CN107945127B - 一种基于图像列灰度概率一致性的高速运动图像去模糊方法 - Google Patents
一种基于图像列灰度概率一致性的高速运动图像去模糊方法 Download PDFInfo
- Publication number
- CN107945127B CN107945127B CN201711206204.0A CN201711206204A CN107945127B CN 107945127 B CN107945127 B CN 107945127B CN 201711206204 A CN201711206204 A CN 201711206204A CN 107945127 B CN107945127 B CN 107945127B
- Authority
- CN
- China
- Prior art keywords
- image
- equation
- blur
- camera
- consistency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 8
- 230000003137 locomotive effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011084 recovery Methods 0.000 abstract description 5
- 230000003287 optical effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20201—Motion blur correction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
一种基于图像列灰度概率一致性的高速运动图像去模糊方法，包括以下步骤：(1)相机前向运动模糊过程建模；(2)空间变换，降低空间维度；(3)基于列灰度一致性的图像去模糊。本发明对相机垂直于光轴单向运动所造成的图像模糊的恢复过程具有较好的效果，特别是高清相机在高速运动过程中带来的长模糊问题，空间变换大大降低问题的求解自由度，双目标使恢复过程保存了一定的差异性和整体的一致性。
Description
技术领域
本发明涉及图像处理及概率统计计算领域，尤其是涉及基于图像列灰度概率一致性的高速运动图像去模糊方法。
背景技术
图像采集已成为信息时代一种重要的信息来源，但在机器视觉采集的过程中，由于相机相对采集目标的高速运动在长曝光时间或相对光线较弱的采集状态下，都可能会导致采集到的图像出现模糊现象。产生模糊的原因有很多，图像模糊类型分多种，如运动模糊、失焦模糊和高斯模糊等，比较传统的图像去模糊方法有RL反卷积，维纳滤波，正则化方法以及其它图像盲反卷积的方法。这些方法大多针对不同的模糊问题，其性能及处理时间各异，目前针对高速运动的实时图像去模糊问题解决的较少。本发明针对在广泛的相机应用中，高速运动相机采集到的运动图像模糊问题，采用图像相邻列灰度保持一致性及差异性的概率统计方法，进行图像去模糊，在解决高速运动相机导致的图像模糊处理结果优于现有图像去模糊方法。
为解决运动导致的图像模糊，Fergus等利用自然图像梯度服从长尾分布的先验知识构建一个概率模型，并用变分的方法来估计模糊核(Fergus,Rob,et al..Removingcamera shake from a single photograph[J].ACM Transactions on Graphics(TOG),25(3),2006.)。Levin等利用这个分布建立概率模型，然后用MAP(最大后验概率)估计模糊核(Levin A,Weiss Y,Durand F,et al..Efficient marginal likelihood optimizationin blind deconvolution.Computer Vision and Pattern Recognition[J],2011 IEEEConference on.IEEE,2011:2657-2664.)。Shan等结合图像的噪声、图像梯度及模糊核作为先验知识来去模糊并减少图像的振铃效应(Shan Qi,Jiaya Jia,and AseemAgarwala.High-quality motion deblurring from a single image[J].ACMTransactions on Graphics(TOG),27(3),ACM(2008).)。Whyte等分析运动模糊是由于相机的抖动导致的非统一化模糊，并建立了3D旋转模糊运动的模型(Whyte O,Sivic J,Zisserman A,et al..Non-uniform deblurring for shaken images[J].Internationaljournal of computer vision,2012,98(2):168-186.]。Zheng等认为运动模糊由于相机的平动比如前向及后向运动导致，并主要应用于车载相机及交通监控，建立一个基于深度变化及像素结合的模型，但不能处理所有任意运动目标，有时需手动初始化平面。(Zheng,Shicheng,Li Xu,and Jiaya Jia.Forward motion deblurring[C].Proceedings of theIEEE international conference on computer vision,2013:1465-1472.)。这些方法针对不同的问题取得了一定的去模糊效果，但是在处理真实模糊图像时仍存在如：振铃、噪声及杂痕等问题。
发明内容
本发明的目的是为解决相机快速前向运动采集的图像模糊问题，基于自然图像列灰度分布一致性及差异性并存的概率统计特性，提出一种去运动模糊的方法，能克服现有算法不能很好处理高分辨率图像及其严重运动模糊的缺点，提高运动图像的复原质量。
本发明是通过以下技术方案实现的。
本发明所述的一种基于图像列灰度概率一致性的高速运动图像去模糊的方法，包括以下步骤：
步骤(1)：相机前向运动模糊过程建模。
在无人机、无人驾驶车以及一些安全检测监控系统中，图像采集一般都采用车载相机的形式进行图像获取。本发明主要应用在车载相机采集装置上，如轨道缺陷检测相机安装在机车底部，相机中心线垂直向下，正对轨道平面拍摄。当机车带动相机以速度v水平向前运动时，相机曝光时间为T，模糊图像b(x,y)模型如下：
上式中，x、y表示像素点坐标，g(x+vt,y)为原目标图像，d为采样距离,因此模糊长度为
式(1)的离散化形式为：
其中i为循环变量。令
式(2)可表示为卷积形式：
其中
表示卷积符号，对于上述卷积模糊中的核函数h(x,y)的求解方法很多，目前比较成熟的方法有正则化方法、贝叶斯先验估计和MAP方法等，因此也可以根据上述模糊原理估算出模糊核。
步骤(2)：空间变换，降低空间维度。
估算出模糊核后，若相机只前向运动此时y为常数，式(2)可表示为矩阵形式：
A·Gy＝By (4)
其中
式(4)中m为像素点x的采样个数，像素点y为某一固定值。从式(4)可知该方程组为一个由m个线性方程组成的m+l维方程问题，方程组有无穷多个解，即至少有l个自由基。为解决此问题，将增加l个方程，其系数矩阵A和向量By分别扩展为
和
将矩阵A和向量By同时扩展到m+l维线性空间
从
矩阵参数可知其为m+l维的非奇异方阵，线性方程组(5)有唯一特解。
将方程两边左乘
的逆矩阵得：
通过上述空间变换，则可将式(4)关于Gy的m+l维不定解问题转化为关于Sy的l维定解问题，其中自变量为：
由式(2)和式(6)可得：
由于
则公式(2)关于
维线性空间的求解问题变换为公式(7)中的
维线性空间求解问题，又因为l＜＜m，该问题实现了从m维到l维的降维变换。由此减少了问题计算量，提高解的收敛性。
步骤(3)：基于列灰度一致性的图像去模糊。
一般认为，图像的模糊过程为原图像与未知的模糊核卷积的过程，而图像去模糊则为反卷积。但这个反问题是病态的，在反卷积的图像中将出现振铃效应或杂痕。同时在实际处理过程中，人工卷积得到的模糊图像与实际模糊图像有一定区别，如图1和图3所示。
由于人工卷积图像处理过程中左右两边有黑色边界引入，而实际图像卷积过程没有，其原因是人工卷积过程中，将边界外的区域假定没有信号，而实际图像中有边界有信息。因此直接用实际图像进行反卷积后，图像会出现振铃现象，如图4所示。
为解决此现象，根据公式(7)，我们在图像边界前后预测一个合适的图像块：Sl×n(x,y)，同时可以将m×n维空间的问题转变为l×n维空间的问题，如步骤(1)所述。但只通过空间变换，得不到确定的解，要得到一个确定解，还需要增加约束条件。
通常判定图像质量的评价指标有RMS(均方根误差)、SNR(信噪比)和PSNR(峰值信噪比)等。在这些指标评价中都需要原图像g(x,y)，但在实际模糊图像的处理中没有原图像，即不能较好地描述图像的复原质量。我们通过实验及分析图像相邻列灰度特征，如图1(b)，图2(b)，图3(b)，图4(b)所示，质量较好的图像其相邻列灰度值相差很小(基本误差在20％个总像素差内)，即大多数图像具有空间相关性，绝大部分相邻的像素点具有相近的灰度值，由此构建图像相邻列一致性指标：
Ri,i+1越大，列一致性越差，Ri,i+1越小，则列一致性越好。但实际图像中，又要包含不一致性，即如果没有差异性，反卷积后的图像就成为单色图，复原效果很差。为进一步解决图像列灰度一致性及差异性并存的问题，引入单边α置信均值和误差允许阀k，其中
即
构建评价函数：
整幅图像的列一致性评价指标为：
对于已经估计出的图像
构建综合灰度均方误差评价指标E：
图像去模糊问题则转化为l×n维空间内的双目标最优化问题。建立如下优化模型：
如式(13)我们在保证CGPC尽量小的情况下使E评价指标尽量小，目标是使图像去模糊质量最优。
本发明对相机垂直于光轴单向运动所造成的图像模糊的恢复过程具有较好的效果，特别是高清相机在高速运动过程中带来的长模糊问题，空间变换大大降低问题的求解自由度，双目标使恢复过程保存了一定的差异性和整体的一致性。
附图说明
图1为人工卷积生成的模糊图像及其相应列相邻灰度差统计图。其中，图1(a)为人工卷积生成的模糊图像，图1(b)为图1(a)的相应列相邻灰度差统计图。
图2为图1的直接反卷积图像及其相应列相邻灰度差统计图。其中，图2(a)为图1(a)的直接反卷积图像，图2(b)为图2(a)的相应列相邻灰度差统计图。
图3为实际模糊图像及其相应列相邻灰度差统计图。其中，图3(a)为实际模糊图像，图3(b)为图3(a)的相应列相邻灰度差统计图。
图4为图3的反卷积图像及其相应列相邻灰度差统计图。其中，图4(a)为图3(a)的反卷积图像，图4(b)为图4(a)的相应列相邻灰度差统计图。
具体实施方式
本发明的目的是为解决相机快速前向运动采集的图像模糊问题，基于自然图像列灰度分布一致性及差异性并存的概率统计特性，提出一种运动去模糊的方法，能克服现有算法不能很好去除高分辨率图像及其严重运动模糊的缺点，提高运动图像的复原质量。
下面结合实例对本发明进行详细说明。
步骤(1)：相机前向运动模糊过程建模。
本发明主要应用在相对稳定的车载相机采集装置上，如轨道缺陷检测相机安装在机车底部，相机中心线垂直向下，正对轨道平面拍摄。当机车带动相机以100公里每小时水平向前运动时，相机曝光时间为0.01秒，模糊图像b(x,y)模型如下：
上式中，x、y表示像素点坐标，g(x+vt,y)为原目标图像。采样距离d为0.001米,因此模糊长度为l＝278。式(14)的离散化形式为：
其中i为循环变量。令
式(15)可表示为卷积形式：
其中
表示卷积符号。
步骤(2)：空间变换，降低空间维度。
计算出模糊核后，若相机只前向运动y为常数，式(15)可表示为矩阵形式：
A·Gy＝By (17)
其中
从式(17)可知该方程组为一个由1024个线性方程组成的1302维方程问题，方程组有无穷多个解，即至少有278个自由基。为解决此问题，我们将增加278个方程，其系数矩阵A和向量By分别扩展为
和
将矩阵A和向量By同时扩展到1302维线性空间
从
矩阵参数可知其为1302维的非奇异方阵，线性方程组(18)有唯一特解。
将方程两边左乘
的逆矩阵得：
通过上述空间变换，则可将式(15)关于Gy的1302维的不定解问题转化为关于Sy的278维的定解问题，其中自变量为：
S＝[S1,S2,…,S1024],
由式(15)和式(17)可得：
由于
则公式(15)关于
维线性空间的求解问题变换为公式(20)中的
维线性空间求解问题，又因为278＜＜1024,该问题实现了从1024维到278维的降维变换。由此减少了问题计算量，提高解的收敛性。
步骤(3)：基于列灰度一致性的图像去模糊。
根据公式(20)，我们在图像边界前后预测一个合适的图像块：S278×1024(x,y)，即可以将1024×1024维空间的问题转变为278×1024维空间的问题，如步骤(1)所述。但只通过空间变换，得不到确定的解，要得到一个确定解，还需要增加约束条件。为进一步解决图像列灰度一致性及差异性并存的问题，引入单边0.05置信均值和误差允许阀k，其中
即
构建评价函数：
整幅图像的列一致性评价指标为：
对于已经估计出的图像
构建综合灰度均方误差评价指标E：
图像去模糊问题则转化为278×1024维空间内的双目标最优化问题。建立优化模型：
如式(25)我们在保证CGPC尽量小的情况下使E评价指标尽量小，目标是使图像去模糊质量最优。
该方法对相机垂直于光轴单向运动所造成的图像模糊的复原过程具有较好的效果，特别是高清相机在高速运动过程中带来的长模糊问题。该实例中，空间变换使问题自由度从1024*1024降低到278*1024，双目标优化使复原过程即保留图像差异性，同时使整体的一致性较好，取得较好的信噪比。本发明在轨道缺陷检测系统的运动去模糊效果中得到了验证。
Claims (1)
1.一种基于图像列灰度概率一致性的高速运动图像去模糊方法，其特征是包括以下步骤：
步骤(1)：相机前向运动模糊过程建模
设车载相机在机车带动下以速度v水平向前运动时，相机曝光时间为T，模糊图像b(x,y)模型如下：
上式中，x、y表示像素点坐标，g(x+vt,y)为原目标图像，d为采样距离，因此模糊长度为
式(1)的离散化形式为：
其中i为循环变量；令
式(2)可表示为卷积形式：
其中
表示卷积符号，对于上述卷积模糊中的核函数h(x,y)估算出模糊核；
步骤(2)：空间变换，降低空间维度
估算出模糊核后，若相机只前向运动时，y为常数，式(2)可表示为矩阵形式：
A·Gy＝By (4)
其中
式(4)中m为像素点x的采样个数，像素点y为常数，式(4)方程组有无穷多个解；再增加l个方程，其系数矩阵A和向量By分别扩展为
和
将矩阵A和向量By同时扩展到m+l维线性空间
线性方程组(5)有唯一特解：
将方程两边左乘
的逆矩阵得：
通过上述空间变换，则可将式(4)关于Gy的m+l维不定解问题转化为关于Sy的l维定解问题，其中自变量为：
由式(2)和式(6)可得：
步骤(3)：基于列灰度一致性的图像去模糊
根据公式(7)，在图像边界前后预测一个合适的图像块：Sl×n(x,y)，即可以将m×n维空间的问题转变为l×n维空间的问题，
构建图像相邻列一致性指标：
引入单边α置信均值和误差允许阀k，其中
即
构建评价函数：
整幅图像的列一致性评价指标为：
对于已经估计出的图像
构建综合灰度均方误差评价指标E：
图像去模糊问题则转化为l×n维空间内的双目标最优化问题；建立如下优化模型：
式(13)是在保证CGPC尽量小的情况下使E评价指标尽量小，使图像去模糊质量最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711206204.0A CN107945127B (zh) | 2017-11-27 | 2017-11-27 | 一种基于图像列灰度概率一致性的高速运动图像去模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711206204.0A CN107945127B (zh) | 2017-11-27 | 2017-11-27 | 一种基于图像列灰度概率一致性的高速运动图像去模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107945127A CN107945127A (zh) | 2018-04-20 |
| CN107945127B true CN107945127B (zh) | 2021-05-07 |
Family
ID=61950084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711206204.0A Active CN107945127B (zh) | 2017-11-27 | 2017-11-27 | 一种基于图像列灰度概率一致性的高速运动图像去模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107945127B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242790A (zh) * | 2018-08-22 | 2019-01-18 | 大连理工大学 | 一种面向测量领域的图像去模糊评估方法 |
| CN110503632B (zh) * | 2019-07-26 | 2022-08-09 | 南昌大学 | 一种盲图像质量评价算法中svr参数优化方法 |
| CN112435190A (zh) * | 2020-11-24 | 2021-03-02 | 同济大学 | 一种基于车辆运动与数据增广的运动模糊目标检测方法 |
| CN112785574B (zh) * | 2021-01-25 | 2023-06-06 | 金陵科技学院 | 一种基于改进YOLOv3的围巾花纹缺陷检测方法 |
| CN113076685B (zh) * | 2021-03-04 | 2024-09-10 | 华为技术有限公司 | 图像重建模型的训练方法、图像重建方法及其装置 |
Citations (9)
| 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 |
| CN104331871A (zh) * | 2014-12-02 | 2015-02-04 | 苏州大学 | 一种图像去模糊方法及装置 |
| US20150172547A1 (en) * | 2013-12-13 | 2015-06-18 | Adobe Systems Incorporated | Image deblurring based on light streaks |
| CN104820971A (zh) * | 2015-04-22 | 2015-08-05 | 西北工业大学 | 一种基于分布式相机阵列的运动目标去模糊方法 |
| CN105654431A (zh) * | 2015-12-24 | 2016-06-08 | 公安部物证鉴定中心 | 一种对存在遮挡情况的图像去模糊方法 |
| US20170064204A1 (en) * | 2015-08-26 | 2017-03-02 | Duke University | Systems and methods for burst image delurring |
| CN106530261A (zh) * | 2016-12-28 | 2017-03-22 | 同观科技（深圳）有限公司 | 一种双动态模糊图像复原方法 |
| CN106651790A (zh) * | 2016-11-22 | 2017-05-10 | 杭州华为数字技术有限公司 | 图像去模糊的方法、装置和设备 |
| CN107169234A (zh) * | 2017-06-12 | 2017-09-15 | 中国矿业大学 | 一种采煤机摇臂系统维修性综合评价方法 |
-
2017
- 2017-11-27 CN CN201711206204.0A patent/CN107945127B/zh active Active
Patent Citations (9)
| 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 |
| US20150172547A1 (en) * | 2013-12-13 | 2015-06-18 | Adobe Systems Incorporated | Image deblurring based on light streaks |
| CN104331871A (zh) * | 2014-12-02 | 2015-02-04 | 苏州大学 | 一种图像去模糊方法及装置 |
| CN104820971A (zh) * | 2015-04-22 | 2015-08-05 | 西北工业大学 | 一种基于分布式相机阵列的运动目标去模糊方法 |
| US20170064204A1 (en) * | 2015-08-26 | 2017-03-02 | Duke University | Systems and methods for burst image delurring |
| CN105654431A (zh) * | 2015-12-24 | 2016-06-08 | 公安部物证鉴定中心 | 一种对存在遮挡情况的图像去模糊方法 |
| CN106651790A (zh) * | 2016-11-22 | 2017-05-10 | 杭州华为数字技术有限公司 | 图像去模糊的方法、装置和设备 |
| CN106530261A (zh) * | 2016-12-28 | 2017-03-22 | 同观科技（深圳）有限公司 | 一种双动态模糊图像复原方法 |
| CN107169234A (zh) * | 2017-06-12 | 2017-09-15 | 中国矿业大学 | 一种采煤机摇臂系统维修性综合评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| Efficient non-uniform deblurring based on generalized additive convolution model;Hong Deng等;《EURASIP Journal on Advances in Signal Processing》;20160219;第1-15页 * |
| Forward Motion Deblurring;Shicheng Zheng等;《2013 IEEE International Conference on Computer Vision》;20140303;第1465-1472页 * |
| 结合各向异性扩散和高阶扩散的视频盲去模糊复原方法;张乐平;《菏泽学院学报》;20170430;第39卷(第2期);第26-32页 * |
| 高应变率变形图像去模糊及数字图像相关测量;郭翔 等;《高压物理学报》;20170831;第31卷(第4期);第426-432页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107945127A (zh) | 2018-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107945127B (zh) | 一种基于图像列灰度概率一致性的高速运动图像去模糊方法 | |
| Lee et al. | Iterative filter adaptive network for single image defocus deblurring | |
| Zhu et al. | Removing atmospheric turbulence via space-invariant deconvolution | |
| US9275443B2 (en) | Image-processing apparatus for removing haze contained in video, and method therefof | |
| CN106920220B (zh) | 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法 | |
| US8326069B2 (en) | Computing higher resolution images from multiple lower resolution images | |
| CN109035139B (zh) | 一种高分辨率卫星影像调制传递函数补偿方法 | |
| CN104243837B (zh) | 基于单次曝光视频重建的颤振探测和遥感图像恢复方法 | |
| CN111161172A (zh) | 一种红外图像列向条纹消除方法、系统及计算机存储介质 | |
| Gao et al. | Atmospheric turbulence removal using convolutional neural network | |
| CN104272347A (zh) | 去除包含在静止图像中的雾的图像处理装置及其方法 | |
| CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
| JP5657141B2 (ja) | 液体媒体中の乱流の影響を含む画像データの処理 | |
| US9008453B2 (en) | Blur-kernel estimation from spectral irregularities | |
| CN116563146A (zh) | 基于可学习曲率图的图像增强方法与系统 | |
| CN109658361A (zh) | 一种顾及运动估计误差的运动场景超分辨率重建方法 | |
| CN105719251A (zh) | 一种用于大像移线性模糊的压缩降质图像复原方法 | |
| CN112907461B (zh) | 一种红外雾天降质图像去雾增强方法 | |
| CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
| CN107194874B (zh) | 基于偏置稳像的超分辨成像系统及方法 | |
| CN112465728B (zh) | 视频图像处理方法、系统、电子设备及存储介质 | |
| Wang et al. | Optical satellite image MTF compensation for remote-sensing data production | |
| CN111369592B (zh) | 一种基于牛顿插值的快速全局运动估计方法 | |
| WO2022089917A1 (en) | Method and image processing device for improving signal-to-noise ratio of image frame sequences | |
| KR101867925B1 (ko) | 정지영상에 포함된 헤이즈 제거를 위한 영상 처리 장치 및 그 방법 |
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 |