一種基于機(jī)器視覺的模糊圖像復(fù)原算法*
加入技術(shù)交流群
掃碼加入
和技術(shù)大咖面對面交流
海量資料庫查詢
*基金項目：基于機(jī)器視覺的鞋孔檢測與定位系統(tǒng)研究（JAT201340）
本文引用地址：http://cafeforensic.com/article/202111/429590.htm0 引言
由于表面特性對產(chǎn)品的質(zhì)量和性能有相當(dāng)大的影響，因此，表面特性的測量在制造業(yè)中具有重要意義。在傳統(tǒng)的表面測量中，常見的方法是將探針貼合工件表面并監(jiān)測其運動，以便追蹤表面的微輪廓。但是接觸式測量會帶來很多的缺點。所以，隨著技術(shù)的發(fā)展，非接觸式的檢測方法開始受到了更廣泛的關(guān)注和應(yīng)用。
在本文中，我們模擬了獲取運動物體表面的模糊圖像，再使用Lucy Restoration（LR）算法對圖像進(jìn)行處理，從而驗證在特性條件下還原和識別原圖的可行性，以便今后進(jìn)一步用于工業(yè)上的表面細(xì)節(jié)信息分析。
1 運動模糊
當(dāng)一個移動的物體曝光至感光元件上時，如果曝光持續(xù)一定時間，就可以記錄下它的多個位置，從而產(chǎn)生模糊。如果曝光時間相對于運動來說足夠小，那么模糊就不會被注意到。然而，低曝光時間會導(dǎo)致更高的噪聲。通過假設(shè)，我們可以將模糊過程建模為點擴(kuò)散函數(shù)（PSF）與理想圖像的卷積，從而得到一個坐標(biāo)上的三角形或高斯形狀，如圖1 所示的情況（a）和（b）。
由于考慮了勻速運動模糊，所以可以假定所有部分都退化了相同數(shù)量的模糊。所以，在假設(shè)中認(rèn)為圖像所引入的噪聲是高斯累加的。該算法考慮了變方差的零均值高斯噪聲。
（a）得到一個坐標(biāo)上的三角形
（b）得到高斯形狀
圖1 將模糊過程建模為點擴(kuò)散函數(shù)（PSF）與理想圖像的卷積得到的圖像
此時，所需要解決的問題可以表述為：
通過給定1幅灰度圖像g (x, y)，通過線性平移不變的 PSF 函數(shù)h(x, y)退化，從而找出真實圖像f (x, y)的可靠估計。
2 算法設(shè)計
在這里，我們通過期望LR 最大化算法來探尋最大化恢復(fù)圖像的可能性。從對原始圖像的猜測開始，LR 算法在每次迭代中更新其猜測，使其趨向于潛在圖像。從理論上講，算法迭代的時間越長，它越接近于收斂到潛在圖像。
RL 迭代可由成像方程和泊松統(tǒng)計方程導(dǎo)出：
其中 O 是未模糊的物體，p(i∣j)是 PSF來自真實位置的散射成觀測像素的光的分?jǐn)?shù)；I (i)是無噪聲的模糊圖像。給定期望計數(shù)I (i)，對每個像素中觀察到的計數(shù)D(i)的聯(lián)合似然ζ為：
最大似然解出現(xiàn)在ζ對O( j)的所有偏導(dǎo)數(shù)為零的地方：
因此，迭代RL 算法可簡寫為：
比較上面兩個公式可以看出，如果RL 迭代收斂，即隨著迭代的進(jìn)行，修正因子趨近于一個單位，那么它必定收斂于數(shù)據(jù)中泊松統(tǒng)計量的最大似然解。
3 LR算法的應(yīng)用
為了評估LR 算法的性能，我們在這里設(shè)置了由兩個模糊的、緊密間隔的峰值組成的二維模擬圖像。在模擬中，我們采用合成圖像為128 個圖像點的線性陣列，在陣列的69 和72 位置包含兩個長度為100 的尖刺。然后將該陣列與標(biāo)準(zhǔn)偏差為1.5 個圖像點的歸一化高斯函數(shù)進(jìn)行卷積。
此時，將平均值為0 的5％隨機(jī)白噪聲添加到此模糊圖像。原始圖像和模糊圖像分別如圖2（a）和（b）所示。經(jīng)過20 次迭代，LR 算法的應(yīng)用如圖2（c）所示。在經(jīng)過100 次迭代之后，如圖2（d）所示，隨著圖像質(zhì)量的進(jìn)一步改善，其結(jié)果明顯收斂了。
圖2 模擬圖像
4 結(jié)論
從實驗結(jié)果可以明顯看出，RL 算法在還原之前隱藏在噪聲中的數(shù)據(jù)方面是有效的。本文在對比分析的基礎(chǔ)上，采用了基于數(shù)字處理圖像的表面粗糙度估計方法，驗證了圖像復(fù)原在實際生產(chǎn)、應(yīng)用中的有效性。
參考文獻(xiàn)：
[1] 宋進(jìn),歐海寧.一種基于多項式擬合的人臉識別驗證算法分析[J].電子測試,2020(8):778.
[2] PENUMURU D P,MUTHUSWAMY S,KARUMBU P.Identification and classification of materials using machinevision and machine learning in the context of industry 4.0[J].Journal of Intelligent Manufacturing,Springer,2019,31(5):1229-1241.
（本文來源于《電子產(chǎn)品世界》雜志社2021年11月期）
評論