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.
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)

