CN108198151A - 一种基于改进rl反卷积算法的星图去模糊方法 - Google Patents
一种基于改进rl反卷积算法的星图去模糊方法 Download PDFInfo
- Publication number
- CN108198151A CN108198151A CN201810117470.4A CN201810117470A CN108198151A CN 108198151 A CN108198151 A CN 108198151A CN 201810117470 A CN201810117470 A CN 201810117470A CN 108198151 A CN108198151 A CN 108198151A
- Authority
- CN
- China
- Prior art keywords
- star
- star chart
- fuzzy
- chart
- deblurring
- 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 28
- 230000006872 improvement Effects 0.000 title description 3
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 206010016322 Feeling abnormal Diseases 0.000 claims description 2
- 235000019892 Stellar Nutrition 0.000 claims description 2
- 238000000205 computational method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001235 sensitizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进RL反卷积算法的星图去模糊方法，包括：(1)在星图模拟器中设置基本模拟参数，使用基本模拟参数模拟出清晰星图及对应的模糊星图；(2)根据惯性传感器元件数据计算各个所述模糊星图的点扩散函数；(3)采用RL反卷积算法完成星图去模糊化，并记录去模糊效果最优迭代次数和迭代步长；(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练，训练完成后得到预测模型，输出为迭代次数和迭代步长。本发明克服了传统RL反卷积去模糊算法需要人为手动试探迭代次数、迭代步长来完成星图去模糊的缺点，提高了算法的实时性并且还显著提高了星图去模糊的效果。
Description
技术领域
本发明涉及一种星图去模糊方法，具体涉及一种基于改进RL反卷积算法的星图去模糊方法。
背景技术
星图模糊是由于感光介质在曝光瞬间与被摄星空之间存在相对运动造成的。有限的星光能量分散在更多的像元上，造成星像模糊、质心定位不准。对于像移补偿，目前主要有机械式、光学式、电子式和图像式像移补偿法。
图像式像移补偿法是将模糊的星图进行复原来完成像移补偿，也是针对CMOS相机的一种补偿方法。与机械式、光学式、电子式方法不同，图像式像移补偿法是对已生成的数字图象进行后期处理来消除模糊，具有成本低，算法成熟，应用灵活等优点。在已知造成图像模糊的运动形式后，图像去模糊技术可以对分散的星光能量进行积累，以恢复清晰的星图。
常见的图像去模糊算法有维纳滤波和Richardson-Lucy(RL)反卷积算法等。其中，在使用维纳滤波对图像进行去模糊时需要知道图像和噪声的功率谱，而在实际的图像去模糊过程中要想明确知道图像和噪声的功率谱几乎是不可能的；另一方面,在使用维纳滤波时通常总把图像噪声设为白噪声，且与图像不相关，但大量事实表明有些噪声与图像中的像素存在相关关系，因此维纳滤波的应用受到了一定的限制，使用维纳滤波去模糊后的图像也很难达到理想的效果，并且去模糊后的图像鲁棒性也较差。RL反卷积去模糊算法也同样存在缺陷，如RL反卷积算法总是需要根据人为经验去设置迭代次数、迭代步长，这种根据人为经验设置参数的方法显然会降低RL反卷积算法的实时性。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种基于改进RL反卷积算法的星图去模糊方法，克服了传统RL反卷积算法人为经验设置参数导致的实时性差和去模糊后的图像鲁棒性较差的问题。
技术方案：本发明所述的基于改进RL反卷积算法的星图去模糊方法，包括以下步骤：
(1)在星图模拟器中设置基本模拟参数，使用所述基本模拟参数模拟出清晰星图及对应的模糊星图；
(2)根据惯性传感器元件数据计算各个所述模糊星图的点扩散函数；
(3)根据步骤(1)中模拟的所述清晰星图和步骤(2)中计算出的所对应模糊图像的点扩散函数，采用RL反卷积算法完成星图去模糊化，并记录去模糊效果最优迭代次数和迭代步长；
(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练，训练完成后得到预测模型，输出为迭代次数和迭代步长。
优选的，步骤(1)中，所述基本模拟参数包括星敏感器视场大小、CMOS相机焦距、像素宽、像素高、星等级、位置噪声、星敏感器运动模型。
优选的，步骤(1)中，所述模糊星图的模拟过程是在清晰星图的模拟设置中随机加入伪星和随机缺星，并加入星敏感器抖动项，从而所述星图模拟器模拟出相应的模糊星图。
优选的，步骤(2)中，所述点扩散函数的计算方法为：
(21)根据所述星敏感器获取图像的频率，通过惯性传感器输出数据计算出当前帧和上一帧星图之间运动的距离；
(22)利用所述惯性传感器中陀螺仪输出的角速度对所述上一帧星图中恒星在当前帧中位置进行预测；
(23)利用上一帧星图中恒星在星图中的位置和上一帧星图中恒星在当前帧中位置计算所述星敏感器运动方向和模糊尺度；
(24)将所述运动方向和模糊尺度代入所述模糊星图的点扩散函数中,求出每张模糊星图的点扩散函数。
优选的，步骤(3)中，最优迭代次数和迭代步长是指对模糊星图与所对应的清晰星图和去模糊后的模糊星图与所对应的清晰星图计算峰值信噪比与均方误差值，峰值信噪比最大的为去模糊效果最优的迭代次数和迭代步长。
优选的，所述步骤(4)中的预测模型使用方法是，首先计算出模糊星图的点扩散函数并输入到所述预测模型，其输出是对应的所述模糊星图去模糊化所需要的迭代次数和步长，然后根据计算出的点扩散函数、预测模型输出的迭代次数和步长完成RL反卷积星图去模糊化。
优选的，所述步骤(4)中的神经网络预测模型为径向基神经网络模型，其输入层节点数设置为1，输出层节点数设定为2，隐含层节点数设定为8。
有益效果：本发明与现有技术相比，其显著优点是：1、本发明采用改进的RL反卷积算法，从而克服了传统RL反卷积去模糊算法需要人为手动试探迭代次数、迭代步长来完成星图去模糊的缺点，提高了算法的实时性；2、在不增加成本问题的前提下，最大程度抑制了图像模糊，同时也较好的保留了原星图中的细节信息。
附图说明
图1为本发明所述方法的流程图。
具体实施方式
实施例1
如图1所示，本发明公开了一种改进的Richardson-Lucy(RL)反卷积算法的星图去模糊方法，包括以下步骤：
(1)在星图模拟器中设置星敏感器视场大小为20°×20°，CMOS相机焦距为98.8mm、CMOS面阵为512×512，像素宽为26μm，像素高为26μm，星灰度值为100，星体大小为4个像素值，并设定在星图中随机加入伪星和随机缺星，星敏感器的运动轨迹由轨道发生器模拟生成，使用上述参数模拟出大量清晰星图，数量无具体要求，一般模拟几百张或上千张，在以上设置中再加入星敏感器抖动项使其模拟出相应的模糊星图。
(2)根据惯性传感器元件数据计算出每张模糊星图的点扩散函数，以下称为PSF，因为星敏感器曝光时间较短，所以可认为在曝光时间内星敏感器做匀速直线运动，假定星敏感器获取图像的频率为n帧/秒，通过惯性传感器输出数据可以计算出当前帧和上一帧星图之间运动的距离，假设上一帧星图中恒星在星图中的位置是(x1,y1)，由于当前帧星图是模糊的，所以无法准确提取出上一帧星图中恒星在当前帧中的位置(x2,y2)，因此利用惯性传感器中陀螺仪输出的角速度对上一帧星图中恒星在当前帧中位置(x2,y2)值进行预测：
其中，f为星敏感器的焦距,wx、wy、wz分别表示惯性传感器中陀螺仪输出的载体坐标系三个轴向的角速度值，
利用以上估计出的(x2,y2)则可计算出星敏感器运动方向的正切值：
则星敏感器运动方向可表示为：
通过惯性传感器输出数据还可以计算出星敏感器的运动速度：
进而可求出模糊尺度：
l＝v×t (5)
其中，t表示星敏感器曝光时间。
计算出星敏感器运动方向θ和模糊尺度l后，将运动方向θ和模糊尺度l代入模糊星图的点扩散函数中,便可以求出模糊星图的点扩散函数。
模糊星图的点扩散函数如式(6)所示：
(3)根据步骤(2)中计算出的模糊图像的PSF和所对应的清晰星图，使用RL反卷积算法完成去模糊化并记录取得最好去模糊效果时所用的迭代次数和迭代步长。RL反卷积算法是根据最大后验概率估计原理产生的一种模糊图像迭代去卷积算法。RL反卷积算法假定噪声服从泊松分布，其迭代方程如式(7)所示:
其中，fk′表示第k次迭代后清晰图像的估计值，g(x,y)表示模糊图像,h(x,y)表示点扩散函数。
根据以上迭代方程及人为经验设置不同的迭代次数及迭代步长，对模拟出的模糊星图进行去模糊化，并分别对模糊星图与所对应的清晰星图和去模糊后的星图与所对应的清晰星图计算峰值信噪比与均方误差值，记录下获得峰值信噪比最大值时星图去模糊所使用的迭代步长、迭代次数及PSF。
(4)根据步骤(2)和步骤(3)完成对大量模拟模糊星图的去模糊处理并得到大量星图去模糊所使用的最优迭代步长、迭代次数及对应的PSF，将这些迭代步长和相应的迭代次数作为目标向量、相应的PSF作为输入向量，用于离线训练RL反卷积算法中迭代次数和迭代步长的神经网络预测模型。其中，神经网络选取三层，即输入层、隐含层和输入层结构的径向基神经网络模型(RBFNN)。
径向基神经网络(RBFNN)是3层单元的神经网络，它是一种静态的神经网络，与函数逼近理论相吻合并且具有唯一的最佳逼近点。由于其结构简单且神经元的敏感区较小，因此可以广泛地应用于非线性函数的局部逼近中。主要影响其网络性能的参数有3个：输出层权值向量，隐层神经元的中心以及隐层神经元的宽度。一般径向基网络的学习总是从网络的权值入手，然后逐步调整网络的其它参数，由于权值与神经元中心及宽度有着直接关系，一旦权值确定，其它两个参数的调整就相对困难。其一般结构如下：第一层：输入层：输入层神经元只起连接作用。第二层：隐含层：隐含层神经元的变换函数为高斯核。第三层：输出层：它对输入模式的作用做出响应。本发明中将输入层节点数设置为1，输出层节点数设定为2，隐含层节点数设定为8，所有星图训练完成后便得到迭代次数和迭代步长预测模型。在神经网络设置中，一般输入层节点数为输入向量的个数，输出层节点数等于输出量的个数，本发明中将PSF作为输入向量，所以输入层节点数为1，该神经网络是用于估计迭代次数和迭代步长两个量，所以输出层节点数为2，隐含层节点数的设置一般根据人为经验或者K-means、RO LS等算法，本实施例将其设置为8。
(5)在线使用时，根据惯导或者星光组合系统中惯性器件校正后输出的数据计算出模糊图像的PSF并送入预测模型，预测模型输出的便是对应的模糊星图去模糊化所需要的迭代次数和步长，根据输出的PSF、迭代次数和步长便可完成RL反卷积星图去模糊化。
Claims (7)
1.一种基于改进RL反卷积算法的星图去模糊方法，其特征在于，该方法包括以下步骤：
(1)在星图模拟器中设置基本模拟参数，使用所述基本模拟参数模拟出清晰星图及对应的模糊星图；
(2)根据惯性传感器元件数据计算每张所述模糊星图的点扩散函数；
(3)根据步骤(1)中模拟的所述清晰星图和步骤(2)中计算出的所对应模糊图像的点扩散函数，采用RL反卷积算法完成星图去模糊化，并记录去模糊效果最优的迭代次数和迭代步长；
(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练，训练完成后得到预测模型，输出为迭代次数和迭代步长。
2.根据权利要求1所述的基于改进RL反卷积算法的星图去模糊方法，其特征在于，步骤(1)中，所述基本模拟参数包括星敏感器视场大小、CMOS相机焦距、像素宽、像素高、星等级、位置噪声、星敏感器运动模型。
3.根据权利要求1所述的基于改进RL反卷积算法的星图去模糊方法，其特征在于，步骤(1)中，所述模糊星图的模拟过程是在清晰星图的模拟设置中随机加入伪星和随机缺星，并加入星敏感器抖动项，所述星图模拟器模拟出相应的模糊星图。
4.根据权利要求1所述的基于改进RL反卷积算法的星图去模糊方法，其特征在于，步骤(2)中，所述点扩散函数的计算方法为：
(21)根据所述星敏感器获取图像的频率，通过惯性传感器输出数据计算出当前帧和上一帧星图之间运动的距离；
(22)利用所述惯性传感器中陀螺仪输出的角速度对所述上一帧星图中恒星在当前帧中位置进行预测；
(23)利用上一帧星图中恒星在星图中的位置和上一帧星图中恒星在当前帧中位置计算所述星敏感器运动方向和模糊尺度；
(24)将所述运动方向和模糊尺度代入所述模糊星图的点扩散函数中,求出每张模糊星图的点扩散函数。
5.根据权利要求1所述的基于改进RL反卷积算法的星图去模糊方法，其特征在于，步骤(3)中，所述最优迭代次数和迭代步长是指对模糊星图与所对应的清晰星图和去模糊后的模糊星图与所对应的清晰星图计算峰值信噪比与均方误差值，峰值信噪比最大的为去模糊效果最优的迭代次数和迭代步长。
6.根据权利要求1所述的基于改进RL反卷积算法的星图去模糊方法，其特征在于，所述步骤(4)中的预测模型使用方法是，首先计算出模糊星图的点扩散函数并输入到所述预测模型，其输出是对应的所述模糊星图去模糊化所需要的迭代次数和步长，然后根据计算出的点扩散函数、预测模型输出的迭代次数和步长完成RL反卷积星图去模糊化。
7.根据权利要求1所述的基于改进RL反卷积算法的星图去模糊方法，其特征在于，所述步骤(4)中的神经网络预测模型为径向基神经网络模型，将其输入层节点数设置为1，输出层节点数设定为2，隐含层节点数设定为8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810117470.4A CN108198151B (zh) | 2018-02-06 | 2018-02-06 | 一种基于改进rl反卷积算法的星图去模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810117470.4A CN108198151B (zh) | 2018-02-06 | 2018-02-06 | 一种基于改进rl反卷积算法的星图去模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108198151A true CN108198151A (zh) | 2018-06-22 |
| CN108198151B CN108198151B (zh) | 2022-02-11 |
Family
ID=62592599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810117470.4A Active CN108198151B (zh) | 2018-02-06 | 2018-02-06 | 一种基于改进rl反卷积算法的星图去模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108198151B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029425A (zh) * | 2018-06-25 | 2018-12-18 | 中国科学院长春光学精密机械与物理研究所 | 一种采用区域滤波的模糊星图复原方法 |
| CN109636733A (zh) * | 2018-10-26 | 2019-04-16 | 华中科技大学 | 基于深度神经网络的荧光图像解卷积方法及系统 |
| CN110223245A (zh) * | 2019-05-16 | 2019-09-10 | 华南理工大学 | 基于深度神经网络的模糊图片清晰化处理方法及系统 |
| CN111489307A (zh) * | 2019-12-25 | 2020-08-04 | 中国科学院紫金山天文台 | 一种基于差值改正项的图像psf反卷积方法 |
| CN112697136A (zh) * | 2020-11-26 | 2021-04-23 | 北京机电工程研究所 | 一种快速最小化区域星图模拟方法 |
| CN113049098A (zh) * | 2021-03-10 | 2021-06-29 | 哈尔滨工业大学 | 基于Richardson–Lucy反卷积的穿透散射介质高分辨率成像方法 |
| CN113643192A (zh) * | 2020-05-11 | 2021-11-12 | 上海耕岩智能科技有限公司 | 用于成像系统的模糊函数处理方法及装置、图像采集设备、存储介质 |
| US20220156892A1 (en) * | 2020-11-17 | 2022-05-19 | GM Global Technology Operations LLC | Noise-adaptive non-blind image deblurring |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359398A (zh) * | 2008-06-16 | 2009-02-04 | 北京航空航天大学 | 运动模糊图像的盲恢复方法 |
| CN101441764A (zh) * | 2008-12-31 | 2009-05-27 | 中国资源卫星应用中心 | 一种mtfc遥感图像复原方法 |
| CN103049891A (zh) * | 2013-01-25 | 2013-04-17 | 西安电子科技大学 | 基于自适应窗口选择的视频图像去模糊方法 |
| CN103871033A (zh) * | 2014-03-10 | 2014-06-18 | 北京空间机电研究所 | 一种基于空域的自适应mtfc遥感图像复原方法 |
| CN107590777A (zh) * | 2017-07-17 | 2018-01-16 | 中国人民解放军国防科学技术大学 | 一种星敏感器星点图像增强方法 |
-
2018
- 2018-02-06 CN CN201810117470.4A patent/CN108198151B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359398A (zh) * | 2008-06-16 | 2009-02-04 | 北京航空航天大学 | 运动模糊图像的盲恢复方法 |
| CN101441764A (zh) * | 2008-12-31 | 2009-05-27 | 中国资源卫星应用中心 | 一种mtfc遥感图像复原方法 |
| CN103049891A (zh) * | 2013-01-25 | 2013-04-17 | 西安电子科技大学 | 基于自适应窗口选择的视频图像去模糊方法 |
| CN103871033A (zh) * | 2014-03-10 | 2014-06-18 | 北京空间机电研究所 | 一种基于空域的自适应mtfc遥感图像复原方法 |
| CN107590777A (zh) * | 2017-07-17 | 2018-01-16 | 中国人民解放军国防科学技术大学 | 一种星敏感器星点图像增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| 程征: "星图定位与识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 赵阳: "运动图像去模糊技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029425A (zh) * | 2018-06-25 | 2018-12-18 | 中国科学院长春光学精密机械与物理研究所 | 一种采用区域滤波的模糊星图复原方法 |
| CN109029425B (zh) * | 2018-06-25 | 2020-07-31 | 中国科学院长春光学精密机械与物理研究所 | 一种采用区域滤波的模糊星图复原方法 |
| CN109636733A (zh) * | 2018-10-26 | 2019-04-16 | 华中科技大学 | 基于深度神经网络的荧光图像解卷积方法及系统 |
| CN110223245A (zh) * | 2019-05-16 | 2019-09-10 | 华南理工大学 | 基于深度神经网络的模糊图片清晰化处理方法及系统 |
| CN111489307A (zh) * | 2019-12-25 | 2020-08-04 | 中国科学院紫金山天文台 | 一种基于差值改正项的图像psf反卷积方法 |
| CN113643192A (zh) * | 2020-05-11 | 2021-11-12 | 上海耕岩智能科技有限公司 | 用于成像系统的模糊函数处理方法及装置、图像采集设备、存储介质 |
| US20220156892A1 (en) * | 2020-11-17 | 2022-05-19 | GM Global Technology Operations LLC | Noise-adaptive non-blind image deblurring |
| US11798139B2 (en) * | 2020-11-17 | 2023-10-24 | GM Global Technology Operations LLC | Noise-adaptive non-blind image deblurring |
| CN112697136A (zh) * | 2020-11-26 | 2021-04-23 | 北京机电工程研究所 | 一种快速最小化区域星图模拟方法 |
| CN112697136B (zh) * | 2020-11-26 | 2023-12-05 | 北京机电工程研究所 | 一种快速最小化区域星图模拟方法 |
| CN113049098A (zh) * | 2021-03-10 | 2021-06-29 | 哈尔滨工业大学 | 基于Richardson–Lucy反卷积的穿透散射介质高分辨率成像方法 |
| CN113049098B (zh) * | 2021-03-10 | 2024-02-20 | 哈尔滨工业大学 | 基于Richardson–Lucy反卷积的穿透散射介质高分辨率成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108198151B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108198151A (zh) | 一种基于改进rl反卷积算法的星图去模糊方法 | |
| CN110008817B (zh) | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 | |
| 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 | |
| KR102320999B1 (ko) | 폴트 톨러런스 및 플럭츄에이션 로버스트를 위한 복수의 뉴럴 네트워크를 사용하여 흔들리는 카메라로 인해 생성된 비디오에서 지터링을 제거하기 위한 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
| CN111669514B (zh) | 高动态范围成像方法和装置 | |
| CN109493300B (zh) | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 | |
| CN113570516B (zh) | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 | |
| CN111835983B (zh) | 一种基于生成对抗网络的多曝光图高动态范围成像方法及系统 | |
| CN110458765A (zh) | 基于感知保持卷积网络的图像质量增强方法 | |
| CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
| CN113269682B (zh) | 一种结合帧间信息的非均匀运动模糊视频复原方法 | |
| WO2012034467A1 (zh) | 一种天基大视场成像点源/斑状目标的图像恢复增强方法 | |
| CN106971189B (zh) | 一种低分辨率含噪星图识别方法 | |
| CN107610069A (zh) | 基于共享k‑svd字典的dvs可视化视频去噪方法 | |
| CN105100546A (zh) | 运动估计方法及装置 | |
| CN111062310A (zh) | 一种基于虚拟样本生成的少样本无人机图像识别方法 | |
| CN114092416A (zh) | 一种dr模糊图像盲反卷积复原方法及系统 | |
| CN107730459A (zh) | 一种基于非线性动态系统的图像去模糊方法 | |
| CN118200727A (zh) | 融合网格运动场与惯性导航单元的车载相机视频稳定方法 | |
| CN115880175A (zh) | 一种基于改进生成对抗网络的模糊图像复原方法 | |
| WO2023086398A1 (en) | 3d rendering networks based on refractive neural radiance fields | |
| CN111680552B (zh) | 一种特征部位智能识别方法 | |
| CN115018726A (zh) | 一种基于U-Net的图像非均匀模糊核的估计方法 | |
| CN114066750A (zh) | 一种基于域变换的自编码器去模糊方法 | |
| CN116862800B (zh) | 一种大视场单透镜空变模糊图像复原方法和装置 |
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 |