CN110020994A - 一种红外目标图像的大气湍流校正方法 - Google Patents
一种红外目标图像的大气湍流校正方法 Download PDFInfo
- Publication number
- CN110020994A CN110020994A CN201910133593.1A CN201910133593A CN110020994A CN 110020994 A CN110020994 A CN 110020994A CN 201910133593 A CN201910133593 A CN 201910133593A CN 110020994 A CN110020994 A CN 110020994A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- recursive
- atmospheric turbulence
- correction
- 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 50
- 238000012937 correction Methods 0.000 title claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 230000010363 phase shift Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000012805 post-processing Methods 0.000 abstract description 3
- 235000007926 Craterellus fallax Nutrition 0.000 abstract description 2
- 240000007175 Datura inoxia Species 0.000 abstract description 2
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000007787 solid Substances 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于递归图像融合的红外目标图像大气湍流校正方法，首先使用卡尔曼滤波器估计每个目标相对光电成像系统的质心运动，然后采用双树复小波变换系数的相移特性进行非刚体配准，在配准的基础上，利用相邻帧的图像进行基于递归策略的目标形变校正，最终通过递归图像融合方法估计大气湍流校正的图像；本发明校正大气湍流后的图像细节较为丰富，计算效率高，可作为图像后处理算法在当前红外监控设备中稳定运行，提升当前设备采集到的图像的清晰度。
Description
技术领域
本发明属于红外图像处理领域，尤其涉及一种红外目标图像的大气湍流校正方法。
背景技术
光波在大气中传播会受到大气湍流的影响。由于空气密度的不均匀，光波的传播方向、速度发生改变，产生折射现象和衍射现象；光波相位和振幅发生随机起伏，形成光束漂移、波前畸变和光强闪烁等现象。大气湍流对光传播的影响本质是改变了波前，使得目标在成像设备焦平面的图像产生严重模糊。这对于地基望远镜观测成像、天基对地遥感成像观测以及高速飞行器气动光学成像等成像过程来说是极为不利的，将严重影响光学系统的成像性能。
自适应光学技术是目前补偿和克服大气湍流最常用的一种技术。尽管在望远镜上加入自适应光学系统能够一定程度上减弱大气湍流的干扰，但是由于计算机运算速度的限制、闭环伺服控制、非等晕效应、波前观测数据误差以及噪声的影响，使得自适应光学系统仅能对影像进行部分补偿，而不能完全消除大气湍流的影响，影像的边缘纹理等细节信息仍然受到严重的抑制与掩盖，导致影像模糊和影响噪声，因此必须对光学观测图像进行图像复原后处理。现代的地基、空基大型望远镜几乎都安装了自适应光学系统以及相应的图像复原技术。由于传感器平台的非稳定性和大气的湍流效应导致成像设备观测的图像出现变形和模糊，降低了其实用价值。借鉴递归图像融合先进理论的图像大气湍流校正算法，可以显著提高图像的质量，具有十分重要的现实意义。
大气湍流校正技术和理论已经取得了一定的发展，如经典的直接逆滤波算法、维纳滤波算法等。经典图像复原算法在无噪声影响以及点扩散函数估计精确的条件下，可以获得良好的复原结果。
但是在实际应用中，噪声干扰以及点扩散函数偏差都是存在的，会导致经典图像大气湍流校正算法的解空间发散，无法得到稳定唯一解，致使图像噪声被过度放大或图像失真等现象。
发明内容
本发明要解决的技术问题在于针对现有机载平台的不稳定性和大气的湍流效应，导致成像系统观测的图像出现变形和模糊的问题，在现有设备基础上通过软件算法的方式，即提供一种基于递归图像融合的红外目标图像大气湍流校正方法，将采集到的存在大气湍流的低分辨率图像重建成为高分辨图像。
本发明解决其技术问题所采用的技术方案是：一种红外目标图像的大气湍流校正方法，包括以下步骤：S1，获取目标的位移形变量，采用目标检测方法，检测出图像中的目标，使用卡尔曼滤波器估计每个目标相对光电成像系统的质心运动；S2，采用双树复小波变换系数的相移特性进行非刚体配准；相对运动估计首先使用粗水平复系数来确定大运动分量，然后使用细水平系数来细化运动场；S3，利用相邻帧的图像进行基于递归策略的目标形变校正；S4，通过递归图像融合恢复大气湍流校正后的图像。
进一步，所述步骤S1中所采用的卡尔曼滤波估计目标相对光电成像系统质心运动的方法具体为：
S101，对于t时刻获取的图像，目标检测与跟踪过程从前景和背景分割开始，采用基于高斯混合模型的背景差分方法；
S102，通过非刚性配准过程中估计的运动概率密度函数改进模型；
S103，对于每个分布的权重、均值和方差以递归方式更新，其中背景掩模表示分布总和大于某个阈值的区域；假定背景区域的面积总是大于前景的面积，本专利设置所有分布的中值为阈值；
S104，使用卡尔曼滤波估计每个前景掩模的质心运动，以从总共K个移动目标中跟踪目标k，所述的卡尔曼滤波采用贝叶斯推断和联合概率分布通过每帧的测量变量来估计观察目标的相对位置；在本专利中，假设目标位置固定不动，对于非线性系统来说，可以采用扩展卡尔曼滤波器(EKE)或无迹卡尔曼滤波器(UKF)来估计目标相对载机的位移变化量；
进一步，所述步骤S2中基于双树复小波变换系数的相移特性的非刚体配准方法具体为：
S201，使用粗水平复系数确定目标的相对运动的大运动分量，即求解出每个目标的相对平移参数；
S202，采用多尺度梯度匹配方法消除图像翘曲：当误差超过阈值时，激活该方法；
S203，利用在相邻帧的目标内提取的双树复小波变换的高通系数，分别计算连接在两个连续图像t和t-1之间的2×2仿射矩阵At，t-1和2×1平移向量Tt，t-1，移动的目标区域以递归方式构造，如下式所示：
式中，α是学习速率，M为运动目标。
进一步，所述步骤S3中利用相邻帧的图像进行基于递归策略的目标形变校正方法具体为：
S301，利用相邻帧的图像进行目标形变校正，采用递归策略用于在时间t更新参考图像帧Rt；
S302，当前输入图像帧Xt非刚性地配准到图像Rt，其中每帧图像仅配准一次，以减少工作量。
进一步，所述步骤S4中基于递归图像融合恢复大气湍流校正图像的方法具体为：
S401，采用随指数衰减权重的Rt，如下式所示：
其中α是上式中的同一参数，Nb和Nf分别是用于恢复BG和FG的图像总数，Nb＞Nf，α＝1/(Nb+1)，这近似等于最后Nb+1张图像的平均，当前图像Xt使用上上节的方法配准到Rt；
S402，采用具有二进制掩模的权重系数β，如果当前小波幅值小于同一子带或同一级别中所有系数的中值，则将其设置为1，最终，恢复的图像表示为
式中，为双树复小波变换的逆，其中：
本发明产生的有益效果是：
本发明方法将递归图像融合理论结合到图像大气湍流校正的处理中，实现图像的高分辨重构功能。
基于该理论，首先使用卡尔曼滤波器估计每个目标相对光电成像系统的质心运动。然后采用双树复小波变换(DT-CWT)系数的相移特性进行非刚体配准。在配准的基础上，利用相邻帧的图像进行基于递归策略的目标形变校正。最终，通过递归图像融合方法估计大气湍流校正的图像。
本发明重建的图像细节较为丰富，计算效率高，可作为图像后处理算法在当前红外监控设备中稳定运行，提升当前设备采集到的图像的分辨率。
附图说明
图1是本发明的方法流程图。
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用以解释本发明，并不用于限定本发明。
参照图1所示，本发明公开的一种基于递归图像融合的红外目标图像大气湍流校正方法，包括以下步骤：
S1，获取目标的位移形变量，采用目标检测方法，检测出图像中的目标，使用卡尔曼滤波器估计每个目标相对光电成像系统的质心运动。卡尔曼滤波采用贝叶斯推断和联合概率分布通过每帧的测量变量来估计观察目标的相对位置，在本专利中，假设目标位置固定不动，对于非线性系统来说，可以采用扩展卡尔曼滤波器(EKE)或无迹卡尔曼滤波器(UKF)来估计目标相对载机的位移变化量。
进一步地，本发明的步骤S1中，所采用的卡尔曼滤波估计目标相对光电成像系统质心运动的方法具体为：
S101，对于t时刻获取的图像，目标检测与跟踪过程从前景和背景分割开始，采用基于高斯混合模型的背景差分方法；
S102，通过非刚性配准过程中估计的运动概率密度函数改进模型；
S103，对于每个分布的权重、均值和方差以递归方式更新，背景掩模表示分布总和大于某个阈值的区域，假定背景区域的面积总是大于前景的面积，本专利设置所有分布的中值为阈值；
S104，为了从总共K个移动目标中跟踪目标k，使用卡尔曼滤波估计每个前景掩模的质心运动。卡尔曼滤波采用贝叶斯推断和联合概率分布通过每帧的测量变量来估计观察目标的位置。对于非线性系统来说，采用扩展卡尔曼滤波器(EKE)或无迹卡尔曼滤波器(UKF)来估计目标相对载机的位移变化量。
S2，采用双树复小波变换(DT-CWT)系数的相移特性进行非刚体配准；相对运动估计首先使用粗水平复系数来确定大运动分量，然后使用细水平系数来细化运动场。
进一步地，本发明的步骤S2中，基于双树复小波变换(DT-CWT)系数的相移特性的非刚体配准方法具体为：
S201，使用粗水平复系数确定目标的相对运动的大运动分量，即求解出每个目标的相对平移参数；
S202，目标的相对运动并不是单纯的平移，不足以通过非刚体配准方法补偿目标相对运动产生合理的结果。因此，本专利采用多尺度梯度匹配方法消除图像翘曲，当误差超过阈值时，激活该方法；
S203，利用在相邻帧的目标内提取的DT-CWT的高通系数，分别计算连接在两个连续图像t和t-1之间的2×2仿射矩阵At，t-1和2×1平移向量Tt，t-1，移动的目标区域以递归方式构造，如下式所示：
式中，α是学习速率，M为运动目标。
S3，利用相邻帧的图像进行基于递归策略的目标形变校正。
进一步地，本发明的步骤S3中低分辨率图像稀疏表示的方法具体为：
S301，将低分辨率图像I1插值放大至期望得到的高分辨率图像相同大小，然后将放大后的图像进行分块构成低分辨率图像块；
S302，获得的低分辨率图像块求解其在低分辩字典表征下的稀疏表示向量α，该向量即为对应高分辨率图像块对应的稀疏表示向量。
S4，通过递归图像融合恢复大气湍流校正后的图像。
进一步地，本发明的步骤S4中高分辨率图像重构的方法具体为：
S401，利用相邻帧的图像进行目标形变校正，本专利采用递归策略用于在时间t更新参考图像帧Rt。随后，当前输入图像帧Xt非刚性地配准到图像Rt，其中每帧图像仅配准一次，能够显著地减少工作量。
S402，采用随指数衰减权重的Rt，如下式所示。α是上式中的同一参数。Nb和Nf分别是用于恢复BG和FG的图像总数。一般地，Nb大于Nf，α＝1/(Nb+1)，这近似等于最后Nb+1张图像的平均。当前图像Xt使用上上节的方法配准到Rt。
S403，采用具有二进制掩模的权重系数β，如果当前小波幅值小于同一子带或同一级别中所有系数的中值，则将其设置为1(med(z)是数据z的中值)。这确保了比较牢靠的结构，例如图像中的角和线是尖锐的，并且在均匀区域中呈现的累积高频被抑制以防止不期望的假象。最终，恢复的图像表示为
式中，为DT-CWT的逆。其中：
本发明基于递归图像融合的大气湍流校正方法采用卡尔曼滤波方法估计目标比较粗略的位移量，然后利用非刚体图像配准方法获取目标的精细位移，并利用多尺度梯度匹配方法消除图像目标形变，最终利用递归图像融合对图像进行校正，获取清晰图像。
本发明不局限于上述最佳实施方式，任何本领域技术人员在本发明的启示下都可以得出其它变形及改进的产品，但不论在其形状或结构上做任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
Claims (5)
1.一种红外目标图像的大气湍流校正方法，其特征在于：包括以下步骤：
S1，获取目标的位移形变量，采用目标检测方法，检测出图像中的目标，使用卡尔曼滤波器估计每个目标相对光电成像系统的质心运动；
S2，采用双树复小波变换系数的相移特性进行非刚体配准；
S3，利用相邻帧的图像进行基于递归策略的目标形变校正；
S4，通过递归图像融合恢复大气湍流校正后的图像。
2.根据权利要求1所述的一种红外目标图像的大气湍流校正方法，其特征在于，所述步骤S1中所采用的卡尔曼滤波估计目标相对光电成像系统质心运动的方法具体为：
S101，对于t时刻获取的图像，目标检测与跟踪过程从前景和背景分割开始，采用基于高斯混合模型的背景差分方法；
S102，通过非刚性配准过程中估计的运动概率密度函数改进模型；
S103，对于每个分布的权重、均值和方差以递归方式更新，其中背景掩模表示分布总和大于某个阈值的区域；
S104，使用卡尔曼滤波估计每个前景掩模的质心运动，以从总共K个移动目标中跟踪目标k，所述的卡尔曼滤波采用贝叶斯推断和联合概率分布通过每帧的测量变量来估计观察目标的相对位置。
3.根据权利要求1所述的一种红外目标图像的大气湍流校正方法，其特征在于，所述步骤S2中基于双树复小波变换系数的相移特性的非刚体配准方法具体为：
S201，使用粗水平复系数确定目标的相对运动的大运动分量，即求解出每个目标的相对平移参数；
S202，采用多尺度梯度匹配方法消除图像翘曲：当误差超过阈值时，激活该方法；
S203，利用在相邻帧的目标内提取的双树复小波变换的高通系数，分别计算连接在两个连续图像t和t-1之间的2×2仿射矩阵At，t-1和2×1平移向量Tt，t-1，移动的目标区域以递归方式构造，如下式所示：
式中，α是学习速率，M为运动目标。
4.根据权利要求1所述的一种红外目标图像的大气湍流校正方法，其特征在于，所述步骤S3中利用相邻帧的图像进行基于递归策略的目标形变校正方法具体为：
S301，利用相邻帧的图像进行目标形变校正，采用递归策略用于在时间t更新参考图像帧Rt；
S302，当前输入图像帧Xt非刚性地配准到图像Rt，其中每帧图像仅配准一次，以减少工作量。
5.根据权利要求1所述的一种红外目标图像的大气湍流校正方法，其特征在于，所述步骤S4中基于递归图像融合恢复大气湍流校正图像的方法具体为：
S401，采用随指数衰减权重的Rt，如下式所示：
其中α是上式中的同一参数，Nb和Nf分别是用于恢复BG和FG的图像总数，Nb＞Nf，α＝1/(Nb+1)，这近似等于最后Nb+1张图像的平均，当前图像Xt使用上上节的方法配准到Rt；
S402，采用具有二进制掩模的权重系数β，如果当前小波幅值小于同一子带或同一级别中所有系数的中值，则将其设置为1，最终，恢复的图像表示为
式中，为双树复小波变换的逆，其中：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133593.1A CN110020994B (zh) | 2019-02-22 | 2019-02-22 | 一种红外目标图像的大气湍流校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133593.1A CN110020994B (zh) | 2019-02-22 | 2019-02-22 | 一种红外目标图像的大气湍流校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020994A true CN110020994A (zh) | 2019-07-16 |
| CN110020994B CN110020994B (zh) | 2022-11-22 |
Family
ID=67189052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910133593.1A Active CN110020994B (zh) | 2019-02-22 | 2019-02-22 | 一种红外目标图像的大气湍流校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020994B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852963A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于相关最大性的湍流退化图像复原方法 |
| CN112348782A (zh) * | 2020-10-27 | 2021-02-09 | 天津大学 | 一种基于复数可控金字塔的变化检测方法 |
| CN112465728A (zh) * | 2020-12-07 | 2021-03-09 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 视频图像处理方法、系统、电子设备及存储介质 |
| CN112816068A (zh) * | 2020-12-29 | 2021-05-18 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 红外光谱成像系统及其光谱图像重构方法 |
| CN115358953A (zh) * | 2022-10-21 | 2022-11-18 | 长沙超创电子科技有限公司 | 一种基于图像配准和动态目标融合的去湍流方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103335950A (zh) * | 2013-06-24 | 2013-10-02 | 中国科学院光电技术研究所 | 一种测量大气湍流非等晕性波前误差及湍流特征参数的测量装置及方法 |
| US20140105515A1 (en) * | 2012-04-04 | 2014-04-17 | The Regents Of The University Of California | Stabilizing and Deblurring Atmospheric Turbulence |
| CN106991659A (zh) * | 2017-03-29 | 2017-07-28 | 江苏省海洋资源开发研究院(连云港) | 一种适应大气湍流变化的多帧自适应光学图像恢复方法 |
-
2019
- 2019-02-22 CN CN201910133593.1A patent/CN110020994B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140105515A1 (en) * | 2012-04-04 | 2014-04-17 | The Regents Of The University Of California | Stabilizing and Deblurring Atmospheric Turbulence |
| CN103335950A (zh) * | 2013-06-24 | 2013-10-02 | 中国科学院光电技术研究所 | 一种测量大气湍流非等晕性波前误差及湍流特征参数的测量装置及方法 |
| CN106991659A (zh) * | 2017-03-29 | 2017-07-28 | 江苏省海洋资源开发研究院(连云港) | 一种适应大气湍流变化的多帧自适应光学图像恢复方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852963A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于相关最大性的湍流退化图像复原方法 |
| CN112348782A (zh) * | 2020-10-27 | 2021-02-09 | 天津大学 | 一种基于复数可控金字塔的变化检测方法 |
| CN112348782B (zh) * | 2020-10-27 | 2022-03-29 | 天津大学 | 一种基于复数可控金字塔的变化检测方法 |
| CN112465728A (zh) * | 2020-12-07 | 2021-03-09 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 视频图像处理方法、系统、电子设备及存储介质 |
| CN112816068A (zh) * | 2020-12-29 | 2021-05-18 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 红外光谱成像系统及其光谱图像重构方法 |
| CN112816068B (zh) * | 2020-12-29 | 2023-12-26 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 红外光谱成像系统及其光谱图像重构方法 |
| CN115358953A (zh) * | 2022-10-21 | 2022-11-18 | 长沙超创电子科技有限公司 | 一种基于图像配准和动态目标融合的去湍流方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020994B (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020994A (zh) | 一种红外目标图像的大气湍流校正方法 | |
| Wang et al. | Joint filtering of intensity images and neuromorphic events for high-resolution noise-robust imaging | |
| CN110796010B (zh) | 一种结合光流法和卡尔曼滤波的视频稳像方法 | |
| Werlberger et al. | Motion estimation with non-local total variation regularization | |
| US11303793B2 (en) | System and method for high-resolution, high-speed, and noise-robust imaging | |
| CN102063716B (zh) | 一种基于各向异性约束的多帧迭代盲解卷积图像复原方法 | |
| 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 | |
| CN103559684B (zh) | 基于平滑校正的图像恢复方法 | |
| CN104103050A (zh) | 一种基于局部策略的真实视频复原方法 | |
| CN103402045A (zh) | 一种基于分区匹配和仿射模型相结合的图像去旋稳像方法 | |
| CN111614965B (zh) | 基于图像网格光流滤波的无人机视频稳像方法及系统 | |
| CN109035139A (zh) | 一种高分辨率卫星影像调制传递函数补偿方法 | |
| Rani et al. | A brief review on image restoration techniques | |
| CN112184549B (zh) | 基于时空变换技术的超分辨图像重建方法 | |
| CN113793285A (zh) | 气动光学效应目标孪生图像的超快复原方法及系统 | |
| Wang et al. | An improved image blind deblurring based on dark channel prior | |
| CN112184567A (zh) | 一种基于交替最小化的多通道盲识别自适应光学图像复原方法 | |
| JP6819794B2 (ja) | レーダ画像処理装置、レーダ画像処理方法およびレーダ画像処理プログラム | |
| US20110103649A1 (en) | Complex Wavelet Tracker | |
| Halder et al. | High precision restoration method for non-uniformly warped images | |
| CN110440935B (zh) | 一种基于扩展信息滤波的相位展开方法 | |
| Kim et al. | Hybrid recursive energy-based method for robust optical flow on large motion fields | |
| CN111476715A (zh) | 一种基于图像变形技术的拉格朗日视频运动放大方法 | |
| Zhang et al. | Image Restoration | |
| Halder et al. | A new image restoration approach for imaging through the atmosphere |
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 |