CN107403414B - 一种利于模糊核估计的图像区域选择方法和系统 - Google Patents

一种利于模糊核估计的图像区域选择方法和系统 Download PDF

Info

Publication number
CN107403414B
CN107403414B CN201710572664.9A CN201710572664A CN107403414B CN 107403414 B CN107403414 B CN 107403414B CN 201710572664 A CN201710572664 A CN 201710572664A CN 107403414 B CN107403414 B CN 107403414B
Authority
CN
China
Prior art keywords
image
pixel point
rtv
relative total
total variation
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
Application number
CN201710572664.9A
Other languages
English (en)
Other versions
CN107403414A (zh
Inventor
桑农
李乐仁瀚
燕昊
高常鑫
颜露新
张士伟
皮智雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201710572664.9A priority Critical patent/CN107403414B/zh
Publication of CN107403414A publication Critical patent/CN107403414A/zh
Priority to PCT/CN2018/071692 priority patent/WO2019010932A1/zh
Priority to US16/079,565 priority patent/US11093778B2/en
Application granted granted Critical
Publication of CN107403414B publication Critical patent/CN107403414B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种利于模糊核估计的图像区域选择方法和系统，其中方法的实现包括：计算模糊图像中每一像素点的相对总变分值并得到其相对总变分映射图；设定阈值确定图像中每一像素点是否为边界像素点；再对模糊图像以及其相对总变分映射图进行采样，得到一系列图像块；最后统计每一图像块中边界像素点的数量并选择出有利于模糊核估计的图像区域。本发明有效解决了现有区域选择方法中存在的过于依赖操作者经验，效率低等问题，自动选择出有利于模糊核估计的图像区域，适用于图像去模糊算法中模糊核估计的应用场合。

Description

一种利于模糊核估计的图像区域选择方法和系统
技术领域
本发明属于图像处理、模式识别领域，更具体地，涉及一种利于模糊核估计的图像区域选择方法和系统。
背景技术
图像模糊是一种常见的图像退化现象，其产生的原因有很多，如：相机与拍摄场景在曝光时发生相对运动(运动模糊)、空气中因高温等原因出现湍流(湍流模糊)以及相机与场景距离和清晰成像焦距存在差异(失焦模糊)等。模糊的图像不仅在视觉上产生较差的观赏体验，而且在一些需要利用图像进行的计算机视觉任务(如图像分类、目标跟踪等)中影响其准确性。因此，将模糊图像进行校正(也称图像去模糊)技术已成为图像处理、模式识别领域中的一大关键。
图像模糊的过程通常被建模为一个清晰图像与模糊核(也称点扩展函数)进行二维线性卷积。图像去模糊的目的是根据已获得的模糊图像估计出其潜在的清晰图像。目前的图像去模糊技术通常基于最大化后验概率的最小二乘估计，并且采用“两阶段法”估计清晰图像。“两阶段法”首先利用图像中的相关信息采用盲反卷积估计出模糊核，再利用估计出的模糊核采用非盲反卷积估计出清晰图像。图像中的大尺度、强边界区域包含较为丰富的模糊核信息，有利于模糊核的估计；而图像中的平滑、纹理区域对模糊核估计无帮助、甚至会影响模糊核估计的准确度。因此，选择一个有利于模糊核估计的图像区域至关重要。对于图像区域的选取方法主要包括三类：(1)全图输入，该方法直接将全图作为输入对模糊核进行估计，当图中平滑区域、纹理区域较多时，模糊核估计结果往往不准确，并且全图输入会使计算量增大；(2)基于经验选取结构区域较多的图像块，该方法通常依赖于操作者的经验，通过“试错法”选取图像区域，无科学依据且效率较低。(3)自动选择，采用的机器学习的方法，此过程包含训练与推断两个部分，训练部分需要大量的数据且耗时较长。
由此可见，现有技术存在图像区域选择依赖操作经验、无科学依据、效率低的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种利于模糊核估计的图像区域选择方法和系统，由此解决现有技术存在图像区域选择依赖操作经验、无科学依据、效率低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种利于模糊核估计的图像区域选择方法，包括：
(1)计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
(2)当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
(3)对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块截取图像块后得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合
(4)统计每个映射图像块中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块 对应的图像块为利于模糊核估计的图像区域。
进一步的，相对总变分值RTV(p)为：
RTV(p)＝|RTVx(p)|+|RTVy(p)|
或
其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
进一步的，像素点p在水平方向上的相对总变分值为：
其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点，表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp，q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
像素点p在竖直方向上的相对总变分值为：
其中，表示像素点q在竖直方向上的偏导数。
进一步的，步骤(3)的具体实现方式为：
对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合
按照本发明的另一方面，提供了一种利于模糊核估计的图像区域选择系统，包括：
相对总变分模块，用于计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
判定模块，用于当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
采样模块，用于对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块截取图像块后得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合
区域选择模块，用于统计每个映射图像块中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块对应的图像块为利于模糊核估计的图像区域。
进一步的，相对总变分值RTV(p)为：
RTV(p)＝|RTVx(p)|+|RTVy(p)|
或
其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
进一步的，像素点p在水平方向上的相对总变分值为：
其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点，表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp，q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
像素点p在竖直方向上的相对总变分值为：
其中，表示像素点q在竖直方向上的偏导数。
进一步的，采样模块的具体实现方式为：
对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明通过相对总变分的度量方式选取有利于模糊核估计的图像区域，能提升其估计结果的准确性。
(2)本发明可以自动地选择有利于模糊核估计的图像区域，克服了现有方法依赖操作者经验，效率较低的缺点。
(3)本发明中通过相对总变分的度量方式确定像素点是否为边界像素点，并通过统计图像区域中的边界像素点判定其是否为有利于模糊核估计的图像区域，方法简洁清楚，因此本发明尤其适用于图像去模糊算法中模糊核估计的输入图像选取。
附图说明
图1是本发明实施例提供的一种利于模糊核估计的图像区域选择方法的流程图；
图2(a)为模糊图像以及其真实的模糊核，图2(b)为利用全图进行的模糊核估计并复原的图像结果，图2(c)为本发明实施例提供的选择一个图像区域进行模糊核估计并复原的图像结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，为本发明利于模糊核估计的图像区域选择方法总流程图，本发明方法具体包括以下步骤：
(1)计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
(2)设定一阈值threshold，当像素点p的相对总变分值RTV(p)小于阈值时，则判定其为边界像素点；反之，则为非边界像素点；
(3)对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合
(4)统计每个映射图像块中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块其对应的图像块则为本方法选择出的利于模糊核估计的图像区域。
优选地，在步骤(2)中，我们将阈值threshold设定为0.1，若像素点p的相对总变分值RTV(p)小于0.1时，则判定其为边界像素点；反之，则为非边界像素点；
优选地，在步骤(3)中，设定滑动像素s为20，图像块Bi的尺寸为200×200。
优选的，相对总变分值RTV(p)为：
RTV(p)＝|RTVx(p)|+|RTVy(p)|
或
其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
像素点p在水平方向上的相对总变分值为：
其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点，表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp，q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
像素点p在竖直方向上的相对总变分值为：
其中，表示像素点q在竖直方向上的偏导数。
式中，xp为像素点p的横坐标，yp为像素点p的纵坐标，xq为像素点q的横坐标，yq为像素点q的纵坐标，exp(·)为指数函数，σ为标准差。
图2为利于模糊核估计的图像区域选择结果示意图，图2(a)为模糊图像以及其真实的模糊核，图2(b)为利用全图进行的模糊核估计并复原的图像结果，图2(c)为利用本发明提出的方法，选择一个图像区域进行模糊核估计并复原的图像结果。从图2可以看出，通过执行本发明中的利于模糊核估计图像区域选择方法，选择一个图像区域进行模糊核估计，可得到较利用全图估计的更准确的模糊核估计结果，并且利用所估计出的模糊核进行图像复原的结果也较理想。对比图2中的复原结构，可知本发明技术方案可自动选择出一个具有较多边界区域的图像块进行模糊核估计，得到较为准确理想的估计结果以及复原效果，显著提升了各算法复原效率，因而尤其适用于图像去模糊领域。
本发明采用相对总变分的度量方法选择出模糊图像中富含“大尺度、强边界”的结构区域作为图像去模糊算法中模糊核估计阶段的输入，提升了模糊核估计的准确性以及操作效率，有效解决了现有方法中存在的图像区域选择依赖操作经验、无科学依据、效率低等问题。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种利于模糊核估计的图像区域选择方法，其特征在于，包括：
(1)计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
(2)当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
(3)对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块截取图像块后得到一个图像块集合PB＝{B1,B2,…,Bi}以及映射图像块的集合
(4)统计每个映射图像块中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块 对应的图像块Bi*为利于模糊核估计的图像区域；
所述相对总变分值RTV(p)为：
RTV(p)＝|RTVx(p)|+|RTVy(p)|
或
其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
2.如权利要求1所述的一种利于模糊核估计的图像区域选择方法，其特征在于，所述像素点p在水平方向上的相对总变分值为：
其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点，表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp,q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
所述像素点p在竖直方向上的相对总变分值为：
其中，表示像素点q在竖直方向上的偏导数。
3.如权利要求1或2所述的一种利于模糊核估计的图像区域选择方法，其特征在于，所述步骤(3)的具体实现方式为：
对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1,B2,…,Bi}以及映射图像块的集合
4.一种利于模糊核估计的图像区域选择系统，其特征在于，包括：
相对总变分模块，用于计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
判定模块，用于当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
采样模块，用于对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块截取图像块后得到一个图像块集合PB＝{B1,B2,…,Bi}以及映射图像块的集合
区域选择模块，用于统计每个映射图像块中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块对应的图像块Bi*为利于模糊核估计的图像区域；
所述相对总变分值RTV(p)为：
RTV(p)＝|RTVx(p)|+|RTVy(p)|
或
其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
5.如权利要求4所述的一种利于模糊核估计的图像区域选择系统，其特征在于，所述像素点p在水平方向上的相对总变分值为：
其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点，表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp,q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
所述像素点p在竖直方向上的相对总变分值为：
其中，表示像素点q在竖直方向上的偏导数。
6.如权利要求4或5所述的一种利于模糊核估计的图像区域选择系统，其特征在于，所述采样模块的具体实现方式为：
对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1,B2,…,Bi}以及映射图像块的集合
CN201710572664.9A 2017-07-14 2017-07-14 一种利于模糊核估计的图像区域选择方法和系统 Expired - Fee Related CN107403414B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710572664.9A CN107403414B (zh) 2017-07-14 2017-07-14 一种利于模糊核估计的图像区域选择方法和系统
PCT/CN2018/071692 WO2019010932A1 (zh) 2017-07-14 2018-01-08 一种利于模糊核估计的图像区域选择方法和系统
US16/079,565 US11093778B2 (en) 2017-07-14 2018-01-08 Method and system for selecting image region that facilitates blur kernel estimation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710572664.9A CN107403414B (zh) 2017-07-14 2017-07-14 一种利于模糊核估计的图像区域选择方法和系统

Publications (2)

Publication Number Publication Date
CN107403414A CN107403414A (zh) 2017-11-28
CN107403414B true CN107403414B (zh) 2018-11-02

Family

ID=60405412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710572664.9A Expired - Fee Related CN107403414B (zh) 2017-07-14 2017-07-14 一种利于模糊核估计的图像区域选择方法和系统

Country Status (3)

Country Link
US (1) US11093778B2 (zh)
CN (1) CN107403414B (zh)
WO (1) WO2019010932A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403414B (zh) * 2017-07-14 2018-11-02 华中科技大学 一种利于模糊核估计的图像区域选择方法和系统
CN109859145B (zh) * 2019-02-27 2022-12-09 西安汇智信息科技有限公司 一种基于多级权重相对总变差的图像去纹理方法
US11615510B2 (en) * 2020-10-21 2023-03-28 Samsung Electronics Co., Ltd. Kernel-aware super resolution
CN113362362B (zh) * 2021-06-17 2022-06-14 易普森智慧健康科技（深圳）有限公司 基于总变分区域选取的明视野显微镜全景图像对齐算法
US20230041888A1 (en) * 2021-08-03 2023-02-09 Samsung Electronics Co., Ltd. Unsupervised learning-based scale-independent blur kernel estimation for super-resolution
CN113870134B (zh) * 2021-09-28 2023-04-07 南京诺源医疗器械有限公司 手持式摄像镜数据处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254309A (zh) * 2011-07-27 2011-11-23 清华大学 一种基于近红外图像的运动模糊图像去模糊方法和装置
CN102436639A (zh) * 2011-09-02 2012-05-02 清华大学 一种去除图像模糊的图像采集方法和图像采集系统
CN105096316A (zh) * 2015-06-30 2015-11-25 华为技术有限公司 一种确定图像模糊程度的方法及装置
CN105493140A (zh) * 2015-05-15 2016-04-13 北京大学深圳研究生院 图像去模糊方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663718B (zh) 2012-03-19 2015-06-24 清华大学 一种全局不一致图像去模糊的方法及系统
US9659351B2 (en) * 2014-03-12 2017-05-23 Purdue Research Foundation Displaying personalized imagery for improving visual acuity
CN104168336A (zh) 2014-09-05 2014-11-26 北京奇虎科技有限公司 数据获取方法、移动设备、计算设备及系统
CN107403414B (zh) 2017-07-14 2018-11-02 华中科技大学 一种利于模糊核估计的图像区域选择方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254309A (zh) * 2011-07-27 2011-11-23 清华大学 一种基于近红外图像的运动模糊图像去模糊方法和装置
CN102436639A (zh) * 2011-09-02 2012-05-02 清华大学 一种去除图像模糊的图像采集方法和图像采集系统
CN105493140A (zh) * 2015-05-15 2016-04-13 北京大学深圳研究生院 图像去模糊方法及系统
CN105096316A (zh) * 2015-06-30 2015-11-25 华为技术有限公司 一种确定图像模糊程度的方法及装置

Also Published As

Publication number Publication date
CN107403414A (zh) 2017-11-28
US20210192251A1 (en) 2021-06-24
US11093778B2 (en) 2021-08-17
WO2019010932A1 (zh) 2019-01-17

Similar Documents

Publication Publication Date Title
CN107403414B (zh) 一种利于模糊核估计的图像区域选择方法和系统
CN106875415B (zh) 一种动态背景中弱小动目标的连续稳定跟踪方法
WO2022141178A1 (zh) 图像处理方法及装置
Matsuo et al. Weighted joint bilateral filter with slope depth compensation filter for depth map refinement
US11748894B2 (en) Video stabilization method and apparatus and non-transitory computer-readable medium
CN107316326B (zh) 应用于双目立体视觉的基于边的视差图计算方法和装置
CN106886748B (zh) 一种基于tld的适用于无人机的变尺度目标跟踪方法
CN112364865B (zh) 一种复杂场景中运动小目标的检测方法
CN113327206B (zh) 基于人工智能的输电线智能巡检系统的图像模糊处理方法
WO2021057455A1 (zh) 用于红外图像序列的背景运动估计方法、装置及存储介质
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN105719251A (zh) 一种用于大像移线性模糊的压缩降质图像复原方法
CN113538545B (zh) 一种基于电液可调焦镜头的单目深度估计方法及相应的相机和存储介质
CN117671033A (zh) 一种基于夜间灯光追踪的相机像主点快速定标方法和系统
Yang et al. Image deblurring utilizing inertial sensors and a short-long-short exposure strategy
CN112200775A (zh) 图像清晰度检测方法、装置、电子设备及存储介质
JPWO2014010726A1 (ja) 画像処理装置及び画像処理プログラム
CN106651932B (zh) 基于多尺度梯度差值的单幅图像散焦模糊估计算法
CN111383247A (zh) 增强金字塔lk光流算法图像跟踪稳定性的方法
CN114972084A (zh) 一种图像对焦准确度评价方法及系统
CN113112522A (zh) 基于可变形卷积和模板更新的孪生网络目标跟踪的方法
CN112766338A (zh) 一种计算距离图像的方法、系统及计算机可读存储介质
CN111899287A (zh) 一种针对自动驾驶的虚影高动态范围图像融合方法
CN114022484B (zh) 一种点光源场景的图像清晰度值计算方法及终端
CN113570596B (zh) 一种基于人类视觉系统的无参考结构清晰度评价方法

Legal Events

Date Code Title Description
PB01 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
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: 20181102

Termination date: 20200714