CN106373105B - 基于低秩矩阵恢复的多曝光图像去伪影融合方法 - Google Patents
基于低秩矩阵恢复的多曝光图像去伪影融合方法 Download PDFInfo
- Publication number
- CN106373105B CN106373105B CN201610816475.7A CN201610816475A CN106373105B CN 106373105 B CN106373105 B CN 106373105B CN 201610816475 A CN201610816475 A CN 201610816475A CN 106373105 B CN106373105 B CN 106373105B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- low
- exposure
- rank
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 115
- 238000011084 recovery Methods 0.000 title claims abstract description 32
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000005855 radiation Effects 0.000 claims abstract description 24
- 238000005316 response function Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 9
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于低秩矩阵恢复的多曝光图像去伪影融合方法。首先,归一化输入多曝光图像序列;接着,使用相机响应函数对归一化后的图像序列进行辐射校准;然后向量化多曝光图像序列构成低秩矩阵恢复的数据矩阵;使用改进的低秩矩阵恢复算法得到低秩矩阵;从低秩矩阵数据中恢复目标的高动态范围(High dynamic range,HDR)图像。本发明利用低秩矩阵恢复的最新研究成果,能够得到有效去除融合后的HDR图像中的伪影和模糊问题。
Description
技术领域
本发明涉及一种将低动态范围图像合成高动态范围图像的方法,具体来说,它涉及一种利用辐射校准和低秩矩阵恢复算法完成对多曝光的低动态范围图像序列的融合,最后生成没有伪影的高动态范围图像的方法。
背景技术
高动态范围成像已经开始成为一种商业产品,比如智能手机。在相同真实的场景中,大多数成像传感器的有限动态范围,往往无法捕捉到场景完整动态范围的亮度,然而使用一种相对简单廉价的方式可以解决这个限制,就是捕获若干对同一场景不同曝光时间的图像然后把它们融合成一张记录场景亮度的高动态范围图像,因此有效的扩展图像动态范围。然而由于相机的抖动或者场景中物体的移动,往往会导致融合后的图像出现伪影或者模糊的现象。
发明内容
针对以上的不足,本发明提供了一种改进的低秩矩阵恢复的多曝光图像去伪影融合方法,来解决现有融合后的图像出现伪影或者模糊的现象。
为了解决上述技术问题,本发明的技术方案为:
一种改进的低秩矩阵恢复的多曝光图像去伪影融合方法,包括:
a)对输入多曝光图像序列进行归一化处理;
b)对归一化处理后的多曝光图像序列使用相机响应函数实现辐射校准;
c)向量化多曝光图像序列中每一幅辐射校正的图像作为数据矩阵的列向量;
d)使用低秩矩阵恢复算法求解数据矩阵的低秩矩阵;
e)由低秩矩阵重构出高动态范围图像。
所述步骤a)与步骤b)之间还包括:
步骤ab)对数字图像采集设备的相机响应函数进行标定,相机响应函数定义为场景亮度通过透镜系统入射到传感器表面的辐射照度映射到最终采集设备获取的数字图像像素值的关系,该函数属于采集设备的特征曲线且为递增函数,必定存在逆映射。也可以拍摄多幅线性映射的多曝光图像。辐射校正使得图像的亮度都为线性映射关系,增加融合图像的准确性。
所述步骤a)的具体实现过程为:
a1)对多曝光图像序列的每一幅图像进行归一化处理。选取图像RGB三通道其中一个通道的灰度图,并定义输入图像中任意一点处的像素值为Y,I表示为归一化之后的像素值:
所述步骤b)的具体实现过程为:
b1)定义标定的相机响应函数的逆映射为f-1,定义多曝光图像序列中的图像为I,对应的曝光时间参数为t,I′表示辐射校正的图像:
其中,使用图像采集设备的曝光环绕方法拍摄多幅不同曝光的图像,以中间曝光时间参数的图像作为参考图像,其曝光时间参数为tref。
所述步骤c)的具体实现过程为:
c1)定义多曝光图像序列为{I1,I2,...,IN},辐射校正后的多曝光图像序列为{I′1,I′2,...,I′N},其中N为多曝光图像序列的数量。将辐射校正后的图像序列向量化得到矩阵L:
D=[vec(I′1)|vec(I′2)|...|vec(I′N)] (3)
c2)定义经过低秩矩阵恢复算法得到的低秩矩阵为L,稀疏噪声矩阵为E,使得数据矩阵D=L+E:
L=[vec(L1)|vec(L2)|...|vec(LN)]
E=[vec(E1)|vec(E2)|...|vec(EN)] (4)
其中,Li为低秩对齐后的图像,Ei为场景中的稀疏噪声图像,图像Li和Ei宽度和高度与图像I相同。
所述步骤d)的具体实现过程为:
d1)对数据矩阵D进行低秩矩阵恢复算法,求解得到低秩矩阵L:
其中,参数为优化方程的惩罚因子λ>0,R为目标低秩矩阵L的秩。上式为多曝光图像去伪影融合问题,利用凸松弛将求秩函数转换为截断核函数,l0范数转换为l1范数求得最优解:
d3)令迭代次数定义为k。迭代开始时k=0,初始化各个矩阵为:
Y0=D/max(||D||2,||D||∞)
L0=0
Eo=0
d4)更新低秩矩阵Lk+1和稀疏噪声矩阵Ek+1:
d5)更新拉格朗日乘子矩阵Yk+1和拉格朗日乘子法的惩罚因子μk+1:
Yk+1=Yk+μk(D-Lk+1-Ek+1)
μk+1=min(ρμk,μmax) (10)
其中,ρ为迭代收敛因子,控制收敛速度和收敛误差。μmax确保μk有界,且令μmax=107μ0。增广拉格朗日乘子法求解的好处是如果{μk}是递增序列且有界该求解方法线性收敛,如果{μk}无界该求解方法超线性收敛。这里令ρ=1.5,可以保证收敛速度和收敛误差得到平衡。
d6)定义迭代终止条件为:
其中,∈为误差阈值。为了得到较精准的收敛结果,令∈=10-5。令最大迭代次数为kmax=500,如果满足迭代条件或者到达最大迭代次数则进入步骤e);否则自增迭代步数k,回到步骤d4)继续迭代。
所述步骤d4)还包括:
S(x)=(1+e-a(x-b))-1 (13)
d45)定义迭代的终止条件为:
其中,∈1为误差阈值,一般令∈1=10-2。令最大迭代次数为jmax=5,当满足终止条件或者到达最大迭代次数时,则进入步骤d5);否则,自增迭代步数j,回到步骤d43)继续进行迭代。
所述步骤e)的具体实现过程为:
e1)由步骤d)得到了低秩矩阵L。定义场景的辐射照度为H:
由上式可以得到HDR图像的其中一个通道的亮度信息,重复步骤a)直到完成RGB三个通道的融合,最终得到HDR图像。
与现有技术相比,本发明的有益效果:
本发明提出基于改进的低秩矩阵恢复的多曝光图像去伪影融合方法。基于低秩矩阵恢复使得融合结果不受稀疏噪声的影响,且保证了即使只有少量数据的条件下能够得到更低秩的矩阵,其最优解尽量集中在最大奇异值的空间。求解低秩矩阵恢复问题时,要求低秩矩阵最大的奇异值能够涵盖绝大部分数据,而代表噪声的奇异值则要尽可能小。对于只有3或5幅的图像序列,令目标函数中的R=1,即秩为1时的低秩矩阵部分尽可能不受到影响,提高了融合方法的稳定性。本专利能够很好的去除融合动态场景时伪影和模糊的现象。
附图说明
图1为一种基于低秩矩阵恢复的多曝光图像去伪影融合方法框图;
图2为一种基于低秩矩阵恢复的多曝光图像去伪影融合方法流程图;
图3为本发明待处理的动态场景的多曝光图像序列;
图4为经过色调映射的融合后去伪影的HDR图像。
具体实施方式
下面结合附图对本发明进行进一步阐述。
如图1所示,本发明基低秩矩阵恢复的多曝光图像去伪影融合方法包括:1)对输入多曝光图像序列进行归一化处理;2)对归一化处理后的多曝光图像序列使用相机响应函数实现辐射校准;3)向量化多曝光图像序列中每一幅辐射校正的图像作为数据矩阵的列向量;4)使用低秩矩阵恢复算法求解数据矩阵的低秩矩阵;5)由低秩矩阵重构出高动态范围图像。基于低秩矩阵恢复的多曝光图像去伪影融合方法的具体实施过程如图2所示。
下面对各步骤进行详细阐述:
1)如图3所示为动态场景的多曝光图像序列与曝光时间参数。对输入多曝光图像序列进行归一化处理。
11)定义多曝光图像序列为{I1,I2,...,IN},对多曝光图像序列的每一幅图像进行归一化处理。选取图像RGB三通道其中一个通道的灰度图,并定义输入图像中任意一点处的像素值为Y,I表示为归一化之后的像素值:
2)对数字图像采集设备的相机响应函数进行标定,相机响应函数定义为场景亮度通过透镜系统入射到传感器表面的辐射照度映射到最终采集设备获取的数字图像像素值的关系,该函数属于采集设备的特征曲线且为递增函数,必定存在逆映射。也可以拍摄多幅线性映射的多曝光图像。辐射校正使得图像的亮度都为线性映射关系,增加融合图像的准确性。
21)定义标定的相机响应函数的逆映射为f-1,定义多曝光图像序列中的图像为I,对应的曝光时间参数为t,I′表示辐射校正的图像:
其中,使用图像采集设备的曝光环绕方法拍摄多幅不同曝光的图像,以中间曝光时间参数的图像作为参考图像,其曝光时间参数为tref。
3)向量化多曝光图像序列中每一幅辐射校正的图像I′作为数据矩阵的列向量。
31)辐射校正后的多曝光图像序列为{I′1,I′2,...,I′N},其中N为多曝光图像序列的数量。将辐射校正后的图像序列向量化得到矩阵L:
D=[vec(I′1)|vec(I′2)|...|vec(I′N)] (3)
32)定义经过低秩矩阵恢复算法得到的低秩矩阵为L,稀疏噪声矩阵为E,使得数据矩阵D=L+E:
L=[vec(L1)|vec(L2)|...|uec(LN)]
E=[vec(E1)|vec(E2)|...|vec(EN)] (4)
其中,Li为低秩对齐后的图像,Ei为场景中的稀疏噪声图像,图像Li和Ei宽度和高度与图像I相同。
4)使用低秩矩阵恢复算法从数据矩阵D中分解出低秩矩阵L。
41)对数据矩阵D进行低秩矩阵恢复算法,求解得到低秩矩阵L:
其中,参数为优化方程的惩罚因子λ>0,R为目标低秩矩阵L的秩。上式为多曝光图像去伪影融合问题,利用凸松弛将求秩函数转换为截断核函数,l0范数转换为l1范数求得最优解:
43)令迭代次数定义为k。迭代开始时k=0,初始化各个矩阵为:
Y0=D/max(||D||2,||D||∞)
L0=0
E0=0
44)更新低秩矩阵Lk+1和稀疏噪声矩阵Ek+1:
45)更新拉格朗日乘子矩阵Yk+1和拉格朗日乘子法的惩罚因子μk+1:
Yk+1=Yk+μk(D-Lk+1-Ek+1)
μk+1=min(ρμk,μmax) (10)
其中,ρ为迭代收敛因子,控制收敛速度和收敛误差。μmax确保μk有界,且令μmax=107μ0。增广拉格朗日乘子法求解的好处是如果{μk}是递增序列且有界该求解方法线性收敛,如果{μk}无界该求解方法超线性收敛。这里令ρ=1.5,可以保证收敛速度和收敛误差得到平衡。
46)定义迭代终止条件为:
其中,∈为误差阈值。为了得到较精准的收敛结果,令∈=10-5。令最大迭代次数为kmax=500,如果满足迭代条件或者到达最大迭代次数则进入步骤5);否则自增迭代步数k,回到步骤44)继续迭代。
所述步骤44)还包括:
S(x)=(1+e-a(x-b))-1 (13)
445)定义迭代的终止条件为:
其中,∈1为误差阈值,一般令∈1=10-2。令最大迭代次数为jmax=5,当满足终止条件或者到达最大迭代次数时,则进入步骤45);否则,自增迭代步数j,回到步骤443)继续进行迭代。
5)由低秩矩阵L重构出高动态范围图像H。
51)低秩矩阵恢复算法得到了低秩矩阵L。定义场景的辐射照度为H:
由上式可以得到HDR图像的其中一个通道的亮度信息,直到完成RGB三个通道的融合,最终得到HDR图像,如图4所示。
Claims (7)
1.一种基于低秩矩阵恢复的多曝光图像去伪影融合方法,其特征在于,包括:
a)对输入多曝光图像序列进行归一化处理;
b)对归一化处理后的多曝光图像序列使用相机响应函数实现辐射校准;
c)向量化多曝光图像序列中每一幅辐射校正的图像作为数据矩阵的列向量;
d)使用低秩矩阵恢复算法求解数据矩阵的低秩矩阵;
e)由低秩矩阵重构出高动态范围图像;
所述步骤d)的具体实现过程为:
d1)对数据矩阵D进行低秩矩阵恢复算法,求解得到低秩矩阵L:
其中,参数为优化方程的惩罚因子λ>0,R为目标低秩矩阵L的秩,E表示稀疏噪声矩阵;上式为多曝光图像去伪影融合问题,利用凸松弛将求秩函数转换为截断核函数,l0范数转换为l1范数求得最优解:
d3)令迭代次数定义为k;迭代开始时k=0,初始化各个矩阵为:
Y0=D/max(||D||2,||D||∞)
L0=0
E0=0
d4)更新低秩矩阵Lk+1和稀疏噪声矩阵Ek+1:
d5)更新拉格朗日乘子矩阵Yk+1和拉格朗日乘子法的惩罚因子μk+1:
Yk+1=Yk+μk(D-Lk+1-Ek+1)
μk+1=min(ρμk,μmax) (10)
其中,ρ为迭代收敛因子,控制收敛速度和收敛误差;μmax确保μk有界,且令μmax=107μ0;增广拉格朗日乘子法求解的好处是如果{μk}是递增序列且有界该求解方法线性收敛,如果{μk}无界该求解方法超线性收敛;这里令ρ=1.5,可以保证收敛速度和收敛误差得到平衡;
d6)定义迭代终止条件为:
其中,∈为误差阈值;为了得到较精准的收敛结果,令∈=10-5;令最大迭代次数为kmax=500,如果满足迭代条件或者到达最大迭代次数则进入步骤e);否则自增迭代步数k,回到步骤d4)继续迭代。
2.根据权利要求1所述的基于低秩矩阵恢复的多曝光图像去伪影融合方法,其特征在于,所述步骤a)与步骤b)之间还包括:
步骤ab)对数字图像采集设备的相机响应函数进行标定,相机响应函数定义为场景亮度通过透镜系统入射到传感器表面的辐射照度映射到最终采集设备获取的数字图像像素值的关系,该函数属于采集设备的特征曲线且为递增函数,必定存在逆映射;或拍摄多幅线性映射的多曝光图像,辐射校正使得图像的亮度都为线性映射关系,增加融合图像的准确性。
5.根据权利要求1所述的基于低秩矩阵恢复的多曝光图像去伪影融合方法,其特征在于,所述步骤c)的具体实现过程为:
c1)定义多曝光图像序列为{I1,I2,...,IN},辐射校正后的多曝光图像序列为{I′1,I′2,...,I′N},其中N为多曝光图像序列的数量;将辐射校正后的图像序列向量化得到矩阵D:
D=[vec(I′1)|vec(I′2)|...|vec(I′N)] (3)
c2)定义经过低秩矩阵恢复算法得到的低秩矩阵为L,稀疏噪声矩阵为E,使得数据矩阵D=L+E:
L=[vec(L1)|vec(L2)|...|vec(LN)]
E=[vec(E1)|vec(E2)|...|vec(EN)] (4)
其中,Li为低秩对齐后的图像,Ei为场景中的稀疏噪声图像,图像Li和Ei宽度和高度与图像I相同。
6.根据权利要求1所述的基于低秩矩阵恢复的多曝光图像去伪影融合方法,其特征在于,所述步骤d4)还包括:
S(x)=(1+e-a(x-b))-1 (13)
d45)定义迭代的终止条件为:
其中,∈1为误差阈值,一般令∈1=10-2;令最大迭代次数为jmax=5,当满足终止条件或者到达最大迭代次数时,则进入步骤d5);否则,自增迭代步数j,回到步骤d43)继续进行迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610816475.7A CN106373105B (zh) | 2016-09-12 | 2016-09-12 | 基于低秩矩阵恢复的多曝光图像去伪影融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610816475.7A CN106373105B (zh) | 2016-09-12 | 2016-09-12 | 基于低秩矩阵恢复的多曝光图像去伪影融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106373105A CN106373105A (zh) | 2017-02-01 |
CN106373105B true CN106373105B (zh) | 2020-03-24 |
Family
ID=57899565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610816475.7A Active CN106373105B (zh) | 2016-09-12 | 2016-09-12 | 基于低秩矩阵恢复的多曝光图像去伪影融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106373105B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093169A (zh) * | 2017-04-21 | 2017-08-25 | 重庆大学 | 基于无参数低秩矩阵恢复的高动态范围成像去鬼影的方法 |
CN107093185A (zh) * | 2017-04-21 | 2017-08-25 | 重庆大学 | 一种基于低秩矩阵恢复的背景建模方法 |
WO2018227465A1 (zh) * | 2017-06-15 | 2018-12-20 | 中山大学 | 一种基于稀疏正源分离模型的图像去模糊算法 |
CN107609573B (zh) * | 2017-08-17 | 2020-11-10 | 东华大学 | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 |
CN107730479B (zh) * | 2017-08-30 | 2021-04-20 | 中山大学 | 基于压缩感知的高动态范围图像去伪影融合方法 |
CN108989697B (zh) * | 2018-07-12 | 2020-11-03 | 大连工业大学 | 道路成像测量中用于响应非均匀校正的标准源图像构建方法 |
CN109002802B (zh) * | 2018-07-23 | 2021-06-15 | 武汉科技大学 | 基于自适应鲁棒主成分分析的视频前景分离方法和系统 |
CN109684601A (zh) * | 2018-11-23 | 2019-04-26 | 河海大学常州校区 | 一种基于低秩矩阵完备化的空气质量数据恢复方法 |
CN110211077B (zh) * | 2019-05-13 | 2021-03-09 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 一种基于高阶奇异值分解的多曝光图像融合方法 |
CN112396561B (zh) * | 2020-11-16 | 2022-07-08 | 东北师范大学 | 基于一致光谱估计实现光场矫正的场景复原方法 |
CN112819726A (zh) * | 2021-02-09 | 2021-05-18 | 嘉兴丰鸟科技有限公司 | 一种光场渲染伪影去除方法 |
CN116738764B (zh) * | 2023-08-08 | 2023-10-20 | 中国海洋大学 | 一种基于奇异值阈值算法的海洋平台舱室舒适度评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842124A (zh) * | 2012-07-16 | 2012-12-26 | 西安电子科技大学 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
CN104599292A (zh) * | 2015-02-03 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 一种基于低秩矩阵分解的抗噪运动目标检测算法 |
CN105303530A (zh) * | 2015-09-30 | 2016-02-03 | 天津大学 | 基于低秩稀疏矩阵分解的织物图像摩尔纹消除方法 |
CN105930308A (zh) * | 2016-04-14 | 2016-09-07 | 中国科学院西安光学精密机械研究所 | 基于低秩恢复的非负矩阵分解方法 |
-
2016
- 2016-09-12 CN CN201610816475.7A patent/CN106373105B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842124A (zh) * | 2012-07-16 | 2012-12-26 | 西安电子科技大学 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
CN104599292A (zh) * | 2015-02-03 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 一种基于低秩矩阵分解的抗噪运动目标检测算法 |
CN105303530A (zh) * | 2015-09-30 | 2016-02-03 | 天津大学 | 基于低秩稀疏矩阵分解的织物图像摩尔纹消除方法 |
CN105930308A (zh) * | 2016-04-14 | 2016-09-07 | 中国科学院西安光学精密机械研究所 | 基于低秩恢复的非负矩阵分解方法 |
Non-Patent Citations (2)
Title |
---|
Ghost-Free High Dynamic Range Imaging via Rank Minimization;Chul Lee 等;《IEEE SIGNAL PROCESSING LETTERS》;20140930;第21卷(第9期);第1045-1049页 * |
Robust High Dynamic Range Imagingby Rank Minimization;Tae-Hyun Oh等;《TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20150630;第37卷(第6期);论文第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN106373105A (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106373105B (zh) | 基于低秩矩阵恢复的多曝光图像去伪影融合方法 | |
Abdelhamed et al. | A high-quality denoising dataset for smartphone cameras | |
US11037278B2 (en) | Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures | |
US10666873B2 (en) | Exposure-related intensity transformation | |
US20210248715A1 (en) | Method and system for end-to-end image processing | |
US11132771B2 (en) | Bright spot removal using a neural network | |
CN110023810B (zh) | 光学系统像差的数字校正 | |
US9344636B2 (en) | Scene motion correction in fused image systems | |
US10929955B2 (en) | Scene-based nonuniformity correction using a convolutional recurrent neural network | |
CN115442515A (zh) | 图像处理方法和设备 | |
CN107256536B (zh) | 一种基于色彩恒常性和群稀疏的水下图像复原方法 | |
US9225898B2 (en) | Image pickup apparatus, image processing system, image pickup system, image processing method, and non-transitory computer-readable storage medium | |
CN108810418A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN109002843A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN114998141A (zh) | 基于多分支网络的空间环境高动态范围成像方法 | |
CN111652815A (zh) | 一种基于深度学习的掩膜板相机图像复原方法 | |
CN112927162A (zh) | 一种面向低照度图像的增强方法及系统 | |
US20230132230A1 (en) | Efficient Video Execution Method and System | |
CN110555805B (zh) | 图像处理的方法、装置、设备及存储介质 | |
CN114638764B (zh) | 基于人工智能的多曝光图像融合方法及系统 | |
JP2019212132A (ja) | 画像処理方法、画像処理装置、撮像装置、プログラム、および、記憶媒体 | |
CN114037636A (zh) | 自适应光学系统校正图像的多帧盲复原方法 | |
CN114283101A (zh) | 一种多曝光图像融合的无监督学习方法、装置及电子设备 | |
CN107317968A (zh) | 图像去雾方法、装置、计算机可存储介质和移动终端 | |
WO2022207110A1 (en) | Noise reconstruction for image denoising |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |