《电子技术应用》
您所在的位置:首页 > 人工智能 > 设计应用 > 基于双参数优化的维纳滤波图像复原算法
基于双参数优化的维纳滤波图像复原算法
电子技术应用
孙群蚌
西藏大学 信息科学技术学院
摘要: 针对图像中运动物品产生的运动模糊噪声,提出了一种基于双参数优化的维纳滤波图像复原算法,通过倒谱与Radon变换的方法估计图像运动模糊参数并利用粒子群优化算法动态寻找最优滤波K值,从而克服了经典维纳滤波算法对运动模糊图像的点扩散函数(PSF)以及图像中加性噪声等先验信息过分依赖这一缺点。通过与模拟添加的模糊参数对比,算法估计精度很高,误差不超过0.4。相比于传统维纳滤波,所提算法的复原图像峰值信噪比(PSNR)提升4~5 dB,相比其他文献算法提升1~2 dB,且具有更广泛的适用性。
中图分类号:TP391.41 文献标志码:A DOI: 10.16157/j.issn.0258-7998.257420
中文引用格式: 孙群蚌. 基于双参数优化的维纳滤波图像复原算法[J]. 电子技术应用,2026,52(11):120-125.
英文引用格式: Sun Qunbang. Wiener filter image restoration algorithm based on dual-parameter optimization[J]. Application of Electronic Technique,2026,52(11):120-125.
Wiener filter image restoration algorithm based on dual-parameter optimization
Sun Qunbang
School of Information Science and Technology, Xizang University
Abstract: To address motion blur artifacts induced by moving objects in images, this paper proposes a Wiener filter image restoration algorithm based on dual-parameter optimization. The method employs cepstrum analysis and Radon transform to estimate motion blur parameters and utilizes particle swarm optimization to dynamically identify the optimal filtering K-value. This approach overcomes the classical Wiener filter's excessive reliance on prior information about the point spread function (PSF) of motion-blurred images and additive noise. Comparative experiments with simulated blur parameters demonstrate that the proposed algorithm achieves high estimation accuracy with errors not exceeding 0.4. Compared to traditional Wiener filtering, the restoration images obtained by our method exhibit a peak signal-to-noise ratio (PSNR) improvement of 4~5 dB, while outperforming other state-of-the-art algorithms by 1~2 dB, indicating broader applicability and superior performance.
Key words : Wiener filtering;motion blur;image restoration;blur parameter estimation;particle swarm algorithm

引言

随着图像识别技术在生活场景与工业检测领域的广泛应用,对嵌入式设备的实时动态识别能力提出了更高要求。然而,在诸如运动车辆车牌识别、运动员号码牌捕捉、以及传送带上商品二维码读取等典型场景中,目标物体的运动以及成像设备的自身缺陷往往会向图像中引入严重的运动模糊以及加性噪声等,极大地降低了识别算法的准确率。针对这一核心挑战,本文深入研究了运动模糊图像的复原问题。

目前,运动模糊图像复原算法可以分为传统复原方法和基于深度学习的复原方法[1]。基于深度学习的方法包括基于卷积神经网络(CNN)、生成对抗网络(GAN)、Transformer等算法的图像复原方法,例如范蒙蒙等人提出了一种基于生成对抗网络的运动模糊图像盲复原方法,以解决不均匀光照下物体的运动模糊问题[2]。传统复原方法通常将该任务公式化为反卷积问题,其中模糊图像被建模为空间不变或空间变化的模糊核卷积的结果[3],最经典的传统模糊图像复原算法分为逆滤波、维纳滤波、约束最小二乘滤波、Richardson-Lucy算法等,例如孙文静等人为更好地提高复原图像的质量,研究结合维纳滤波算法和空间滤波算法优势,提出一种基于组合维纳滤波算法的噪声模糊图像复原方法[4]。基于深度学习的方法利用神经网络架构,能够从海量数据中学习复杂特征,通常获得更优的复原质量,但此类方法不仅依赖大规模高质量训练数据集,也面临计算成本高、耗时长以及对硬件性能要求严苛的挑战。相比之下,传统算法的优势在于计算效率高、资源消耗低,虽然其复原效果常受限,但在嵌入式系统等资源受限场景下,往往无需追求极高的复原精度,因而仍具有重要的实用价值。维纳滤波(Wiener Filter)在处理运动模糊噪声以及加性噪声上表现出良好的效果,传统维纳滤波算法是一种有效的去模糊工具,但其性能高度依赖于已知的点扩散函数(PSF)和准确的加性噪声水平这两个关键参数,在实际去噪场景中,这些参数往往是未知的,这极大地限制了经典算法的实用性与准确性。

为此,本文提出了一种基于双参数优化的维纳滤波图像复原算法,算法的核心创新在于能够自动精确地估计出表征运动模糊的参数并通过粒子群优化算法动态寻找维纳滤波中的最优K值,实现最大化复原图像的PSNR值,从而克服了传统维纳滤波方法对先验知识过度依赖这一局限性。


本文详细内容请下载:

https://www.chinaaet.com/resource/share/2000007356


作者信息:

孙群蚌

(西藏大学 信息科学技术学院,西藏 拉萨 850000)

2.jpg

此内容为AET网站原创,未经授权禁止转载。