CN102509271B - 基于多维度分解迭代增强校正的图像复原方法 - Google Patents
基于多维度分解迭代增强校正的图像复原方法 Download PDFInfo
- Publication number
- CN102509271B CN102509271B CN201110370078.9A CN201110370078A CN102509271B CN 102509271 B CN102509271 B CN 102509271B CN 201110370078 A CN201110370078 A CN 201110370078A CN 102509271 B CN102509271 B CN 102509271B
- Authority
- CN
- China
- Prior art keywords
- image
- correct
- iteration
- density
- brightness domain
- 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.)
- Active
Links
Abstract
本发明涉及一种基于多维度分解迭代增强校正的图像复原方法，通过分解处理、图像的迭代增强、图像的校正复原处理，较全面的解决了现有技术中关于图像识别系统无法对图像不清晰或不完整时进行校正和复原的不足和缺陷的长期困扰的技术问题；实现了当图像光照不足或夜色等情况下非常好的图像失真增强后校正可操作性强、恢复速度快、复原准确度高的技术效果。
Description
技术领域
本发明涉及一种图像增强校正复原方法，尤其是涉及一种基于多维度分解的符合人体视神经的图像迭代增强校正复原的方法，特别是涉及一种基于多维度分解迭代增强校正的图像复原方法。
背景技术
在二十一世纪的图像领域，全方位视觉是指装备有超大广角镜头竖直向上放置的一台摄像机一次摄取的一幅图像，可以记录360°方位视角中的全部场景，即把周围前后左右整个区域中的景物“一眼看遍”。这种“全景图像”的获取无需单台摄像机的机械回转进行“摇拍”，或采用多台摄像机同时拍摄多幅图像进行“粘贴”，从而简化了系统结构和处理程序，有利于机器视觉应用的实时性要求。它在机动目标跟踪、多目标捕获及相机与目标物互动等应用场合，具有特别的优势和重要的应用价值。上述图片或者图像都存在失真，视角窄，分辨率低等缺陷和不足。
随着数字采集设备成本的降低和捕获手段的便宜程度普及，数字图像越来越普及且影响人们的生产生活，如何提高所采集到的图像质量，对其进行校正增强。图像迭代增强校正复原是一个具有广阔的应用前景和发展潜力的方法。图像迭代增强校正复原是数字图像处理领域的一个研究的重要问题，在航空航天，生物医学，工业检测和公共安全等生产生活问题的各个领域都有广泛应用。
现阶段，图像增强校正复原是图像处理中的一项重要技术，如何在复杂背景，例如光照变换，背景噪声，采集设备受损等情况下对图片增强校正复原。尤其是当图像采集时由于光照或夜色等原因的产生阴影情况下，使之改善图像质量、丰富信息量，对图片进行图像增强校正复原，加强图像判读和识别效果，是一个重要的问题。频域处理法把图像看成一种二维信号，一般采用合适的滤波器，对其进行基于二维傅里叶变换的信号增强。一般采用低通滤波器可以去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。但采用低通滤波器的方法会使图像变的模糊。采用高通滤波器的方法又无法消除图像噪声的影响，且有时边缘的变化会变得过于锐利而产生失真。具有代表性的空间域算法有局部求平均值法取局部邻域中的中间像素值法等，它们可用于去除或减弱噪声，但会损失图像的细节信息。一般来说，图像校正复原会遇到两个互相矛盾的问题，如何在不减少图像全局信息的情况下，增强图像的感兴趣部分的局部特征和信息，将原来不清晰的图像变得清晰同时强调某些感兴趣的特征，是一个重要且很难解决的问题。由于图像在采集时可能存在光照、噪声，采集设备部分故障等变化，特别是当图像光照不足或夜色等情况而产生阴影的情况下，图像增强校正复原是一个非常复杂的问题。总的来说，由于图像增强校正复原问题的复杂性，现有的方法并没有能够在不损失图像的全局信息的同时增强和校正复原图像的感兴趣部分的局部特征和信息，特别是当图像光照不足而产生阴影的情况下，还存在诸多问题，特别在：1)、如何选取合适的变换空间来对图像进行增强校正复原；2)、如何在此空间内在不损失图像的全局信息的同时增强和校正复原图像的感兴趣部分的局部特征和信息。
最为重要的是，Ayers等提出一种迭代的盲图像复原方法，使用单帧降质图像及正性限制对真实目标进行复原，但只能处理点扩散函数较小的情况，且收敛性不能保证；Conan等提出一种利用在Kolmogorov大气湍流模型下Zernike多项式分布规律对f(x，y)与h(x，y)的复原方法。但在实际观测中，大气湍流并不能很好地符合Kolmogorov模型，因此，该方法适应性较差。
针对目前识别方法的不足或缺陷，本发明提出了一种全新的基于多维度分解的符合人体视神经的图像迭代增强校正复原的方法：主要包括以下几层：首先，在符合人体视觉神经系统的亮度密度域内采用Multi-resolution的分析工具(比如Gabor Wavelets等)对图像进行滤波处理以获得图像在不同频率子带的分解图像，然后针对不同的子带采用不同样条校正函数来分别增强图像的全局对比度同时校正复原图像的感兴趣部分的局部特征和信息，最后采用基于迭代的维纳滤波模型对图像进行校正恢复。
发明内容
本发明是为了解决现有技术中关于图像识别系统无法对图像不清晰或不完整时进行校正和复原的不足和缺陷的长期困扰的技术问题，目的在于提供一种有效的基于多维度分解迭代增强校正的图像复原方法，通过分解处理、图像的迭代增强、图像的校正复原处理，提供了一种当图像光照不足或夜色等情况而产生阴影的情况下，在不损失图像的全局信息的同时增强和校正复原图像的感兴趣部分的局部特征和信息，该方法是一种基于多维度分解的符合人体视神经的图像迭代增强校正复原的方法，其较全面的解决了在由于图像在采集时可能存在光照、噪声，采集设备部分故障等变化，特别是当图像光照不足或夜色等情况而产生阴影的情况等因素造成图像部分失真，分辨率不够等问题，实现了非常好的图像失真增强后校正可操作性强、恢复速度快、复原准确度高的技术效果。
为解决上述技术问题以及实现上述目的，本发明是通过以下技术方案实现的：
本发明的一种基于多维度分解迭代增强校正的图像复原方法，其特征在于，该基于多维度分解迭代增强校正的图像复原方法依次包括如下步骤：
步骤(1)、分解处理；
通过中心频率为950-1000赫兹，通带带宽为750-800赫兹的高斯低通滤波器对图像进行滤波分解处理，得到图像在密度域的图像，然后用图像除以所述密度域的图像，得到图像的亮度域图像；然后在亮度域和密度域中分别对图像通过加博滤波器进行滤波分解得到3个带，每个带分成6个不同子带，每个子带的尺度大小之比依次为1∶2，且每个子带间的角度相差为60度；其中，在亮度域中对图像进行噪声消除处理，在所述噪声消除处理的过程中，采用所述每个子带的尺度的大小梯度模型对图像边沿进行粗处理，以梯度均值作为其控制阀值；利用高斯-拉普拉斯金字塔分解算法分解粗处理后的图像，将粗处理后的图像中的能量集中于数据量较少的高斯层；然后对所述高斯层进行多维度分解，在亮度域和密度域分别得到18个不同的频率子带的图像特征空间，再针对所述不同的频率子带的图像特征空间在亮度域和密度域分别进行高频和低频处理；
步骤(2)、图像的迭代增强；
在上述步骤(1)进行高频和低频处理后，在第一个band的6个子空间中对密度域中的低频空间分别采用beta样条函数来对图像进行增强处理，其中，上述增强处理后的增大的图像整体的分辨率空间将其在密度域空间内的识别范围从[0，64]提高到[0，512]；然后对剩下的另外两个带的12个子空间，采用Spline样条函数对其进行校正，将其高频部分的细节差别均分为64个等级单位差别；在亮度域中对图像的轮廓进行调整，在密度域中对图像的纹理进行调整；然后对亮度域和密度域的调整后的图像进行乘积后累加处理，得到灰度级图像；
步骤(3)、图像的校正复原处理；
对上述步骤(2)中得到的灰度级图像分别提取亮度域图像和密度域图像的尺度空间的几何不变特征点集M和I，计算两个点集之间的Hausdorff距离，当小于步骤(1)中的控制阀值时则无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复；否则的话，选定几何变换参数的搜索范围，利用快速算法，计算准确的几何变换参数，利用算得的几何参数对应的亮度域图像和密度域图像进行校正直至所述两个点集之间的Hausdorff距离小于步骤(1)中的控制阀值时，然后无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复。
作为优选的技术方案：
上述步骤(1)中：通过中心频率为970赫兹，通带带宽为770赫兹的高斯低通滤波器对图像进行滤波分解处理。
上述步骤(1)中：通过中心频率为980赫兹，通带带宽为780赫兹的高斯低通滤波器对图像进行滤波分解处理。
上述步骤(1)中：通过中心频率为990赫兹，通带带宽为790赫兹的高斯低通滤波器对图像进行滤波分解处理。
本发明通过研究分析过去的图像识别校正及其复原的优缺点，分析图像校正复原所面临的各种挑战和问题，综合考虑在图像校正复原识别中的校正复原准确率和识别速度间的关系，通过采用基于多维度分解迭代增强校正的图像复原方法，较全面的解决了在在图像识别中由于图像的各种不确定的不完整的因素造成识别校正复原系统不够稳定，识别率不高等问题，同时此方法具有很高的校正复原速度。
同时，本发明的整个识别校正复原方法构成的系统采用符合人体视觉神经系统(Visualcortex)的图像迭代增强校正复原的方法。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。
实施例1：
一种基于多维度分解迭代增强校正的图像复原方法，其特征在于，该基于多维度分解迭代增强校正的图像复原方法依次包括如下步骤：
步骤(1)、分解处理；
通过中心频率为970赫兹，通带带宽为770赫兹的高斯低通滤波器对图像进行滤波分解处理，得到图像在密度域的图像，然后用图像除以所述密度域的图像，得到图像的亮度域图像；然后在亮度域和密度域中分别对图像通过加博滤波器进行滤波分解得到3个带，每个带分成6个不同子带，每个子带的尺度大小之比依次为1∶2，且每个子带间的角度相差为60度；其中，在亮度域中对图像进行噪声消除处理，在所述噪声消除处理的过程中，采用所述每个子带的尺度的大小梯度模型对图像边沿进行粗处理，以梯度均值作为其控制阀值；利用高斯-拉普拉斯金字塔分解算法分解粗处理后的图像，将粗处理后的图像中的能量集中于数据量较少的高斯层；然后对所述高斯层进行多维度分解，在亮度域和密度域分别得到18个不同的频率子带的图像特征空间，再针对所述不同的频率子带的图像特征空间在亮度域和密度域分别进行高频和低频处理；
步骤(2)、图像的迭代增强；
在上述步骤(1)进行高频和低频处理后，在第一个band的6个子空间中对密度域中的低频空间分别采用beta样条函数来对图像进行增强处理，其中，上述增强处理后的增大的图像整体的分辨率空间将其在密度域空间内的识别范围从[0，64]提高到[0，512]；然后对剩下的另外两个带的12个子空间，采用Spline样条函数对其进行校正，将其高频部分的细节差别均分为64个等级单位差别；在亮度域中对图像的轮廓进行调整，在密度域中对图像的纹理进行调整；然后对亮度域和密度域的调整后的图像进行乘积后累加处理，得到灰度级图像；
步骤(3)、图像的校正复原处理；
对上述步骤(2)中得到的灰度级图像分别提取亮度域图像和密度域图像的尺度空间的几何不变特征点集M和I，计算两个点集之间的Hausdorff距离，当小于步骤(1)中的控制阀值时则无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复；否则的话，选定几何变换参数的搜索范围，利用快速算法，计算准确的几何变换参数，利用算得的几何参数对应的亮度域图像和密度域图像进行校正直至所述两个点集之间的Hausdorff距离小于步骤(1)中的控制阀值时，然后无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复。
实施例2：
一种基于多维度分解迭代增强校正的图像复原方法，其特征在于，该基于多维度分解迭代增强校正的图像复原方法依次包括如下步骤：
步骤(1)、分解处理；
通过中心频率为980赫兹，通带带宽为780赫兹的高斯低通滤波器对图像进行滤波分解处理，得到图像在密度域的图像，然后用图像除以所述密度域的图像，得到图像的亮度域图像；然后在亮度域和密度域中分别对图像通过加博滤波器进行滤波分解得到3个带，每个带分成6个不同子带，每个子带的尺度大小之比依次为1∶2，且每个子带间的角度相差为60度；其中，在亮度域中对图像进行噪声消除处理，在所述噪声消除处理的过程中，采用所述每个子带的尺度的大小梯度模型对图像边沿进行粗处理，以梯度均值作为其控制阀值；利用高斯-拉普拉斯金字塔分解算法分解粗处理后的图像，将粗处理后的图像中的能量集中于数据量较少的高斯层；然后对所述高斯层进行多维度分解，在亮度域和密度域分别得到18个不同的频率子带的图像特征空间，再针对所述不同的频率子带的图像特征空间在亮度域和密度域分别进行高频和低频处理；
步骤(2)、图像的迭代增强；
在上述步骤(1)进行高频和低频处理后，在第一个band的6个子空间中对密度域中的低频空间分别采用beta样条函数来对图像进行增强处理，其中，上述增强处理后的增大的图像整体的分辨率空间将其在密度域空间内的识别范围从[0，64]提高到[0，512]；然后对剩下的另外两个带的12个子空间，采用Spline样条函数对其进行校正，将其高频部分的细节差别均分为64个等级单位差别；在亮度域中对图像的轮廓进行调整，在密度域中对图像的纹理进行调整；然后对亮度域和密度域的调整后的图像进行乘积后累加处理，得到灰度级图像；
步骤(3)、图像的校正复原处理；
对上述步骤(2)中得到的灰度级图像分别提取亮度域图像和密度域图像的尺度空间的几何不变特征点集M和I，计算两个点集之间的Hausdorff距离，当小于步骤(1)中的控制阀值时则无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复；否则的话，选定几何变换参数的搜索范围，利用快速算法，计算准确的几何变换参数，利用算得的几何参数对应的亮度域图像和密度域图像进行校正直至所述两个点集之间的Hausdorff距离小于步骤(1)中的控制阀值时，然后无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复。
实施例3：
一种基于多维度分解迭代增强校正的图像复原方法，其特征在于，该基于多维度分解迭代增强校正的图像复原方法依次包括如下步骤：
步骤(1)、分解处理；
通过中心频率为990赫兹，通带带宽为790赫兹的高斯低通滤波器对图像进行滤波分解处理，得到图像在密度域的图像，然后用图像除以所述密度域的图像，得到图像的亮度域图像；然后在亮度域和密度域中分别对图像通过加博滤波器进行滤波分解得到3个带，每个带分成6个不同子带，每个子带的尺度大小之比依次为1∶2，且每个子带间的角度相差为60度；其中，在亮度域中对图像进行噪声消除处理，在所述噪声消除处理的过程中，采用所述每个子带的尺度的大小梯度模型对图像边沿进行粗处理，以梯度均值作为其控制阀值；利用高斯-拉普拉斯金字塔分解算法分解粗处理后的图像，将粗处理后的图像中的能量集中于数据量较少的高斯层；然后对所述高斯层进行多维度分解，在亮度域和密度域分别得到18个不同的频率子带的图像特征空间，再针对所述不同的频率子带的图像特征空间在亮度域和密度域分别进行高频和低频处理；
步骤(2)、图像的迭代增强；
在上述步骤(1)进行高频和低频处理后，在第一个band的6个子空间中对密度域中的低频空间分别采用beta样条函数来对图像进行增强处理，其中，上述增强处理后的增大的图像整体的分辨率空间将其在密度域空间内的识别范围从[0，64]提高到[0，512]；然后对剩下的另外两个带的12个子空间，采用Spline样条函数对其进行校正，将其高频部分的细节差别均分为64个等级单位差别；在亮度域中对图像的轮廓进行调整，在密度域中对图像的纹理进行调整；然后对亮度域和密度域的调整后的图像进行乘积后累加处理，得到灰度级图像；
步骤(3)、图像的校正复原处理；
对上述步骤(2)中得到的灰度级图像分别提取亮度域图像和密度域图像的尺度空间的几何不变特征点集M和I，计算两个点集之间的Hausdorff距离，当小于步骤(1)中的控制阀值时则无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复；否则的话，选定几何变换参数的搜索范围，利用快速算法，计算准确的几何变换参数，利用算得的几何参数对应的亮度域图像和密度域图像进行校正直至所述两个点集之间的Hausdorff距离小于步骤(1)中的控制阀值时，然后无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复。
本发明的保护范围不局限于上述的解释和实施例。相反，旨在本发明所有所述的权利要求所确定的界限内均可广泛适用。
Claims (4)
1.一种基于多维度分解迭代增强校正的图像复原方法，其特征在于，该基于多维度分解迭代增强校正的图像复原方法依次包括如下步骤：
步骤(1)、分解处理；
通过中心频率为950-1000赫兹，通带带宽为750-800赫兹的高斯低通滤波器对图像进行滤波分解处理，得到图像在密度域的图像，然后用图像除以所述密度域的图像，得到图像的亮度域图像；然后在亮度域和密度域中分别对图像通过加博滤波器进行滤波分解得到3个带，每个带分成6个不同子带，每个子带的尺度大小之比依次为1∶2，且每个子带间的角度相差为60度；其中，在亮度域中对图像进行噪声消除处理，在所述噪声消除处理的过程中，采用所述每个子带的尺度的大小梯度模型对图像边沿进行粗处理，以梯度均值作为其控制阀值；利用高斯-拉普拉斯金字塔分解算法分解粗处理后的图像，将粗处理后的图像中的能量集中于数据量较少的高斯层；然后对所述高斯层进行多维度分解，在亮度域和密度域分别得到18个不同的频率子带的图像特征空间，再针对所述不同的频率子带的图像特征空间在亮度域和密度域分别进行高频和低频处理；
步骤(2)、图像的迭代增强；
在上述步骤(1)进行高频和低频处理后，在第一个band的6个子空间中对密度域中的低频空间分别采用beta样条函数来对图像进行增强处理，其中，上述增强处理后的增大的图像整体的分辨率空间将其在密度域空间内的识别范围从[0，64]提高到[0，512]；然后对剩下的另外两个带的12个子空间，采用Spline样条函数对其进行校正，将其高频部分的细节差别均分为64个等级单位差别；在亮度域中对图像的轮廓进行调整，在密度域中对图像的纹理进行调整；然后对亮度域和密度域的调整后的图像进行乘积后累加处理，得到灰度级图像；
步骤(3)、图像的校正复原处理；
对上述步骤(2)中得到的灰度级图像分别提取亮度域图像和密度域图像的尺度空间的几何不变特征点集M和I，计算两个点集之间的Hausdorff距离，当小于步骤(1)中的控制阀值时则无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复；否则的话，选定几何变换参数的搜索范围，利用快速算法，计算准确的几何变换参数，利用算得的几何参数对应的亮度域图像和密度域图像进行校正直至所述两个点集之间的Hausdorff距离小于步骤(1)中的控制阀值时，然后无需做几何校正，直接采用基于迭代的维纳滤波对图像进行恢复。
2.根据权利要求1所述的基于多维度分解迭代增强校正的图像复原方法，其特征在于：上述步骤(1)中：通过中心频率为970赫兹，通带带宽为770赫兹的高斯低通滤波器对图像进行滤波分解处理。
3.根据权利要求1所述的基于多维度分解迭代增强校正的图像复原方法，其特征在于：上述步骤(1)中：通过中心频率为980赫兹，通带带宽为780赫兹的高斯低通滤波器对图像进行滤波分解处理。
4.根据权利要求1所述的基于多维度分解迭代增强校正的图像复原方法，其特征在于：上述步骤(1)中：通过中心频率为990赫兹，通带带宽为790赫兹的高斯低通滤波器对图像进行滤波分解处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110370078.9A CN102509271B (zh) | 2011-11-21 | 2011-11-21 | 基于多维度分解迭代增强校正的图像复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110370078.9A CN102509271B (zh) | 2011-11-21 | 2011-11-21 | 基于多维度分解迭代增强校正的图像复原方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102509271A CN102509271A (zh) | 2012-06-20 |
| CN102509271B true CN102509271B (zh) | 2014-05-07 |
Family
ID=46221349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110370078.9A Active CN102509271B (zh) | 2011-11-21 | 2011-11-21 | 基于多维度分解迭代增强校正的图像复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102509271B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116874B (zh) * | 2013-02-01 | 2015-08-19 | 华中科技大学 | 一种最大提取噪声有用信息的图像分解方法及系统 |
| CN104680495B (zh) * | 2015-03-17 | 2017-12-22 | 武汉倍尔生生物科技有限公司 | 超声图像的自适应去噪方法 |
| EP3261328B1 (en) | 2016-06-03 | 2021-10-13 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and computer-readable storage medium |
| CN107133934B (zh) * | 2017-05-18 | 2020-03-17 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
| CN111105359B (zh) * | 2019-07-22 | 2023-05-12 | 浙江万里学院 | 一种高动态范围图像的色调映射方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6185337B1 (en) * | 1996-12-17 | 2001-02-06 | Honda Giken Kogyo Kabushiki Kaisha | System and method for image recognition |
| JP2009069996A (ja) * | 2007-09-11 | 2009-04-02 | Sony Corp | 画像処理装置および画像処理方法、認識装置および認識方法、並びに、プログラム |
| CN101308566B (zh) * | 2008-06-02 | 2011-06-29 | 西安电子科技大学 | 基于contourlet变换抗几何攻击数字图像水印方法 |
| CN101527037B (zh) * | 2009-04-13 | 2011-05-04 | 天津大学 | 基于邻域加窗的平稳小波图像去噪方法 |
| CN102013091B (zh) * | 2010-11-26 | 2013-06-19 | 北京空间机电研究所 | 结合倒易晶胞的平移不变小波遥感图像复原方法 |
-
2011
- 2011-11-21 CN CN201110370078.9A patent/CN102509271B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN102509271A (zh) | 2012-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102509271B (zh) | 基于多维度分解迭代增强校正的图像复原方法 | |
| CN109636766B (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
| CN100474337C (zh) | 一种基于径向基神经网络的有噪运动模糊图像复原方法 | |
| CN107274365A (zh) | 一种基于反锐化掩模和nsct算法的矿井图像增强方法 | |
| CN112184604B (zh) | 一种基于图像融合的彩色图像增强方法 | |
| CN109801250A (zh) | 基于adc-scm与低秩矩阵表达的红外与可见光图像融合方法 | |
| Bhatnagar et al. | An image fusion framework based on human visual system in framelet domain | |
| CN107492076B (zh) | 一种高速公路隧道场景车辆阴影干扰抑制方法 | |
| CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
| CN1822046A (zh) | 基于区域特征模糊的红外与可见光图像融合方法 | |
| CN104616274A (zh) | 一种基于显著性区域提取的多聚焦图像融合算法 | |
| CN102005054A (zh) | 一种实时红外图像目标跟踪方法 | |
| CN109685728A (zh) | 基于局部时频域变换的数字图像处理方法 | |
| CN101493939A (zh) | 基于小波域同态滤波的检测伪造图像的方法 | |
| Xue et al. | Motion robust rain detection and removal from videos | |
| CN104424641A (zh) | 一种关于图像模糊篡改检测的方法 | |
| Wu et al. | Research on rail surface defect detection method based on UAV images | |
| Yang | Multiresolution Image Fusion Based on Wavelet Transform By Using a Novel Technique for Selection Coefficients. | |
| CN109658350A (zh) | 一种夜间人脸视频图像增强与降噪方法 | |
| CN110400270B (zh) | 一种利用图像分解和多重校正融合的车牌去雾方法 | |
| CN109886900B (zh) | 一种基于字典训练和稀疏表示的合成雨图除雨方法 | |
| Panguluri et al. | Efficient DWT based fusion algorithm for improving contrast and edge preservation | |
| CN110490819A (zh) | 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 | |
| CN115937021A (zh) | 基于频率域特征分离和迭代优化大气光的偏振去雾方法 | |
| CN112184566B (zh) | 一种针对附着水雾水珠去除的图像处理方法和系统 |
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 |