CN109035282B - Hadamard编码调制关联成像的阈值处理方法 - Google Patents
Hadamard编码调制关联成像的阈值处理方法 Download PDFInfo
- Publication number
- CN109035282B CN109035282B CN201810871207.4A CN201810871207A CN109035282B CN 109035282 B CN109035282 B CN 109035282B CN 201810871207 A CN201810871207 A CN 201810871207A CN 109035282 B CN109035282 B CN 109035282B
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- gray
- segmentation
- imaging
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 72
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000005260 corrosion Methods 0.000 claims abstract description 7
- 230000007797 corrosion Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000002093 peripheral effect Effects 0.000 claims abstract description 4
- 230000002596 correlated effect Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000581017 Oliva Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10052—Images from lightfield camera
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种Hadamard编码调制关联成像的阈值处理方法，通过依据Hadamard矩阵调制关联成像所得重构图像的灰度直方图特征确定分割阈值，再利用确定的分割阈值对目标图像进行阈值分割处理，再对阈值分割处理后图像进行形态学滤波，形态学滤波包括：首先对阈值分割处理后图像进行腐蚀操作，消除图像中的点状噪声，然后再进行膨胀操作，得到二值化的目标图像轮廓；最后利用该目标图像轮廓对阈值分割处理后图像进行增强处理，去除目标图像外围点状噪声，获得清晰图像。本发明的阈值处理方法可行性高，获得接近8dB的光学图像增强，对二值图像和灰度图像都有比较好的效果，有效促进了关联成像技术的实用化。
Description
技术领域
本发明属于图像处理技术领域，特别是涉及一种Hadamard编码调制关联成像的阈值处理方法。
背景技术
关联成像又称量子成像、鬼成像，是一种利用空间光场强度涨落关联性实现图像重构的新技术。不同于传统光学成像采用“点对点”记录目标物体信息的成像方式，关联成像采用一个不具有空间分辨能力的单像素探测器(又称桶探测器)记录含有物体信息光场的总强度值，与照射物体的调制光场进行关联计算，重构目标物体的图像信息。
经典关联成像采用双光路方案，调制光场经分束器分束后，一条光束经物体被单像素探测器接收；另一条光束直接被面阵探测器接收，用于记录光场分布信息。随着关联成像技术的发展，计算关联成像于2008年由美国麻省理工学院的Shapiro提出，主要是通过预置光场的分布信息，经调制器件调制后直接照射到物体，并被单像素探测器探测，可以只通过一条光路实现图像重构。目前计算关联成像研究热点集中在成像质量改善和成像效率上。
经典计算关联成像采用高斯随机分布矩阵进行光场调制，高斯矩阵的非正交性，会引入散斑相关性噪声，降低重构图像的信噪比和成像效率，寻找更有效率的测量矩阵，减少测量时间、提高成像质量，是计算关联成像实用化研究的重要课题。2013年，加利福尼亚大学的Olivas研究了不同变换基(Noiselet、Hadamard、DCT)调制照射光场对单像素相机成像质量的影响，指出Hadamard变换基是单像素成像满足成像效率和成像质量平衡的最佳调制光场方案。Hadamard矩阵具有的任意两列不相关性质，能有效避免各个像素点间的相关性噪声，能够实现更好的重构效率。有研究表明采用Hadamard矩阵作为测量矩阵，目标图像像素64pixel×64pixel，仅4000次测量即可达到采用高斯随机分布矩阵作为测量矩阵35000次的测量效果。
但采用Hadamard矩阵调制关联成像获得的重构图像整体灰度值低、具有明显的噪声点状集中现象(特别是左上角噪声集中更加明显)等限制因素。由于噪声图像亮度高，目标图像亮度相对较低，图像信息被淹没，无法观察到清晰图像。
发明内容
本发明的目的在于提供一种Hadamard编码调制关联成像的阈值处理方法，解决Hadamard变换基计算关联成像，由于噪声图像亮度高，目标图像亮度相对较低，造成图像信息被淹没，无法得到清晰图像的问题，以实现高效率的成像，促进关联成像技术的实用化。
本发明所采用的技术方案是，Hadamard编码调制关联成像的阈值处理方法，具体步骤如下：
步骤1、依据Hadamard矩阵调制关联成像所得重构图像的灰度直方图特征确定分割阈值；
步骤2、重构图像阈值分割处理：
用步骤1确定的分割阈值，对重构图像进行分割，分割后图像表达式如下所示：
其中，τ(x,y)为重构图像中坐标为(x,y)的像素点的灰度值；τh为高灰度分割点阈值；τl为低灰度分割点阈值；G'(x,y)为阈值处理后图像，G(x,y)为目标图像；重构图像中灰度值高于τh为点状噪声区域，灰度值低于τl为背景区域，灰度值属于[τl,τh]为目标图像区域；
步骤3、对阈值分割后图像G'(x,y)进行形态学滤波。
所述步骤1具体步骤如下：
步骤1.1、Hadamard矩阵光场调制关联成像获取重构图像；
步骤1.2、获取重构图像的灰度直方图，并采用经典基于图像数据自动选择的迭代算法，得出低灰度分割点阈值τl；
步骤1.3、选取重构图像的灰度直方图中第二峰值后出现的第一个出现频率为0的灰度值为高灰度分割点阈值τh。
所述步骤3具体步骤如下：
步骤3.1、对阈值分割后图像进行腐蚀操作，以消除重构图像中的点状噪声；
步骤3.2、对消除点状噪声的腐蚀后图像再进行膨胀操作，得到二值化的目标图像轮廓；
步骤3.3、用二值化的目标图像轮廓对阈值分割后图像进行增强，去除目标图像外围点状噪声。
所述步骤1.1中，Hadamard矩阵光场调制关联成像，采用经典的二阶关联成像公式获取重构图像，李明飞，莫小范，赵连洁，霍娟等.基于Walsh-Hadamard变换的单像素遥感成像.物理学报.2016(06)对成像的具体步骤及公式有进一步解释。
所述Hadamard矩阵可以按如下方式产生：
1)、依式(2)获取
矩阵：
其中，n是大于等于2的正整数；
2)、用0替换
矩阵当中的-1，解决-1很难用光强来表征的问题，利用
进行Hadamard矩阵构造，如(3)式所示：
其中，
表示Hadamard矩阵。
本发明的有益效果是，Hadamard编码调制关联成像的阈值处理方法，通过分析Hadamard矩阵作为测量矩阵计算关联成像重建结果的噪声特点，基于图像分割理论，提出一种利用阈值处理和形态学图像增强的Hadamard编码调制关联成像噪声压制方法，并通过实验验证了该方法的可行性，获得接近8dB的光学图像增强。该方案对二值图像和灰度图像都有比较好的效果，其工作促进了关联成像技术的实用化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是Hadamard调制关联成像所得重构图像的灰度直方图；
图2是Hadamard调制关联成像背景成像图像及其灰度直方图；
图3是Hadamard调制关联成像所得重构图像去噪流程图；
图4是实验装置示意图；
图5是Hadamard调制照射光场示意图；
图6是Hadamard调制关联成像阈值处理方法对二值图像的处理结果示意图；
图7是Hadamard调制关联成像阈值处理方法对灰度图像的处理结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Hadamard调制关联成像的成像噪声主要由环境噪声和系统噪声组成，噪声分布呈现高斯分布特征，其统计特性在多次采样后在频域上呈均匀分布。重构图像噪声表现为点状离散分布，其空间分布特征与Hadamard矩阵的空间频域能量集中特性存在关联。
图1是一个二值图像的Hadamard测量矩阵调制关联成像重构图像的灰度直方图，横轴表示灰度，纵轴表示灰度值出现的频率，也就是每个灰度值出现的个数；图中灰色直条纹标志出现的频数，条纹上的实线是直方图表示的另一种方式，可以看成是轮廓，实际数字化图像的灰度是离散的，不是连续的；该直方图存在明显的2个峰值，灰度分量集中于灰度级低端，按照灰度由低到高顺序，明显分隔为3个区域：背景区域、图像区域、点状噪声区域，直方图高灰度像素出现频率与图像上离散分布的点状噪声有明显相关性。
为验证Hadamard调制计算关联成像重构图像的灰度统计分布特性，采用黑纸(无图)作为对比实验组目标图像，通过Hadamard调制计算关联成像得到了没有物像的重构图像，如图2(a)所示，其灰度直方图如图2(b)所示。灰度直方图统计分析显示，重构图像直方图在低灰度端存在一个峰值区域；灰度中高端像素出现频度表现为离散分布，且分布规律与物体关联成像重构图像直方图相似；图2(c)为抑制高亮度点状噪声后图像，图2(d)为抑制高亮度点状噪声后图像直方图。
因此，为获取高质量图像信息、增强图像可观察性、降低点状噪声集中现象的影响，本发明提出了基于阈值处理目标区域图像分割、采用形态学滤波对灰度阈值处理结果进行图像增强的去噪方法。
Hadamard编码调制关联成像的阈值处理方法，如图3所示，具体步骤如下：
步骤1、依据Hadamard矩阵调制关联成像所得重构图像的灰度直方图特征确定分割阈值：
步骤1.1、对重构图像直方图采用经典的基于图像数据自动选择的迭代算法，得出低灰度分割点阈值τl；
步骤1.2、选取重构图像灰度直方图第二峰值后出现的第一个出现频率为0的灰度值为高灰度分割点阈值τh；
步骤2、重构图像阈值分割处理：
用确定的分割阈值，对重构图像进行分割，灰度值高于τh为点状噪声区域，灰度值低于τl为背景区域，灰度值属于[τl,τh]为目标图像区域；
分割后图像表达式如式(1)所示：
其中，τ(x,y)为重构图像中坐标为(x,y)的像素点的灰度值；G'(x,y)为阈值分割后图像，G(x,y)为目标图像；
步骤3、对阈值分割后图像G'(x,y)进行形态学滤波：
步骤3.1、对阈值分割后图像G'(x,y)进行腐蚀操作，以消除图像中的点状噪声；
步骤3.2、对消除点状噪声的腐蚀后图像再进行膨胀操作，得到二值化的目标图像轮廓；
步骤3.3、用二值化的目标图像轮廓对阈值分割后图像G'(x,y)进行增强，去除目标图像G(x,y)外围点状噪声。
Hadamard矩阵光场调制关联成像，采用经典的二阶关联成像获取重构图像，李明飞，莫小范，赵连洁，霍娟，等.基于Walsh-Hadamard变换的单像素遥感成像.物理学报.2016(06)对成像的具体步骤及相应公式有进一步解释。
本文采用计算关联成像方案实验系统，如图4所示。实验中采用的光源是3LCD工作机制的日立投影仪HCP-3050X，其亮度为3000lm，照射光束为128pixel×128pixel区域，是将每个64×64的测量矩阵扩充为最小单元为2×2pixel的投影图像，投射到待测物体，经物体反射后由单像素探测器(硅基跨阻放大光电探测器Thorlabs PDA100A-EC)接收，获得目标物体的光电探测信号——桶探测值。
测量矩阵是通过Matlab软件的Hadamard生成函数构造，如图5所示，首先，生成4096×4096的Hadamard矩阵；然后，用4096×4096矩阵的每一行构造64×64的方阵，建立包含4096幅互不相关矩阵的Hadamard矩阵集。
根据上述理论分析，按照如图4所示实验系统，对如图3所示的阈值处理和形态学图像增强Hadamard调制关联成像去噪的图像增强方法，对二值图像“学”进行处理，处理结果如图6所示。可见，原重构图像整体较暗灰度值被压缩，存在明显的点状噪声集中现象，图像左上角和上边高亮度点状集中现象较为明显，如图6(a)关联重构图像所示；图像的灰度直方图显示，灰度分量集中于灰度低端，存在明显的2个峰值，高灰度像素出现频率低且离散分布，如图6(b)重构图像直方图所示；图6(c)是抑制高灰度点状噪声图像；图6(d)是抑制高灰度点状噪声图像直方图；图6(e)是背景图像分割图像；图6(f)是背景图像分割直方图；图6(g)是形态学增强图像；图6(h)为最终图像；同样对灰度图像“飞机”进行进行处理，处理结果如图7所示，图7(a)是重构灰度图像；图7(b)是目标图像阈值处理图像；图7(c)是形态学增强图像；上述处理结果显示本发明方法处理后图像对比度和可观察性明显提高。
基于Hadamard编码调制关联成像重构图像的灰度直方图统计阈值处理的图像增强方法，是针对Hadamard编码调制关联成像的噪声特征采取的一种后处理方法，特别适用于大背景环境下目标图像的增强。采用Hadamard编码调制关联成像方法4096次测量二值图像，经阈值处理和形态学图像增强后，峰值信噪比从11.19dB提升到了19.10dB，获得了7.91dB的提升。
Hadamard编码调制光场关联成像效果比经典调制方式的关联成像，在消除图像相关噪声方面效果明显，其特有的点状噪声集中现象可以用灰度直方图统计目标区域阈值处理图像增强方法消除。本发明是目前比较理想的关联成像点状图像噪声抑制方法，在关联成像技术的实用化方面有一定应用价值。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (2)
1.Hadamard编码调制关联成像的阈值处理方法，其特征在于，具体步骤如下：
步骤1、依据Hadamard矩阵光场调制关联成像所得重构图像的灰度直方图特征确定分割阈值；
步骤2、重构图像阈值分割处理：
用步骤1确定的分割阈值，对重构图像进行分割，分割后图像表达式如下所示：
其中，τ(x,y)为重构图像中坐标为(x,y)的像素点的灰度值；τh为高灰度分割点阈值；τl为低灰度分割点阈值；G'(x,y)为阈值处理后图像，G(x,y)为目标图像；重构图像中灰度值高于τh为点状噪声区域，灰度值低于τl为背景区域，灰度值属于[τl,τh]为目标图像区域；
步骤3、对阈值分割后图像G'(x,y)进行形态学滤波；
所述步骤1具体步骤如下：
步骤1.1、Hadamard矩阵光场调制关联成像获取重构图像；
步骤1.2、获取重构图像的灰度直方图，并采用经典基于图像数据自动选择的迭代算法，得出低灰度分割点阈值τl；
步骤1.3、选取重构图像的灰度直方图中第二峰值后出现的第一个出现频率为0的灰度值为高灰度分割点阈值τh；
所述步骤3具体步骤如下：
步骤3.1、对阈值分割后图像进行腐蚀操作，以消除重构图像中的点状噪声；
步骤3.2、对消除点状噪声的腐蚀后图像再进行膨胀操作，得到二值化的目标图像轮廓；
步骤3.3、用二值化的目标图像轮廓对阈值分割后图像进行增强，去除目标图像外围点状噪声。
2.根据权利要求1所述Hadamard编码调制关联成像的阈值处理方法，其特征在于，所述步骤1.1中，Hadamard矩阵光场调制关联成像，采用经典的二阶关联成像公式获取重构图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810871207.4A CN109035282B (zh) | 2018-08-02 | 2018-08-02 | Hadamard编码调制关联成像的阈值处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810871207.4A CN109035282B (zh) | 2018-08-02 | 2018-08-02 | Hadamard编码调制关联成像的阈值处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035282A CN109035282A (zh) | 2018-12-18 |
| CN109035282B true CN109035282B (zh) | 2022-02-08 |
Family
ID=64647720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810871207.4A Active CN109035282B (zh) | 2018-08-02 | 2018-08-02 | Hadamard编码调制关联成像的阈值处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035282B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946753B (zh) * | 2019-03-15 | 2020-04-28 | 西安交通大学 | 基于低阶Hadamard基矢计算鬼成像的编码方法 |
| CN110136187B (zh) * | 2019-05-17 | 2021-09-24 | 北京邮电大学 | 一种基于压缩感知观测矩阵分割减小关联成像计算开销的方法 |
| CN110243398B (zh) * | 2019-06-27 | 2021-04-20 | 南京邮电大学 | 一种基于相干检测的相位物体的关联成像方法 |
| CN110864817B (zh) * | 2019-11-22 | 2021-02-12 | 山东大学 | 基于单像素探测器的非干涉定量相位成像方法 |
| CN112903731B (zh) * | 2019-12-02 | 2022-09-13 | 中国科学院物理研究所 | 中子强度关联成像的方法和装置 |
| CN112615677B (zh) * | 2020-11-30 | 2022-02-15 | 华中科技大学 | 基于深度学习的非正交波分复用时域鬼成像方法和系统 |
| CN113709325B (zh) * | 2021-07-20 | 2023-09-15 | 辽宁大学 | 基于Hadamard频域变换矩阵阈值滤波的单像素成像方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101016053A (zh) * | 2007-01-25 | 2007-08-15 | 吉林大学 | 高等级公路上车辆防追尾碰撞预警方法和系统 |
| CN104101868B (zh) * | 2014-06-30 | 2016-08-24 | 西安电子科技大学 | 基于干扰子空间重构的雷达多假目标干扰抑制方法 |
| CN104376554B (zh) * | 2014-10-16 | 2017-07-18 | 中海网络科技股份有限公司 | 一种基于图像纹理的违章停车检测方法 |
| CN105023247B (zh) * | 2015-06-24 | 2017-10-24 | 南京理工大学 | 抑制单臂鬼成像离焦模糊的二次成像方法 |
-
2018
- 2018-08-02 CN CN201810871207.4A patent/CN109035282B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035282A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035282B (zh) | Hadamard编码调制关联成像的阈值处理方法 | |
| KR101633377B1 (ko) | 다중 노출에 의한 프레임 처리 방법 및 장치 | |
| CN109636732A (zh) | 一种深度图像的空洞修复方法以及图像处理装置 | |
| JP2015046698A (ja) | 撮像装置およびその撮像方法、画像処理装置およびその画像処理方法、並びに、プログラム | |
| Hong et al. | Single image dehazing via atmospheric scattering model-based image fusion | |
| KR20170125859A (ko) | 색 보정을 위한 장치 및 방법 | |
| KR102221116B1 (ko) | 크로스 커널 구조의 중간값 필터를 이용한 영상 잡음 제거장치 및 방법 | |
| JP2012208553A (ja) | 画像処理装置、および画像処理方法、並びにプログラム | |
| JP2010134700A (ja) | 画像評価装置および画像評価方法 | |
| CN107392879B (zh) | 一种基于参考帧的低照度监控图像增强方法 | |
| JP2007334892A (ja) | デジタルグレー値画像の処理方法 | |
| KR101874738B1 (ko) | 영상처리를 이용하여 ldr 영상으로부터 hdr 영상을 생성하는 장치 및 방법 | |
| Honnutagi et al. | Fusion-based underwater image enhancement by weight map techniques | |
| CN111047650A (zh) | 一种用于飞行时间相机的参数标定方法 | |
| Benxing et al. | Underwater image recovery using structured light | |
| Khan et al. | High-density single shot 3D sensing using adaptable speckle projection system with varying preprocessing | |
| Mohanty et al. | Application of different filtering techniques in digital image processing | |
| Agrawal et al. | A joint cumulative distribution function and gradient fusion based method for dehazing of long shot hazy images | |
| CN114549335A (zh) | 一种扩展单像素成像的动态范围的方法 | |
| Kim et al. | Antipodal gray codes for structured light | |
| Chowdhury et al. | A quantum study on digital image noises and their in-depth clusterization | |
| Karaduzovic-Hadziabdic et al. | Expert evaluation of deghosting algorithms for multi-exposure high dynamic range imaging | |
| Dubey et al. | Comparative performance analysis of spatial domain filtering techniques in digital image processing for removing different types of noise | |
| CN112529816B (zh) | 数据处理方法、装置、存储介质及计算机设备 | |
| Queiroz et al. | Image deblurring using maps of highlights |
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 |