行：

此处设置。

首次迭代时，上述公式中的k使用x代替，那么x即为我要的最终结果；

每次迭代时（从第二次迭代开始），上述公式中的被减数用Ap表示；

每次迭代时（从第二次迭代开始），上述公式中的输入k即为上一次的结果k’，我用p表示；

每次迭代的结果都用r表示；

 

设置最大迭代次数为20.通过多次迭代产生最终的模糊核函数k。

那么现在的问题是，每次迭代时，如何更新上述变量Ap，r,p呢？

我设置一个权重alpha来更新x和r： x=x+alpha*p, r=r-alpha*Ap。

， 其中变量，

当更新变量r之后，可以重新计算变量rsold为rsnew，

此时可更新变量p=r+(rsnew/rsold)*p，最后再更新rsold<-rsnew.

 

在这里可以设置一个迭代终止的条件：rsnew的开方小于阈值1e-5。

最后当迭代结束，归一化模糊核函数x。