CN109003234B - 针对运动模糊图像复原的模糊核计算方法 - Google Patents
针对运动模糊图像复原的模糊核计算方法 Download PDFInfo
- Publication number
- CN109003234B CN109003234B CN201810649846.6A CN201810649846A CN109003234B CN 109003234 B CN109003234 B CN 109003234B CN 201810649846 A CN201810649846 A CN 201810649846A CN 109003234 B CN109003234 B CN 109003234B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- blurred
- angle
- fuzzy core
- image
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 14
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009466 transformation Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010019133 Hangover Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对运动模糊图像复原的模糊核计算方法,本发明是基于稀疏特性、超拉普拉斯先验和集成BP神经网络的模糊核参数估计算法,首先,在图像灰度梯度符合超拉普拉斯分布的约束条件下,通过分析模糊图像的稀疏表示系数确定模糊图像的模糊角度;然后,将模糊图像傅里叶变换后获取的傅里叶系数幅值和作为输入,通过训练基于Bagging方法的集成BP神经网络模型,完成对模糊长度的估计;最后,通过一步已知模糊核的去模糊算法得到去模糊图像。本发明估计模糊核参数准确,运算速度快,耗时短,去模糊效果好,通过本发明恢复运动模糊图像,可以使恢复出的图像边缘更加清晰,振铃效应更少。
Description
技术领域
本发明涉及图像信号处理,具体涉及一种针对运动模糊图像复原的模糊核计算方法。
背景技术
模糊图像通常是由于相机或物体的相对运动、大气湍流、相机失焦以及数据传输过程中的数据丢失等原因造成的。运动模糊图像的去模糊是图像复原中的重要课题之一。根据模糊核是否已知,可以把图像去模糊分为非盲和盲去模糊。当模糊核已知时,其称为非盲去模糊。从数学理论上来看,非盲图像去模糊的主要目的就是实现一个反卷积,并在求解过程中加入合适的约束条件。目前,非盲图像去模糊技术已经相当成熟并已经成功应用在多个科研领域中。另一方面,盲图像去模糊技术需要自动估计模糊核,在精确估计模糊核的过程中仍存在诸多的挑战。因此,在最近几十年,该技术获得了图像处理领域的更多关注,一些学者提出了基于正则化的方法,通过添加正则化约束条件,来解决去模糊过程中的不适定性问题。这些算法都是在最大后验概率体系下的应用,将图像的先验知识作为约束条件来解决去模糊问题的不适定性,即用先验知识的确定性来获得目标函数的最优解。但是,最大后验估计的主要缺点在于数据的过拟合问题,不能很好的处理某些异常数据,从而导致算法部分失效,图像去模糊效果不理想。基于贝叶斯估计的许多去模糊效果较好的算法相继出现,弥补了基于最大后验概率方法的不足。虽然该种方法可以比较鲁棒地估计出模糊核参数,但是普遍存在运算速度慢、耗时的缺点。减少由于运动造成的图像模糊问题的发生,也可以在硬件上进行改进,例如使用高动态性能的相机采集图像,并且通过改变环境硬件设施使环境因素对采集图像的影响降到最低。这种方案在一定程度上可以降低由于运动造成的图像模糊问题的发生,却增加了硬件的复杂性,提高了成本,不利于在实践中进行推广应用。
发明内容
发明目的:本发明的目的是提供一种针对运动模糊图像复原的模糊核计算方法,解决去模糊效果不理想,模糊核参数计算运算慢,耗时长的问题。
技术方案:本发明所述的针对运动模糊图像复原的模糊核计算方法,其特征在于,包括以下步骤:
(1)建立图像退化模型,模型处理过程为:
g(x,y)=h(x,y)*I(x,y)+n(x,y) (式1)
其中,*表示卷积操作,n(x,y)表示加性噪声,g(x,y)表示模糊图像,I(x,y)表示清晰图像,h(x,y)表示的是由模糊角度和模糊长度两个参数确定的模糊核;
(2)根据模糊核的模糊角度参数和模糊图像稀疏表达系数之间的拟凸关系,利用图像灰度梯度符合超拉普拉斯分布的约束条件构建出如(式2)所示的约束优化问题。通过求解该约束优化问题得到模糊角度的估计值。
其中,s.t.是“Subject to”的缩写,表示“在……约束条件之下”。表示的是模糊角度,表示估计出的清晰图像,D是在清晰图像上学习得到的超完备字典,表示在图像中抽取第i个小块并列化为一个向量,αi表示第i个图像小块的稀疏表达系数,i取值为i=1,2,...,λ是控制似然项的权重因子,|·|α表示作用于应用于I的一组滤波器fj,...,fj的输出值,α取值为并使用两个一阶导数滤波器f1=[1-1]和f2=[1-1]T,hθ是由模糊角度θ确定的模糊核。
(3)根据步骤(2)估计出的模糊角度值,将模糊图像的模糊核方向旋转至水平方向;
(4)使用将模糊核方向旋转至水平后的模糊图像的傅立叶系数幅值和作为输入,采用基于Bagging方法的集成BP神经网络预测模型预测特定模糊图像的模糊长度;
(5)根据步骤(2)得出的模糊角度和步骤(4)得出的模糊长度,代入公式计算出模糊核,模糊核计算公式为:
其中,所述步骤(2)中采用由粗到细的模糊角度估计方法,在粗估计阶段,将(式2)表示的约束优化问题分解为两个子优化问题: 和在求解这两个优化问题的过程中,首先给定一个模糊长度L和n(n=1,2,3...)个模糊角度θ′n,组成模糊核参数集(θ′n,L),然后根据这些模糊核参数求解(式4),得到然后根据求解(式5)得到相应的对的一阶范数求和得到:An取最小值时所对应的模糊角度值便是模糊角度的粗估计值θ。所述步骤(2)中根据估计出的粗模糊角度值θ以及估计粗模糊角度所使用的模糊长度L,以(θ,L)为中心生成一系列的模糊核参数(θi,Li),(i=1,2,...),使用这一系列模糊核求解式(4)、(5)和(6),得到Ai,对得到的Ai进行增序排列并取前k个Ai对应的模糊角度θi,前k个θi的平均值即为估计出的精模糊角度值。所述步骤(4)中基于Bagging方法集成BP神经网络的训练过程为:使用模糊角度为0,不同的模糊长度L模拟出相应的模糊图像,对这些模糊图像进行傅里叶变换,求解出模糊图像的傅立叶系数幅值和。将模糊图像的傅里叶系数幅值和及对应的模糊长度作为原始训练样本集S,然后采用Bagging方法有放回的从原始训练集中提取出i个自助学习样本集Si(i=1,2,...),每个自助学习样本集的大小与原始训练集相同,最后使用得到的自助学习样本集训练BP神经网络,其中,BP神经网络输入层节点数设置为1,输出层节点数设定为1,隐含层节点数设定为10,每个自助样本集训练一个BP神经网络预测模型,训练完成后,共得到i个BP神经网络预测模型。所述步骤(4)中使用神经网络预测模型估计模糊长度时,每个独立的BP神经网络模型都输出一个模糊长度估计值,最后将每个模型的输出值相加求平均值即得最终模糊长度的估计值。
有益效果:本发明估计模糊核参数准确,运算速度快,耗时短,去模糊效果好。传统的模糊核参数估计方法大多使用高斯分布来描述图像灰度梯度的分布,而真实的图像灰度梯度更趋向于重拖尾分布,超拉普拉斯分布恰恰可以更真实的描绘出这种重拖尾分布,因此将超拉普拉斯分布引入到模糊角度的估计中,可以使其估计值更准确。在模糊长度估计阶段,我们利用Bagging方法来提高BP神经网络学习样本集的差异性,通过这些训练样本训练出泛化能力更好的BP神经网络预测模型,进而提高了模糊长度的估计精度。同时,在线使用时,BP神经网络预测模型可以快速的估计出模糊长度,进而提高了整个模糊参数估计算法的运行速度。
附图说明
图1为本发明的流程示意图;
图2为基于Bagging方法的集成BP神经网络预测模型框图。
具体实施方式
下面结合附图对本发明进行进一步说明。
如图1-2所示,一种针对运动模糊图像复原的模糊核参数估计方法,包括以下步骤:
(1)建立图像退化模型。图像去模糊关键在于建立图像退化模型,对于数字图像来说,运动模糊图像的形成通常可以描述为原始清晰图像I(x,y)与模糊核h(x,y)的卷积过程,如果噪声存在,应该考虑噪声的影响,一般假设噪声为加性噪声,该过程可表示为:
g(x,y)=h(x,y)*I(x,y)+n(x,y) (式1)
其中,*表示卷积操作,n(x,y)表示加性噪声,g(x,y)表示模糊图像,I(x,y)表示清晰图像,h(x,y)表示的是由模糊角度和模糊长度两个参数确定的模糊核。由模糊角度(θ)和模糊长度(L)这两个参数确定的运动模糊核可以描述为:
(2)根据模糊核的模糊角度参数和模糊图像稀疏表达系数之间的拟凸关系,利用图像灰度梯度符合超拉普拉斯分布的约束条件构建出如式(2)所示的约束优化问题。通过求解该约束优化问题得到模糊角度的估计值。
其中,s.t.是“Subject to”的缩写,表示“在……约束条件之下”。表示的是模糊角度,表示估计出的清晰图像,D是在清晰图像上学习得到的超完备字典,表示在图像中抽取第i个小块并列化为一个向量,αi表示第i个图像小块的稀疏表达系数,i取值为i=1,2,...,λ是控制似然项的权重因子,|·|α表示作用于应用于I的一组滤波器fj,...,fj的输出值,为了便于计算,α取值为并使用两个一阶导数滤波器f1=[1-1]和f2=[1-1]T,hθ是由模糊角度θ确定的模糊核,此处忽略卷积核长度。
模糊角度计算是一个双层优化问题,因此将式3分解为两个子问题。给定一个模糊长度L和n(n=1,2,3...)个模糊角度θ′n,组成模糊核参数集(θ′n,L),根据这些模糊核参数可以先求解优化问题:
得到然后根据相应的稀疏表达系数可以通过求解下式得到:
对的一阶范数求和得到:An取最小值时所对应的模糊角度值便是模糊角度的粗估计值θ。
在使用梯度下降法搜索最优模糊角度值的过程中,估计出的模糊角度值容易陷入局部最优解。因此,采用由粗到细的模糊角度估计方法。在粗估计阶段,使用较大的步长,根据梯度下降法得到一个初始的模糊角度估计值。其中,所有去模糊操作都是在一个固定模糊长度上完成的。在一个固定长度上可以粗略的估计出一个模糊角度θ。根据估计出的粗模糊角度值θ以及估计粗模糊角度所使用的模糊长度L,以(θ,L)为中心生成一系列的模糊核参数(θi,Li),对应着模糊核hi,使用这一系列模糊核求解式4,得到并使用求解式5和式6,得到Ai,对得到的Ai进行增序排列并得到前k个Ai对应的模糊角度θi,前k个θi的平均值即为估计出的精模糊角度值。
(3)根据步骤(2)估计出的模糊角度值,将模糊图像的模糊核方向旋转至水平方向。
(4)使用将模糊核方向旋转至水平后的模糊图像的傅立叶系数幅值和作为输入,采用基于Bagging方法的集成BP神经网络预测模型预测特定模糊图像的模糊长度。
在集成BP神经网络预测模型训练阶段,使用模糊角度为0,不同的模糊长度L模拟出相应的模糊图像,对这些模糊图像进行傅里叶变换,求解出模糊图像的傅立叶系数幅值和。将模糊图像的傅里叶系数幅值和及对应的模糊长度作为原始训练样本集S。采用Bagging方法有放回的从原始训练集中提取出i个自助学习样本集Si(i=1,2,...),每个自助学习样本集的大小与原始训练集相同。然后,使用得到的自助学习样本集训练BP神经网络,其中,BP神经网络输入层节点数设置为1,输出层节点数设定为1,隐含层节点数设定为10。每个自助样本集训练一个BP神经网络预测模型,训练完成后,共得到i个BP神经网络预测模型。
在使用神经网络预测模型估计模糊长度时,每个独立的BP神经网络模型都将输出一个模糊长度估计值,最后将每个模型的输出值相加求平均值,作为最终模糊长度的估计值。
(5)根据估计出的模糊角度和长度,代入模糊核计算公式计算模糊核,然后采用非盲去模糊算法得到去模糊后的图像,根据模糊核计算为式2:
Claims (5)
1.一种针对运动模糊图像复原的模糊核计算方法,其特征在于,包括以下步骤:
(1)建立图像退化模型,模型处理过程为:
g(x,y)=h(x,y)*I(x,y)+n(x,y) (式1)
其中,*表示卷积操作,n(x,y)表示加性噪声,g(x,y)表示模糊图像,I(x,y)表示清晰图像,h(x,y)表示的是由模糊角度和模糊长度两个参数确定的模糊核;
(2)根据模糊核的模糊角度参数和模糊图像稀疏表达系数之间的拟凸关系,利用图像灰度梯度符合超拉普拉斯分布的约束条件构建出如式2所示的约束优化问题,通过求解该约束优化问题得到模糊角度的估计值,
其中,s.t.是“Subject to”的缩写,表示“在……约束条件之下”,表示的是模糊角度,表示估计出的清晰图像,D是在清晰图像上学习得到的超完备字典,表示在图像中抽取第i个小块并列化为一个向量,αi表示第i个图像小块的稀疏表达系数,i取值为i=1,2,...,λ是控制似然项的权重因子,|I*fj|α表示作用于应用于I的一组滤波器f1……fj的输出值,为了方便计算α取值为并使用两个一阶导数滤波器f1=[1,-1]和f2=[1,-1]T进行计算,hθ是由模糊角度θ确定的模糊核;
(3)根据步骤(2)估计出的模糊角度值,将模糊图像的模糊核方向旋转至水平方向;
(4)使用将模糊核方向旋转至水平后的模糊图像的傅立叶系数幅值和作为输入,采用基于Bagging方法的集成BP神经网络预测模型预测特定模糊图像的模糊长度;
(5)根据步骤(2)得出的模糊角度和步骤(4)得出的模糊长度L,代入公式计算出模糊核,模糊核计算公式为:
2.根据权利要求1所述的针对运动模糊图像复原的模糊核计算方法,其特征在于,所述步骤(2)中采用由粗到细的模糊角度估计方法,在粗估计阶段,将式2表示的约束优化问题分解为两个子优化问题:和在求解这两个优化问题的过程中,首先给定一个模糊长度L和n个模糊角度θ′n,其中n=1,2,3...,组成模糊核参数集(θ′n,L),然后根据这些模糊核参数求解式4,得到然后根据求解式5得到相应的对的一阶范数求和得到:An取最小值时所对应的模糊角度值便是模糊角度的粗估计值θ。
3.根据权利要求2所述的针对运动模糊图像复原的模糊核计算方法,其特征在于,所述步骤(2)中根据估计出的粗模糊角度值θ以及估计粗模糊角度所使用的模糊长度L,以(θ,L)为中心生成一系列的模糊核参数(θi,Li),i=1,2,...,使用这一系列模糊核求解式4、式5和式6,得到Ai,对得到的Ai进行增序排列并取前k个Ai对应的模糊角度θi,前k个θi的平均值即为估计出的精模糊角度值。
4.根据权利要求1所述的针对运动模糊图像复原的模糊核计算方法,其特征在于,所述步骤(4)中基于Bagging方法集成BP神经网络的训练过程为:使用模糊角度为0,不同的模糊长度L模拟出相应的模糊图像,对这些模糊图像进行傅立叶变换,求解出模糊图像的傅立叶系数幅值和,将模糊图像的傅立叶系数幅值和及对应的模糊长度作为原始训练样本集S,然后采用Bagging方法有放回的从原始训练集中提取出i个自助学习样本集Si,i=1,2,...,每个自助学习样本集的大小与原始训练集相同,最后使用得到的自助学习样本集训练BP神经网络,其中,BP神经网络输入层节点数设置为1,输出层节点数设定为1,隐含层节点数设定为10,每个自助样本集训练一个BP神经网络预测模型,训练完成后,共得到i个BP神经网络预测模型。
5.根据权利要求1所述的针对运动模糊图像复原的模糊核计算方法,其特征在于,所述步骤(4)中使用神经网络预测模型估计模糊长度时,每个独立的BP神经网络模型都输出一个模糊长度估计值,最后将每个模型的输出值相加求平均值即得最终模糊长度的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649846.6A CN109003234B (zh) | 2018-06-21 | 2018-06-21 | 针对运动模糊图像复原的模糊核计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649846.6A CN109003234B (zh) | 2018-06-21 | 2018-06-21 | 针对运动模糊图像复原的模糊核计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003234A CN109003234A (zh) | 2018-12-14 |
CN109003234B true CN109003234B (zh) | 2019-11-12 |
Family
ID=64600544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810649846.6A Active CN109003234B (zh) | 2018-06-21 | 2018-06-21 | 针对运动模糊图像复原的模糊核计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003234B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517197B (zh) * | 2019-08-16 | 2022-09-09 | 西北工业大学 | 基于参数模型的单幅图像去模糊方法 |
CN110796584A (zh) * | 2019-10-28 | 2020-02-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 运动模糊图像建模方法、装置、存储介质及巡检机器人 |
CN111340735B (zh) * | 2020-03-04 | 2021-04-23 | 卡莱特云科技股份有限公司 | 一种led屏体校正方法、装置及终端 |
CN111598809A (zh) * | 2020-05-18 | 2020-08-28 | 哈尔滨理工大学 | 一种基于深度学习的图像运动模糊盲去除算法 |
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 |
CN114697709B (zh) * | 2020-12-25 | 2023-06-06 | 华为技术有限公司 | 视频传输方法及装置 |
CN114708166A (zh) * | 2022-04-08 | 2022-07-05 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质以及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112252A (zh) * | 2013-04-19 | 2014-10-22 | 杭州海康威视数字技术股份有限公司 | 一种图像去模糊的方法和装置 |
CN106600559A (zh) * | 2016-12-21 | 2017-04-26 | 东方网力科技股份有限公司 | 模糊核获取以及图像去模糊方法及装置 |
CN106875349A (zh) * | 2016-12-30 | 2017-06-20 | 无锡高新兴智能交通技术有限公司 | 盲图像复原方法中模糊核的计算方法及盲图像复原方法 |
US9749534B2 (en) * | 2014-12-31 | 2017-08-29 | Canon Kabushiki Kaisha | Devices, systems, and methods for estimation of motion blur from a single image |
-
2018
- 2018-06-21 CN CN201810649846.6A patent/CN109003234B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112252A (zh) * | 2013-04-19 | 2014-10-22 | 杭州海康威视数字技术股份有限公司 | 一种图像去模糊的方法和装置 |
US9749534B2 (en) * | 2014-12-31 | 2017-08-29 | Canon Kabushiki Kaisha | Devices, systems, and methods for estimation of motion blur from a single image |
CN106600559A (zh) * | 2016-12-21 | 2017-04-26 | 东方网力科技股份有限公司 | 模糊核获取以及图像去模糊方法及装置 |
CN106875349A (zh) * | 2016-12-30 | 2017-06-20 | 无锡高新兴智能交通技术有限公司 | 盲图像复原方法中模糊核的计算方法及盲图像复原方法 |
Non-Patent Citations (1)
Title |
---|
《Image Retrieval Based On Fuzzy Kernel Clustering and Invariant Moments》;Pengyi Hao el al.;《Second International Symposium on Intelligent Information Technology Application》;20081220;447-452 * |
Also Published As
Publication number | Publication date |
---|---|
CN109003234A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003234B (zh) | 针对运动模糊图像复原的模糊核计算方法 | |
CN110097519B (zh) | 基于深度学习的双监督图像去雾方法、系统、介质和设备 | |
CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
CN108711141B (zh) | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 | |
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 | |
CN111223062B (zh) | 基于生成对抗网络的图像去模糊方法 | |
CN109685743B (zh) | 基于噪声学习神经网络模型的图像混合噪声消除方法 | |
CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
CN110599409A (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
US20220020123A1 (en) | Bayesian image denoising method based on distribution constraint of noisy images | |
CN113902625A (zh) | 一种基于深度学习的红外图像增强方法 | |
CN108416753B (zh) | 一种基于非参数化交替方向乘子法的图像去噪算法 | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
CN114418883B (zh) | 一种基于深度先验的盲图像去模糊方法 | |
CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
CN106709877A (zh) | 一种基于多参数正则优化模型的图像去模糊方法 | |
CN112884668A (zh) | 基于多尺度的轻量级低光图像增强方法 | |
CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
CN108629741B (zh) | 一种基于l0和l1正则项的模糊核估计方法 | |
CN113256508A (zh) | 一种改进的小波变换与卷积神经网络图像去噪声的方法 |
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 |