CN104966277B - 一种基于长短曝光图像对的图像复原方法 - Google Patents
一种基于长短曝光图像对的图像复原方法 Download PDFInfo
- Publication number
- CN104966277B CN104966277B CN201510407811.8A CN201510407811A CN104966277B CN 104966277 B CN104966277 B CN 104966277B CN 201510407811 A CN201510407811 A CN 201510407811A CN 104966277 B CN104966277 B CN 104966277B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- msup
- fuzzy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011084 recovery Methods 0.000 title claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002939 conjugate gradient method Methods 0.000 abstract description 4
- 238000012804 iterative process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于长短曝光图像对的图像复原方法，具体为：输入一幅短曝光的噪声图和一幅长曝光模糊图，对噪声图进行预处理；结合预处理噪声图和模糊图，采用共轭梯度法估计模糊图像的模糊核；改进标准的RL图像复原算法，构建局部约束掩膜矩阵，抑制边缘振铃，得到初步RL复原结果；计算得到残余余量图；利用显著性权重图，实施增益控制的余量去卷积过程，得到余量图复原结果；最终复原图由初步RL复原结果加上余量图复原结果得到。本发明采用共轭梯度法能够准确估计模糊图像模糊核，结合局部约束的改进RL算法和增益控制的余量去卷积，有效抑制了迭代过程中的振铃影响，减少了复原图像中的噪声水平，保持了图像细节，能够得到高质量的复原结果。
Description
技术领域
本发明涉及计算机图像处理技术，尤其涉及一种基于长短曝光图像对的图像复原方法。
背景技术
图像模糊问题是计算机图像处理领域中的重要研究方向。在成像设备曝光过程中，由于成像设备的振动或拍摄物体的运动，不可避免的出现图像模糊。其物理模型可用一幅清晰图卷积点扩散函数，即曝光时间内的轨迹运动信息，并加上一定的噪声来表示。
为了能够有效的从模糊图像中恢复出清晰图，科学家们提出了很多图像去卷积的算法，根据复原算法所需信息量的多少，可以大体分为三类，即盲复原算法、非盲复原算法和基于多幅图的复原算法。盲复原去卷积是指仅从单幅模糊图像中估计模糊核，最终求取原始清晰图像的方法。盲复原算法是一个病态求解问题，其关键在于如何准确估计点扩散函数，并获得符合物理意义的原始图像。近年来，盲复原算法引入了贝叶斯框架和最大后验框架，对模糊核和待求取的清晰图像的分布做出先验性的假设，结合噪声模型和振铃抑制技术，能够得到较高质量的复原图像。
而非盲复原算法是指在模糊核假定已经知道的情况下，复原清晰图像的过程，其中包括维纳滤波、RL等一些经典的求解算法。复原过程中振铃效应一直是制约非盲复原算法的重要因素，一些优秀的图像先验模型以及多尺度分解工具的应用，使得非盲图像复原结果有了较明显的改善。然而，实际应用中，往往无法事先知道图像模糊核信息，限制了非盲复原算法的应用。
多幅图像复原是利用两张或多张图像的信息，进行模糊核的准确估计和清晰图像的求解。其中，比较典型的是基于欠曝图像和模糊图像的复原算法；基于两幅模糊图像的复原算法以及基于多幅序列图像的复原算法。
发明内容
本发明的目的在于针对现有技术的不足，提出一种基于长短曝光图像对的图像复原方法，采用共轭梯度法能够准确估计模糊图像模糊核，结合局部约束的改进RL算法和增益控制的余量去卷积，有效的抑制了迭代过程中的振铃影响，减少了复原图像中的噪声水平，保持了图像细节，能够得到高质量的复原结果。
本发明利用局部约束的改进RL算法和增益控制的余量去卷积算法，提出了一种基于长短曝光图像对的图像复原方法的方法，其主要思路是：
1、引入局部约束项，改进RL算法，得到初步的复原结果
传统RL迭代算法在迭代过程中，容易出现边缘振铃效应。通过引入局部约束掩膜矩阵，计算区域窗口内图像内梯度总和，进而区分平滑区域和细节边缘区域；对平滑区域设置较大的权值，对边缘区域设置较小的权值，在迭代过程中在有效恢复清晰图像的同时，有效的抑制了图像边缘附近的振铃方法，很好的保持了图像的细节信息。
2、采用显著性权重图对余量去卷积过程进行增益控制
余量去卷积过程能够恢复残余余量图的细节信息，使得最终的复原结果包含更多的图像细节。在余量图迭代的过程中，采用显著性权重图，突出余量图中的边缘显著性区域，在余量图边缘区域赋予更大的权值，增大其在余量去卷积迭代过程中的增益控制程度，使得余量图复原结果中细节恢复更加精细。
本发明一种基于长短曝光图像对的图像复原方法，包括如下步骤：
(1)输入同一场景的一幅短曝光的噪声图N和一幅长曝光的模糊图B，对噪声图N进行预处理，得到预处理噪声图Np，所述预处理包括亮度均衡、伽马矫正。
(2)利用步骤(1)得到的预处理噪声图Np和模糊图B，建立最优化问题能量方程：
其中，K`为待估计的图像模糊核；θ为梯度操作算子集，包括x方向梯度算子和y方向梯度算子λ为权重因子；为卷积运算。结合共轭梯度算法，估计出模糊图B的模糊核K。
(3)改进标准的RL图像复原算法，构建局部约束掩膜矩阵，利用步骤(2)得到的模糊核K和模糊图B，迭代得到初步的复原结果L。改进的RL算法迭代过程如下所示：
其中，t表示为复原迭代次数，Lt表示第t次迭代的复原结果，B为输入的模糊图像；K表示步骤(2)估计得到的模糊图图像模糊核；为卷积运算；K*为K的伴随矩阵，即K*(i,j)＝K(-j,-i)，i,j表示以模糊核中心为原点，各像素的坐标值；▽EM(Lt)表示改进RL算法中的局部振铃约束项；α表示局部振铃约束项的控制因子。
局部振铃约束项▽EM(Lt)能够区别边缘区域和平坦区域，有效抑制边缘处可能产生的振铃影响，具体计算公式如下：
其中，h1和h2分别表示垂直方向和水平方向的梯度算子：h1＝[1 -1]，h2＝[1 -1]T，M表示局部约束掩膜矩阵，具体计算过程如下：
其中，T表示阈值用来区分图像平滑区域和细节区域，G(x,y)表示阈值计算依据，具体定义如下：
其中，G1和G2分别表示垂直方向和水平方向的梯度算子：G1＝[1 -1]，G2＝[1 -1]T，TW(x,y)表示局部窗口，Q表示局部窗口大小，Q为大于等于3的奇数。
(4)由模糊图B、步骤(2)得到的估计模糊核K和步骤(3)的都的初步复原结果L，计算得到余量图ΔB：
(5)利用步骤(4)得到的余量图和步骤(2)估计得到的模糊核，采用增益控制的余量去卷积算法得到余量图的复原结果ΔL，其中包含图像的细节信息，根据余量去卷积原理，有如下公式：
采用增益控制的余量去卷积得到余量复原结果的方法，具体计算过程如下所示：
其中：n表示迭代次数；ΔLn表示第n次迭代的余量图复原结果；ΔB为步骤(4)所得的余量图；K表示步骤(2)估计得到的模糊图图像模糊核；Lgain为增益控制权重图；为卷积运算；K*为K的伴随矩阵，即K*(i,j)＝K(-j,-i)，i,j表示以模糊核中心为原点，各像素值的坐标值。
增益控制权重图对余量去卷积过程进行增益控制，其计算过程如下：
Lgain＝(1-β)+β·SWM (19)
其中β∈[0,1]表示控制增益大小的参数；SWM表示显著性权重图，具体如下式所示：
其中，表示在步骤(4)得到的余量图ΔB中，在其每个像素位置处计算设定大小为S×S的区域窗口内的局部像素方差值，S为大于等于3的奇数，例如可定义为3×3,5×5,7×7,11×11等。显著性权重图在余量图边缘区域赋予更大的权值，增大其在余量去卷积迭代过程中的增益控制程度。
(6)最终的复原结果I由步骤(3)得到的初步复原结果和步骤(5)得到的余量图复原结果相加计算得到，即：
I＝L+ΔL (21)
本发明的有益效果是：本发明利用一幅长曝光模糊图和一幅短曝光噪声图，采用共轭梯度法估计模糊图像模糊核，结合局部约束的改进RL算法和增益控制的余量去卷积，能够有效抑制复原迭代过程中振铃效应的影响，减少了复原结果中的噪声，同时很好的保持了图像的细节和边缘，实现了良好的复原效果。在本发明中，只要输入长短曝光图像对，即可准确估计模糊核，得到高质量的复原图像。本发明可应用于飞机航拍，卫星遥感成像和医学图像处理等领域。
附图说明
图1为算法流程图。
图2为输入的长短曝光图像对，(a)为输入的短曝光噪声图像，(b)为输入的长曝光模糊图像。
图3为预处理的噪声图。
图4为估计得到的图像模糊核。
图5为局部约束掩膜矩阵。
图6为初步RL复原结果。
图7为残余余量图。
图8为余量图的显著性权重图。
图9为最终的复原图像。
具体实施方式
本发明方法的流程图如图1所示。
以图2中的标靶图像为例，其中图2(a)为输入的短曝光噪声图像，图2(b)为输入的长曝光模糊图像。
利用本发明方法处理图像，首先对图2(a)噪声图像进行预处理，得到预处理噪声图像，如图3所示。预处理噪声图像和模糊图像的图像平均亮度相当，有利于模糊核的准确估计。
预处理噪声图像中含有较多噪声，但图像边缘结构较为清晰，将其看作是清晰图像，构建模糊核求取最优化问题方程，采用共轭梯度算法，能够较为准确的估计出模糊图像的模糊核，如图4所示。
随后，结合模糊核和模糊图像求解初步的复原结果。在传统RL迭代算法的基础上引入局部约束项，利用局部约束掩膜矩阵，如图5所示，来抑制边缘区域附件可能产生的振铃信息。在掩膜矩阵计算过程中，取局部窗口大小Q＝5，阈值T＝0.008，迭代次数t＝40。得到的初步RL复原结果如图6所示，结果中边缘振铃得到了明显抑制，同时图像边缘信息得以很好的保持。
结合模糊图、估计得到的模糊核以及初步RL复原结果，即可求得余量图，如图7所示。采用增益控制的余量去卷积算法，求解余量图的复原结果，迭代次数n＝50。引入显著性权重图，如图8所示，控制迭代过程中的边缘区域增益程度。其中计算显著性权重图时选取大小为7×7的区域窗口，增益控制参数β＝0.2。
最终的复原结果如图9所示。复原结果中有效抑制了迭代过程中的产生的边缘振铃，控制了图像噪声水平，很好的保持了图像细节信息，复原图像质量较高。
Claims (2)
1.一种基于长短曝光图像对的图像复原方法，其特征在于，包括如下步骤：
(1)输入同一场景的一幅短曝光的噪声图N和一幅长曝光的模糊图B，对噪声图N进行预处理，得到预处理噪声图Np，所述预处理包括亮度均衡、伽马矫正；
(2)利用步骤(1)得到的预处理噪声图Np和模糊图B，建立最优化问题能量方程：
<mrow>
<mi>K</mi>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>K</mi>
</munder>
<mo>{</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<msup>
<mo>&part;</mo>
<mo>*</mo>
</msup>
<mo>&Element;</mo>
<mi>&theta;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mo>&part;</mo>
<mo>*</mo>
</msup>
<mi>B</mi>
<mo>-</mo>
<msup>
<mo>&part;</mo>
<mo>*</mo>
</msup>
<msub>
<mi>N</mi>
<mi>p</mi>
</msub>
<mo>&CircleTimes;</mo>
<msup>
<mi>K</mi>
<mo>`</mo>
</msup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>K</mi>
<mo>`</mo>
</msup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，K`为待估计的模糊核；θ为梯度操作算子集，包括x方向梯度算子和y方向梯度算子λ为权重因子；为卷积运算；采用共轭梯度算法，估计出模糊图B的模糊核K；
(3)改进标准的RL图像复原算法，构建局部约束掩膜矩阵，利用步骤(2)得到的模糊核K和模糊图B，迭代得到初步的复原结果L；具体过程如下：
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>&dtri;</mo>
<msub>
<mi>E</mi>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mo>{</mo>
<msup>
<mi>K</mi>
<mo>*</mo>
</msup>
<mo>&CircleTimes;</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mi>B</mi>
<mrow>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>K</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，t表示复原迭代次数，Lt表示第t次迭代的复原结果，B为输入的模糊图；K表示步骤(2)估计得到的模糊核；为卷积运算；K*为K的伴随矩阵，即K*(i,j)＝K(-j,-i)，i,j表示以模糊核中心为原点，各像素的坐标值；表示改进RL算法中的局部振铃约束项；α表示局部振铃约束项的控制因子；
局部振铃约束项能够区别边缘区域和平坦区域，有效抑制边缘处可能产生的振铃影响，具体计算公式如下：
<mrow>
<mo>&dtri;</mo>
<msub>
<mi>E</mi>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>2</mn>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
</msup>
<mo>&CircleTimes;</mo>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<msup>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mo>&CircleTimes;</mo>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>M</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，h1和h2分别表示垂直方向和水平方向的梯度算子：h1＝[1 -1]，h2＝[1 -1]T，M表示局部约束掩膜矩阵，具体计算过程如下：
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，T表示阈值，用来区分图像平滑区域和细节区域，G(x,y)表示阈值计算依据，具体定义如下：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>&Sigma;G</mi>
<mn>1</mn>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>T</mi>
<mi>W</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>&Sigma;G</mi>
<mn>2</mn>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>T</mi>
<mi>W</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mi>Q</mi>
<mo>&times;</mo>
<mi>Q</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，G1和G2分别表示垂直方向和水平方向的梯度算子：G1＝[1 -1]，G2＝[1 -1]T，TW(x,y)表示局部窗口，Q表示局部窗口大小，Q为大于等于3的奇数
(4)由模糊图B、步骤(2)得到的模糊核K和步骤(3)得到的初步复原结果L，计算得到余量图ΔB：
<mrow>
<mi>&Delta;</mi>
<mi>B</mi>
<mo>=</mo>
<mi>B</mi>
<mo>-</mo>
<mi>L</mi>
<mo>&CircleTimes;</mo>
<mi>K</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
(5)利用步骤(4)得到的余量图和步骤(2)估计得到的模糊核，采用增益控制的余量去卷积算法得到余量图的复原结果ΔL，其包含图像的细节信息；增益控制的余量去卷积计算过程如下所示：
<mrow>
<msub>
<mi>&Delta;L</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>g</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>K</mi>
<mo>*</mo>
</msup>
<mo>&CircleTimes;</mo>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>B</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&Delta;L</mi>
<mi>n</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>&CircleTimes;</mo>
<mi>K</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mo>&CenterDot;</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>&Delta;L</mi>
<mi>n</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中：n表示迭代次数；ΔLn表示第n次迭代的余量图复原结果；ΔB表示步骤(4)所得的余量图；K表示步骤(2)估计得到的模糊图B的模糊核；Lgain为增益控制权重图；为卷积运算；K*为K的伴随矩阵，即K*(i,j)＝K(-j,-i)，i,j表示以模糊核中心为原点，各像素的坐标值；
(6)最终的复原结果I由步骤(3)得到的初步复原结果和步骤(5)得到的余量图复原结果相加计算得到，即：
I＝L+ΔL (8)。
2.如权利要求1所述的图像复原方法，其特征在于，步骤(5)中利用显著性权重图对余量去卷积过程进行增益控制，增益控制权重图计算过程如下：
Lgain＝(1-β)+β·SWM (9)
其中β∈[0,1]表示控制增益大小的参数；SWM表示显著性权重图，具体如下式所示：
<mrow>
<mi>S</mi>
<mi>W</mi>
<mi>M</mi>
<mo>=</mo>
<mn>1</mn>
<mo>+</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>&Delta;</mi>
<mi>B</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，表示在步骤(4)得到的余量图ΔB中，在其每个像素位置处计算设定大小为S×S的区域窗口内的局部像素方差值，S为大于等于3的奇数；显著性权重图在余量图边缘区域赋予更大的权值，增大其在余量去卷积迭代过程中的增益控制程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510407811.8A CN104966277B (zh) | 2015-07-10 | 2015-07-10 | 一种基于长短曝光图像对的图像复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510407811.8A CN104966277B (zh) | 2015-07-10 | 2015-07-10 | 一种基于长短曝光图像对的图像复原方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104966277A CN104966277A (zh) | 2015-10-07 |
| CN104966277B true CN104966277B (zh) | 2017-11-07 |
Family
ID=54220308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510407811.8A Expired - Fee Related CN104966277B (zh) | 2015-07-10 | 2015-07-10 | 一种基于长短曝光图像对的图像复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104966277B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530381B (zh) * | 2016-10-19 | 2019-01-29 | 浙江大学 | 一种基于gpu加速的三维荧光显微图像的去卷积算法 |
| CN108830802B (zh) * | 2018-05-16 | 2022-07-08 | 浙江大学 | 一种基于短曝图像梯度导向的图像模糊核估计方法 |
| CN110121016B (zh) * | 2019-05-08 | 2020-05-15 | 北京航空航天大学 | 一种基于双重曝光先验的视频去模糊方法及装置 |
| CN112614080A (zh) * | 2021-01-06 | 2021-04-06 | 中国科学院微小卫星创新研究院 | 基于遥感图像序列的去模糊方法 |
| CN115564671B (zh) * | 2022-09-23 | 2024-05-03 | 哈尔滨工业大学 | 基于长短曝光图像对的自监督图像复原系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101639938A (zh) * | 2009-08-28 | 2010-02-03 | 浙江大学 | 一种基于双边滤波器和余量去卷积的图像复原方法 |
| CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI405147B (zh) * | 2010-03-16 | 2013-08-11 | Novatek Microelectronics Corp | 單張影像的階層式去動態模糊方法 |
-
2015
- 2015-07-10 CN CN201510407811.8A patent/CN104966277B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101639938A (zh) * | 2009-08-28 | 2010-02-03 | 浙江大学 | 一种基于双边滤波器和余量去卷积的图像复原方法 |
| CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
Non-Patent Citations (1)
| Title |
|---|
| "针对运动模糊的图像复原方法研究";戴朝约;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110715(第7期);论文第1-69页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104966277A (zh) | 2015-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104966277B (zh) | 一种基于长短曝光图像对的图像复原方法 | |
| US9262815B2 (en) | Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term | |
| US9245328B2 (en) | Algorithm for minimizing latent sharp image cost function and point spread function with a spatial mask in a fidelity term | |
| CN101930601B (zh) | 一种基于边缘信息的多尺度模糊图像盲复原方法 | |
| US9665792B2 (en) | Method and apparatus for generating sharp image based on blurry image | |
| CN104599242B (zh) | 使用多尺度非局部正则的模糊核估计方法 | |
| CN103337058B (zh) | 基于模糊噪声图像对联合优化的图像盲复原方法 | |
| CN103049891B (zh) | 基于自适应窗口选择的视频图像去模糊方法 | |
| CN104112261A (zh) | 基于范数比值正则化的快速图像盲去模糊方法 | |
| CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
| CN103544681B (zh) | 非均一运动模糊图像的恢复方法 | |
| CN108765288B (zh) | 一种基于边缘保持的pocs图像超分辨重建方法 | |
| CN110677556B (zh) | 一种基于相机定位的图像去模糊方法 | |
| CN103310486B (zh) | 大气湍流退化图像重建方法 | |
| CN106251297A (zh) | 一种改进的基于多幅图像模糊核估计的盲超分辨率重建算法 | |
| CN109767404B (zh) | 一种椒盐噪声下红外图像去模糊方法 | |
| CN103810735A (zh) | 一种低剂量x射线ct图像统计迭代重建方法 | |
| CN104735360B (zh) | 光场图像处理方法和装置 | |
| CN104036473B (zh) | 基于分裂Bregman迭代的快速鲁棒图像运动去模糊方法 | |
| CN106960417A (zh) | 一种基于图像显著结构的噪声模糊图像盲目反卷积方法 | |
| Xu et al. | Image deblurring with blur kernel estimation in RGB channels | |
| CN110930324A (zh) | 一种模糊星图复原方法 | |
| CN102509281A (zh) | 基于透明度的双图像去平面运动模糊方法 | |
| CN104200443A (zh) | 结合alpha通道和图像分割的局部运动模糊复原算法 | |
| CN111028168B (zh) | 一种含噪声模糊的高能闪光图像去模糊方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20180710 |