CN108305230A - 一种模糊图像综合处理方法和系统 - Google Patents
一种模糊图像综合处理方法和系统 Download PDFInfo
- Publication number
- CN108305230A CN108305230A CN201810094023.1A CN201810094023A CN108305230A CN 108305230 A CN108305230 A CN 108305230A CN 201810094023 A CN201810094023 A CN 201810094023A CN 108305230 A CN108305230 A CN 108305230A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- sword
- blurred picture
- optimal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 51
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000009792 diffusion process Methods 0.000 claims description 21
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 abstract description 9
- 238000006731 degradation reaction Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000011084 recovery Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003412 degenerative effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种模糊图像综合处理方法和系统,方法包括:S10:根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,所述模糊类型包括离焦模糊和运动模糊;S20:若模糊图像为离焦模糊,则采用刃边法估计模糊核;若模糊图像为运动模糊,则自适应预设定算法估计模糊核;S30:基于所述模糊核,利用超拉普拉斯先验去卷积算法获得清晰图像。本发明根据模糊图像的模糊类型的不同进行区分,并根据不同模糊类型其退化机理的不同设置相对应的模糊核估计算法,估计出更符合实际的模糊核,特别针对离焦模糊图像进行基于高斯模型的精准模糊核估计,本发明具有适应于更多真实模糊图像复原,复原方法简单,针对性强,且复原精准、速度快、质量高的优点。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种模糊图像综合处理方法和系统。
背景技术
图像获取时会由于对焦不准,或者目标与相机产生相对运动、相机畸变、空气衍射等一些不确定的因素,导致拍摄的图像不尽如人意,丢失了图像中有用信息,也就是图像退化现象。阻碍了后续的处理分析,尤其是面对一些不可复制的场景,故对于此类情况,恢复出场景的原貌是一件迫切需要解决的问题。尽管现实设计中可以增设光学器件、改善传输设备等硬件手段如电子式像移补偿、光学式像移补偿、机械式像移补偿的方法来提高拍摄图像的质量,但因其器件工艺太复杂、成本造价较高、装调时间较长等诸多因素的影响,不具有普遍性,因此,利用图像复原技术,从图像补偿方面来提高图像的质量当是一个正确、低成本、低耗时的选择。
图像复原需要了解图像退化的类型、机理和过程,只有知道了上述这些先验知识,就能够有针对性的确定准确的点扩散函数(PSF),也称模糊核,从而建立起退化模型,有了退化模型就可以通过算法将退化过程逆转过去,实现对模糊图像的复原。
图像复原时,如果没有合理的方法帮助了解图像退化的原因和模糊类型,就不能选取出最适合的复原算法帮助图像复原,点扩散函数估计不准确,选取的复原算法不恰当,都会造成低质量复原,更甚者不仅不能得到较好了模糊图像复原效果,还会使模糊图像更加模糊,因此除了准确估计点扩散函数十分重要外,还需要有针对性的获取准确的先验知识,即图像退化原因和模糊类型等。
图像复原算法在数学上被定义为一类不适定的反问题。已知原因求结果,是正问题,已知结果反推原因是反问题;图像复原算法就是已知结果反推原因的算法。不适定的反问题是指,反推过程非常不稳定,即受到轻微的噪声影响,对最终的推测会造成非常大的干扰,导致结果错误。因此图像复原时尽量减少干扰对反推过程的影响。
现有技术中常用的图像复原算法有RL滤波、约束最小二乘方滤波、维纳滤波、正则滤波,常见的模糊图像类型有运动模糊和离焦模糊,复原清晰图像时,通过区分图像模糊类型,选择有针对性的图像复原方法进行复原不失为一个较佳的方法。区分的图像模糊类型的标准是否准确,图像复原方法对实际的图像复原是否恰当都是复原过程中需要反复考量和设计的。
如公开号为CN104331871A的专利文献公开了“一种图像去模糊方法及装置”,包括:对待处理图像进行模糊区域检测,确定模糊区域图像,判断所述模糊区域的模糊类型,若所述模糊区域图像的模糊类型为离焦模糊,则利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径,若所述模糊区域图像的模糊类型为运动模糊,则基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度,将估计的参数代入经典图像复原算法中,得到复原图像。
该专利根据模糊类型不同选用不同的方法来进行复原时所必须的参数的估计,但是基于圆盘模型估计出离焦半径时,圆盘模型局限性较大,对于真实拍摄的离焦模糊图像,很难复原出清晰的图像;另现实生活当中,很多复杂的运动是无法确定方向及尺度的,即不是成线性运动的,故采用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度并不能为图像复原提供完善的符合实际的先验知识;经典图像复原算法包括维纳滤波和LR滤波,维纳滤波在模糊图像峰值信噪比很小时,复原效果并不理想;LR滤波则是对噪声较为敏感,复原的图像具有明显的振铃效应,即适应范围不够广。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种适应于更多真实模糊图像复原,复原方法简单,针对性强,复原精准、速度快、质量高的模糊图像综合处理方法和系统。
为了实现上述目的,本发明采用的技术方案为:
一种模糊图像综合处理方法,包括以下步骤:
S10:根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,所述模糊类型包括离焦模糊和运动模糊;
S20:若模糊图像为离焦模糊,则采用刃边法估计模糊核;若模糊图像为运动模糊,则自适应预设定算法估计模糊核,所述预设定算法包括至少一种算法;
S30:基于所述模糊核,利用超拉普拉斯先验去卷积算法获得清晰图像。
进一步地,还包括以下步骤:
S40:利用超分辨率重建技术处理所述清晰图像,获得高分辨率图像。
进一步地,所述步骤S20中若模糊图像为离焦模糊,则采用刃边法估计模糊核包括以下步骤:
S201:提取基于梯度准则的最优刃边图像;
S202:根据所述最优刃边图像估计点扩散方程,所述点扩散方程即为所述模糊核。
进一步地,所述步骤S201包括以下步骤:
对模糊图像进行Canny边缘检测获取边缘检测图像;
对所述边缘检测图像进行霍夫变换获取阶跃边缘图像;
以所述阶跃边缘图像中每一边缘的中心点为中心,截取每一边缘的刃边图像,所述刃边图像的尺寸大小根据所述离焦模糊图像大小和模糊程度优选一预设尺寸形成;
逐一计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像。
进一步地,所述计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像包括以下步骤:
利用最小二乘法对所述刃边图像中的边缘进行线性拟合获取刃边直线;
提取所述刃边图像中的边缘与所述刃边直线重叠形成的交叉点作为新刃边边缘点;
统计所述新刃边边缘点两侧区域的平均像素值之差的绝对值作为所述刃边图像的梯度值r,提取梯度值r最大的所述刃边图像作为最优刃边图像。
进一步地,所述步骤S202包括以下步骤:
利用最小二乘法对所述最优刃边图像中的边缘进行线性拟合获取最优刃边直线;
获取所述最优刃边图像中每个像素点到所述最优刃边直线的垂直距离d作为横坐标,每个像素点的灰度值为纵坐标,形成散点图;
利用费米函数对所述散点图进行线性拟合获取边缘扩散函数;
利用所述边缘扩散函数计算点扩散方程。
进一步地,所述步骤S20中:
若模糊图像为运动模糊,则自适应基于稀疏先验的正则化方法估计模糊核。
一种模糊图像综合处理系统,包括:
模糊类型识别模块,用于根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,所述模糊类型包括离焦模糊和运动模糊;
估计模块,用于若模糊图像为离焦模糊,则采用刃边法估计模糊核;若模糊图像为运动模糊,则自适应预设定算法估计模糊核,所述预设定算法包括至少一种算法;
图像复原模块,用于基于所述模糊核,利用超拉普拉斯先验去卷积算法获得清晰图像。
进一步地,所述系统还包括:
高分辨率处理模块,利用超分辨率重建技术处理所述清晰图像,获得高分辨率图像;
所述估计模块包括:
离焦模糊单元,用于若模糊图像为离焦模糊时,采用刃边法提取基于梯度准则的最优刃边图像并根据所述最优刃边图像估计点扩散方程,所述点扩散方程即为所述模糊核;
运动模糊单元,用于若模糊图像为运动模糊时,自适应基于稀疏先验的正则化方法估计模糊核。
进一步地,所述离焦模糊单元包括:
边缘检测子单元,用于对模糊图像进行Canny边缘检测获取边缘检测图像;
直线检测子单元,用于对所述边缘检测图像进行霍夫变换获取阶跃边缘图像;
图像截取子单元,用于以所述阶跃边缘图像中每一边缘的中心点为中心,截取每一边缘的刃边图像,所述刃边图像的尺寸大小根据所述离焦模糊图像大小和模糊程度优选一预设尺寸形成;
图像提取子单元,用于逐一计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像;
线性拟合子单元,用于利用最小二乘法对所述最优刃边图像中的边缘进行线性拟合获取最优刃边直线;
散点图子单元,用于获取所述最优刃边图像中每个像素点到所述最优刃边直线的垂直距离d作为横坐标,每个像素点的灰度值为纵坐标,形成散点图;
边缘扩散函数子单元,用于利用费米函数对所述散点图进行线性拟合获取边缘扩散函数;
计算子单元,用于利用所述边缘扩散函数计算点扩散方程。
采用上述技术方案后,本发明的有益效果是:
根据伸长度确定模糊图像的类型不仅方法简单,适用于实际真实场景中的模糊图像类型清晰界定,能够保证模糊类型鉴别的精度,有助于有针对性地进行不同退化机理的模糊核的准确估计;
采用刃边法自适应地提取离焦模糊图像的最优刃边图像,且最优刃边图像是基于梯度准则获取的,一方面有利于提高离焦模糊图像复原的速度,另一方面有利于避免盲目提取刃边图像,减少人为干扰,提高图像复原的精度;
依据最优刃边图像估计出的模糊核也更加接近于真实的退化模型,同时复原速度更快精度更高;
自适应基于稀疏先验的正则化方法估计运动模糊图像的模糊核,对目标进行多次迭代直至收敛,得到更加稳定和理想的结果,从而解决了图像复原问题中的不适定的问题;
采用超拉普拉斯先验去卷积算法获得清晰图像,以超拉普拉斯先验作为正则项,对模糊核精确性的要求相对较低,能够较好的满足自然图像梯度的重尾分布,减少振铃效应,快速的恢复出高质量的图像;
采用超分辨率重建技术处理所述清晰图像,能够还原真实物体的更多图像细节,有助于提高图像质量,帮助图像识别和图像数据采集分析等一系列图像复原后的操作。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,附图如下:
图1为本发明实施例1提供的一种模糊图像综合处理方法流程图;
图2为本发明实施例2提供的一种模糊图像综合处理方法流程图;
图3为本发明实施例3提供的一种模糊图像综合处理系统框图;
图4为本发明实施例3提供的离焦模糊单元整体框图;
图5为离焦模糊图像利用本发明处理前后图像展示,其中(a)为模糊图像,(b)为复原图像;
图6为运动模糊图像利用本发明处理前后图像展示,其中其中(a)为模糊图像,(b)为复原图像。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
图像复原是从模糊的、含噪声的、质量低的、分辨率差的退化图像中复原出清晰的、高质量的原始图像的过程。图像复原首先要根据图像失真现象,分析引起图像失真的原因,如模糊图像的模糊类型一般分为离焦模糊和运动模糊两大类。其中,离焦模糊是因为像面没有在对应的焦平面上而引起的一种模糊;运动模糊是由于成像系统和目标物间具有相对运动而引起的模糊。了解引起图像失真的原因后接着针对不同的失真原因建立不同失真模型,也称退化模型,最后对其求逆恢复出原来的清晰图像。
本发明根据模糊图像频谱图的伸长度区分模糊图像的模糊类型,基于不同模糊类型图像产生失真原因的不同,对离焦模糊和运动模糊执行不同的算法建立各自的退化模型,更有针对性的、准确的估计模糊核,并采用振铃效应少、计算速度快的超拉普拉斯先验去卷积算法复原图像。
实施例1
如图1所示,本实施例提供一种模糊图像综合处理方法,包括以下步骤:
S10:根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,所述模糊类型包括离焦模糊和运动模糊;
尽管离焦模糊和运动模糊失真原因不同,但光从肉眼上很难准确分辨出这两种模糊类型,所以区分离焦模糊和运动模糊还需要寻找其他突破点,经过研究发现,离焦模糊和运动模糊两者的模糊图像的频谱图存在较大的差异,从频谱图中提取出相关的几何特征,设置阈值,就能够区分出模糊类型,方法简便容易实现;需要说明的是,此处区分模糊类型不是单纯为了区分模糊退化类型,而是希望依据类型归纳区分,建立更吻合其退化过程的退化模型,估计出更符合实际的模糊核。
实际场景中,模糊图像不一定是完全意义上只存在离焦模糊或者运动模糊的,也可能是这两者的混合,同时伴有些其他类型的噪声,故为了能从频谱图更方便的提取出相关的几何特征,一般会对频谱图进行平滑滤波、图像增强、二值化等预处理,且这些预处理仅用于排除噪声干扰,不影响真实模糊图像退化类型的区分。本实施例根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,伸长度具体定义为:
T=W*L/A
其中,A是频谱图中条状或圆形的面积,W、L分别是包围目标的最小矩形的宽度和长度,根据上述的计算公式,可见伸长度能够容易的区分出圆形和条状目标,即越接近于圆形,伸长度的值越小。而实验研究表明运动模糊的频谱图呈条状,离焦模糊的频谱图呈圆形,根据伸长度的计算公式可得:离焦模糊的伸长度小于运动模糊的伸长度,设定一个阈值,当伸长度大于阈值则表示该图像的模糊类型为运动模糊,反之则是离焦模糊。
通过伸长度来区分模糊类型的方法简单,计算方便快速,且鉴别的精度高,能够为后期有针对性地利用模糊核估计方法进行模糊核估计打下良好的基础。
S20:若模糊图像为离焦模糊,则采用刃边法估计模糊核;若模糊图像为运动模糊,则自适应预设定算法估计模糊核,所述预设定算法包括至少一种算法;
模糊核的估计在模糊图像复原过程中,起着至关重要的作用,如果获取的模糊核准确度高,后续复原就能够采用更简单的处理方式。
边缘是图像特征的一种,是图像中不确定性最大的地方,也是图像信息最集中的地方,边缘也是图像分割的重要基础,也是纹理分析和图像识别的重要参考。离焦模糊图像的模糊主要指的就是边缘的模糊,采用刃边法先获取阶跃边缘,对阶跃边缘推导计算点扩散函数,就能够获取较为接近真实数据的模糊核。
另外,本实施例中,若模糊图像为运动模糊时,则自适应选取一种预设定算法估计模糊核,所述预设定算法可以是基于二维离散小波变换和倒频谱分析的模糊核估计算法、最大似然法、贝叶斯估计算法、正则化算法、最大熵法、基于偏微分方程的算法等等众多模糊核估计算法中的任一一种或多种。
S30:基于所述模糊核,利用超拉普拉斯先验去卷积算法获得清晰图像。
不管是离焦模糊的模糊图像还是运动模糊的模糊图像,计算出模糊核后,均利用超拉普拉斯先验去卷积算法获得清晰图像,即采用将超拉普拉斯作为图像的先验知识,进行建模,快速的复原图像获得高质量清晰图像。
实施例2
如图2所示,与实施例1的区别在于,本实施例提供一种模糊图像综合处理方法,所述方法还包括以下步骤:
S40:利用超分辨率重建技术处理所述清晰图像,获得高分辨率图像。
具体地,所述步骤S20中若模糊图像为离焦模糊,则采用刃边法估计模糊核包括以下步骤:
S201:提取基于梯度准则的最优刃边图像;
S202:根据所述最优刃边图像估计点扩散方程,所述点扩散方程即为所述模糊核,点扩散方程就是点扩散函数,简称PSF,是模糊核的空间函数表示。
所述步骤S201包括以下步骤:
对模糊图像进行Canny边缘检测获取边缘检测图像,之所以选择Canny边缘检测算子其原因在于该算法对噪声有很好的抑制作用,单线响应,定位精度高,且算法里涉及到的一些参数具有通用性,能够为后期图像复原所利用,Canny边缘检测算子对于图像中一般的边缘都可以检测出来。边缘的准确定位,对于后面的传递函数(MTF)及点扩散函数(PSF)的有效估计起到锦上添花的作用;
对所述边缘检测图像进行霍夫变换获取阶跃边缘图像;
对边缘检测后的边缘检测图像执行一次霍夫(Hough)变换,此时会出现一些很明显的Hough变换峰值点,根据这些峰值点,即可寻找并链接到峰值点所对应的直线,且可以标记出这些直线在图像中的具体空间位置,这些直线也就是阶跃边缘,常规阶跃边缘图像中会存在多个阶跃边缘,为了避免人为盲目随意的选取一阶跃边缘作为模糊核估计的依据,本实施例中提供基于梯度准则的最优刃边图像提取。
以所述阶跃边缘图像中每一边缘的中心点为中心,截取每一边缘的刃边图像,所述刃边图像的尺寸大小根据离焦模糊图像大小和模糊程度优选一预设尺寸形成;
具体地,确定阶跃边缘图像中每一边缘中心点坐标,并以其为中心点,截取一定尺寸大小的含有部分边缘的刃边图像,即阶跃边缘图像中有多少条独立的阶跃边缘,实际就有多少刃边图像,需要说明的是,刃边图像尺寸大小应合适,应尽量包含模糊图像点扩散函数的所有重要信息;故确定刃边图像大小的时候需要考虑离焦模糊图像的大小及模糊程度,刃边图像块太小可能包含不了充分的信息,太大可能造成选取的刃边太弯曲,计算偏差较大,同时计算的过程中较耗时,因此,实际运用中,针对不同的图像要做适当的刃边图像尺寸大小调整。
逐一计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像。
具体地,逐一计算所述刃边图像的梯度值r,并根据梯度值r的大小在诸多所述刃边图像中提取最优刃边图像。需要说明的是,计算所述刃边图像的梯度值r时,为了减小梯度准则计算误差,提高最优刃边图像提取的准确率,需要确保刃边图像中边缘的边缘点所在的列数的范围大于其所在的行数范围,若原始刃边图像中边缘点所在的列数的范围小于其所在的行数范围,则旋转一定角度,使得边缘点所在的列数的范围大于其所在的行数范围后,作为新的刃边图像,再来执行梯度值r计算。
作为优选地,所述计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像包括以下步骤:
首先利用最小二乘法对所述刃边图像中的边缘进行线性拟合获取刃边直线;
通常情况下,所选取的刃边图像中的边缘很有可能不是一条严格意义上的直线,或者是边缘检测误差等原因造成的刃边边缘点分布模型不是一条直线,故本实施例中假设边缘点服从直线模型,借助最小二乘法对所述刃边图像中边缘的边缘点进行直线拟合,拟合直线的表达式为:
y=ax+b
其中,n是刃边边缘点数目,xk是边缘点列数,yk代表边缘点行的相对位置,先求得直线系数a和b,从而确定拟合的刃边直线。
其次,提取所述刃边图像中的边缘与所述刃边直线重叠形成的交叉点作为新刃边边缘点;
最后,统计所述新刃边边缘点两侧区域的平均像素值之差的绝对值作为所述刃边图像的梯度值r,提取梯度值r最大的所述刃边图像作为最优刃边图像。
具体地,所述梯度值r计算公式如下:
r=|gc_1-gc_2|
r=|gc_1-gc_2|
其中,m和n分别是刃边图像的长和宽,rj(j=1,2,...,n)代表每列上刃边边缘点所在的行数,ei,j代表位置(i,j)处的灰度值。
根据上式利用刃边边缘点的信息计算出的梯度值r较清晰地反映了刃边两侧亮暗区域的灰度值的分布情况,r值越大,表示刃边两侧的灰度值对比度越大以及同一侧的灰度值相似度越高,越有利于模糊核的估计及后续的图像恢复。故提取梯度值r最大的所述刃边图像作为最优刃边图像。
所述步骤S202包括以下步骤:
利用最小二乘法对所述最优刃边图像中的边缘进行线性拟合获取最优刃边直线;此处的最优刃边直线与步骤S201中的刃边直线的计算公式相一致,若刃边直线之前有过计算就会进行保存,则此处可以直接读取用于计算即可。
得到最优刃边直线后,获取所述最优刃边图像中每个像素点到所述最优刃边直线的垂直距离d作为横坐标,每个像素点的灰度值为纵坐标,形成散点图;
通常,边缘扩散函数(ESF)散点图的准确获取是拟合ESF曲线的必要过程,以最优刃边图像块中每个像素(i,j)(i=1,2,L,m;j=1,2,L,n)到拟合的最优刃边直线ax+by+c=0的垂直距离d作为横坐标(以像素为单位),每个像素点的归一化灰度值作为纵坐标,从而就可以顺利形成ESF散点图。其中,点到直线的距离计算公式为:
利用费米函数对所述散点图进行线性拟合获取边缘扩散函数;
形成距离-灰度的ESF散点图后,就可以拟合边缘扩散函数ESF,鉴于ESF散点图所反应的原始模糊图像的边缘信息的局限性,本实施例选择对随机噪声具有高效鲁棒性的改进后的费米(Fermi)函数来拟合ESF,其表达式如下:
利用所述边缘扩散函数计算点扩散方程(PSF),所述点扩散方程也就是点扩散函数。
对边缘扩散函数进行求导,即可获得x方向上的线扩散函数LSF,
此外,y方向上的线扩散函数LSF也可通过上述方式获得。
在得到x和y方向上的LSF后,可通过傅里叶变换获得MTF,再对MTF卷积后获得点扩散方程。
一般的,认为PSF模型为各向同性分布,故二维PSF具有可分离性,故也可以通过下式快速计算PSF:
PSF(x,y)=LSF(x)×LSF(y)
综上,本实施例采用了基于高斯模型的自适应刃边法估计模糊核,而且研究表明离焦模糊的退化类型也恰好与高斯模型相吻合,故较传统的刃边法,该方法通过主动选取较优的刃边图像,作为模糊核估计的基础参数,估计出的模糊核能更加接近于真实模糊核。
由于运动模糊产生的原因主要是像素点的相对位移变化造成的,且实际运用中,运动模糊产生时目标场景和成像设备之间的相对运动不是匀速运动的情况较多,故优选地,所述步骤S20中:
若模糊图像为运动模糊,则自适应基于稀疏先验的正则化方法估计模糊核,利用图像梯度域的稀疏性来作为正则约束项。首先建立模糊图像的图像金字塔,然后利用交替迭代的方法逐层计算每层图像的模糊核以及清晰图像最优值,直至最后一层计算出最佳模糊核作为图像复原所使用的参数。
具体步骤如下:
(1)输入模糊图像g,模糊核尺寸m,其中模糊核尺寸为给定值;
(2)根据模糊核尺寸确定分解层数,对每层图像进行双边滤波;
(3)采用冲激滤波器对滤波后的图像进行再处理,双重滤波后能够很好的抑制噪声,并且强化图像的边缘信息;
(4)一阶求导得到的梯度图像y;
(6)采用迭代收缩阈值算法(Iteration Shrinkage Thresholding Algorithm,ISTA)算法更新求解f子问题,其中f就是每层图像的清晰图像最优值;
(7)采用无约束迭代重加权最小二乘法(Iterative Re-weighted LeastSquares,IRLS)算法求解h子问题,其中h就是每层图像的模糊核;
(8)将本层求得的模糊核h加入到下一层的迭代过程中直至最后一层求得较为稳定的模糊核,作为最佳模糊核。
实施例3
如图3所示,本实施例提供一种模糊图像综合处理系统,用于提供实施例2中所述方法的物理实现基础,包括:
模糊类型识别模块100,用于根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,所述模糊类型包括离焦模糊和运动模糊;
估计模块200,用于若模糊图像为离焦模糊,则采用刃边法估计模糊核;若模糊图像为运动模糊,则自适应预设定算法估计模糊核,所述预设定算法包括至少一种算法;
图像复原模块300,用于基于所述模糊核,利用超拉普拉斯先验去卷积算法获得清晰图像。
可选地,所述系统还包括:
高分辨率处理模块400,利用超分辨率重建技术处理所述清晰图像,获得高分辨率图像;
所述估计模块200包括:
离焦模糊单元210,用于若模糊图像为离焦模糊时,采用刃边法提取基于梯度准则的最优刃边图像并根据所述最优刃边图像估计点扩散方程,所述点扩散方程即为所述模糊核;
运动模糊单元220,用于若模糊图像为运动模糊时,自适应基于稀疏先验的正则化方法估计模糊核。
可选地,如图4所示,所述离焦模糊单元210包括:
边缘检测子单元211,用于对模糊图像进行Canny边缘检测获取边缘检测图像;
直线检测子单元212,用于对所述边缘检测图像进行霍夫变换获取阶跃边缘图像;
图像截取子单元213,用于以所述阶跃边缘图像中每一边缘的中心点为中心,截取每一边缘的刃边图像,所述刃边图像的尺寸大小根据所述离焦模糊图像大小和模糊程度优选一预设尺寸形成;
图像提取子单元214,用于逐一计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像;
线性拟合子单元215,用于利用最小二乘法对所述最优刃边图像中的边缘进行线性拟合获取最优刃边直线;
散点图子单元216,用于获取所述最优刃边图像中每个像素点到所述最优刃边直线的垂直距离d作为横坐标,每个像素点的灰度值为纵坐标,形成散点图;
边缘扩散函数子单元217,用于利用费米函数对所述散点图进行线性拟合获取边缘扩散函数;
计算子单元218,用于利用所述边缘扩散函数计算点扩散方程。
本实施例提供的模糊图像综合处理系统,首先由模糊类型识别模块100根据模糊图像频谱图的伸长度识别模糊图像的模糊类型;然后通过估计模块200采用不同的估计方法估计模糊类型为离焦模糊或运动模糊的模糊图像的模糊核;再接着由图像复原模块300,根据模糊核复原获得清晰图像,最后清晰图像经过高分辨率处理模块400处理得到细节更丰富、分辨率更高,更有利于识别和分析的图像。
本实施例提供的估计模块200对模糊类型为离焦模糊的图像,具有更加精准快速的模糊核计算过程,且能够减少人为干扰,避免盲目提取相关参数,导致模糊核估算可靠性降低的可能性,同时基于推导计算过程参数的计算和提取,能够提高图像评价因子调制传递函数(MTF)的评价精度和速度,与现有技术相比,更适用于真实模糊图像的复原。具体地,图5、图6中为经过上述处理后模糊图像的前后对比图,图5显示了离焦模糊的图像综合处理情况,其中(a)为模糊图像,(b)为复原图像;图6显示了运动模糊的图像综合处理情况,其中(a)为模糊图像,(b)为复原图像。
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 (10)
1.一种模糊图像综合处理方法,其特征在于,包括以下步骤:
S10:根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,所述模糊类型包括离焦模糊和运动模糊;
S20:若模糊图像为离焦模糊,则采用刃边法估计模糊核;若模糊图像为运动模糊,则自适应预设定算法估计模糊核,所述预设定算法包括至少一种算法;
S30:基于所述模糊核,利用超拉普拉斯先验去卷积算法获得清晰图像。
2.根据权利要求1所述的一种模糊图像综合处理方法,其特征在于,还包括以下步骤:
S40:利用超分辨率重建技术处理所述清晰图像,获得高分辨率图像。
3.根据权利要求1所述的一种模糊图像综合处理方法,其特征在于,所述步骤S20中若模糊图像为离焦模糊,则采用刃边法估计模糊核包括以下步骤:
S201:提取基于梯度准则的最优刃边图像;
S202:根据所述最优刃边图像估计点扩散方程,所述点扩散方程即为所述模糊核。
4.根据权利要求3所述的一种模糊图像综合处理方法,其特征在于,所述步骤S201包括以下步骤:
对模糊图像进行Canny边缘检测获取边缘检测图像;
对所述边缘检测图像进行霍夫变换获取阶跃边缘图像;
以所述阶跃边缘图像中每一边缘的中心点为中心,截取每一边缘的刃边图像,所述刃边图像的尺寸大小根据所述离焦模糊图像大小和模糊程度优选一预设尺寸形成;
逐一计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像。
5.根据权利要求4所述的一种模糊图像综合处理方法,其特征在于,所述计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像包括以下步骤:
利用最小二乘法对所述刃边图像中的边缘进行线性拟合获取刃边直线;
提取所述刃边图像中的边缘与所述刃边直线重叠形成的交叉点作为新刃边边缘点;
统计所述新刃边边缘点两侧区域的平均像素值之差的绝对值作为所述刃边图像的梯度值r,提取梯度值r最大的所述刃边图像作为最优刃边图像。
6.根据权利要求3所述的一种模糊图像综合处理方法,其特征在于,所述步骤S202包括以下步骤:
利用最小二乘法对所述最优刃边图像中的边缘进行线性拟合获取最优刃边直线;
获取所述最优刃边图像中每个像素点到所述最优刃边直线的垂直距离d作为横坐标,每个像素点的灰度值为纵坐标,形成散点图;
利用费米函数对所述散点图进行线性拟合获取边缘扩散函数;
利用所述边缘扩散函数计算点扩散方程。
7.根据权利要求1所述的一种模糊图像综合处理方法,其特征在于,所述步骤S20中:
若模糊图像为运动模糊,则自适应基于稀疏先验的正则化方法估计模糊核。
8.一种模糊图像综合处理系统,其特征在于,包括:
模糊类型识别模块,用于根据模糊图像频谱图的伸长度识别模糊图像的模糊类型,所述模糊类型包括离焦模糊和运动模糊;
估计模块,用于若模糊图像为离焦模糊,则采用刃边法估计模糊核;若模糊图像为运动模糊,则自适应预设定算法估计模糊核,所述预设定算法包括至少一种算法;
图像复原模块,用于基于所述模糊核,利用超拉普拉斯先验去卷积算法获得清晰图像。
9.根据权利要求8所述的一种模糊图像综合处理系统,其特征在于,所述系统还包括:
高分辨率处理模块,利用超分辨率重建技术处理所述清晰图像,获得高分辨率图像;
所述估计模块包括:
离焦模糊单元,用于若模糊图像为离焦模糊时,采用刃边法提取基于梯度准则的最优刃边图像并根据所述最优刃边图像估计点扩散方程,所述点扩散方程即为所述模糊核;
运动模糊单元,用于若模糊图像为运动模糊时,自适应基于稀疏先验的正则化方法估计模糊核。
10.根据权利要求8所述的一种模糊图像综合处理系统,其特征在于,所述离焦模糊单元包括:
边缘检测子单元,用于对模糊图像进行Canny边缘检测获取边缘检测图像;
直线检测子单元,用于对所述边缘检测图像进行霍夫变换获取阶跃边缘图像;
图像截取子单元,用于以所述阶跃边缘图像中每一边缘的中心点为中心,截取每一边缘的刃边图像,所述刃边图像的尺寸大小根据所述离焦模糊图像大小和模糊程度优选一预设尺寸形成;
图像提取子单元,用于逐一计算所述刃边图像的梯度值r,并根据梯度值r提取最优刃边图像;
线性拟合子单元,用于利用最小二乘法对所述最优刃边图像中的边缘进行线性拟合获取最优刃边直线;
散点图子单元,用于获取所述最优刃边图像中每个像素点到所述最优刃边直线的垂直距离d作为横坐标,每个像素点的灰度值为纵坐标,形成散点图;
边缘扩散函数子单元,用于利用费米函数对所述散点图进行线性拟合获取边缘扩散函数;
计算子单元,用于利用所述边缘扩散函数计算点扩散方程。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810094023.1A CN108305230A (zh) | 2018-01-31 | 2018-01-31 | 一种模糊图像综合处理方法和系统 |
PCT/CN2018/091164 WO2019148739A1 (zh) | 2018-01-31 | 2018-06-13 | 一种模糊图像综合处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810094023.1A CN108305230A (zh) | 2018-01-31 | 2018-01-31 | 一种模糊图像综合处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108305230A true CN108305230A (zh) | 2018-07-20 |
Family
ID=62867331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810094023.1A Pending CN108305230A (zh) | 2018-01-31 | 2018-01-31 | 一种模糊图像综合处理方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108305230A (zh) |
WO (1) | WO2019148739A1 (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109365877A (zh) * | 2018-12-20 | 2019-02-22 | 长安大学 | 一种数控机床零件加工自动定位方法 |
CN109410152A (zh) * | 2018-11-26 | 2019-03-01 | Oppo广东移动通信有限公司 | 成像方法和装置、电子设备、计算机可读存储介质 |
CN109521556A (zh) * | 2018-12-07 | 2019-03-26 | 歌尔科技有限公司 | 一种电子显微可穿戴设备 |
CN109544577A (zh) * | 2018-11-27 | 2019-03-29 | 辽宁工程技术大学 | 一种基于边缘点编组的改进直线提取方法 |
CN109816620A (zh) * | 2019-01-31 | 2019-05-28 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110148147A (zh) * | 2018-11-07 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 图像检测方法、装置、存储介质和电子装置 |
CN110211105A (zh) * | 2019-05-24 | 2019-09-06 | 厦门美柚信息科技有限公司 | 一种模糊图像检测方法、装置及系统 |
CN110782413A (zh) * | 2019-10-30 | 2020-02-11 | 北京金山云网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111160486A (zh) * | 2019-12-31 | 2020-05-15 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111311562A (zh) * | 2020-02-10 | 2020-06-19 | 浙江华创视讯科技有限公司 | 虚焦图像的模糊度检测方法及装置 |
CN111652811A (zh) * | 2020-04-14 | 2020-09-11 | 中国人民解放军国防科技大学 | 一种基于刃边函数和最优窗维纳滤波的运动模糊图像复原方法 |
CN111899196A (zh) * | 2020-08-05 | 2020-11-06 | 沈阳工业大学 | 一种基于经典复原算法的叶片缺陷运动模糊图像复原方法 |
CN113327206A (zh) * | 2021-06-03 | 2021-08-31 | 江苏电百达智能科技有限公司 | 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 |
CN113643193A (zh) * | 2020-05-11 | 2021-11-12 | 上海耕岩智能科技有限公司 | 图像的去模糊方法及装置、成像设备、存储介质 |
US20220015622A1 (en) * | 2020-07-15 | 2022-01-20 | Tectus Corporation | On-eye image processing |
US20220122223A1 (en) * | 2020-10-21 | 2022-04-21 | Samsung Electronics Co., Ltd. | Kernel-aware super resolution |
CN114842366A (zh) * | 2022-07-05 | 2022-08-02 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机稳定性识别方法 |
CN114972333A (zh) * | 2022-07-19 | 2022-08-30 | 淄博市淄川区市政环卫服务中心 | 基于人工智能的道路裂缝检测方法及系统 |
WO2023045627A1 (zh) * | 2021-09-24 | 2023-03-30 | 腾讯科技(深圳)有限公司 | 图像超分方法、装置、设备及存储介质 |
CN117058118A (zh) * | 2023-08-28 | 2023-11-14 | 北京航空航天大学 | 一种用于评估平面屏蔽玻璃丝网导致图像恶化效果的方法 |
CN117170083A (zh) * | 2023-10-24 | 2023-12-05 | 合肥埃科光电科技股份有限公司 | 一种叠加动态像质补偿的自动对焦方法、系统及存储介质 |
CN117557626A (zh) * | 2024-01-12 | 2024-02-13 | 泰安大陆医疗器械有限公司 | 一种气雾喷雾器喷头安装辅助定位方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132758A (zh) * | 2020-08-05 | 2020-12-25 | 浙江工业大学 | 基于非对称光学系统点扩散函数模型的图像复原方法 |
CN112082915B (zh) * | 2020-08-28 | 2024-05-03 | 西安科技大学 | 一种即插即用型大气颗粒物浓度检测装置及检测方法 |
CN113177889B (zh) * | 2021-04-27 | 2022-03-01 | 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 |
US11704777B2 (en) | 2021-08-27 | 2023-07-18 | Raytheon Company | Arbitrary motion smear modeling and removal |
CN114998282A (zh) * | 2022-06-16 | 2022-09-02 | 平安科技(深圳)有限公司 | 图像检测方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708551A (zh) * | 2012-05-17 | 2012-10-03 | 浙江大学 | 一种基于超拉普拉斯先验约束的图像解卷积方法 |
CN104091314A (zh) * | 2014-07-22 | 2014-10-08 | 西北工业大学 | 基于边缘预测和稀疏比值正则约束的湍流退化图像盲复原方法 |
CN104166961A (zh) * | 2014-07-28 | 2014-11-26 | 西安电子科技大学 | 用于图像盲复原的低秩逼近的模糊核估计方法 |
CN104331871A (zh) * | 2014-12-02 | 2015-02-04 | 苏州大学 | 一种图像去模糊方法及装置 |
CN105556540A (zh) * | 2013-06-04 | 2016-05-04 | 贝宝公司 | 评估图像清晰度 |
CN105913392A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 复杂环境下退化图像综合质量提升方法 |
CN107084794A (zh) * | 2017-04-10 | 2017-08-22 | 东南大学 | 基于光场分层成像技术的火焰三维温度场测量系统及其方法 |
CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
US20170316552A1 (en) * | 2016-04-27 | 2017-11-02 | Ramot At Tel-Aviv University Ltd. | Blind image deblurring via progressive removal of blur residual |
CN107316289A (zh) * | 2017-06-08 | 2017-11-03 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
CN107369134A (zh) * | 2017-06-12 | 2017-11-21 | 上海斐讯数据通信技术有限公司 | 一种模糊图像的图像复原方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021529B (zh) * | 2014-06-17 | 2017-01-11 | 中国电子科技集团公司第二十八研究所 | 一种模糊图像非盲复原方法 |
KR101596203B1 (ko) * | 2015-06-16 | 2016-02-22 | 중앙대학교 산학협력단 | 모션 블러 이미지 복원 방법 및 장치 |
CN106339996B (zh) * | 2016-09-09 | 2018-11-30 | 江南大学 | 一种基于超拉普拉斯先验的图像盲去模糊方法 |
-
2018
- 2018-01-31 CN CN201810094023.1A patent/CN108305230A/zh active Pending
- 2018-06-13 WO PCT/CN2018/091164 patent/WO2019148739A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708551A (zh) * | 2012-05-17 | 2012-10-03 | 浙江大学 | 一种基于超拉普拉斯先验约束的图像解卷积方法 |
CN105556540A (zh) * | 2013-06-04 | 2016-05-04 | 贝宝公司 | 评估图像清晰度 |
CN104091314A (zh) * | 2014-07-22 | 2014-10-08 | 西北工业大学 | 基于边缘预测和稀疏比值正则约束的湍流退化图像盲复原方法 |
CN104166961A (zh) * | 2014-07-28 | 2014-11-26 | 西安电子科技大学 | 用于图像盲复原的低秩逼近的模糊核估计方法 |
CN104331871A (zh) * | 2014-12-02 | 2015-02-04 | 苏州大学 | 一种图像去模糊方法及装置 |
CN105913392A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 复杂环境下退化图像综合质量提升方法 |
US20170316552A1 (en) * | 2016-04-27 | 2017-11-02 | Ramot At Tel-Aviv University Ltd. | Blind image deblurring via progressive removal of blur residual |
CN107084794A (zh) * | 2017-04-10 | 2017-08-22 | 东南大学 | 基于光场分层成像技术的火焰三维温度场测量系统及其方法 |
CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
CN107316289A (zh) * | 2017-06-08 | 2017-11-03 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
CN107369134A (zh) * | 2017-06-12 | 2017-11-21 | 上海斐讯数据通信技术有限公司 | 一种模糊图像的图像复原方法 |
Non-Patent Citations (5)
Title |
---|
PENG ZHAO ET AL: "Parameters identification for blur image combining motion and defocus blurs using BP neural network", 《IEEETRANSACTIONSONCIRCUITSANDSYSTEMSFORVIDEOTECHNOLOGY》 * |
师雪艳: "模糊图像自适应复原算法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
洪汉玉: "《目标探测多谱图像复原方法与应用》", 31 October 2017 * |
谢晴: "自然场景下的模糊图像类型识别", 《电子世界》 * |
韩小芳等: "运动与离焦模糊图像的复原", 《光子学报》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148147B (zh) * | 2018-11-07 | 2024-02-09 | 腾讯大地通途(北京)科技有限公司 | 图像检测方法、装置、存储介质和电子装置 |
CN110148147A (zh) * | 2018-11-07 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 图像检测方法、装置、存储介质和电子装置 |
CN109410152A (zh) * | 2018-11-26 | 2019-03-01 | Oppo广东移动通信有限公司 | 成像方法和装置、电子设备、计算机可读存储介质 |
CN109544577B (zh) * | 2018-11-27 | 2022-10-14 | 辽宁工程技术大学 | 一种基于边缘点编组的改进直线提取方法 |
CN109544577A (zh) * | 2018-11-27 | 2019-03-29 | 辽宁工程技术大学 | 一种基于边缘点编组的改进直线提取方法 |
CN109521556A (zh) * | 2018-12-07 | 2019-03-26 | 歌尔科技有限公司 | 一种电子显微可穿戴设备 |
CN109365877A (zh) * | 2018-12-20 | 2019-02-22 | 长安大学 | 一种数控机床零件加工自动定位方法 |
CN109816620A (zh) * | 2019-01-31 | 2019-05-28 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109816620B (zh) * | 2019-01-31 | 2021-01-05 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110211105A (zh) * | 2019-05-24 | 2019-09-06 | 厦门美柚信息科技有限公司 | 一种模糊图像检测方法、装置及系统 |
CN110211105B (zh) * | 2019-05-24 | 2021-09-07 | 厦门美柚股份有限公司 | 一种模糊图像检测方法、装置及系统 |
CN110782413A (zh) * | 2019-10-30 | 2020-02-11 | 北京金山云网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN110782413B (zh) * | 2019-10-30 | 2022-12-06 | 北京金山云网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111160486A (zh) * | 2019-12-31 | 2020-05-15 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111160486B (zh) * | 2019-12-31 | 2023-05-02 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111311562A (zh) * | 2020-02-10 | 2020-06-19 | 浙江华创视讯科技有限公司 | 虚焦图像的模糊度检测方法及装置 |
CN111311562B (zh) * | 2020-02-10 | 2023-10-10 | 浙江华创视讯科技有限公司 | 虚焦图像的模糊度检测方法及装置 |
CN111652811A (zh) * | 2020-04-14 | 2020-09-11 | 中国人民解放军国防科技大学 | 一种基于刃边函数和最优窗维纳滤波的运动模糊图像复原方法 |
CN111652811B (zh) * | 2020-04-14 | 2022-09-16 | 中国人民解放军国防科技大学 | 一种基于刃边函数和最优窗维纳滤波的运动模糊图像复原方法 |
CN113643193A (zh) * | 2020-05-11 | 2021-11-12 | 上海耕岩智能科技有限公司 | 图像的去模糊方法及装置、成像设备、存储介质 |
US20220015622A1 (en) * | 2020-07-15 | 2022-01-20 | Tectus Corporation | On-eye image processing |
CN111899196A (zh) * | 2020-08-05 | 2020-11-06 | 沈阳工业大学 | 一种基于经典复原算法的叶片缺陷运动模糊图像复原方法 |
US20220122223A1 (en) * | 2020-10-21 | 2022-04-21 | Samsung Electronics Co., Ltd. | Kernel-aware super resolution |
US11615510B2 (en) * | 2020-10-21 | 2023-03-28 | Samsung Electronics Co., Ltd. | Kernel-aware super resolution |
CN113327206B (zh) * | 2021-06-03 | 2022-03-22 | 江苏电百达智能科技有限公司 | 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 |
CN113327206A (zh) * | 2021-06-03 | 2021-08-31 | 江苏电百达智能科技有限公司 | 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 |
WO2023045627A1 (zh) * | 2021-09-24 | 2023-03-30 | 腾讯科技(深圳)有限公司 | 图像超分方法、装置、设备及存储介质 |
CN114842366B (zh) * | 2022-07-05 | 2022-09-16 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机稳定性识别方法 |
CN114842366A (zh) * | 2022-07-05 | 2022-08-02 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机稳定性识别方法 |
CN114972333A (zh) * | 2022-07-19 | 2022-08-30 | 淄博市淄川区市政环卫服务中心 | 基于人工智能的道路裂缝检测方法及系统 |
CN117058118A (zh) * | 2023-08-28 | 2023-11-14 | 北京航空航天大学 | 一种用于评估平面屏蔽玻璃丝网导致图像恶化效果的方法 |
CN117058118B (zh) * | 2023-08-28 | 2024-04-05 | 北京航空航天大学 | 一种用于评估平面屏蔽玻璃丝网导致图像恶化效果的方法 |
CN117170083A (zh) * | 2023-10-24 | 2023-12-05 | 合肥埃科光电科技股份有限公司 | 一种叠加动态像质补偿的自动对焦方法、系统及存储介质 |
CN117170083B (zh) * | 2023-10-24 | 2024-02-09 | 合肥埃科光电科技股份有限公司 | 一种叠加动态像质补偿的自动对焦方法、系统及存储介质 |
CN117557626A (zh) * | 2024-01-12 | 2024-02-13 | 泰安大陆医疗器械有限公司 | 一种气雾喷雾器喷头安装辅助定位方法 |
CN117557626B (zh) * | 2024-01-12 | 2024-04-05 | 泰安大陆医疗器械有限公司 | 一种气雾喷雾器喷头安装辅助定位方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019148739A1 (zh) | 2019-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305230A (zh) | 一种模糊图像综合处理方法和系统 | |
Fiss et al. | Refocusing plenoptic images using depth-adaptive splatting | |
Saladi et al. | Analysis of denoising filters on MRI brain images | |
Agrawal et al. | Resolving objects at higher resolution from a single motion-blurred image | |
CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
Tang et al. | Depth from defocus in the wild | |
CN103369209A (zh) | 视频降噪装置及方法 | |
CN110517306B (zh) | 一种基于深度学习的双目深度视觉估计的方法和系统 | |
CN103426148A (zh) | 生成低分辨率输入数据结构的超分辨率版本的方法和设备 | |
WO2014074138A1 (en) | Globally dominant point spread function estimation | |
Li et al. | A maximum a posteriori estimation framework for robust high dynamic range video synthesis | |
CN108629741B (zh) | 一种基于l0和l1正则项的模糊核估计方法 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
Lyapustin et al. | Towards true detail restoration for super-resolution: A benchmark and a quality metric | |
CN107220945A (zh) | 多重退化的极模糊图像的复原方法 | |
CN107392986B (zh) | 一种基于高斯金字塔和各向异性滤波的图像景深渲染方法 | |
CN111369435B (zh) | 基于自适应稳定模型的彩色图像深度上采样方法及系统 | |
Tiwari | A pattern classification based approach for blur classification | |
Malik et al. | Depth map estimation using a robust focus measure | |
Bull et al. | Perceptual improvements for super-resolution of satellite imagery | |
Sheta | Restoration of medical images using genetic algorithms | |
Vavilin et al. | Fast HDR image generation from multi-exposed multiple-view LDR images | |
CN113506212A (zh) | 一种改进的基于pocs的高光谱图像超分辨率重建方法 | |
Pham et al. | Robust super-resolution by minimizing a gaussian-weighted l2 error norm | |
Chen et al. | Super-resolution reconstruction for underwater imaging |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180720 |
|
WD01 | Invention patent application deemed withdrawn after publication |