本发明涉及图像处理，尤其是一种基于增强全变分的图像去模糊方法。
背景技术：
1、随着经济技术的显著发展，人工智能融入人们的生活中，清晰的图像是传递重要信息的载体。随着技术的不断改进，去模糊技术已经有了一定成熟的技术路线，主要分为基于先验与基于边缘的去模糊方法。其中，基于先验的去模糊技术主要依赖于清晰与模糊图像之间的特征差异。如暗通道先验，利用清晰图像的暗像素比模糊图像的稀疏这一特征信息，提出了暗通道先验，但是由于提取的是局部重叠块的暗像素，因此计算是非常耗时的。类似的还有极端通道先验、局部最大梯度先验。这种先验方法有一定的缺陷，即当图像的特征信息不明显时，那么该方法将会失效。基于边缘的去模糊方法主要是利用显著边缘来估计模糊核。如经典的显著边缘方法采用不同滤波技术得到显著边缘，计算效率较高，但是一旦图像严重模糊，将难以提取显著边缘，该方法将会失效。然而，基于自然图像是稀疏的这一内在特质，仅仅采用已有的全变分技术对模糊图像进行处理，考虑的是图像的浅在稀疏性，没有深入对不利结构进行去除，以及给出一个适合于去模糊技术的稀疏表示。
2、基于以上分析，现有的去模糊技术，要么是基于先验特征信息提取造成计算代价高，算法复杂度较高；要么是基于图像显著边缘不具鲁棒性，对严重模糊的图像无法获取显著边缘造成该方法将会失效；或者仅浅在考虑图像的稀疏性特征，没有充分给出一个合适的稀疏表达式对不利的结构深入进行去除，导致去模糊结果不令人满意。针对上述去模糊技术的局限，在现有的硬件条件下，如何设计出一种能适应各种场景、计算效率高、复原效果好的图像去模糊方法成为当今急需解决的技术问题。
技术实现思路
1、为解决算法复杂度较高，对严重模糊的图像无法获取显著边缘的问题，本发明的目的在于提供一种适应各种场景、计算效率高、复原效果好、去模糊效果更加显著的基于增强全变分的图像去模糊方法。
2、为实现上述目的，本发明采用了以下技术方案：一种基于增强全变分的图像去模糊方法，该方法包括以下顺序的步骤：
3、(1)基于权重各项异性与各项同性的全变分之差，再耦合l0范数，得到增强全变分方法；
4、(2)利用对图像梯度的l0范数约束，对输入的模糊图像b进行预处理，粗糙的去除不利细节，得到预处理后的模糊图像；
5、(3)采用增强全变分方法，对预处理后的模糊图像进行进一步稀疏处理，精细地将干扰显著边缘的有害细节去除，得到稀疏处理后的模糊图像；
6、(4)构建图像去模糊模型；
7、(5)基于图像去模糊模型对稀疏处理后的模糊图像进行潜像估计，得到中间潜像i；
8、(6)根据图像去模糊模型和中间潜像i进行模糊核估计，并返回步骤(5)进行n次交替迭代处理，得到模糊核k；
9、(7)基于模糊核k，利用非盲反卷积方法获得最终的清晰图像，得到图像去模糊结果。
10、所述步骤(1)具体是指：基于各向异性的全变分的公式如下：
11、
12、其中，z表示输入；d表示微分算子，dx、dy分别表示x、y方向的差分；(i,j)表示位置，i∈[1,m],j∈[1,n]；||·||1为1范数表示各元素绝对值之和；
13、基于各向同性的全变分的公式如下：
14、
15、基于l0范数的表达式如下：
16、
17、式中，||·||0为0范数表示非零元素的个数；
18、增强全变分方法的表达式如下：
19、
20、所述步骤(2)具体是指：采用梯度l0范数对中间潜像i中的不利细节进行去除，其公式如下：
21、
22、其中，为梯度l0范数稀疏。
23、所述步骤(3)具体是指：采用增强全变分方法，对预处理后的模糊图像进行进一步稀疏处理，得到：
24、
25、令：
26、
27、则：
28、
29、式中，dx、dy分别表示x、y方向的差分；||·||1为1范数表示各元素绝对值之和；||·||0为0范数表示非零元素的个数。
30、在步骤(4)中，所述图像去模糊模型的表达式如下：
31、
32、其中，k表示模糊核，表示中间潜像i与模糊核k的卷积操作，α、β、γ均表示惩罚参数，为数据保真项，为保边去细节项，为增强的全变分项，为模糊核项；b为输入的模糊图像，dx、dy分别表示x、y方向的差分；||·||0为0范数表示非零元素的个数；||·||2为2范数。
33、所述步骤(5)具体是指：引入辅助变量u代替0范数中的v代替中的则图像去模糊模型改写为：
34、
35、其中，k表示模糊核，表示中间潜像i与模糊核k的卷积操作，b为输入的模糊图像，dx、dy分别表示x、y方向的差分；||·||0为0范数表示非零元素的个数；||·||2为2范数，α、β均表示惩罚参数；α1,β1均为正的参数，求解上式通过以下交替迭代进行：
36、求解v：保持i，u不变，通过凸差算法来求解v：
37、
38、令τ＝2β1/β，则上式的目标函数改写为：
39、
40、则由凸差算法得到第n次的迭代为：
41、
42、其中，η为一个正的权重参数，利用分裂bregman方法引入新的替换变量引入新的替换变量dx、dy，以及拉格朗日乘子bx、by，将dx代替dxv、dy代替dyv，则子问题vn+1重构为：
43、
44、其中，λ是一个正常数，对于上式分为以下几个子问题，
45、
46、关于上式中e范数的求解，其解为：
47、
48、其中，求解u：引入辅助变量u代替0范数中的则：
49、
50、求解i：利用上述得到的u，v，则关于图像i的求解有：
51、
52、其中，表示快速傅里叶变换，表示逆变换，是共轭梯度操作，表示二维梯度操作，且u＝(ux,uy)表示水平和垂直两个方向，v＝(vx,vy)同样表示水平和垂直两个方向。
53、所述步骤(6)具体包括以下顺序的步骤：
54、(6a)给定模糊核大小c×c，且给定模糊核的尺寸应比图像的尺寸小；
55、(6b)接着初始化模糊核，并依据模糊核尺寸来确定更新的层数，不断进行上采样，其中，层数由进行循环，使得最粗糙层的大小达到7×7；
56、(6c)输入的模糊图像b以及中间潜像i，由以下模糊核估计公式进行计算：
57、
58、式中，k表示模糊核，γ表示惩罚参数；
59、使用快速傅里叶变换：
60、
61、其中，和分别表示快速傅里叶变换以及逆变换。
62、所述步骤(7)具体包括以下顺序的步骤：
63、(7a)首先使用具有拉普拉斯先验的方法估计潜在图像i1；
64、(7b)接着估计潜像i0：
65、
66、式中，k表示模糊核，b为输入的模糊图像，||·||0为0范数表示非零元素的个数；||·||2为2范数，α表示惩罚参数；
67、(7c)然后计算i1与i0这两个估计图之间的差异图，并对其应用双边滤波，最后从i1中减去滤波差异图，以此来去除伪影。
68、由上述技术方案可知，本发明的有益效果为：第一，与现有技术相比，本发明操作简单、计算成本低、模型泛化能力强、适用于各种场景，关注于自然图像的内在稀疏性这一本质特征，给出一个新的增强全变分方法，进一步将潜在图像中的不利结构进行去除，更加适应自然图像的稀疏表示，从模糊图像中复原出清晰的图像；第二，本发明与现有基于先验的去模糊方法相比，无需大量的计算成本，在计算成本上是省时的；本发明与现有的基于边缘方法相比，更加鲁棒，适用于不同类型的模糊图像；本发明与现有的基于自然图像稀疏性的方法相比，更适合图像去模糊中的稀疏表示，可以深度对潜在图像中的不利结构进行去除，去模糊效果更加显著，本发明模型简单、思路清晰，在执行上计算效率高、模型泛化能力强、复原效果更加可视化。
1.一种基于增强全变分的图像去模糊方法，其特征在于：该方法包括以下顺序的步骤：
2.根据权利要求1所述的基于增强全变分的图像去模糊方法，其特征在于：所述步骤(1)具体是指：基于各向异性的全变分的公式如下：
3.根据权利要求1所述的基于增强全变分的图像去模糊方法，其特征在于：所述步骤(2)具体是指：采用梯度l0范数对中间潜像i中的不利细节进行去除，其公式如下：
4.根据权利要求1所述的基于增强全变分的图像去模糊方法，其特征在于：所述步骤(3)具体是指：采用增强全变分方法，对预处理后的模糊图像进行进一步稀疏处理，得到：
5.根据权利要求1所述的基于增强全变分的图像去模糊方法，其特征在于：在步骤(4)中，所述图像去模糊模型的表达式如下：
6.根据权利要求1所述的基于增强全变分的图像去模糊方法，其特征在于：所述步骤(5)具体是指：引入辅助变量u代替0范数中的▽i，v代替j(▽i)中的▽i，则图像去模糊模型改写为：
7.根据权利要求1所述的基于增强全变分的图像去模糊方法，其特征在于：所述步骤(6)具体包括以下顺序的步骤：
8.根据权利要求1所述的基于增强全变分的图像去模糊方法，其特征在于：所述步骤(7)具体包括以下顺序的步骤：
