CN107871310A - 一种基于模糊核精细化的单幅图像盲去运动模糊方法 - Google Patents
一种基于模糊核精细化的单幅图像盲去运动模糊方法 Download PDFInfo
- Publication number
- CN107871310A CN107871310A CN201711012802.4A CN201711012802A CN107871310A CN 107871310 A CN107871310 A CN 107871310A CN 201711012802 A CN201711012802 A CN 201711012802A CN 107871310 A CN107871310 A CN 107871310A
- Authority
- CN
- China
- Prior art keywords
- fuzzy core
- msub
- mrow
- fuzzy
- msup
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012805 post-processing Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06T5/75—Unsharp masking
-
- 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
- G06T2207/20036—Morphological 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像复原领域,特别是涉及一种基于模糊核精细化的单幅图像盲去运动模糊方法。该方法主要包括三步:第一步,引入有效强边缘进行多尺度模糊核估计,根据输入的模糊图像B,输出各尺度的模糊核估计值k和清晰图像估计值I′;第二步,由硬阈值处理、连通性检验和形态学闭运算组成模糊核后处理,对最高尺度的模糊核估计值k进行模糊核后处理;第三步,拉普拉斯非盲去卷积,输出最终的模糊核kR和清晰图像估计值If。本发明针对模糊核估计不准确和不够稀疏、连续的不足之处,引入了有效强边缘和模糊核后处理,能对各种形态、各种尺度的模糊核进行有效估计,进而得到效果显著且极其接近真实清晰图像的去模糊结果。
Description
技术领域
本发明属于图像复原领域,特别是涉及一种基于模糊核精细化的单幅图像盲去运动模糊方法。
背景技术
成像过程中由相对运动造成的运动模糊往往会让图像丢失重要的细节信息,大大减弱图像原有的直观性和简洁性。在拍摄图像时尽可能减少或规避运动模糊的预防工作,由于其对拍摄设备和技术等方面提出了要求,使得该项工作在实际应用中受到了一定的约束。因此通常采用图像复原的方法对运动模糊图像进行处理,该过程称作去运动模糊,它是从模糊图像中提取出运动信息,再根据图像退化模型估计出隐藏的清晰图像。
根据图像退化模型,运动模糊图像可看作是模糊核与清晰图像做卷积,随后再添加加性噪声组合而成。据此可知,想得到清晰图像的估计值必先得到模糊核,即相机相对于其拍摄目标的运动路径。若模糊核已知或处处可计算,那去模糊就称作非盲去模糊(或称非盲去卷积);若模糊核需要从模糊图像中估计得到,那去模糊就称作盲去模糊,该类去模糊需要进行模糊核估计和非盲去卷积两个阶段,可靠的模糊核相对于鲁棒的非盲去卷积算法来说,它是使得盲去模糊成功更关键的因素。
模糊核估计和非盲去卷积是通过引入清晰图像、模糊核和噪声的先验知识,采用最大后验概率的方法来建模求解。由于运动模糊对清晰图像边缘的影响大于平滑区域,所以在模糊核估计阶段通常用清晰图像的边缘替代清晰图像来参与建模。从模糊图像中估计得到的清晰图像边缘值可分为隐式边缘和显式边缘。
隐式边缘指的是采用离散梯度算子对清晰图像估计值进行卷积得到的结果,隐式边缘并不能保证所有的强边缘都有益于模糊核估计,有时可能还会误导模糊核估计。
显式边缘指的是先对清晰图像估计值做平滑滤波和冲击滤波预处理,然后用离散梯度算子提取出隐式边缘,再根据隐式边缘的强度值或是边缘置信度图构造掩膜,剔除掉隐式边缘中细碎的边缘和因运动模糊产生的伪边缘后的结果,在相同的去模糊模型下显式边缘比隐式边缘更可靠。
由于涉及到边缘的筛选,显式边缘中只包含清晰图像中真实边缘的一部分,所以导致输出的模糊核不满足其固有的稀疏性和连续性属性,因此有必要在模糊核估计阶段之后对其输出结果做进一步细化后处理,来得到可信赖的模糊核。
发明内容
本发明针对盲去全局运动模糊过程中因模糊核估计不准确所导致去模糊不彻底的问题,提出了一种基于模糊核精细化的单幅图像盲去运动模糊算法,模糊核精细化工作由有效强边缘和模糊核后处理两部分组成。
为了达到上述目的,本发明用有效强边缘来替换清晰图像参与整个模糊核估计过程;对最高尺度的模糊核估计值进行模糊核后处理来得到更稀疏、连续的模糊核;使用最终的模糊核进行非盲去卷积得到清晰图像估计值。本发明的技术方案为一种基于模糊核精细化的单幅图像盲去运动模糊算法,包括如下步骤,
步骤1,多尺度模糊核估计,根据输入的模糊图像B和模糊核尺寸sizek建立多尺度图像金字塔,在每个尺度上估计模糊核和清晰图像中间值,包括以下子步骤:
步骤1.1,将输入图像转换为灰度图像;
步骤1.2,构造多尺度模糊核,尺度的数量由输入的模糊核尺寸sizek确定,最低尺度模糊核尺寸的计算公式如下,各尺度模糊核尺寸间的比率为并将尺寸向上取整至最近的奇数,最高尺度模糊核的尺寸等于输入的模糊核尺寸,
步骤1.3,根据各尺度模糊核的尺寸与最高尺度模糊核尺寸的比例裁剪出各尺度相应尺寸的模糊图像b,随后进行基于有效强边缘的多尺度模糊核估计,从低到高尺度执行,获得当前尺度上的模糊核估计值k和清晰图像估计值I′;
步骤1.4,判断当前尺度是否为最高尺度,如果是,则输出模糊核估计值k,进入步骤2最高尺度的模糊核后处理阶段;如果否,则在下一个尺度上继续执行步骤1.3中基于有效强边缘的多尺度模糊核估计;
步骤2,对最高尺度的模糊核进行后处理,包括以下子步骤:
步骤2.1,硬阈值处理,将阈值设为p倍模糊核均值与方差的加和,对模糊核进行阈值化处理,阈值化处理之后再进行非负约束和归一化处理后就得到稀疏化后的模糊核kT;
步骤2.2,连通性检验,求取模糊核kT的八领域连通域,若单个连通域内元素之和小于阈值φ,就将该连通域内元素值均设为0,否则不做任何处理,非负约束和归一化处理后得到更稀疏的模糊核kC;
步骤2.3,形态学的闭运算,采用长度为q的方形结构元对模糊核kC进行闭运算,非负约束和归一化处理后得到改善之后的模糊核kR;
步骤3,利用模糊核kR进行非盲去卷积求得清晰图像估计值If,能量函数如下所示,使能量函数最小化,得到对应的清晰图像估计值If;
其中,λ用于控制数据项的强度,表示2-范数的,||.||α表示α范数,分别表示离散梯度算子与清晰图像估计值If卷积得到的梯度图,B为输入的模糊图像;
步骤4,输出最终的模糊核kR和清晰图像估计值If。
进一步的,步骤1.3中基于有效强边缘的多尺度模糊核估计,从低到高尺度执行,获得当前尺度上的模糊核估计值k和清晰图像估计值I′的实现方式如下,
在每个模糊核尺度上,重复执行子步骤1.3.1~1.3.8n次,随后执行子步骤1.3.9;
步骤1.3.1,给出模糊核和清晰图像的当前值k,I′;
步骤1.3.2,对当前尺度下的清晰图像I′进行窗口大小为N×N,标准差为σ高斯平滑滤波;
步骤1.3.3,对步骤1.3.2的输出结果进行步长为dp,迭代次数为T的冲击滤波,迭代方程为:
其中t表示迭代次数,1≤t≤T,I′t为第t次迭代输出的清晰图像值,记 分别表示拉普拉斯算子和离散梯度算子,分别表示I′t的拉普拉斯卷积结果和梯度值,‖.‖表示2-范数;
步骤1.3.4,根据模糊图像计算清晰图像估计值中每个像素的边缘置信度,
其中,Nh(i)是以像素i为中心h×h的窗口邻域,j为Nh(i)窗口内各像素的索引号;是当前尺度下使用离散梯度算子与模糊图像卷积得到的有符号梯度图的集合 表示梯度图中第j个像素的值,ε用来避免边缘置信度出现过大的值;|.|表示绝对值;
步骤1.3.5,根据边缘置信度图r构造掩膜M,取r=rx+ry,进行如下计算,
M=H(r-Tr) (4)
其中,r看作是水平方向梯度的置信度和竖直方向的置信度的集合,即r={rx,ry},H为赫维赛德阶跃函数,自变量为负时输出0,否则输出1,Tr为边缘置信度值的阈值;
步骤1.3.6,利用掩膜M挑选出有效的强边缘公式如下,
其中,为冲击滤波后的清晰图像值,为经离散梯度算子作用后的梯度值集合°表示逐像素级乘法,Ts为清晰图像梯度值的阈值;
步骤1.3.7,构造模糊核估计阶段的能量函数如式(6),使能量函数最小化,得到当前尺度下的模糊核估计值k,
其中和‖k‖1分别是能量函数的数据项和约束项,λ,ψ用来控制数据项与约束项的相对强度,为卷积操作符为离散梯度算子与当前尺度下模糊图像b卷积得到的梯度图集合 与‖.‖1分别表示2-范数的平方和1-范数;i表示模糊核内坐标索引;
步骤1.3.8,构造清晰图像中间值估计阶段的能量函数如式(7),使能量函数最小化,得到当前清晰图像估计值I′,
其中,λ用于控制数据项的强度,||.||α表示α范数;I′x,I′y分别表示离散梯度算子与当前尺度下清晰图像的估计值I′卷积得到的梯度图,b为模糊图像,k表示当前尺度下的模糊核,由步骤1.3.7得到;
步骤1.3.9,计算模糊核k的质心与几何中心的二维图像坐标差(offsetx,offsety),随后根据式(8)生成模糊核中心平移滤波器shiftk,最后将滤波器shiftk与模糊核k做卷积,实现模糊核中心重定位;
shiftk(abs(offsety)+1+offsety,abs(offsetx)+1+offsetx)=1 (8)
其中滤波器shiftk大小为(abs(2×offsety)+1,abs(2×offsetx)+1)。进一步的,步骤1.3.7中模糊核估计阶段的能量函数的求解通过迭代重加权最小二乘法实现,步骤1.3.8中清晰图像中间值估计阶段的能量函数的求解通过使用了交替迭代和建立查找表的Bregman拆分法实现。
进一步的,步骤3中能量函数的求解通过使用了交替迭代和建立查找表的Bregman拆分法实现。
进一步的,n的取值为3。
与现有技术相比,本发明的优点和有益效果:仅利用单幅模糊图像就能估计出成像过程中相机的运动路径,并充分体现了模糊核的稀疏性和连续性,进而保证了得到与原始清晰图像高度相似的清晰图像估计值。
附图说明
图1为本发明实施例中单幅图像盲去运动模糊流程图。
图2为本发明实施例中单幅图像盲去运动模糊流程实例,(a)模糊图像,(b)仅利用有效强边缘而未进行模糊核后处理的模糊核及其去卷积结果,(c)经模糊核后处理后的模糊核,(d)最终的非盲去卷积结果。
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,以下结合附图对发明进行进一步详细说明。
本发明的目的为根据输入的模糊图像B,输出模糊核估计值k和清晰图像估计值I。
步骤1,多尺度模糊核估计,根据输入的模糊图像B和模糊核尺寸sizek建立多尺度图像金字塔,在每个尺度上估计模糊核和清晰图像中间值,包括以下子步骤:
步骤1.1,采用灰度图像进行模糊核估计,若输入的模糊图像为彩色图像,需将其转化为灰度图像。
步骤1.2,构造多尺度模糊核,尺度的数量由输入的模糊核尺寸sizek确定,最低尺度模糊核尺寸的计算公式为,
当模糊核尺寸小于33×33时,由上式计算可得最低尺度的模糊核为3×3,随后各尺度模糊核尺寸间的比率为并将尺寸向上取整至最近的奇数,比如当最低尺度(s=1)模糊核为3×3,下一个尺度(s=2)的模糊核尺寸就为s=3的模糊核尺寸为……最高尺度模糊核的尺寸就等于输入的模糊核尺寸。
步骤1.3,基于有效强边缘的多尺度模糊核估计。根据各尺度模糊核的尺寸与最高尺度模糊核尺寸的比例裁剪出各尺度相应尺寸的模糊图像b,最高尺度模糊核对应的模糊图像b就为输入的模糊图像B。在每个模糊核尺度上,重复执行子步骤1.3.1~1.3.8三次(次数是综合考虑时间效率和去模糊效果而得到的值),随后执行子步骤1.3.9。从低到高尺度执行模糊核估计,最终输出具有丰富细节信息的最高尺度的模糊核。
步骤1.3.1,给出模糊核和清晰图像的当前值k,I′。其中最低尺度下的模糊核初值为中心像素值为1、其他位置全为0的奇数方阵(方阵大小与模糊核尺寸相同),清晰图像初值为对应尺度的模糊图像;随后模糊核和清晰图像的值等于同一尺度下前一次迭代的输出值(当前尺度迭代次数还未达到上限3),或者由前一尺度的最终输出值经双线性插值上采样得到(当前尺度迭代次数已达到上限3,需进行下一尺度的模糊核估计),模糊核上采样至对应尺度的模糊核尺寸,清晰图像上采样至对应尺度的模糊图像尺寸。值得注意的是模糊核上采样后要对其值进行非负约束和归一化处理。模糊核和清晰图像估计值这种同一尺度下不同迭代次数之间以及相邻尺度之间的继承关系能清晰展现模糊核被逐步被细化的过程。
步骤1.3.2,对当前尺度下的清晰图像I′进行窗口大小为N×N,标准差为σ高斯平滑滤波。N通常为大于1的奇数,值越大,图像整体平滑效果越明显;σ控制着N×N窗口内的平滑效果,值越大图像平滑效果越明显。N与σ具有一一对应的关系,根据实验结果和其他学者给出的经验值,最终本发明实施例中确定N=5,此时σ=1才能得到较为稳定的去模糊效果。
步骤1.3.3,对步骤1.3.2的输出结果进行步长为dp,迭代次数为T(根据实验结果和其他学者给出的经验值,本发明实施例取T=30)的冲击滤波,迭代方程为:
其中t表示迭代次数,I′t为第t(1≤t≤T)次迭代输出的清晰图像值,记 分别表示拉普拉斯算子和离散梯度算子,便分别表示I′t的拉普拉斯卷积结果和梯度值;dp控制迭代下降的速率,大值使得只有较强的清晰边缘被增强突出,实验结果表明设dp初值为1,随后dp←dp/1.1的做法有助于有效强边缘的提取;‖.‖表示2-范数。
步骤1.3.4,计算清晰图像的边缘置信度图r。根据模糊图像计算清晰图像估计值中每个像素的边缘置信度,
其中,Nh(i)是以像素i为中心h×h的窗口邻域,不断尝试后取h=5;j为Nh(i)窗口内各像素的索引号;是当前尺度下使用离散梯度算子与模糊图像卷积得到的有符号梯度图的集合因此r可看作是水平方向梯度的置信度和竖直方向的置信度的集合,即r={rx,ry},且rx,ry均大于0;表示梯度图中第j个像素的值;ε是为了避免边缘置信度出现过大的值而设置的常量,将其设为0.5;|.|表示绝对值。
步骤1.3.5,根据边缘置信度图r构造掩膜M。取r=rx+ry,进行如下计算,
M=H(r-Tr), (4)
其中H为赫维赛德阶跃函数,自变量为负时输出0,否则输出1;Tr为边缘置信度值的阈值,该值的确定方法为:首先根据模糊图像梯度图计算出边缘置信度图r中每个像素的角度θ,然后以45°为间隔将r值量化为4部分{r1,r2,r3,r4};随后将r的值域[0,max(r)]划分成份,统计ri(i=1,2,3,4)的分布情况,进而得到ri的累计分布直方图;先设阈值为max(r),根据累积分布直方图得到当前阈值下各个ri中大于阈值的像素个数,若能保证此时每个ri中的像素个数都大于为当前尺度下模糊核的像素个数,是参考学者给出的经验值并结合实践得出的值),那Tr就等于max(r),否则以步长6e-5逐步下降,直至找到满足条件的Tr。Tr值控制的是有效强边缘的数量,值越大,有效强边缘数量越少,在模糊核估计初期,该值较大,意在严格把控有效强边缘的质量来进行可靠的模糊核估计。在接下来的同一尺度下的多次迭代和多尺度模糊核估计过程中,需要引入更多的有效强边缘来指导模糊核估计,因此约束该值的条件变为:Tr能保证每个ri中的像素个数都不小于m表示根据边缘置信度图r构造掩膜M这个函数第m次被调用。
步骤1.3.6,利用掩膜M挑选出有效的强边缘公式为
其中,为冲击滤波后的清晰图像值,为经离散梯度算子作用后的梯度值集合°表示逐像素级乘法;Ts为清晰图像梯度值的阈值,该值的确定方法与确定Tr的方法几乎相同:首先根据模糊图像梯度图计算出当前尺度下清晰图像梯度图中每个像素的角度θ,并计算图中各像素值的强度值记为Mag′;然后以45°为间隔将Mag′值量化为4部分{Mag′1,Mag′2,Mag′3,Mag′4};随后,将Mag′的值域[0,max(Mag′)]划分成份,统计Mag′i(i=1,2,3,4)的分布情况,进而得到Mag′i的累计分布直方图;先设阈值为max(Mag′),根据累积分布直方图得到当前阈值下各个Mag′i中大于阈值的像素个数,若能保证此时每个Mag′i中的像素个数都大于为当前尺度下清晰图像I′的像素个数,0.42是反复实验得出的系数),那Ts就等于max(Mag′),否则以步长6e-5逐步下降,直至找到满足条件的Ts。Ts值是对清晰图像的梯度值进行了约束,值越大,挑选出来的有效强边缘数量越少,在模糊核估计初期,该值较大,意在严格把控有效强边缘的质量来进行可靠的模糊核估计。在接下来的同一尺度下的多次迭代和多尺度模糊核估计过程中,需要引入更多的有效强边缘来指导模糊核估计,因此约束该值的条件变为:Ts能保证每个Mag′中的像素个数都不小于m表示利用掩膜M挑选出有效的强边缘这个函数第m次被调用。
步骤1.3.7,模糊核估计。采用最大后验概率模型来建模求解,需将先验知识用公式表示,进而建立模型表达式。据统计知识可知,噪声项具有空间随机分布的特性,可约束噪声或噪声的一阶导,亦或是噪声的二阶导服从零均值高斯分布来公式化噪声的先验知识,阶次越高,约束越强,对真实分布的逼近程度越高,但计算也越复杂。考虑到此时模糊核和清晰都是未知的,需要引入强约束来得到可靠的模糊核,再结合计算复杂度,最终选择约束噪声的一阶导服从零均值高斯分布来;据大量统计可知,模糊核具有稀疏、连续分布的性质,于是采用指数分布来公式化模糊核的分布特性,此外由于模糊核是一个卷积核,因此约束核内元素非负且元素之和为1。最大后验概率问题的求解,通常采用对概率项取负对数,转化为最小化能量函数的问题。零均值高斯分布转化为能量项就为2-范数的平方,指数分布转化为能量项就为1-范数,于是便得到了模糊核估计阶段的能量函数,
其中和‖k‖1分别是能量函数的数据项和约束项,λ,ψ用于控制数据项与约束项的相对强度,最终取定 为卷积操作符;为离散梯度算子与当前尺度下模糊图像b卷积得到的梯度图集合 与‖.‖1分别表示2-范数的平方和1-范数;i表示模糊核内坐标索引。上述能量函数是一个标准的1-范数最小化问题,采用现有技术迭代重加权最小二乘法[1]来求解上述问题,得到当前尺度下的模糊核估计值k。
[1]A.Levin and Y.Weiss.User assisted separation of reflections from asingle image using a sparsity prior.IEEE Transactions on Pattern Analysis andMachine Intelligence,29(9):1647–54,2004.
步骤1.3.8,清晰图像中间值估计。利用当前尺度下的模糊核估计值k进行非盲去卷积,模糊核一旦获得,问题的未知量减少,于是减弱约束项的强度,仅约束噪声服从零均值高斯分布;根据大量统计可知,清晰图像的梯度服从类似高斯分布的重尾分布,该分布比高斯分布赋予更多的值给梯度较小的值,已知拉普拉斯分布能很好地近似重尾分布,于是此处约束清晰图像的梯度服从拉普拉斯分布。将先验分布转化为能量项分别是做2-范数的平方和α-范数约束,相应的能量函数如下所示:
其中,λ=3000用于控制数据项的强度;||.||α表示α范数,考虑到时间效率和去模糊结果的平滑程度,最终取定α=1;I′x,I′y分别表示离散梯度算子与当前尺度下清晰图像的估计值I′卷积得到的梯度图。采用现有技术交替迭代和建立查找表的方法[2,3]来求解上述函数,便可得到当前清晰图像估计值I′。
[2]T.Goldstein and S.Osher.The Split Bregman Method for L1-Regularized Problems.Society for Industrial and Applied Mathematics,2009.
[3]D.Krishnan and R.Fergus.Fast image deconvolution using hyper-laplacian priors.In International Conference on Neural Information ProcessingSystems,pages 1033–1041,2009.
步骤1.3.9,模糊核中心重定位。经上述步骤得到的模糊核可能会出现核中心边缘化的现象,这样导致去卷积后的图像中心也会向图像边缘移动,进而输出发生偏移的失真图像。为避免上述情况的出现,一旦在某个尺度上完成3次迭代运算,便对最终的模糊核进行中心重定位:首先计算模糊核的质心与几何中心的二维图像坐标差(offsetx,offsety),随后根据下式
shiftk(abs(offsety)+1+offsety,abs(offsetx)+1+offsetx)=1 (8)
生成模糊核中心平移滤波器shiftk(该滤波器大小为(abs(2×offsety)+1,abs(2×offsetx)+1)),最后将滤波器shiftk与模糊核做卷积便可将模糊核的质心向其几何中心移动,即实现模糊核中心重定位。
步骤1.4,判断当前尺度是否为最高尺度,如果是,则输出模糊核估计值k,进入步骤2最高尺度的模糊核后处理阶段;如果否,则在下一个尺度上继续执行步骤1.3.1~1.3.9。
步骤2,对最高尺度的模糊核进行后处理。步骤1输出的模糊核估计值相对于真实的模糊核缺乏稀疏性和连续性,于是在最高尺度对模糊核估计值进行模糊核后处理。通过硬阈值处理,连通性检验和形态学的闭运算这一套操作就可获得更稀疏且更连续的模糊核,包括以下子步骤:
步骤2.1,硬阈值处理。计算模糊核的均值和方差,经大量实验表明此处将阈值设为两倍均值与方差的加和来对模糊核进行阈值化处理能取得较为理想的结果,阈值化处理之后再进行非负约束和归一化处理后就得到稀疏化后的模糊核kT。
步骤2.2,连通性检验。求取模糊核kT的八领域连通域,若单个连通域内元素之和小于阈值0.01,就将该连通域内元素值均设为0,否则不做任何处理,非负约束和归一化处理后得到更稀疏的模糊核kC。
步骤2.3,形态学的闭运算。试验了长度为1到5的圆形结构元和长度为1到2的方形结构元,考虑其输出结果与真实模糊核的相近程度,最终采用长度为2的方形结构元对模糊核kC进行闭运算。该步操作在保证模糊核稀疏性的同时增加了模糊核的连续性,非负约束和归一化处理后得到改善之后的模糊核kR。
步骤3,非盲去卷积。通过前述的多尺度模糊核估计和模糊核后处理已得到可靠的模糊核kR,于是便利用模糊核kR进行非盲去卷积来求得清晰图像估计值If。在多尺度模糊核估计阶段,对于不是很精确的模糊核中间估计值,拉普拉斯去卷积方法都能得到较好的去卷积结果,这充分展示了其鲁棒性和有效性,于是继续采用该方法进行最终的非盲去卷积,能量函数如下所示:
其中,分别表示离散梯度算子与清晰图像估计值If卷积得到的梯度图。参数设置与步骤1.3.8同。
步骤4,输出最终的模糊核kR和清晰图像估计值If。
本发明考虑到现有单幅图像盲去运动模糊方法存在模糊核估计值不够准确、稀疏和连续的缺点,提出了基于有效强边缘和模糊核后处理的方法。有效强边缘能保证模糊核估计值与真实模糊核高度相似,但模糊核呈稠密分布;模糊核后处理是一系列低层次图像处理的集合,概念简单易懂,处理后结果能与建立能量函数得到的结果相匹敌,但时间消耗上优于求解能量函数得到的结果,后处理结果输出的模糊核能更能体现模糊核固有的稀疏性和连续性。可靠的模糊核是单幅图像盲去运动模糊成功的必要因素,再结合通用的拉普拉斯去卷积,就能得到令人满意的去模糊结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于模糊核精细化的单幅图像盲去运动模糊方法,其特征在于,包括如下步骤:
步骤1,多尺度模糊核估计,根据输入的模糊图像B和模糊核尺寸sizek建立多尺度图像金字塔,在每个尺度上估计模糊核和清晰图像中间值,包括以下子步骤:
步骤1.1,将输入图像转换为灰度图像;
步骤1.2,构造多尺度模糊核,尺度的数量由输入的模糊核尺寸sizek确定,最低尺度模糊核尺寸的计算公式如下,各尺度模糊核尺寸间的比率为并将尺寸向上取整至最近的奇数,最高尺度模糊核的尺寸等于输入的模糊核尺寸,
步骤1.3,根据各尺度模糊核的尺寸与最高尺度模糊核尺寸的比例裁剪出各尺度相应尺寸的模糊图像b,随后进行基于有效强边缘的多尺度模糊核估计,从低到高尺度执行,获得当前尺度上的模糊核估计值k和清晰图像估计值I′;
步骤1.4,判断当前尺度是否为最高尺度,如果是,则输出模糊核估计值k,进入步骤2最高尺度的模糊核后处理阶段;如果否,则在下一个尺度上继续执行步骤1.3中基于有效强边缘的多尺度模糊核估计;
步骤2,对最高尺度的模糊核进行后处理,包括以下子步骤:
步骤2.1,硬阈值处理,将阈值设为p倍模糊核均值与方差的加和,对模糊核进行阈值化处理,阈值化处理之后再进行非负约束和归一化处理后就得到稀疏化后的模糊核kT;
步骤2.2,连通性检验,求取模糊核kT的八领域连通域,若单个连通域内元素之和小于阈值φ,就将该连通域内元素值均设为0,否则不做任何处理,非负约束和归一化处理后得到更稀疏的模糊核kC;
步骤2.3,形态学的闭运算,采用长度为q的方形结构元对模糊核kC进行闭运算,非负约束和归一化处理后得到改善之后的模糊核kR;
步骤3,利用模糊核kR进行非盲去卷积求得清晰图像估计值If,能量函数如下所示,使能量函数最小化,得到对应的清晰图像估计值If;
<mrow>
<msub>
<mi>min</mi>
<msup>
<mi>I</mi>
<mi>f</mi>
</msup>
</msub>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>I</mi>
<mi>f</mi>
</msup>
<mo>&CircleTimes;</mo>
<msub>
<mi>k</mi>
<mi>R</mi>
</msub>
<mo>-</mo>
<mi>B</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>I</mi>
<mi>x</mi>
<mi>f</mi>
</msubsup>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>&alpha;</mi>
</msub>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>I</mi>
<mi>y</mi>
<mi>f</mi>
</msubsup>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>&alpha;</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,λ用于控制数据项的强度,表示2-范数的,||.||α表示α范数,分别表示离散梯度算子与清晰图像估计值If卷积得到的梯度图,B为输入的模糊图像;
步骤4,输出最终的模糊核kR和清晰图像估计值If。
2.如权利要求1所述的一种基于模糊核精细化的单幅图像盲去运动模糊方法,其特征在于:步骤1.3中基于有效强边缘的多尺度模糊核估计,从低到高尺度执行,获得当前尺度上的模糊核估计值k和清晰图像估计值I′的实现方式如下,
在每个模糊核尺度上,重复执行子步骤1.3.1~1.3.8n次,随后执行子步骤1.3.9;
步骤1.3.1,给出模糊核和清晰图像的当前值k,I′;
步骤1.3.2,对当前尺度下的清晰图像I′进行窗口大小为N×N,标准差为σ高斯平滑滤波;
步骤1.3.3,对步骤1.3.2的输出结果进行步长为dp,迭代次数为T的冲击滤波,迭代方程为:
<mrow>
<msub>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mi>t</mi>
</msub>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>&Delta;I</mi>
<mo>&prime;</mo>
</msup>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mi>t</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mi>d</mi>
<mi>p</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中t表示迭代次数,1≤t≤T,I′t为第t次迭代输出的清晰图像值,记 分别表示拉普拉斯算子和离散梯度算子,分别表示I′t的拉普拉斯卷积结果和梯度值,||.||表示2-范数;
步骤1.3.4,根据模糊图像计算清晰图像估计值中每个像素的边缘置信度,
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mrow>
</msub>
<mo>&dtri;</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mrow>
</msub>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Nh(i)是以像素i为中心h×h的窗口邻域,j为Nh(i)窗口内各像素的索引号;是当前尺度下使用离散梯度算子与模糊图像卷积得到的有符号梯度图的集合 表示梯度图中第j个像素的值,ε用来避免边缘置信度出现过大的值;|.|表示绝对值;
步骤1.3.5,根据边缘置信度图r构造掩膜M,取r=rx+ry,进行如下计算,
M=H(r-Tr) (4)
其中,r看作是水平方向梯度的置信度和竖直方向的置信度的集合,即r={rx,ry},H为赫维赛德阶跃函数,自变量为负时输出0,否则输出1,Tr为边缘置信度值的阈值;
步骤1.3.6,利用掩膜M挑选出有效的强边缘公式如下,
其中,为冲击滤波后的清晰图像值,为经离散梯度算子作用后的梯度值集合°表示逐像素级乘法,Ts为清晰图像梯度值的阈值;
步骤1.3.7,构造模糊核估计阶段的能量函数如式(6),使能量函数最小化,得到当前尺度下的模糊核估计值k,
<mrow>
<msub>
<mi>min</mi>
<mi>k</mi>
</msub>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mi>s</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>k</mi>
<mo>-</mo>
<mo>&dtri;</mo>
<mi>b</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&phi;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>k</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi> </mi>
<msub>
<mi>tok</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<msub>
<mi>and&Sigma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中和||k||1分别是能量函数的数据项和约束项,λ,ψ用来控制数据项与约束项的相对强度,为卷积操作符为离散梯度算子与当前尺度下模糊图像b卷积得到的梯度图集合 与||.||1分别表示2-范数的平方和1-范数;i表示模糊核内坐标索引;
步骤1.3.8,构造清晰图像中间值估计阶段的能量函数如式(7),使能量函数最小化,得到当前清晰图像估计值I′,
<mrow>
<msub>
<mi>min</mi>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mo>&CircleTimes;</mo>
<mi>k</mi>
<mo>-</mo>
<mi>b</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mi>x</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>&alpha;</mi>
</msub>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mi>y</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>&alpha;</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,λ用于控制数据项的强度,||.||α表示α范数;I′x,I′y分别表示离散梯度算子与当前尺度下清晰图像的估计值I′卷积得到的梯度图,b为模糊图像,k表示当前尺度下的模糊核,由步骤1.3.7得到;
步骤1.3.9,计算模糊核k的质心与几何中心的二维图像坐标差(offsetx,offsety),随后根据式(8)生成模糊核中心平移滤波器shiftk,最后将滤波器shiftk与模糊核k做卷积,实现模糊核中心重定位;
shiftk(abs(offsety)+1+offsety,abs(offsetx)+1+offsetx)=1 (8)
其中滤波器shiftk大小为(abs(2×offsety)+1,abs(2×offsetx)+1)。
3.如权利要求2所述的一种基于模糊核精细化的单幅图像盲去运动模糊方法,其特征在于:步骤1.3.7中模糊核估计阶段的能量函数的求解通过迭代重加权最小二乘法实现,步骤1.3.8中清晰图像中间值估计阶段的能量函数的求解通过使用了交替迭代和建立查找表的Bregman拆分法实现。
4.如权利要求3所述的一种基于模糊核精细化的单幅图像盲去运动模糊方法,其特征在于:步骤3中能量函数的求解通过使用了交替迭代和建立查找表的Bregman拆分法实现。
5.如权利要求4所述的一种基于模糊核精细化的单幅图像盲去运动模糊方法,其特征在于:n的取值为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711012802.4A CN107871310B (zh) | 2017-10-26 | 2017-10-26 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711012802.4A CN107871310B (zh) | 2017-10-26 | 2017-10-26 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107871310A true CN107871310A (zh) | 2018-04-03 |
CN107871310B CN107871310B (zh) | 2019-11-22 |
Family
ID=61753356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711012802.4A Active CN107871310B (zh) | 2017-10-26 | 2017-10-26 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871310B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830802A (zh) * | 2018-05-16 | 2018-11-16 | 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 |
WO2019192338A1 (zh) * | 2018-04-04 | 2019-10-10 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN110415193A (zh) * | 2019-08-02 | 2019-11-05 | 平顶山学院 | 煤矿低照度模糊图像的复原方法 |
CN110502949A (zh) * | 2019-08-09 | 2019-11-26 | 广东技术师范大学 | 一种基于自适应尺度控制的qr码图像快速盲去模糊方法 |
CN110517197A (zh) * | 2019-08-16 | 2019-11-29 | 西北工业大学 | 基于参数模型的单幅图像去模糊方法 |
CN110599429A (zh) * | 2019-09-26 | 2019-12-20 | 河海大学常州校区 | 一种高能x射线图像非盲去模糊方法 |
CN111028177A (zh) * | 2019-12-12 | 2020-04-17 | 武汉大学 | 一种基于边缘的深度学习图像去运动模糊方法 |
CN111105379A (zh) * | 2019-12-23 | 2020-05-05 | 福州大学 | 一种U-Net融合局部模糊核的图像盲去模糊方法 |
CN112488946A (zh) * | 2020-12-03 | 2021-03-12 | 重庆邮电大学 | 一种针对驾驶室环境的单尺度运动模糊图像帧复原方法 |
CN113034407A (zh) * | 2021-04-27 | 2021-06-25 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN115147415A (zh) * | 2022-09-02 | 2022-10-04 | 山东微山湖酒业有限公司 | 基于图像处理的酒盒缺陷检测方法 |
CN116091367A (zh) * | 2023-04-10 | 2023-05-09 | 中国科学院空天信息创新研究院 | 光学遥感图像盲去模糊方法、装置、设备和介质 |
CN117593192A (zh) * | 2024-01-18 | 2024-02-23 | 大连云间来客科技有限公司 | 一种妇科宫颈图像增强分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101086826A (zh) * | 2007-06-08 | 2007-12-12 | 中山大学 | 一种利用盲信号处理解决lcd运动图像模糊的方法 |
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 |
CN103279935A (zh) * | 2013-06-09 | 2013-09-04 | 河海大学 | 基于map算法的热红外遥感图像超分辨率重建方法及系统 |
CN105184744A (zh) * | 2015-08-24 | 2015-12-23 | 西安电子科技大学 | 基于标准化稀疏度量图像块先验的模糊核估计方法 |
-
2017
- 2017-10-26 CN CN201711012802.4A patent/CN107871310B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101086826A (zh) * | 2007-06-08 | 2007-12-12 | 中山大学 | 一种利用盲信号处理解决lcd运动图像模糊的方法 |
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 |
CN103279935A (zh) * | 2013-06-09 | 2013-09-04 | 河海大学 | 基于map算法的热红外遥感图像超分辨率重建方法及系统 |
CN105184744A (zh) * | 2015-08-24 | 2015-12-23 | 西安电子科技大学 | 基于标准化稀疏度量图像块先验的模糊核估计方法 |
Non-Patent Citations (2)
Title |
---|
QINGBO LU ETC.: "Robust Blur Kernel Estimation for License Plate Images From Fast Moving Vehicles", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
陈华华 等: "强边缘导向的盲去模糊算法", 《中国图象图形学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11354785B2 (en) | 2018-04-04 | 2022-06-07 | Tencent Technology (Shenzhen) Company Ltd | Image processing method and device, storage medium and electronic device |
WO2019192338A1 (zh) * | 2018-04-04 | 2019-10-10 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN108830802A (zh) * | 2018-05-16 | 2018-11-16 | 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 |
CN110415193A (zh) * | 2019-08-02 | 2019-11-05 | 平顶山学院 | 煤矿低照度模糊图像的复原方法 |
CN110502949A (zh) * | 2019-08-09 | 2019-11-26 | 广东技术师范大学 | 一种基于自适应尺度控制的qr码图像快速盲去模糊方法 |
CN110502949B (zh) * | 2019-08-09 | 2023-04-14 | 广东技术师范大学 | 一种基于自适应尺度控制的qr码图像快速盲去模糊方法 |
CN110517197A (zh) * | 2019-08-16 | 2019-11-29 | 西北工业大学 | 基于参数模型的单幅图像去模糊方法 |
CN110599429A (zh) * | 2019-09-26 | 2019-12-20 | 河海大学常州校区 | 一种高能x射线图像非盲去模糊方法 |
CN110599429B (zh) * | 2019-09-26 | 2022-09-13 | 河海大学常州校区 | 一种高能x射线图像非盲去模糊方法 |
CN111028177A (zh) * | 2019-12-12 | 2020-04-17 | 武汉大学 | 一种基于边缘的深度学习图像去运动模糊方法 |
CN111028177B (zh) * | 2019-12-12 | 2023-07-21 | 武汉大学 | 一种基于边缘的深度学习图像去运动模糊方法 |
CN111105379A (zh) * | 2019-12-23 | 2020-05-05 | 福州大学 | 一种U-Net融合局部模糊核的图像盲去模糊方法 |
CN112488946A (zh) * | 2020-12-03 | 2021-03-12 | 重庆邮电大学 | 一种针对驾驶室环境的单尺度运动模糊图像帧复原方法 |
CN112488946B (zh) * | 2020-12-03 | 2024-04-09 | 重庆邮电大学 | 一种针对驾驶室环境的单尺度运动模糊图像帧复原方法 |
CN113034407A (zh) * | 2021-04-27 | 2021-06-25 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN115147415A (zh) * | 2022-09-02 | 2022-10-04 | 山东微山湖酒业有限公司 | 基于图像处理的酒盒缺陷检测方法 |
CN115147415B (zh) * | 2022-09-02 | 2022-12-02 | 山东微山湖酒业有限公司 | 基于图像处理的酒盒缺陷检测方法 |
CN116091367A (zh) * | 2023-04-10 | 2023-05-09 | 中国科学院空天信息创新研究院 | 光学遥感图像盲去模糊方法、装置、设备和介质 |
CN117593192A (zh) * | 2024-01-18 | 2024-02-23 | 大连云间来客科技有限公司 | 一种妇科宫颈图像增强分析方法 |
CN117593192B (zh) * | 2024-01-18 | 2024-03-26 | 大连云间来客科技有限公司 | 一种妇科宫颈图像增强分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107871310B (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871310B (zh) | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 | |
Tian et al. | Deep learning on image denoising: An overview | |
Zhao et al. | Defocus blur detection via multi-stream bottom-top-bottom fully convolutional network | |
CN106886977B (zh) | 一种多图自动配准及融合拼接方法 | |
Guo et al. | Low-light image enhancement with regularized illumination optimization and deep noise suppression | |
Xu et al. | Structure-texture aware network for low-light image enhancement | |
CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN111340716B (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
CN112365514A (zh) | 基于改进PSPNet的语义分割方法 | |
CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
Fu et al. | Edge-aware deep image deblurring | |
Wang et al. | Analyzing image deblurring through three paradigms | |
CN116524312A (zh) | 一种基于注意力融合特征金字塔网络的红外小目标检测方法 | |
Szolgay et al. | Adaptive image decomposition into cartoon and texture parts optimized by the orthogonality criterion | |
Wang et al. | Generative image deblurring based on multi-scaled residual adversary network driven by composed prior-posterior loss | |
CN117726537A (zh) | 自适应多尺度特征融合AMFFD-Net的SAR图像去噪网络方法及系统 | |
Zeng et al. | Denoising stochastic progressive photon mapping renderings using a multi-residual network | |
Zhang et al. | MFFE: multi-scale feature fusion enhanced net for image dehazing | |
Xue | Blind image deblurring: a review | |
CN105931191A (zh) | 基于凹凸混合正则先验的图像盲去卷积方法 | |
CN112801899A (zh) | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 | |
CN104966271B (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
CN111539434A (zh) | 基于相似度的红外弱小目标检测方法 | |
Chen et al. | A deep motion deblurring network using channel adaptive residual module | |
Yi et al. | Attention-model guided image enhancement for robotic vision applications |
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 |