CN108520497B - 基于距离加权稀疏表达先验的图像复原与匹配一体化方法 - Google Patents

基于距离加权稀疏表达先验的图像复原与匹配一体化方法 Download PDF

Info

Publication number
CN108520497B
CN108520497B CN201810217553.0A CN201810217553A CN108520497B CN 108520497 B CN108520497 B CN 108520497B CN 201810217553 A CN201810217553 A CN 201810217553A CN 108520497 B CN108520497 B CN 108520497B
Authority
CN
China
Prior art keywords
image
estimation
initial
degraded
sparse
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
CN201810217553.0A
Other languages
English (en)
Other versions
CN108520497A (zh
Inventor
桑农
李亚成
林伟
邵远杰
高常鑫
李乐仁瀚
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 CN201810217553.0A priority Critical patent/CN108520497B/zh
Priority to EP18865347.1A priority patent/EP3567545A4/en
Priority to PCT/CN2018/080754 priority patent/WO2019174068A1/zh
Publication of CN108520497A publication Critical patent/CN108520497A/zh
Application granted granted Critical
Publication of CN108520497B publication Critical patent/CN108520497B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Abstract

本发明公开了一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，包括：利用退化图像和初始清晰图像对模糊核的约束与梯度算子正则化来估计模糊核，得到模糊核的估计；利用模糊核的估计和字典D对初始清晰图像的约束来估计初始清晰图像，得到清晰图像估计；采用距离加权的稀疏表达算法，得到清晰图像估计在字典集中的稀疏表达系数向量估计；对上述步骤进行A次迭代，得到目标图像和目标图像在参考图像中的初始定位；缩小参考图像的范围后利用上述方法得到目标图像的复原图像和定位结果。本发明有效解决了现有模糊图像复原与匹配方法中存在的对噪声敏感、较差的复原效果对匹配任务造成严重的影响等问题，适用于视觉导航系统。

Description

基于距离加权稀疏表达先验的图像复原与匹配一体化方法
技术领域
本发明属于模式匹配技术领域，更具体地，涉及一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法。
背景技术
在视觉导航系统中，需要利用实时获取的地面场景图像与存储在机载计算机上的参考图像进行比较，以确定高速飞行器的位置。由于图像匹配精度高，因此可以利用这种精确的位置信息提高导航系统的定位精度。然而，获取的通常是退化的图像，如低分辨率和图像模糊。这样将给匹配和定位带来很大的挑战。因此，对模糊图像的校正匹配技术成为高速飞行器导航系统中的一大关键。
现有的对模糊图像进行匹配与定位的方法主要包括两类：(1)对于退化程度较低的图像，直接使用匹配或者稀疏表达的方法进行定位。(2)首先进行图像修复以获得更好的图像质量，然后利用恢复的图像进行定位。然而，这些方法存在很多的缺陷。针对第一类的方法，如果图像质量退化严重，那么匹配与定位的精度会严重降低；针对第二类的方法，许多图像恢复方法的设计仅仅是为了改善人类的视觉感知，而不是机器感知，因此不能提高定位精度。更糟糕的是，当退化模型是未知的，一般的恢复方案，如去模糊，在真实图像上的表现并不好。
由此可见，现有技术存在图像质量低，导致定位精度低的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，由此解决现有技术存在图像质量低，导致定位精度低的技术问题。
为实现上述目的，本发明提供了一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，包括：
(1)以步长a截取参考图像得到字典集，利用距离加权的稀疏表达算法，得到退化图像在字典集中的初始化稀疏表达系数向量，利用初始化稀疏表达系数向量和字典集对退化图像进行复原，得到退化图像的初始清晰图像；
(2)利用退化图像和初始清晰图像对模糊核的约束与梯度算子正则化来估计模糊核，得到模糊核的估计；
(3)利用模糊核的估计和字典集对初始清晰图像的约束来估计初始清晰图像，得到清晰图像估计；
(4)采用距离加权的稀疏表达算法，得到清晰图像估计在字典集中的稀疏表达系数向量估计；
(5)利用步骤(3)得到的清晰图像估计更新步骤(2)中的退化图像，然后对步骤(2)-(4)进行A次迭代，得到目标图像和目标稀疏表达系数向量，根据目标稀疏表达系数向量中的最大值得到目标图像在参考图像中的初始定位；
(6)以初始定位为新的参考图像的中心，以目标图像的长宽分别加上步长a作为新的参考图像的长宽，从参考图像截取新的参考图像，将新的参考图像作为步骤(1)中的参考图像，重复步骤(1)-(5)，得到目标图像的复原图像和目标图像在参考图像中的定位结果。
进一步地，步骤(1)包括：
(1-1)以步长a截取参考图像得到字典集D，D＝[i1，i2，...，im]，其中，im为以步长a截取参考图像得到的第m张图片；
(1-2)利用距离加权的稀疏表达算法，得到退化图像在字典集中的初始化稀疏表达系数向量α，
Figure GDA0002502718640000031
α≥0，其中，y为描述退化图像的矩阵，λ为稀疏项权重，dist表示距离加权的稀疏表达；
(1-3)利用初始化稀疏表达系数向量和字典集对退化图像进行复原，得到退化图像的初始清晰图像，x＝Dα，其中，x为描述初始清晰图像的矩阵。
进一步地，模糊核的估计为：
Figure GDA0002502718640000032
其中，x为描述初始清晰图像的矩阵，
Figure GDA0002502718640000033
为模糊核的估计，y为描述退化图像的矩阵，γ为k的正则化项权重，
Figure GDA00025027186400000311
为k的梯度，v为
Figure GDA0002502718640000034
正则化项的权重，k为模糊核。
进一步地，清晰图像估计为：
Figure GDA0002502718640000035
其中，
Figure GDA0002502718640000036
为描述清晰图像估计的矩阵，
Figure GDA0002502718640000037
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure GDA0002502718640000038
项的权重，D为字典集，
Figure GDA0002502718640000039
为稀疏表达系数向量估计，τ为参考图像的稀疏先验约束项的权重，el为一阶滤波器，s为稀疏指数，x为描述初始清晰图像的矩阵。
进一步地，步骤(3)还包括：
引入新变量ul(l∈1，2，...，L)，其中，L为新变量的总数，建立能量方程，将能量方程分解成x-子问题和u-子问题，分别对x-子问题和u-子问题求得最优解，进而得到清晰图像估计。
进一步地，能量方程为：
Figure GDA00025027186400000310
其中，E(x，u)表示能量方程，x为描述初始清晰图像的矩阵，
Figure GDA0002502718640000041
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure GDA0002502718640000042
项的权重系数，D为字典集，
Figure GDA0002502718640000043
为稀疏表达系数向量估计，τ为
Figure GDA0002502718640000044
项的系数，s为稀疏指数，β为正则项
Figure GDA0002502718640000045
的权重，el为一阶滤波器。
进一步地，x-子问题为：
Figure GDA0002502718640000046
其中，x为描述初始清晰图像的矩阵，u为辅助变量，
Figure GDA0002502718640000047
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure GDA0002502718640000048
项的权重系数，D为字典集，
Figure GDA0002502718640000049
为稀疏表达系数向量估计，β为正则项
Figure GDA00025027186400000410
的权重，el为一阶滤波器。
进一步地，u-子问题为：
Figure GDA00025027186400000411
其中，x为描述初始清晰图像的矩阵，τ为
Figure GDA00025027186400000412
项的系数，s为稀疏指数，β为正则项
Figure GDA00025027186400000413
的权重，el为一阶滤波器。
进一步地，步骤(6)中将新的参考图像作为步骤(1)中的参考图像，重复步骤(1)-(5)时，以步长b截取参考图像得到字典集，其中b＜a。
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、本发明进行A次迭代，得到目标图像和目标稀疏表达系数向量，此时的目标图像已经是对退化图像复原的较好的图像了，同时根据目标稀疏表达系数向量中的最大值得到目标图像在参考图像中的初始定位；这时我们便把目标图像的搜索范围缩小到了一个相对参考图来说更小的范围，最终在这个范围中再次采用上述算法进行目标图像的精确匹配，并得到最终的复原图像和定位结果。有效解决了现有模糊图像复原与匹配方法中存在的对噪声敏感、较差的复原效果对匹配任务造成严重的影响等问题，适用于视觉导航系统。
2、本发明给出联合图像复原和匹配的方法，在迭代过程中，图像复原和匹配任务可以相互促进，这样可以纠正初始时可能的错误的定位，并不断增加定位正确的置信度。将距离加权信息融入稀疏表达模型中，使得不同类的数据间的权重变小，增加了图的判别性。本发明中通过引入新变量，建立能量方程，将能量方程分解成x-子问题和u-子问题，分别对x-子问题和u-子问题求得最优解，进而得到清晰图像估计，进一步提升了算法的收敛速度，且更加简洁清楚，因此本发明尤其适用于模糊图像匹配与定位领域。
附图说明
图1是本发明实施例提供的图像复原与匹配一体化方法的流程图；
图2是本发明实施例提供的基于距离加权稀疏表达先验的图像复原与匹配一体化的算法示意图；
图3(a)是本发明实施例提供的参考图像；
图3(b)是本发明实施例提供的待定位的模糊实时图；
图3(c)是本发明实施例提供的直接匹配算法定位结果图；
图3(d)是本发明实施例提供的DSRC算法的定位结果；
图3(e)是本发明实施例提供的SRC算法的定位结果；
图3(f)是本发明实施例提供的JRL-SR算法的定位结果；
图3(g)是本发明实施例提供的图像复原与匹配一体化方法的初步定位结果图；
图3(h)是本发明实施例提供的图像复原与匹配一体化方法的定位结果图。
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，一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，包括：
(1)以步长a截取参考图像得到字典集，利用距离加权的稀疏表达算法，得到退化图像在字典集中的初始化稀疏表达系数向量，利用初始化稀疏表达系数向量和字典集对退化图像进行复原，得到退化图像的初始清晰图像；
(2)利用退化图像和初始清晰图像对模糊核的约束与梯度算子正则化来估计模糊核，得到模糊核的估计；
(3)利用模糊核的估计和字典集对初始清晰图像的约束来估计初始清晰图像，得到清晰图像估计；
(4)采用距离加权的稀疏表达算法，得到清晰图像估计在字典集中的稀疏表达系数向量估计；
(5)利用步骤(3)得到的清晰图像估计更新步骤(2)中的退化图像，然后对步骤(2)-(4)进行A次迭代，得到目标图像和目标稀疏表达系数向量，根据目标稀疏表达系数向量中的最大值得到目标图像在参考图像中的初始定位；
(6)以初始定位为新的参考图像的中心，以目标图像的长宽分别加上步长a作为新的参考图像的长宽，从参考图像截取新的参考图像，将新的参考图像作为步骤(1)中的参考图像，以步长b截取参考图像得到字典集，其中b＜a，重复步骤(1)-(5)，得到目标图像的复原图像和目标图像在参考图像中的定位结果。
经过A次迭代以后，测定目标图像在参考图像中的初始定位精度并统计定位准确率。初始定位精度使用位置偏差来衡量，即目标图像在参考图像中的实际位置与初始定位的位置的像素差。定位准确率使用统计观点来计算，即所有待定位的目标图像的初始定位精度占小于指定定位精度的比率，即我们认为所有初始定位精度小于等于5的目标图像是定位成功，初始定位精度大于5定位失败。
如果经过A次迭代，定位准确率大于等于85％，我们认为A是当前参考图像尺度的最有迭代次数，可以进入下一个精细参考图像尺度的迭代。
如图2所示，步骤(1)包括：
(1-1)以步长a截取参考图像得到字典集D，D＝[i1，i２，...，im]，其中，im为以步长a截取参考图像得到的第m张图片；
(1-2)利用距离加权的稀疏表达算法，得到退化图像在字典集中的初始化稀疏表达系数向量α，
Figure GDA0002502718640000071
α≥0，其中，y为描述退化图像的矩阵，λ为稀疏项权重，dist表示距离加权的稀疏表达；
(1-3)利用初始化稀疏表达系数向量和字典集对退化图像进行复原，得到退化图像的初始清晰图像，x＝Dα，其中，x为描述初始清晰图像的矩阵。
本发明实施例优选地，模糊核的估计为：
Figure GDA0002502718640000081
其中，x为描述初始清晰图像的矩阵，
Figure GDA0002502718640000082
为模糊核的估计，y为描述退化图像的矩阵，γ为k的正则化项权重，
Figure GDA00025027186400000815
为k的梯度，v为
Figure GDA0002502718640000083
正则化项的权重，k为模糊核。
本发明实施例优选地，清晰图像估计为：
Figure GDA0002502718640000084
其中，
Figure GDA0002502718640000085
为描述清晰图像估计的矩阵，
Figure GDA0002502718640000086
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure GDA0002502718640000087
项的权重，D为字典集，
Figure GDA0002502718640000088
为稀疏表达系数向量估计，τ为参考图像的稀疏先验约束项的权重，el为一阶滤波器，s为稀疏指数，x为描述初始清晰图像的矩阵。
本发明实施例优选地，步骤(3)还包括：
引入新变量ul(l∈1，2，...，L)，其中，L为新变量的总数，建立能量方程，将能量方程分解成x-子问题和u-子问题，分别对x-子问题和u-子问题求得最优解，进而得到清晰图像估计。能量方程为：
Figure GDA0002502718640000089
其中，E(x，u)表示能量方程，x为描述初始清晰图像的矩阵，
Figure GDA00025027186400000810
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure GDA00025027186400000811
项的权重系数，D为字典集，
Figure GDA00025027186400000812
为稀疏表达系数向量估计，τ为
Figure GDA00025027186400000813
项的系数，s为稀疏指数，β为正则项
Figure GDA00025027186400000814
的权重，el为一阶滤波器。
x-子问题为：
Figure GDA0002502718640000091
其中，x为描述初始清晰图像的矩阵，u为辅助变量，
Figure GDA0002502718640000092
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure GDA0002502718640000093
项的权重系数，D为字典集，
Figure GDA0002502718640000094
为稀疏表达系数向量估计，β为正则项
Figure GDA0002502718640000095
的权重，el为一阶滤波器。
u-子问题为：
Figure GDA0002502718640000096
其中，x为描述初始清晰图像的矩阵，τ为
Figure GDA0002502718640000097
项的系数，s为稀疏指数，β为正则项
Figure GDA0002502718640000098
的权重，el为一阶滤波器。
本发明实施例中a为5，b为2，图3(a)-3(h)为本发明与其它算法在部分测试图上的定位效果比较，其中图3(a)表示参考图像，图3(b)为待定位的模糊实时图，图3(c)表示直接匹配算法定位结果图，图3(d)表示DSRC算法的定位结果，图3(e)表示SRC算法的定位结果，图3(f)表示JRL-SR算法的定位结果，图3(g)表示本发明提出的JRL-DSR1算法的定位结果(初步定位)，图3(h)表示本发明提出的JRL-DSR2算法的定位结果(由初步定位结果进行精确定位)。从图3(a)-3(h)可以看出，在目标图像模糊较严重时本发明提出的算法通过结合恢复和匹配任务，可以纠正初始时可能的错误的定位，并不断增加定位正确的置信度，实验结果也表明了这种一体化方法是优于分开处理去模糊和定位的。
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 (8)

1.一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，包括：
(1)以步长a截取参考图像得到字典集，利用距离加权的稀疏表达算法，得到退化图像在字典集中的初始化稀疏表达系数向量，利用初始化稀疏表达系数向量和字典集对退化图像进行复原，得到退化图像的初始清晰图像；
(2)利用退化图像和初始清晰图像对模糊核的约束与梯度算子正则化来估计模糊核，得到模糊核的估计；
(3)利用模糊核的估计和字典集对初始清晰图像的约束来估计初始清晰图像，得到清晰图像估计；
(4)采用距离加权的稀疏表达算法，得到清晰图像估计在字典集中的稀疏表达系数向量估计；
(5)利用步骤(3)得到的清晰图像估计更新步骤(2)中的退化图像，然后对步骤(2)-(4)进行A次迭代，得到目标图像和目标稀疏表达系数向量，根据目标稀疏表达系数向量中的最大值得到目标图像在参考图像中的初始定位；
(6)以初始定位为新的参考图像的中心，以目标图像的长宽分别加上步长a作为新的参考图像的长宽，从参考图像截取新的参考图像，将新的参考图像作为步骤(1)中的参考图像，以步长b截取参考图像得到字典集，其中b＜a，重复步骤(1)-(5)，得到目标图像的复原图像和目标图像在参考图像中的定位结果。
2.如权利要求1所述的一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，所述步骤(1)包括：
(1-1)以步长a截取参考图像得到字典集D，D＝[i1，i2，...，im]，其中，im为以步长a截取参考图像得到的第m张图片；
(1-2)利用距离加权的稀疏表达算法，得到退化图像在字典集中的初始化稀疏表达系数向量α，
Figure FDA0002502718630000021
α≥0，其中，y为描述退化图像的矩阵，λ为稀疏项权重，dist表示距离加权的稀疏表达；
(1-3)利用初始化稀疏表达系数向量和字典集对退化图像进行复原，得到退化图像的初始清晰图像，x＝Dα，其中，x为描述初始清晰图像的矩阵。
3.如权利要求1或2所述的一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，所述模糊核的估计为：
Figure FDA0002502718630000022
其中，x为描述初始清晰图像的矩阵，
Figure FDA0002502718630000023
为模糊核的估计，y为描述退化图像的矩阵，γ为k的正则化项权重，
Figure FDA0002502718630000024
为k的梯度，v为
Figure FDA0002502718630000025
正则化项的权重，k为模糊核。
4.如权利要求1或2所述的一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，所述清晰图像估计为：
Figure FDA0002502718630000026
其中，
Figure FDA0002502718630000027
为描述清晰图像估计的矩阵，
Figure FDA0002502718630000028
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure FDA0002502718630000029
项的权重，D为字典集，
Figure FDA00025027186300000210
为稀疏表达系数向量估计，τ为参考图像的稀疏先验约束项的权重，el为一阶滤波器，s为稀疏指数，x为描述初始清晰图像的矩阵。
5.如权利要求1或2所述的一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，所述步骤(3)还包括：
引入新变量ul(l∈1，2，...，L)，其中，L为新变量的总数，建立能量方程，将能量方程分解成x-子问题和u-子问题，分别对x-子问题和u-子问题求得最优解，进而得到清晰图像估计。
6.如权利要求5所述的一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，所述能量方程为：
Figure FDA0002502718630000031
其中，E(x，u)表示能量方程，x为描述初始清晰图像的矩阵，
Figure FDA0002502718630000032
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure FDA0002502718630000033
项的权重系数，D为字典集，
Figure FDA0002502718630000034
为稀疏表达系数向量估计，τ为
Figure FDA0002502718630000035
项的系数，s为稀疏指数，β为正则项
Figure FDA0002502718630000036
的权重，el为一阶滤波器。
7.如权利要求5所述的一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，所述x-子问题为：
Figure FDA0002502718630000037
其中，x为描述初始清晰图像的矩阵，u为辅助变量，
Figure FDA0002502718630000038
为模糊核的估计，y为描述退化图像的矩阵，η为
Figure FDA0002502718630000039
项的权重系数，D为字典集，
Figure FDA00025027186300000310
为稀疏表达系数向量估计，β为正则项
Figure FDA00025027186300000311
的权重，el为一阶滤波器。
8.如权利要求5所述的一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法，其特征在于，所述u-子问题为：
Figure FDA0002502718630000041
其中，x为描述初始清晰图像的矩阵，τ为
Figure FDA0002502718630000042
项的系数，s为稀疏指数，β为正则项
Figure FDA0002502718630000043
的权重，el为一阶滤波器。
CN201810217553.0A 2018-03-15 2018-03-15 基于距离加权稀疏表达先验的图像复原与匹配一体化方法 Expired - Fee Related CN108520497B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810217553.0A CN108520497B (zh) 2018-03-15 2018-03-15 基于距离加权稀疏表达先验的图像复原与匹配一体化方法
EP18865347.1A EP3567545A4 (en) 2018-03-15 2018-03-28 IMAGE RESTORATION AND MATCHING INTEGRATION METHOD BASED ON DISTANCE-WEIGHTED PRIMARY PARCIMONIOUS PRIORITY REPRESENTATION
PCT/CN2018/080754 WO2019174068A1 (zh) 2018-03-15 2018-03-28 基于距离加权稀疏表达先验的图像复原与匹配一体化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810217553.0A CN108520497B (zh) 2018-03-15 2018-03-15 基于距离加权稀疏表达先验的图像复原与匹配一体化方法

Publications (2)

Publication Number Publication Date
CN108520497A CN108520497A (zh) 2018-09-11
CN108520497B true CN108520497B (zh) 2020-08-04

Family

ID=63433960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810217553.0A Expired - Fee Related CN108520497B (zh) 2018-03-15 2018-03-15 基于距离加权稀疏表达先验的图像复原与匹配一体化方法

Country Status (3)

Country Link
EP (1) EP3567545A4 (zh)
CN (1) CN108520497B (zh)
WO (1) WO2019174068A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903233B (zh) * 2019-01-10 2021-08-03 华中科技大学 一种基于线性特征的联合图像复原和匹配方法及系统
CN109949234B (zh) * 2019-02-25 2020-10-02 华中科技大学 基于深度网络的视频复原模型训练方法及视频复原方法
CN110176029B (zh) * 2019-04-29 2021-03-26 华中科技大学 基于层级稀疏表示的图像复原与匹配一体化方法及系统
CN110689503A (zh) * 2019-10-09 2020-01-14 深圳大学 一种壁画图像修复方法、系统及存储介质
CN111027567A (zh) * 2019-10-30 2020-04-17 四川轻化工大学 一种基于算法学习的边缘提取方法
CN113487491B (zh) * 2021-05-26 2024-04-26 辽宁工程技术大学 一种基于稀疏性与非局部均值自相似性的图像复原方法
CN114071353B (zh) * 2021-11-04 2024-02-09 中国人民解放军陆军工程大学 结合聚类算法的压缩感知无源被动式目标定位方法
CN114897734A (zh) * 2022-05-18 2022-08-12 北京化工大学 一种基于梯度方向先验的被测目标图像复原方法
CN115619659B (zh) * 2022-09-22 2024-01-23 北方夜视科技(南京)研究院有限公司 基于正则化高斯场模型的低照度图像增强方法与系统
CN116167948B (zh) * 2023-04-21 2023-07-18 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于空变点扩散函数的光声图像复原方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101046387A (zh) * 2006-08-07 2007-10-03 南京航空航天大学 利用景象匹配提高导航系统精度的方法及组合导航仿真系统
CN103607558A (zh) * 2013-11-04 2014-02-26 深圳市中瀛鑫科技股份有限公司 一种视频监控系统及其目标匹配方法和装置
CN104751420A (zh) * 2015-03-06 2015-07-01 湖南大学 一种基于稀疏表示和多目标优化的盲复原方法
CN106791273A (zh) * 2016-12-07 2017-05-31 重庆大学 一种结合帧间信息的视频盲复原方法
CN107341479A (zh) * 2017-07-11 2017-11-10 安徽大学 一种基于加权稀疏协作模型的目标跟踪方法
CN107451961A (zh) * 2017-06-27 2017-12-08 重庆邮电大学 多幅模糊噪声图像下清晰图像的恢复方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7359576B1 (en) * 2004-02-27 2008-04-15 Adobe Systems Incorporated Using difference kernels for image filtering
US8274552B2 (en) * 2010-12-27 2012-09-25 3Dmedia Corporation Primary and auxiliary image capture devices for image processing and related methods
US8699790B2 (en) * 2011-11-18 2014-04-15 Mitsubishi Electric Research Laboratories, Inc. Method for pan-sharpening panchromatic and multispectral images using wavelet dictionaries
CN103761710B (zh) * 2014-01-08 2016-07-06 西安电子科技大学 基于边缘自适应的高效图像盲去模糊方法
CN104091350B (zh) * 2014-06-20 2017-08-25 华南理工大学 一种利用运动模糊信息的物体跟踪方法
CN105957024B (zh) * 2016-04-20 2019-06-18 西安电子科技大学 基于图像块先验与稀疏范数的盲去模糊方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101046387A (zh) * 2006-08-07 2007-10-03 南京航空航天大学 利用景象匹配提高导航系统精度的方法及组合导航仿真系统
CN103607558A (zh) * 2013-11-04 2014-02-26 深圳市中瀛鑫科技股份有限公司 一种视频监控系统及其目标匹配方法和装置
CN104751420A (zh) * 2015-03-06 2015-07-01 湖南大学 一种基于稀疏表示和多目标优化的盲复原方法
CN106791273A (zh) * 2016-12-07 2017-05-31 重庆大学 一种结合帧间信息的视频盲复原方法
CN107451961A (zh) * 2017-06-27 2017-12-08 重庆邮电大学 多幅模糊噪声图像下清晰图像的恢复方法
CN107341479A (zh) * 2017-07-11 2017-11-10 安徽大学 一种基于加权稀疏协作模型的目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Joint image restoration and location in visual navigation system;Yuefeng Wu,et al.;《SPIE-the International Society for Optical Engineering》;20180219;第10608卷;第1-7页 *

Also Published As

Publication number Publication date
WO2019174068A1 (zh) 2019-09-19
EP3567545A4 (en) 2019-12-18
CN108520497A (zh) 2018-09-11
EP3567545A1 (en) 2019-11-13

Similar Documents

Publication Publication Date Title
CN108520497B (zh) 基于距离加权稀疏表达先验的图像复原与匹配一体化方法
CN111126359B (zh) 基于自编码器与yolo算法的高清图像小目标检测方法
CN109035172B (zh) 一种基于深度学习的非局部均值超声图像去噪方法
CN106338733B (zh) 基于蛙眼视觉特性的前视声呐目标跟踪方法
CN111160229B (zh) 基于ssd网络的视频目标检测方法及装置
CN110197505B (zh) 基于深度网络及语义信息的遥感图像双目立体匹配方法
CN109887021B (zh) 基于跨尺度的随机游走立体匹配方法
CN110827397B (zh) 一种面向rgb-d相机实时三维重建的纹理融合方法
EP2916537B1 (en) Image processing device
CN113744315B (zh) 一种基于双目视觉的半直接视觉里程计
CN113095333B (zh) 无监督特征点检测方法及装置
CN108921170B (zh) 一种有效的图像噪声检测和去噪方法及系统
CN113570658A (zh) 基于深度卷积网络的单目视频深度估计方法
CN116310095A (zh) 一种基于深度学习的多视图三维重建方法
CN113421210B (zh) 一种基于双目立体视觉的表面点云重建方法
CN111179333A (zh) 一种基于双目立体视觉的散焦模糊核估计方法
CN112465712B (zh) 一种运动模糊星图复原方法及系统
CN113570554A (zh) 一种基于场景深度的单幅图像能见度检测方法
CN113223074A (zh) 一种水下激光条纹中心提取方法
JP7294275B2 (ja) 画像処理装置、画像処理プログラムおよび画像処理方法
CN111563916B (zh) 基于立体视觉的长时无人机跟踪定位方法、系统、装置
CN113516713A (zh) 一种基于伪孪生网络的无人机自适应目标跟踪方法
CN108154488A (zh) 一种基于显著图像块分析的图像运动模糊去除方法
CN116363168A (zh) 一种基于超分辨网络的遥感视频目标跟踪方法及系统
CN115082519A (zh) 一种基于背景感知相关滤波的飞机跟踪方法、存储介质和电子设备

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

Granted publication date: 20200804

Termination date: 20210315

CF01 Termination of patent right due to non-payment of annual fee