柯銘 張?zhí)烀? 秦愛(ài)景 王波 白旭

摘 要：在圖像盲復(fù)原過(guò)程中，對(duì)模糊核的過(guò)估計(jì)會(huì)產(chǎn)生誤差，導(dǎo)致圖像振鈴效應(yīng);現(xiàn)有算法無(wú)法對(duì)振鈴的嚴(yán)重程度進(jìn)行有效評(píng)估，針對(duì)這個(gè)問(wèn)題，提出一種振鈴效應(yīng)的評(píng)價(jià)方法。從振鈴效應(yīng)產(chǎn)生的物理機(jī)理出發(fā)，分析圖像盲復(fù)原所致振鈴效應(yīng)的原因和對(duì)圖像質(zhì)量的影響;通過(guò)提取振鈴圖像過(guò)沖與漣波區(qū)域，并對(duì)該區(qū)域梯度值進(jìn)行加權(quán)統(tǒng)計(jì)，定量化表征振鈴效應(yīng)的嚴(yán)重程度。實(shí)驗(yàn)結(jié)果表明，當(dāng)模糊核參數(shù)σ值超過(guò)3時(shí)，算法的結(jié)果曲線隨著參數(shù)增大呈單調(diào)遞增狀態(tài)，SSIM評(píng)價(jià)結(jié)果變化幅度趨于零。算法可以有效地評(píng)價(jià)不同復(fù)原算法和不同復(fù)原參數(shù)下的復(fù)原圖像中的振鈴效應(yīng)。

關(guān)鍵詞：振鈴;盲復(fù)原;質(zhì)量評(píng)價(jià);灰度極值加權(quán)求和算法

DOI：10.15938/j.jhust.2019.05.016

中圖分類號(hào)： TP751

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2019）05-0093-08

Abstract：In the process of image blind restoration， the estimation of the fuzzy kernel usually produces errors which lead to image ringing. The existing algorithm cannot effectively evaluate the severity of ringing. To solve this problem， a method for evaluating the ringing effect is proposed. From the physical mechanism of image ringing effect caused by blind restoration of image， the causes of the ringing effect caused by blind restoration of images and the influence on image quality are analyzed. By extracting the overshoot and ripple regions of the ringing image and weighting the gradient values of the region， the severity of the ringing effect is quantified. The experimental results show that when the fuzzy kernel parameter value exceeds 3， the algorithm shows a monotonically increasing state with increasing parameters，The change in SSIM evaluation results tends to be zero. This algorithm can effectively evaluate different restoration algorithms and different restoration parameters. Restore the ringing effect in the image under different restoration parameters.

Keywords：ringing; BIR; quality; gray-scale extreme value weighted sum algorithm

0 引 言

在光學(xué)成像過(guò)程中由于光學(xué)系統(tǒng)缺陷、大氣湍流、目標(biāo)物體快速運(yùn)動(dòng)等因素導(dǎo)致了圖像退化現(xiàn)象，表現(xiàn)為圖像對(duì)比度及清晰度降低，紋理邊緣區(qū)域平滑化等。圖像模糊制約了圖像真實(shí)信息的獲取，影響著圖像在工程實(shí)踐中的應(yīng)用價(jià)值。針對(duì)這一問(wèn)題，各種圖像復(fù)原算法應(yīng)運(yùn)而生，如維納濾波、全變分、約束最小二乘方濾波復(fù)原、L-R等等[1-5]。

復(fù)原算法需要圖像模糊核函數(shù)作為輸入，但實(shí)際系統(tǒng)工作狀況復(fù)雜，模糊核函數(shù)難以直接獲得，通常需要根據(jù)圖像情況估計(jì)核函數(shù)并進(jìn)行盲復(fù)原，因而核函數(shù)的估計(jì)誤差直接影響著最終的復(fù)原。當(dāng)估計(jì)誤差較大時(shí)復(fù)原圖像中可能產(chǎn)生振鈴效應(yīng)，表現(xiàn)為圖像強(qiáng)邊緣處周期性的波紋，進(jìn)而致使復(fù)原效果嚴(yán)重降低。

為表征振鈴效應(yīng)對(duì)圖像質(zhì)量的影響， 國(guó)外相關(guān)研究中，M.Balasubramanian等通過(guò)迭代卷積算法評(píng)估圖像質(zhì)量的振鈴度量[6];M.Anto Bennet等使用廣義最小二乘算法對(duì)振鈴效應(yīng)的性能進(jìn)行分析[7];Ali Mosleh等使用圖像解卷積檢測(cè)振鈴偽影[8];而國(guó)內(nèi)的相關(guān)研究中，左博新提出一種盲復(fù)原圖像振鈴效應(yīng)的評(píng)價(jià)算法[9]，該算法使用Gabor濾波器，共生向量等方法對(duì)振鈴效應(yīng)進(jìn)行評(píng)價(jià)，該算法對(duì)圖像邊界振鈴效應(yīng)評(píng)價(jià)效果較好。

本文針對(duì)圖像盲復(fù)原造成的圖像振鈴問(wèn)題，分析盲復(fù)原算法中模糊核估計(jì)誤差與振鈴效應(yīng)嚴(yán)重程度的關(guān)系，在此基礎(chǔ)上提出振鈴效應(yīng)的評(píng)價(jià)算法，并基于仿真實(shí)驗(yàn)對(duì)評(píng)價(jià)方法進(jìn)行驗(yàn)證，從而對(duì)圖像盲復(fù)原算法設(shè)計(jì)及應(yīng)用提供優(yōu)化建議。

1 振鈴機(jī)理及其對(duì)圖像質(zhì)量的影響分析

1.1 振鈴機(jī)理

當(dāng)階躍信號(hào)通過(guò)低通濾波器時(shí)會(huì)產(chǎn)生周期性的震蕩失真，對(duì)于圖像信號(hào)則表現(xiàn)為在圖像邊緣附近出現(xiàn)環(huán)帶或像是"鬼影"的環(huán)狀偽影，原本的邊緣響應(yīng)信號(hào)會(huì)首先形成過(guò)沖，然后跳到穩(wěn)態(tài)之下而產(chǎn)生第一個(gè)漣波，然后在穩(wěn)態(tài)附近來(lái)回震蕩，過(guò)沖和后面連續(xù)出現(xiàn)的漣波統(tǒng)稱為振鈴效應(yīng)。其本質(zhì)是空域-頻域轉(zhuǎn)換中產(chǎn)生的吉布斯效應(yīng)[10]。

當(dāng)利用傅里葉級(jí)數(shù)[11]表示階躍函數(shù)時(shí)，會(huì)在階躍處出現(xiàn)過(guò)沖，并且該過(guò)沖不會(huì)隨著傅里葉級(jí)數(shù)的增加而消失。圖1（d），圖1（e），圖1（f）展示出了不同諧波（高度為π/4）加和的方波，在跳躍不連續(xù)處均出現(xiàn)了過(guò)沖和漣波，其傅里葉展開(kāi)為

該方波在π的每個(gè)整數(shù)倍處具有高度π/2的跳躍。可以看出，隨著項(xiàng)數(shù)的增加，近似的誤差在寬度和能量上減小，但仍收斂到的固定高度。下式給出了計(jì)算誤差高度極限的顯式公式，可以看出傅里葉級(jí)數(shù)和超過(guò)了方波的高度，其倍數(shù)為：

1.2 圖像盲復(fù)原所致振鈴效應(yīng)

如圖2所示，圖像的退化過(guò)程在數(shù)學(xué)上可表示為：

g（x，y）=f（x，y）*h（x，y）+n（x，y）（4）

式中g(shù)（x，y）退化圖像，f（x，y）為原始圖像，h（x，y）是模糊核，即點(diǎn)擴(kuò)散函數(shù)，n（x，y）是加性噪聲。圖像盲復(fù)原是通過(guò)估計(jì)h（x，y）和n（x，y）來(lái)近似求解f（x，y）的過(guò)程[12]。

其中H（u，v）為實(shí)際退化過(guò)程的OTF，ΔH（u，v）為模糊核的估計(jì)誤差。由于H的病態(tài)性，即使存在很小的擾動(dòng)也會(huì)對(duì)嚴(yán)重影響I（x，y）的求解，而從式（4）和（6）可以看出，存在的擾動(dòng)主要包括噪聲n（x，y）和估計(jì)誤差ΔH（u，v）。

成像過(guò)程中的噪聲n（x，y）多為高斯白噪聲，在空域主要體現(xiàn)為圖像中的灰度突變，在頻域上均勻分布。與此相對(duì)，自然圖像的絕大部分能量集中在低頻區(qū)域。因此目前較為常用的方法是在求解算法中構(gòu)造正則化項(xiàng)，利用二者在頻域分布上的差別，通過(guò)抑制復(fù)原圖像中的高頻信息來(lái)抑制噪聲。

估計(jì)誤差ΔH（u，v）則影響著復(fù)原圖像的效果。當(dāng)對(duì)模糊核的彌散程度估計(jì)不足時(shí)，復(fù)原圖像中會(huì)存在欠恢復(fù)，圖像模糊去除不完全;而當(dāng)對(duì)彌散程度估計(jì)過(guò)度時(shí)，復(fù)原圖像中會(huì)存在過(guò)恢復(fù)，在復(fù)原圖像信息的同時(shí)會(huì)放大噪聲等非圖像信息。由前文的分析可知，在利用傅里葉變換進(jìn)行空域-頻域轉(zhuǎn)換的過(guò)程中會(huì)不可避免地產(chǎn)生振鈴現(xiàn)象，并且高頻信息損失越嚴(yán)重，振鈴現(xiàn)象越為明顯。此外，由于振鈴與圖像邊緣相關(guān)，其灰度分布與圖像信息相似，而算法中的正則化項(xiàng)大多針對(duì)噪聲特性設(shè)計(jì)，因此難以對(duì)振鈴起到抑制作用。

綜上，當(dāng)盲復(fù)原過(guò)程中對(duì)模糊核估計(jì)存在偏差，致使復(fù)原圖像存在過(guò)恢復(fù)時(shí)，一方面，空域-頻域轉(zhuǎn)換過(guò)程中固有的振鈴現(xiàn)象會(huì)因此放大;另一方面，由于振鈴的灰度分布與圖像信息相關(guān)，正則化項(xiàng)對(duì)其約束較小，而為了避免噪聲放大，需要調(diào)整正則化項(xiàng)，進(jìn)一步抑制復(fù)原圖像中的高頻信息，致使振鈴現(xiàn)象更加明顯。

圖3展示了復(fù)原所使用的模糊核函數(shù)與真實(shí)模糊核函數(shù)存在偏差時(shí)的復(fù)原結(jié)果。其中，圖3（a）為原始圖像，圖3（b）是在圖3（a）中加入高斯參數(shù)σ=1的模糊后得到的降質(zhì)圖像，圖3（c）是對(duì)psf彌散程度的估計(jì)低于實(shí)際情況（σ=0.5）的復(fù)原結(jié)果，圖3（d）是對(duì)模糊核參數(shù)psf彌散程度的估計(jì)高于實(shí)際情況（σ=10）的復(fù)原結(jié)果。從圖中可以看到，圖3（c）中存在欠恢復(fù)，圖像模糊去除不完全;而圖3（d）中存在過(guò)恢復(fù)，體現(xiàn)為明顯的振鈴。

2 振鈴評(píng)價(jià)指標(biāo)和方法

從振鈴的形成機(jī)理可知，常規(guī)的圖像特征并不能對(duì)振鈴特征提取提供有效支持。下面對(duì)振鈴的圖像特征進(jìn)行進(jìn)一步分析。

2.1 振鈴評(píng)價(jià)的基本思想

由于振鈴主要集中在圖像邊緣，所以獲取振鈴特征首先要得到圖像邊緣特征信息。圖4為圖像盲復(fù)原所致的振鈴圖像及其邊緣響應(yīng)曲線。在邊緣響應(yīng)曲線圖中，橫坐標(biāo)Q2 到Q′2表示圖4（a）的邊緣沿著梯度方向統(tǒng)計(jì)的像素灰度，橫坐標(biāo)Q2到Q1對(duì)應(yīng)圖4（a）右側(cè)白色的邊緣，Q1到Q′2對(duì)應(yīng)圖4（a）左側(cè)黑色的邊緣，而L4表示圖像灰度劇烈變化地帶，對(duì)應(yīng)圖4（a）中的黑白交界區(qū)?？梢钥吹?，L3 處波形發(fā)生灰度劇烈變化，表現(xiàn)呈波浪遞減，并且越靠近L4振蕩越嚴(yán)重，離L4越遠(yuǎn)波浪振蕩越趨于平緩。

根據(jù)上述分析，為描述振鈴效應(yīng)，可首先提取降質(zhì)圖像和復(fù)原后圖像的邊緣區(qū)域，濾除二者的公共部分即可得到包含振鈴信息的圖像像素，再對(duì)該部分像素的灰度分布進(jìn)行分析，找出其中的各個(gè)極值點(diǎn)，則振鈴的強(qiáng)弱即可通過(guò)對(duì)各極值點(diǎn)處的灰度值進(jìn)行加權(quán)求和定量描述。

2.2 振鈴評(píng)價(jià)算法

2.2.1 算法總體流程圖

圖5給出了振鈴灰度極值加權(quán)求和算法的具體流程圖。首先提取降質(zhì)圖像和復(fù)原后圖像的邊緣區(qū)域，再通過(guò)差分去掉公共部分，剩余部分即為包含振鈴信息的圖像像素，其中極值代表過(guò)沖部分，其余為漣波區(qū)域，在此基礎(chǔ)上對(duì)灰度極值進(jìn)行加權(quán)求和，即可得到振鈴強(qiáng)弱的定量描述。

2.2.2 振鈴評(píng)價(jià)算法

首先使用式（7）構(gòu)造高斯濾波器[13-14]，并根據(jù)式（7）分別按行和列方向分別對(duì)原始和復(fù)原后圖像進(jìn)行平滑，以進(jìn)一步減少噪聲的影響，提高結(jié)果精度：

3 實(shí)驗(yàn)驗(yàn)證及分析

3.1 實(shí)驗(yàn)方案

為了算法有效性，采取仿真實(shí)驗(yàn)進(jìn)行驗(yàn)證，實(shí)驗(yàn)方案流程圖如圖6所示。

首先選取圖像處理領(lǐng)域常用的標(biāo)準(zhǔn)圖像作為輸入源，對(duì)標(biāo)準(zhǔn)圖像添加高斯模糊生成退化圖像。同時(shí)采用通用性和代表性的四種復(fù)原算法：維納濾波，總變分，約束最小二乘方濾波復(fù)原算法，L-R復(fù)原算法。使用四種復(fù)原算法來(lái)進(jìn)行圖像復(fù)原時(shí)在算法輸入中加入選定的模糊核誤差[18]，以模擬盲復(fù)原過(guò)程中不同程度的估計(jì)誤差所造成的影響。最后通過(guò)本文算法來(lái)評(píng)價(jià)復(fù)原圖像中的振鈴嚴(yán)重程度。

為了保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，本文圖像選自LIVE數(shù)據(jù)庫(kù)和TID2008 圖像庫(kù)，復(fù)原算法中的維納濾波，約束最小二乘方濾波復(fù)原[19]，L-R復(fù)原算法采用MATLAB標(biāo)準(zhǔn)庫(kù)函數(shù)，同時(shí)使用MATLAB標(biāo)準(zhǔn)庫(kù)函數(shù)SSIM圖像評(píng)價(jià)結(jié)果與本文算法進(jìn)行對(duì)比分析。為了測(cè)試本文算法對(duì)不同圖像內(nèi)容的敏感度和適用性，實(shí)驗(yàn)選取包含人像、靜物、風(fēng)景等內(nèi)容，且含有豐富的邊緣及紋理信息的15幅圖像，部分樣本圖像如下所示。

3.2 實(shí)驗(yàn)結(jié)果及分析

圖8（a）為標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中選取的樣本圖像，圖8（b）是對(duì)樣本圖像添加參數(shù)為σ=0.8的高斯模糊得到的降質(zhì)圖像[20]。圖9～圖12分別給出了維納濾波、總變分、約束最小二乘方濾波復(fù)原、L-R四種算法利用含誤差psf進(jìn)行復(fù)原的部分結(jié)果，并給出了圖像坐標(biāo)為（57，82）處放大30倍后的邊緣圖像。圖中可以清楚的看到由于復(fù)原時(shí)psf所含誤差的不同，圖像中均產(chǎn)生了不同程度的振鈴。

圖13（a）和圖13（b）是分別使用SSIM和本文算法對(duì)四種算法復(fù)原結(jié)果的振鈴評(píng)價(jià)曲線，圖中橫坐標(biāo)為采用的psf參數(shù)值，縱坐標(biāo)為算法評(píng)價(jià)值。由圖13（a）可見(jiàn)，使用SSIM評(píng)價(jià)振鈴效應(yīng)在模糊核估計(jì)與實(shí)際值誤差較小時(shí)能夠準(zhǔn)確測(cè)量，當(dāng)σ>3時(shí)評(píng)價(jià)結(jié)果趨于平緩，測(cè)量結(jié)果不再變化，與主觀觀察結(jié)果不一致。

圖13（b）中四條曲線隨著模糊核估計(jì)誤差的增大而呈上升趨勢(shì)，這也與實(shí)驗(yàn)圖像的主觀觀察結(jié)果一致，并且在模糊核誤差變大時(shí)依舊能夠準(zhǔn)確測(cè)量。因此本文算法可以有效評(píng)價(jià)不同復(fù)原算法和不同復(fù)原參數(shù)下的復(fù)原圖像中的所存在的振鈴效應(yīng)。同時(shí)也能夠證明，在圖像盲復(fù)原過(guò)程中，當(dāng)對(duì)模糊核的彌散程度的估計(jì)高于實(shí)際時(shí)，復(fù)原圖像中會(huì)產(chǎn)生振鈴效應(yīng)[21]，其嚴(yán)重程度隨估計(jì)誤差的增大而增強(qiáng)。

4 結(jié) 論

本文從盲復(fù)原所致振鈴效應(yīng)的機(jī)理出發(fā)，通過(guò)分析振鈴效應(yīng)在圖像中的灰度及結(jié)構(gòu)特性，提出了一種基于灰度極值加權(quán)求和的圖像振鈴效應(yīng)評(píng)價(jià)算法，并通過(guò)仿真實(shí)驗(yàn)方法，利用不同樣本圖像及復(fù)原算法對(duì)算法有效性進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，當(dāng)模糊核誤差過(guò)大（σ>3）時(shí)，SSIM對(duì)振鈴的評(píng)價(jià)結(jié)果不再變化;而本文算法可以有效評(píng)價(jià)不同復(fù)原算法、不同復(fù)原參數(shù)下的復(fù)原圖像中的所存在的振鈴效應(yīng);此外根據(jù)本文算法的評(píng)價(jià)結(jié)果可以定量得出，而當(dāng)盲復(fù)原過(guò)程中所估計(jì)模糊核的彌散程度高于實(shí)際時(shí)，復(fù)原圖像中會(huì)存在過(guò)恢復(fù)，導(dǎo)致明顯的振鈴效應(yīng)。

參 考 文 獻(xiàn)：

[1] QUAN W， ZHANG W N. “Restoration of Motion-Blurred Star Image Based on Wiener Filter”[C]// 4th International Conference on Intelligent Computation Technology and Automation，2011，2：691.

[2] 錢(qián)春強(qiáng)， 王繼成. 基于改進(jìn)約束最小二乘方濾波復(fù)原算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展.2007，6（17）：9.

[3] XIAO GuangLv，YONG Zhong Song，SHUN Xu，et al. Image Restoration with a High-order Total Variation Minimization Method[J]. Le. Applied Mathematical Modeling，2013，36（16/17）：8210.

[4] 陳云龍， 王平， 王鵬. 基于L-R非線性迭代的降質(zhì)圖像復(fù)原算法[J]. 計(jì)算機(jī)工程. 2010，2（36）：202.

[5] 李靜， 王敏， 沙杰鋒. 基于小波變換的紅外目標(biāo)去運(yùn)動(dòng)模糊的研究[J]. 現(xiàn)代電子技術(shù). 2016，39（16）：120.

[6] M.Balasubramanian， S.S.iyengar. A Ringing Metric to Evaluate the Quality of Images Restore Using Iterative Deconcoutiong Algorithm[C]//Proceeding-184 h. International Conference on Systems Engeneering， 2005：438.

[7] M.Anto Bennet， G.Vijayalakshmi. Performance & Analysis of Blocking & Ringing Artifacts Reduction Using Generalized Least Square Algorithm[J]. Middle-East Tournal of Scientific Research， 2014，21（11）：2194.

[8] Ali Mosleh， J.M. Pierre Langlois. Image Deconvolution Ringing Artifact Detection and Removal Via Psf Frequency Analysis[J]. Vecture Notes in Computer Science， 2014， 8692： 247.

[9] 左博新， 明德烈， 田金文. 盲復(fù)原圖像振鈴效應(yīng)評(píng)價(jià)[J]. 中國(guó)圖像圖形學(xué)報(bào)， 2010，15（8）：1244.

[10]王靖，施剛，張磊，等，運(yùn)動(dòng)模糊圖像邊緣振鈴效應(yīng)的抑制方[J]. 電子測(cè)量技術(shù)，2013（5）： 62.

[11]王鳳隨， 王冠凌， 翟成明. 吉布斯效應(yīng)在信號(hào)處理課程教學(xué)中的仿真分析[J].中國(guó)現(xiàn)代教育裝備， 2015（1）：81.

[12]黃金平， 張正炳. 卷積定理與傅里葉變換性質(zhì)及其應(yīng)用的關(guān)系探討[J].長(zhǎng)江大學(xué)學(xué)報(bào)， 2016，13（19）：29.

[13]陳華松， 張正軍. 基于各向異性總邊分的運(yùn)動(dòng)模糊盲復(fù)原方法[J]. 光電子激光， 2015，26（16）：1206.

[14]WANG Xiaoxu，YAN LiangQuan. Gaussian. Filter for Nonlinear Systems with One-step Randomly Delayed Measurements[J] . Automatica，2013，45（7）：1273.

[15]黃玉龍， 張勇剛， 李寧. 一種改進(jìn)的高斯近似濾波方法[J]. 自動(dòng)化學(xué)報(bào)， 2016，42（3）：385.

[16]王宇. 圖像去運(yùn)動(dòng)模糊算法研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2015.

[17]李旭超，宋博.改進(jìn)的正則化模型在圖像恢復(fù)中的應(yīng)用[J]. 中國(guó)圖象圖形學(xué)報(bào)，2014，19（12）：1730.

[18]YANG L，LIU G H，SHI Z Y. Research on Suppression Algorithms of the Ringing Effect Caused by Blind Image Restoration[C] //Proceedings of the 5th International Conference on Instrumentation and Measurement，Computer，Communication and Control.Qin-huangdao，China，2015：1264.

[19]辛邁， 王平， 耿建. 基于線性插值的圖像分塊分割算法[J]. 工業(yè)儀表與自動(dòng)化裝置， 2016（1）：118.

[20]趙煌， 彭勇. 雙線性插值算法的優(yōu)化及其應(yīng)用[J]. 電視技術(shù)， 2012，36（17）：30.

[21]龔夢(mèng)歡，胡宗福.圖像復(fù)原的邊界振鈴效應(yīng)抑制算法[J].佳木斯大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，33 （6） ：864.

（編輯：溫澤宇）