CN102201112B - 单张影像的阶层式去动态模糊方法 - Google Patents
单张影像的阶层式去动态模糊方法 Download PDFInfo
- Publication number
- CN102201112B CN102201112B CN 201010141406 CN201010141406A CN102201112B CN 102201112 B CN102201112 B CN 102201112B CN 201010141406 CN201010141406 CN 201010141406 CN 201010141406 A CN201010141406 A CN 201010141406A CN 102201112 B CN102201112 B CN 102201112B
- Authority
- CN
- China
- Prior art keywords
- image
- stratum
- reduction
- residue
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种单张影像的阶层式去动态模糊方法,该方法是计算目标影像的模糊核心,并将其表述为多阶层的表述式。接着,将梯度衰减函数及强边缘抑制函数应用到剩余Richardson-Lucy演算法,分别以递回的方式由粗至细求取由各个阶层的表述式所表述的目标影像及模糊核心的剩余影像,并将其还原为第一还原影像及第二还原影像。最后比较两个还原影像的差异,以获得去动态模糊的还原影像。
Description
技术领域
本发明涉及一种影像处理方法,尤其涉及一种单张影像的阶层式去动态模糊方法。
背景技术
动态模糊(Motion blur)是由照相机与景象在一曝光时间内的相对运动所产生,其经常发生在低光源环境使用手持式照相机拍摄照片的情况。另一种动态模糊则是在以静态照相机拍摄运动中物体时所产生。
对于受到动态模糊影响的影像来说,如何将其还原已成为目前电脑视觉(computer vision)及影像处理领域的一大课题。目前已有许多人提出不同的演算法来尝试解决此问题,这些演算法粗略可分为三大类:单张影像去模糊;多阶影像去模糊;以及计算式摄影(computational photography)。
其中,当影像牵涉到相机旋转或是大景深(scene depth)变化时,要去估测实际的相机运动是相当复杂的。而为了简化问题,目前的研究通常假设相机的运动方向与光学轴(optical axes)相垂直,因此可以忽略掉景深变化的影响。换句话说,模糊核心(blur kernel),或者说是点扩散函数(Point SpreadFunction,PSF),是被假设为具有空间不变(spatial-invariant)的特性。在此假设下,模糊影像B可以被模型化为清晰影像I与模糊核心f的卷积(convolution),而可以下式表述:
其中,n为附加的杂讯。
若I及f两者都是未知,则解方程式(1)将会变成一个盲目反回旋(blinddeconvolution)的问题,而即便使用空间不变的假设,此问题仍旧存在,这是因为I及f的限制太少,其间的多种组合都可被卷积为相同的模糊影像B。
发明内容
有鉴于此,本发明提供一种单张影像的阶层式去动态模糊方法,其利用梯度衰减函数及强边缘抑制函数来定义权重阵列,并应用到Richardson-Lucy演算法中,以达到抑制环状假影(ringing artifact)的目的。
本发明提出一种单张影像的阶层式去动态模糊方法,其包括下列步骤:a.提供目标影像;b.计算此目标影像的模糊核心(blur kernel);c.将此目标影像及模糊核心表述为多种阶层(scale)的表述式;d.利用剩余RL演算法,以递回的方式由粗至细求取由各个阶层的表述式所表述的目标影像及模糊核心的剩余影像,并将其还原为第一还原影像,其中包括在递回中将剩余影像乘上由第一梯度衰减函数所定义的第一权重阵列;e.利用剩余RL演算法,以递回的方式由粗至细求取由各个阶层的表述式所表述的目标影像及模糊核心的剩余影像,并将其还原为第二还原影像,其中包括在递回中将剩余影像乘上由第二梯度衰减函数及强边缘(strong edge)抑制函数所定义的第二权重阵列;f.比较这两个还原影像的差异,以获得去动态模糊的最终还原影像。
在本发明的一实施例中,上述步骤d包括下列子步骤:d1.利用标准RL演算法求取由最粗阶层的表述式所表述的目标影像及模糊核心的还原影像;d2.依据所求得的还原影像计算第一梯度衰减函数,以定义第一权重阵列;d3.将所求得的该还原影像提升取样(upsample)为目前阶层的下一阶层,以生成该下一阶层的一导引影像(guide image),并提升取样所计算的该第一梯度衰减函数与该第一权重阵列以供该下一阶层使用;d4.将由下一阶层的表述式所表述的目标影像减去下一阶层的导引影像与该阶层的模糊核心的卷积结果,以获得下一阶层的剩余目标影像;d5.利用该余RL演算法求取此剩余目标影像的剩余影像,并将剩余影像乘上由前一阶层所提升取样的第一权重阵列;d6.将所求取的剩余影像加上导引影像,以获得下一阶层的还原影像;d7.重复上述步骤d2~d6,以递回的方式由粗至细求取由其他阶层的表述式所表述的目标影像及模糊核心的剩余影像,并以最后所求取的还原影像作为第一还原影像。
在本发明一实施例中,上述的步骤d2包括:计算还原影像的梯度分布以生成一阶层系数(scaling factor);将此阶层系数乘上前一个阶层的第一梯度衰减函数,以将此第一梯度衰减函数更新;最后则以更新后的第一梯度衰减函数定义第一权重阵列。
在本发明一实施例中,在上述步骤d3之前,还包括利用双向滤波器(bilateral filter)滤除所求得的还原影像中的环状假影(ringing artifact)。
在本发明一实施例中,上述的步骤e包括下列子步骤:e1.利用标准RL演算法求取由最粗阶层的表述式所表述的目标影像及模糊核心的还原影像;e2.依据所求得的还原影像计算第二梯度衰减函数,以定义第二权重阵列;e3.将第二权重阵列带入强边缘抑制函数,以更新第二权重阵列;e4.将所求得的还原影像提升取样为目前阶层的下一阶层,以生成下一阶层的导引影像;同时也会将“第二梯度衰减函数”与“第二权重阵列”一起提升取样以提供给下一层使用;e5.将由下一阶层的表述式所表述的目标影像减去下一阶层的导引影像与该阶层的模糊核心的卷积结果,以获得下一阶层的剩余目标影像;e6.利用剩余RL演算法求取剩余目标影像的剩余影像,并将剩余影像乘上前一阶层所提升取样的第二权重阵列;e7.将所求取的剩余影像加上导引影像,以获得下一阶层的还原影像;e8.重复上述步骤e2~e7,以递回的方式由粗至细求取由其他阶层的表述式所表述的目标影像及模糊核心的剩余影像,并以最后所求取的还原影像作为第二还原影像。
在本发明一实施例中,上述的步骤e2包括计算还原影像的梯度分布以生成阶层系数,然后将阶层系数乘上前一阶层的第二梯度衰减函数,以更新第二梯度衰减函数,最后则以更新后的第二梯度衰减函数定义第二权重阵列。
在本发明一实施例中,在上述步骤e3之前,还包括利用双向滤波器将所求得的还原影像中的环状假影滤除。
在本发明一实施例中,上述的步骤f包括:f1.计算第一还原影像及第二还原影像的差值影像;f2.利用双向滤波器滤出差值影像中的环状假影;f3.利用最小平方法求出环状假影在差值影像中所占的阶层系数;f4.依据第二还原影像、差值影像以及环状假影与阶层系数的乘积,计算最终还原影像。
在本发明一实施例中,上述的最终还原影像等于第二还原影像加上差值影像,再减去环状假影与阶层系数的乘积所得的影像。
在本发明一实施例中,上述的强边缘抑制函数包括Gompertz函数。
基于上述,本发明的单张影像的阶层式去动态模糊方法系在RL演算法中加入一个权重阵列,并利用梯度衰减函数及强边缘抑制函数定义权重阵列中的权重值,因此可以控制递回的更新比率,而达到抑制环状假影的目的。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
附图说明
图1是本发明一实施例的单张影像的阶层式去动态模糊方法流程图。
图2是本发明一实施例的GARL演算法的流程图。
图3是本发明一实施例的增强GARL演算法的流程图。
图4是本发明一实施例的计算最终还原影像的方法流程图。
主要附图标记说明:
S102~S112:本发明一实施例的单张影像的阶层式去动态模糊方法的各步骤;
S202~S218:本发明一实施例的GARL演算法的各步骤;
S302~S320:本发明一实施例的增强GARL演算法的各步骤;
S402~S408:本发明一实施例的计算最终还原影像的方法的各步骤。
具体实施方式
本发明提出一种梯度衰减Richardson-Lucy(Gradient attenuation RL,GARL)演算法,其利用梯度资讯来抑制大部分的环状假影(ringing artifact)。此外,本发明采用阶层式的还原机制,因而采用剩余反卷积(residualdeconvolution)的概念来缓和环状假影。以下则举实施例说明本发明的阶层式去动态模糊方法的详细过程。
剩余RL反卷积(deconvolution)的概念是在剩余影像上执行RL演算法以降低信号的绝对高度,因此也可以减少环状假影。所谓的剩余影像ΔI为清晰影像I及导引影像(guide image)Ig的差值,其公式如下:
I=Ig+ΔI (2)
将公式(2)导入公式(1),则可得到:
假设杂讯n为卜瓦松分布(Poisson distribution),则标准的RL演算法可修改为下式:
根据上述,本发明的阶层式去模糊方法即先建构模糊影像的多种阶层的表述式,并采用剩余RL的架构。其中,由标准RL可直接获得最粗阶层的导引影像,而通过将快速近似双向滤波器(fast approximated bilateral filter)应用在除了最后一个阶层的其他阶层上,则可避免环状假影传播到下个阶层。
由于RL反卷积演算法是一个以比率为基础的演算法,因此本发明通过控制递回的更新比率来达到抑制环状假影的目的。据此,本发明将一个外加的权重阵列乘上剩余RL演算法的各个阶层,而将方程式(4)修正为下式:
其中,Ws-1代表权重阵列,而s则代表阶层的索引值。
在此需说明的是,环状假影具有三种主要特性。第一,在均匀(homogeneous)区域的环状假影会比复杂(complex)区域的环状假影来得明显;第二,在强边缘周围的环状假影会比其他区域来得严重;第三,环状假影通常会沿着核心方向(kernel direction)传播。
根据上述特性,本发明应用梯度衰减函数来决定每个像素的权重值。为了让此函数可以减少低梯度区域的更新比率,进而扩大对环状假影的抑制,本发明定义了一个阶层系数(scaling factor),其公式如下:
其中,α代表梯度值大小不变的阶层,而β则是用来控制衰减阶层。
在本发明的阶层式还原架构中,梯度衰减函数Φ将阶层系数传播到最粗至最细的每一个阶层:
最后,梯度衰减函数Φ即可由所有边缘及细节的强度来决定。
通过将上述方程式(7)除以其所有阶层中的最大值而达到正规化(normalization)后再开一小于1次方可作为权重图(weighting map)来使用,即可大幅抑制最严重的环状假影,然而强边缘区域附近的环状假影仍有可能没有被抑制到。为了解决此问题,本发明另提出一种增强GARL演算法,其合并强边缘抑制函数(例如Gompertz函数)来进一步减弱非常强边缘的更新比率。而根据环状假影的第三种特性,本发明通过估测模糊核心来扩展衰减的范围。此增强的权重图定义如下:
Φ′=Φ(γ·E+κ)
其中,系数η及ω可分别控制强边缘抑制函数的形状;E则是根据所估测模糊核心以指出强边缘位置及其影响区域的影像;系数κ及γ则控制强边缘周围的衰减阶层。
综上所述,本发明的梯度衰减RL演算法通过权重阵列的加乘来抑制环状假影的做法与传统RL相类似,但权重值的求得方式则大不相同,而通过本发明的方法可在还原细节的同时抑制环状假影。
当通过上述的GARL演算法及增强GARL演算法求得还原影像后,其间的差值Diff即包含细节及环状假影:
Diff=IGARL-IEGARL=ID+λIR (9)
其中,IGARL及IEGARL分别代表通过GARL演算法及增强GARL演算法所求得的还原影像;ID及IR则分别代表细节及环状假影层;λ代表阶层系数。而通过在差值影像上应用一个双向滤波器即可扩展IR,其中λ可定义如下:
据此,最后的还原影像IF由下式计算而得:
IF=IEGARL+Diff-λIR (11)
依据上述的理论推导,最终所获得的还原影像IF即为去动态模糊的还原影像。对应于上述理论,本发明定义了一套完整的方法流程,以实现阶层式去动态模糊的目的,以下则举实施例详细说明。
图1是本发明一实施例的单张影像的阶层式去动态模糊方法流程图。请参照图1,本实施例的阶层式去动态模糊方法适于对单张影像进行处理,而通过剩余Richards-Lucy演算法的递回,可达到抑制环状假影的目的,其步骤分述如下:
首先提供一张目标影像(步骤S102)。接着,计算此目标影像的模糊核心(步骤S104),并将此目标影像与模糊核心表述为多阶层的表述式(步骤S106)。其中,本实施例通过标准RL演算法,计算最粗阶层的导引影像,并将快速近似双向滤波器(fast approximated bilateral filter)应用在除了最后一个阶层的其他阶层上,以避免环状假影传播到下个阶层。
在取得目标影像与模糊核心的多阶层表述式后,即可采用上述的GARL演算法,以递回的方式由粗至细求取由各个阶层的表述式所表述的目标影像及模糊核心的剩余影像,并将此剩余影像还原为第一还原影像(步骤S108)。
需说明的是,本实施例在执行GARL演算法的递回过程中,将剩余影像乘上一个由第一梯度衰减函数所定义的第一权重阵列,以减少递回的更新比率,达到抑制环状假影的目的。
详细地说,图2是本发明一实施例的GARL演算法的流程图。请参照图2,本实施例的GARL演算法系先通过标准的RL演算法求取由最粗阶层的表述式所表述的目标影像及模糊核心的还原影像(步骤S202)。
之后,依据所求得的还原影像,计算第一梯度衰减函数,并用以定义第一权重阵列(步骤S204)。其中,本实施例例如先计算还原影像的梯度分布,以生成阶层系数(参照公式(6)),然后将此阶层系数乘上前一个阶层的第一梯度衰减函数,以更新第一梯度衰减函数(参照公式(7)),最后则以更新后的第一梯度衰减函数来定义第一权重阵列。
接着,将步骤S202所求得的还原影像提升取样(upsample)为目前阶层的下一阶层,以生成下一阶层的导引影像(guide image)(步骤S206),同时也会将“第一梯度衰减函数”与“第一权重阵列”一起提升取样以提供给下一层使用。而通过将下一阶层的表述式所表述的目标影像减去此下一阶层的导引影像与该阶层的模糊核心的卷积结果,即即可获得下一阶层的剩余目标影像(步骤S208)。
然后,利用剩余RL演算法求取此剩余目标影像的剩余影像,并将剩余影像乘上第一权重阵列(步骤S210),最后则将所求取的剩余影像加上导引影像,而获得下一阶层的还原影像(步骤S212)。
通过上述步骤,即可由最粗阶层的还原影像求取下一阶层的还原影像,而本发明通过递回的方式由粗至细求取由其他阶层的表述式所表述的目标影像及模糊核心的剩余影像。据此,在每次求得还原影像后,即会判断目前处理的影像阶层是否为最后阶层(步骤S214)。
其中,若判断目前处理的影像阶层不是最后阶层,则利用双向滤波器滤除所求得的还原影像中的环状假影(步骤S216)。详细地说,本实施例例如将快速近似双向滤波器应用在除了最后一个阶层的其他阶层的还原影像上,以避免环状假影传播到下个阶层,而在滤除环状假影后,则返回步骤S204,并重复执行步骤S204~S212,以继续求取其他阶层的还原影像。
另一方面,若在步骤S214中判断目前处理的影像阶层是最后阶层,则以最后所求取的还原影像作为执行GARL演算法所求得的第一还原影像(步骤S218)。
回到图1的步骤S106,在取得目标影像与模糊核心的多阶层表述式后,本实施例还包括利用上述的增强GARL演算法,以递回的方式由粗至细求取由各个阶层的表述式所表述的目标影像及模糊核心的剩余影像,并将此剩余影像还原为第二还原影像(步骤S110)。其中,步骤S110可与步骤S108同时进行,亦或是在步骤S108之前或之后进行,本实施例不限制其执行顺序。
需说明的是,本实施例在执行增强GARL演算法的递回过程中,将剩余影像乘上一个由第二梯度衰减函数所定义的第二权重阵列,以减少递回的更新比率,而达到抑制环状假影的目的。
详细地说,图3是本发明一实施例的增强GARL演算法的流程图。请参照图3,本实施例的增强GARL演算法先由标准的RL演算法求取由最粗阶层的表述式所表述的目标影像及模糊核心的还原影像(步骤S302)。
之后,依据所求得的还原影像,计算第二梯度衰减函数,并用以定义第二权重阵列(步骤S304)。其中,本实施例例如先计算还原影像的梯度分布,以生成阶层系数(参照公式(6)),然后将此阶层系数乘上前一个阶层的第二梯度衰减函数,以更新第二梯度衰减函数(参照公式(7)),最后则以更新后的第二梯度衰减函数来定义第二权重阵列。
与GARL演算法不同的是,增强GARL演算法除了利用第二梯度衰减函数来定义第二权重阵列之外,还更进一步地将第二权重阵列带入强边缘抑制函数(参照公式(8)),以更新第二权重阵列(步骤S306)。
接着,将步骤S302所求得的还原影像提升取样为目前阶层的下一阶层,以生成下一阶层的导引影像(guide image)(步骤S308),同时也会将”第二梯度衰减函数”与”第二权重阵列”一起提升取样以提供给下一层使用。而通过将下一阶层的表述式所表述的目标影像减去此下一阶层的导引影像与该阶层的模糊核心的卷积结果,即即可获得下一阶层的剩余目标影像(步骤S310)。
然后,利用剩余RL演算法求取此剩余目标影像的剩余影像,并将剩余影像乘上第二权重阵列(步骤S312),最后则将所求取的剩余影像加上导引影像,而获得下一阶层的还原影像(步骤S314)。
通过上述步骤,即可由最粗阶层的还原影像求取下一阶层的还原影像,而本发明通过递回的方式由粗至细求取由其他阶层的表述式所表述的目标影像及模糊核心的剩余影像。据此,在每次求得还原影像后,即会判断目前的阶层是否为最后阶层(步骤S316)。
若判断目前处理的影像阶层不是最后阶层,则利用双向滤波器滤除所求得的还原影像中的环状假影(步骤S318)。其中,本实施例例如将快速近似双向滤波器应用在除了最后一个阶层的其他阶层的还原影像上,以避免环状假影传播到下个阶层,而在滤除环状假影后,则返回步骤S304,并重复执行步骤S304~S314,以继续求取其他阶层的还原影像。
另一方面,若在步骤S316中判断目前处理的影像阶层是最后阶层,则以最后所求取的还原影像作为执行增强GARL演算法所求得的第二还原影像(步骤S320)。
回到图1的步骤S110,通过GARL演算法及增强GARL演算法,本实施例即可获得对应的第一还原影像及第二还原影像,接着即可比较此第一还原影像及第二还原影像的差异,而获得去动态模糊的最终还原影像(步骤S112)。
详细地说,图4是本发明一实施例的计算最终还原影像的方法流程图。请参照图4,本实施例通比较GARL演算法及增强GARL演算法计算所得的第一还原影像及第二还原影像,而获得去动态模糊的最终还原影像,其步骤如下:
首先,计算第一还原影像及第二还原影像的差值影像(步骤S402),此差值影像即对应公式(9)中的Diff。
接着,利用双向滤波器滤出此差值影像中的环状假影(步骤S404),此步骤即对应公式(10)。
之后,可利用最小平方法求出环状假影在差值影像中所占的阶层系数(步骤S406),此阶层系数即对应公式(9)中的λ。
最后,可依据第二还原影像、差值影像以及环状假影与阶层系数的乘积,计算最终还原影像(步骤S408)。详细地说,可将第二还原影像加上差值影像,再减去环状假影与阶层系数的乘积,而其计算结果即可作为最终还原影像,此步骤即对应公式(11)。
综上所述,本发明的单张影像的阶层式去动态模糊方法在Richardson-Lucy演算法中加入一个权重阵列,并利用梯度衰减函数控制递回的更新比率,以及利用强边缘抑制函数控制强边缘周围的衰减阶层,最终达到抑制环状假影与去动态模糊的目的。
虽然本发明已以实施例揭示如上,但其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,可作任意的更改或等同替换,故本发明的保护范围应当以本申请权利要求书所界定的范围为准。
Claims (9)
1.一种单张影像的阶层式去动态模糊方法,包括:
步骤a.提供一目标影像;
步骤b.计算该目标影像的一模糊核心;
步骤c.表述该目标影像及该模糊核心为多种阶层的一表述式;
步骤d.利用一剩余Richardson-Lucy演算法,以递回的方式由粗至细求取由各所述阶层的该表述式所表述的该目标影像及该模糊核心的一剩余影像,并还原该剩余影像为一第一还原影像,其中包括在递回中将该剩余影像乘上由一第一梯度衰减函数所定义的一第一权重阵列;
步骤e.利用该剩余Richardson-Lucy演算法,以递回的方式由粗至细求取由各所述阶层的该表述式所表述的该目标影像及该模糊核心的该剩余影像,并还原该剩余影像为一第二还原影像,其中包括在递回中将该剩余影像乘上由一第二梯度衰减函数及一强边缘抑制函数所定义的一第二权重阵列;以及
步骤f.比较该第一还原影像及该第二还原影像的一差异,以获得去动态模糊的一最终还原影像,包括:
步骤f1.计算该第一还原影像及该第二还原影像的一差值影像;
步骤f2.利用一双向滤波器滤出该差值影像中的一环状假影;
步骤f3.利用一最小平方法求出该环状假影在该差值影像中所占的一阶层系数;以及
步骤f4.依据该第二还原影像、该差值影像以及该环状假影与该阶层系数的乘积,计算该最终还原影像。
2.根据权利要求1所述的单张影像的阶层式去动态模糊方法,其中该步骤d包括:
步骤d1.利用一标准Richardson-Lucy演算法求取由一最粗阶层的该表述式所表述的该目标影像及该模糊核心的一还原影像;
步骤d2.依据所求得的该还原影像计算该第一梯度衰减函数,以定义该第一权重阵列;
步骤d3.将所求得的该还原影像提升取样为目前阶层的下一阶层,以生成该下一阶层的一导引影像,并提升取样所计算的该第一梯度衰减函数与该第一权重阵列以供该下一阶层使用;
步骤d4.将由该下一阶层的该表述式所表述的该目标影像减去该下一阶层的该导引影像与其模糊核心的一卷积结果,以获得该下一阶层的一剩余目标影像;
步骤d5.利用该剩余Richardson-Lucy演算法求取该剩余目标影像的该剩余影像,并将该剩余影像乘上由前一阶层所提升取样的该第一权重阵列;
步骤d6.将所求取的该剩余影像加上该导引影像,以获得该下一阶层的该还原影像;以及
步骤d7.重复上述步骤d2~d6,以递回的方式由粗至细求取由其他阶层的该表述式所表述的该目标影像及该模糊核心的该剩余影像,并以最后所求取的该还原影像作为该第一还原影像。
3.根据权利要求2所述的单张影像的阶层式去动态模糊方法,其中该步骤d2包括:
计算该还原影像的一梯度分布以生成一阶层系数;
将该阶层系数乘上前一阶层的该第一梯度衰减函数,以更新该第一梯度衰减函数;以及
以更新后的该第一梯度衰减函数定义该第一权重阵列。
4.根据权利要求2所述的单张影像的阶层式去动态模糊方法,其中在该步骤d3之前,还包括:
利用一双向滤波器滤除该所求得的该还原影像中的一环状假影。
5.根据权利要求1所述的单张影像的阶层式去动态模糊方法,其中该步骤e包括:
步骤e1.利用一标准Richardson-Lucy演算法求取由一最粗阶层的该表述式所表述的该目标影像及该模糊核心的一还原影像;
步骤e2.依据所求得的该还原影像计算该第二梯度衰减函数,以定义该第二权重阵列;
步骤e3.将该第二权重阵列带入该强边缘抑制函数,以更新该第二权重阵列;
步骤e4.将所求得的该还原影像提升取样为目前阶层的下一阶层,以生成该下一阶层的一导引影像,并提升取样所计算的该第二梯度衰减函数与该第二权重阵列以供该下一阶层使用;
步骤e5.将由该下一阶层的该表述式所表述的该目标影像减去该下一阶层的该导引影像与其模糊核心的一卷积结果,以获得该下一阶层的一剩余目标影像;
步骤e6.利用该剩余Richardson-Lucy演算法求取该剩余目标影像的该剩余影像,并将该剩余影像乘上由前一阶层所提升取样的该第二权重阵列;
步骤e7.将所求取的该剩余影像加上该导引影像,以获得该下一阶层的该还原影像;以及
步骤e8.重复上述步骤e2~e7,以递回的方式由粗至细求取由其他阶层的该表述式所表述的该目标影像及该模糊核心的该剩余影像,并以最后所求取的该还原影像作为该第二还原影像。
6.根据权利要求5所述的单张影像的阶层式去动态模糊方法,其中该步骤e2包括:
计算该还原影像的一梯度分布以生成一阶层系数;
将该阶层系数乘上前一阶层的该第二梯度衰减函数,以更新该第二梯度衰减函数;以及
以更新后的该第二梯度衰减函数定义该第二权重阵列。
7.根据权利要求5所述的单张影像的阶层式去动态模糊方法,其中在该步骤e3之前,还包括:
利用一双向滤波器滤除该所求得的该还原影像中的一环状假影。
8.根据权利要求1所述的单张影像的阶层式去动态模糊方法,其中该步骤f4中的该最终还原影像等于该第二还原影像加上该差值影像,再减去该环状假影与该阶层系数的乘积所得的影像。
9.根据权利要求1所述的单张影像的阶层式去动态模糊方法,其中该强边缘抑制函数包括一Gompertz函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010141406 CN102201112B (zh) | 2010-03-25 | 2010-03-25 | 单张影像的阶层式去动态模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010141406 CN102201112B (zh) | 2010-03-25 | 2010-03-25 | 单张影像的阶层式去动态模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102201112A CN102201112A (zh) | 2011-09-28 |
CN102201112B true CN102201112B (zh) | 2013-05-22 |
Family
ID=44661764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010141406 Expired - Fee Related CN102201112B (zh) | 2010-03-25 | 2010-03-25 | 单张影像的阶层式去动态模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102201112B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301431A (zh) * | 2017-06-29 | 2017-10-27 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于权重的非极大值抑制的方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049891B (zh) * | 2013-01-25 | 2015-04-08 | 西安电子科技大学 | 基于自适应窗口选择的视频图像去模糊方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1728181A (zh) * | 2005-01-13 | 2006-02-01 | 中国科学院长春光学精密机械与物理研究所 | 运动模糊数字图像自动复原方法 |
CN101364302A (zh) * | 2008-09-28 | 2009-02-11 | 西安理工大学 | 一种散焦模糊图像的清晰化处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7616826B2 (en) * | 2006-07-28 | 2009-11-10 | Massachusetts Institute Of Technology | Removing camera shake from a single photograph using statistics of a natural image |
US8184926B2 (en) * | 2007-02-28 | 2012-05-22 | Microsoft Corporation | Image deblurring with blurred/noisy image pairs |
-
2010
- 2010-03-25 CN CN 201010141406 patent/CN102201112B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1728181A (zh) * | 2005-01-13 | 2006-02-01 | 中国科学院长春光学精密机械与物理研究所 | 运动模糊数字图像自动复原方法 |
CN101364302A (zh) * | 2008-09-28 | 2009-02-11 | 西安理工大学 | 一种散焦模糊图像的清晰化处理方法 |
Non-Patent Citations (2)
Title |
---|
Fergus R, et al.Removing Camera Shake from a Single Photograph.《ACM Transactions on graphics》.2006,第25卷(第3期),787-794. |
Removing Camera Shake from a Single Photograph;Fergus R, et al;《ACM Transactions on graphics》;20060731;第25卷(第3期);787-794 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301431A (zh) * | 2017-06-29 | 2017-10-27 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于权重的非极大值抑制的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102201112A (zh) | 2011-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI405147B (zh) | 單張影像的階層式去動態模糊方法 | |
Bertocchi et al. | Deep unfolding of a proximal interior point method for image restoration | |
Min et al. | Fast global image smoothing based on weighted least squares | |
Liu et al. | Single image dehazing with depth-aware non-local total variation regularization | |
Guo et al. | LIME: Low-light image enhancement via illumination map estimation | |
Kim et al. | Curvature interpolation method for image zooming | |
Bhat et al. | Gradientshop: A gradient-domain optimization framework for image and video filtering | |
Paris et al. | A fast approximation of the bilateral filter using a signal processing approach | |
KR101330493B1 (ko) | 이미지 잡음 제거 시스템, 디지털 카메라 및 컴퓨터판독가능 매체 | |
Lv et al. | Image restoration with a high-order total variation minimization method | |
US9569684B2 (en) | Image enhancement using self-examples and external examples | |
JP2013192224A (ja) | ブラー映像及びノイズ映像で構成されたマルチフレームを用いて非均一モーションブラーを除去する方法及び装置 | |
WO2022088976A1 (zh) | 图像处理方法及装置 | |
Zhong et al. | Spatially adaptive total generalized variation-regularized image deblurring with impulse noise | |
Duan et al. | Introducing diffusion tensor to high order variational model for image reconstruction | |
Gonzales et al. | Fast Retinex for color image enhancement: methods and algorithms | |
CN102201112B (zh) | 单张影像的阶层式去动态模糊方法 | |
Li et al. | Blind motion image deblurring using nonconvex higher-order total variation model | |
CN108230251A (zh) | 组合式图像恢复方法及装置 | |
JP6661491B2 (ja) | 画像処理装置および画像処理方法 | |
CN112862729B (zh) | 一种基于特征曲线指导的遥感图像去噪方法 | |
Zheng et al. | Regularization parameter selection for total variation model based on local spectral response | |
Shi et al. | Poissonian image deconvolution via sparse and redundant representations and framelet regularization | |
Liu et al. | Nonblind image deblurring by total generalized variation and shearlet regularizations | |
Jia et al. | Weighted guided image filtering with entropy evaluation weighting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130522 Termination date: 20150325 |
|
EXPY | Termination of patent right or utility model |