一种毫米波图像非盲目去模糊的方法与流程

技术特征：

1.一种毫米波图像非盲目去模糊的方法，其特征在于：所述该方法包括以下步骤：

s1：基于梯度的核估计方法以图像金字塔的方式估计模糊核k值，然后通过原图像应用模糊核添加高斯噪声合成模糊图像；

s2：将模糊图像输入到cnn降噪器得到图像先验信息，同时采用批量归一化和残差学习来加速训练；

s3：将图像先验信息集成到半二次分裂模型中，其中所述模型的表达式如下：

式中，h表示模糊操作符，x表示清晰图像，y表示模糊图像，β为权重参数，φ(x)表示图像先验；

s4：通过引入辅助变量z对半二次分裂模型进行迭代优化，得到去模糊的图像。

2.根据权利要求1所述的毫米波图像非盲目去模糊的方法，其特征在于：步骤s1，估计模糊核k的具体步骤如下：

s101：通过对输入原图像进行粗略地初始化k值；

s102：在确定其他变量时，通过最小化i,u,g求解公式(2)，得到潜像i，公式(2)表达式如下：

式中：α、β均表示惩罚参数；u、g均表示辅助变量；λ、ω均表示权重参数；d(i)表示范数；

其中，式(2)中第一项限制了潜像和模糊核的卷积结果与输入的模糊图像相似，第二项在图像梯度上保留大的梯度；

s103：根据步骤s102得到的得到潜像i，通过快速傅里叶变换求解公式(3)得到模糊核k，

式中：γ是权重参数；

s104：将步骤s103得到的模糊核k带入公式(2)中进行反复迭代i次，最后输出模糊核k和潜像的中间值。

3.根据权利要求2所述的毫米波图像非盲目去模糊的方法，其特征在于：所述步骤s1，合成模糊图像的具体公式表达式如下：

式中，b表示模糊图像，n表示高斯噪声，为卷积操作。

4.根据权利要求3所述的毫米波图像非盲目去模糊的方法，其特征在于：步骤s2，所述cnn降噪器为卷积神经网络，其包括n层膨胀卷积，从第一层到最后一层的扩张因子分别设定为a1，a2，a3……an，其中每层的膨胀卷积的特征图维度为k。

5.根据权利要求4所述的毫米波图像非盲目去模糊的方法，其特征在于：在所述的第w层中具有扩张因子aw的膨胀卷积层中，在每个特征图的边界中进行对称填充或零填充处理，其中1≤w≤n。

6.根据权利要求4所述的毫米波图像非盲目去模糊的方法，其特征在于：步骤s4，通过引入辅助变量z，公式(4)可表述为约束的优化问题，如下列公式(5)所示：

其中z＝x，最小化以下损失函数，如公式(6)所示

其中，μ为惩罚参数，非降序迭代地变化；将公式(6)通过以下迭代方案解决：

xk+1＝(h^th+μi)^-1(h^ty+μzk)(7)

其中，为噪声级，公式(7)通过采用傅里叶变换来实现，由(8)可得，图像先验φ(z)由降噪器先验进行隐式替换；

参数设置方面，β在迭代期间保持固定，μ表示控制降噪器的噪声水平，由于半二次分裂模型是基于降噪的，所以在每次迭代中设置降噪器的噪声级别来确定μ；所述降噪器噪声级别设置为从大到小根据以上的迭代优化，得到清晰图像x。

7.根据权利要求6所述的毫米波图像非盲目去模糊的方法，其特征在于：所述的噪声级别设置从49指数衰减到1～15之间。