CN110033415B - 一种基于Retinex算法的图像去模糊方法 - Google Patents

一种基于Retinex算法的图像去模糊方法 Download PDF

Info

Publication number
CN110033415B
CN110033415B CN201910212674.0A CN201910212674A CN110033415B CN 110033415 B CN110033415 B CN 110033415B CN 201910212674 A CN201910212674 A CN 201910212674A CN 110033415 B CN110033415 B CN 110033415B
Authority
CN
China
Prior art keywords
image
initial
blurred
original
representing
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
Application number
CN201910212674.0A
Other languages
English (en)
Other versions
CN110033415A (zh
Inventor
陈熙源
方文辉
柳笛
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910212674.0A priority Critical patent/CN110033415B/zh
Publication of CN110033415A publication Critical patent/CN110033415A/zh
Application granted granted Critical
Publication of CN110033415B publication Critical patent/CN110033415B/zh
Active 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
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于Retinex算法的图像去模糊方法，包括以下步骤：S1：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像，将图像边缘被增强的模糊图像作为步骤S2的输入；S2：进行解卷积操作，以获得初始复原图像；S3：计算步骤S2中初始复原图像的梯度映射，消除初始复原图像中的噪声；S4：利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计；S5：判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果：如果是，直接进行步骤S6；否则，将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入，返回步骤S2；S6：利用步骤S5中得到的最佳模糊核，对原始模糊图像进行最终的解卷积，以获得最终的复原图像。

Description

一种基于Retinex算法的图像去模糊方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于Retinex算法的图像去模糊方法。
背景技术
无人机在室外环境下根据视觉传感器的数据实现自主定位的关键在于定位解算的精度，对于视觉定位技术而言，图像的质量将直接影响定位解算的精度。传统的视觉定位技术为视觉里程计，而视觉里程计主要负责估算相邻两帧视觉图像间的运动和局部地图，包括特征提取与图像配准等技术。而无人机采集的视觉图像容易出现模糊的情况，影响特征提取与匹配的精度，因此视觉图像的质量直接影响视觉里程计的准确性，如果不能将模糊图像复原，将导致视觉里程计定位解算精度低，甚至生成错误的地图，影响无人机的自主定位。
传统的图像去模糊算法一般采用维纳滤波，迭代去卷积等方法。由于维纳滤波方法过于简单，且存在一定的困难，例如维纳滤波要求已知未退化的图像及噪声的功率谱，故去模糊效果不佳；传统的迭代去卷积方法存在计算量大，实时性差等缺陷，因此，提高图像去模糊的准确性和实时性具有重要的现实意义。
发明内容
发明目的：本发明的目的是提供一种基于Retinex算法的图像去模糊方法，能够提高图像去模糊的准确性和实时性。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的基于Retinex算法的图像去模糊方法，包括以下步骤：
S1：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像，并将图像边缘被增强的模糊图像作为步骤S2的输入；
S2：进行解卷积操作，以获得初始复原图像；
S3：计算步骤S2中初始复原图像的梯度映射，消除初始复原图像中的噪声；
S4：利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计；
S5：判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果：如果是，则直接进行步骤S6；否则，则将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入，返回步骤S2；
S6：利用步骤S5中得到的最佳模糊核，对原始模糊图像进行最终的解卷积，以获得最终的复原图像。
进一步，所述步骤S1具体包括以下步骤：
S1.1：判断原始模糊图像是否为彩色图像：如果是，则进行灰度化处理；否则，直接进行步骤S1.2；
S1.2：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像r(x,y)如式(1)所示：
Figure BDA0002001035300000021
其中，I(x,y)表示原始模糊图像，原始模糊图像I(x,y)由入射图像L(x,y)与反射图像R(x,y)构成；x为图像像素的横坐标，y为图像像素的纵坐标；F(x,y)表示中心环绕函数，
Figure BDA0002001035300000022
c为高斯环绕尺度；λ代表一个尺度，λ的取值需满足F(x,y)积分为1的条件。
进一步，所述步骤S2中，通过式(2)得到初始复原图像L′：
L′＝argminL{||r-K*L||+ρL(L)} (2)
式(2)中，K表示图像边缘被增强的模糊图像的模糊核，L表示初始复原图像，r＝r(x,y)＝K*L+N表示图像边缘被增强的模糊图像，x为图像像素的横坐标，y为图像像素的纵坐标，N表示未知的噪声，ρL(L)为正则化项。
进一步，所述步骤S3中，初始复原图像的梯度映射为{Px,Py}，Px为初始复原图像像素横坐标方向的梯度映射值，Py为初始复原图像像素纵坐标方向的梯度映射值。
进一步，所述步骤S4中，通过共轭梯度求解的方式得到原始模糊图像的模糊核的估计结果fK(K)：
Figure BDA0002001035300000023
其中
Figure BDA0002001035300000024
式(3)中，K表示图像边缘被增强的模糊图像的模糊核，P*表示初始复原图像的梯度映射，r*表示图像边缘被增强的模糊图像的梯度映射，ω*表示偏导的权重，β表示正则化项的权重；式(4)中，r表示图像边缘被增强的模糊图像，Px表示初始复原图像像素横坐标方向的梯度映射值，
Figure BDA0002001035300000025
表示初始复原图像像素横坐标方向的偏导数，Py表示初始复原图像像素纵坐标方向的梯度映射值，
Figure BDA0002001035300000031
表示初始复原图像像素纵坐标方向的偏导数，
Figure BDA0002001035300000032
表示初始复原图像像素横坐标方向的二次偏导数，
Figure BDA0002001035300000033
表示初始复原图像像素纵坐标方向的二次偏导数，
Figure BDA0002001035300000034
表示初始复原图像像素横坐标与纵坐标方向的二次偏导数。
有益效果：本发明公开了一种基于Retinex算法的图像去模糊方法，通过步骤S1中所采用Retinex算法对原始模糊图像进行增强处理，可以增强原始模糊图像的边缘信息，有利于提高模糊核估计的准确性，从而提高图像去模糊的准确性，且步骤S4所采用的共轭梯度求解的方式，可以利用快速傅里叶变换对式(3)进行快速求解，大大提高模糊核估计的速度，从而提高图像去模糊算法的实时性。
附图说明
图1为本发明具体实施方式中方法的流程图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于Retinex算法的图像去模糊方法，如图1所示，包括以下步骤：
S1：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像，并将图像边缘被增强的模糊图像作为步骤S2的输入；
S2：进行解卷积操作，以获得初始复原图像；
S3：计算步骤S2中初始复原图像的梯度映射，消除初始复原图像中的噪声；
S4：利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计；
S5：判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果：如果是，则直接进行步骤S6；否则，则将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入，返回步骤S2；
S6：利用步骤S5中得到的最佳模糊核，对原始模糊图像进行最终的解卷积，以获得最终的复原图像。
步骤S1具体包括以下步骤：
S1.1：判断原始模糊图像是否为彩色图像：如果是，则进行灰度化处理；否则，直接进行步骤S1.2；
S1.2：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像r(x,y)如式(1)所示：
Figure BDA0002001035300000041
其中，I(x,y)表示原始模糊图像，原始模糊图像I(x,y)由入射图像L(x,y)与反射图像R(x,y)构成；x为图像像素的横坐标，y为图像像素的纵坐标；F(x,y)表示中心环绕函数，
Figure BDA0002001035300000042
c为高斯环绕尺度；λ代表一个尺度，λ的取值需满足F(x,y)积分为1的条件。
步骤S2中，通过式(2)得到初始复原图像L′：
L′＝argminL{||r-K*L||+ρL(L)} (2)
式(2)中，K表示图像边缘被增强的模糊图像的模糊核，L表示初始复原图像，r＝r(x,y)＝K*L+N表示图像边缘被增强的模糊图像，x为图像像素的横坐标，y为图像像素的纵坐标，N表示未知的噪声，ρL(L)为正则化项。
步骤S3中，初始复原图像的梯度映射为{Px,Py}，Px为初始复原图像像素横坐标方向的梯度映射值，Py为初始复原图像像素纵坐标方向的梯度映射值。
步骤S4中，通过共轭梯度求解的方式得到原始模糊图像的模糊核的估计结果fK(K)：
Figure BDA0002001035300000043
其中
Figure BDA0002001035300000044
式(3)中，K表示图像边缘被增强的模糊图像的模糊核，P*表示初始复原图像的梯度映射，r*表示图像边缘被增强的模糊图像的梯度映射，ω*表示偏导的权重，β表示正则化项的权重；式(4)中，r表示图像边缘被增强的模糊图像，Px表示初始复原图像像素横坐标方向的梯度映射值，
Figure BDA0002001035300000045
表示初始复原图像像素横坐标方向的偏导数，Py表示初始复原图像像素纵坐标方向的梯度映射值，
Figure BDA0002001035300000046
表示初始复原图像像素纵坐标方向的偏导数，
Figure BDA0002001035300000047
表示初始复原图像像素横坐标方向的二次偏导数，
Figure BDA0002001035300000048
表示初始复原图像像素纵坐标方向的二次偏导数，
Figure BDA0002001035300000049
表示初始复原图像像素横坐标与纵坐标方向的二次偏导数。

Claims (4)

1.一种基于Retinex算法的图像去模糊方法，其特征在于：包括以下步骤：
S1：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像，并将图像边缘被增强的模糊图像作为步骤S2的输入；
S2：进行解卷积操作，以获得初始复原图像；
S3：计算步骤S2中初始复原图像的梯度映射，消除初始复原图像中的噪声；
S4：利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计；
S5：判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果：如果是，则直接进行步骤S6；否则，则将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入，返回步骤S2；
S6：利用步骤S5中得到的最佳模糊核，对原始模糊图像进行最终的解卷积，以获得最终的复原图像；
所述步骤S4中，通过共轭梯度求解的方式得到原始模糊图像的模糊核的估计结果fK(K)：
Figure FDA0003968758310000011
其中
Figure FDA0003968758310000012
式(3)中，K表示图像边缘被增强的模糊图像的模糊核，P*表示初始复原图像的梯度映射，r*表示图像边缘被增强的模糊图像的梯度映射，ω*表示偏导的权重，β表示正则化项的权重；式(4)中，r表示图像边缘被增强的模糊图像，Px表示初始复原图像像素横坐标方向的梯度映射值，
Figure FDA0003968758310000013
表示初始复原图像像素横坐标方向的偏导数，Py表示初始复原图像像素纵坐标方向的梯度映射值，
Figure FDA0003968758310000014
表示初始复原图像像素纵坐标方向的偏导数，
Figure FDA0003968758310000015
表示初始复原图像像素横坐标方向的二次偏导数，
Figure FDA0003968758310000016
表示初始复原图像像素纵坐标方向的二次偏导数，
Figure FDA0003968758310000017
表示初始复原图像像素横坐标与纵坐标方向的二次偏导数。
2.根据权利要求1所述的基于Retinex算法的图像去模糊方法，其特征在于：所述步骤S1具体包括以下步骤：
S1.1：判断原始模糊图像是否为彩色图像：如果是，则进行灰度化处理；否则，直接进行步骤S1.2；
S1.2：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像r(x，y)如式(1)所示：
Figure FDA0003968758310000021
其中，I(x，y)表示原始模糊图像，原始模糊图像I(x，y)由入射图像L(x，y)与反射图像R(x，y)构成；x为图像像素的横坐标，y为图像像素的纵坐标；F(x，y)表示中心环绕函数，
Figure FDA0003968758310000022
c为高斯环绕尺度；λ代表一个尺度，λ的取值需满足F(x，y)积分为1的条件。
3.根据权利要求1所述的基于Retinex算法的图像去模糊方法，其特征在于：所述步骤S2中，通过式(2)得到初始复原图像L′：
L′＝argminL{||r-K*L||+ρL(L)} (2)
式(2)中，K表示图像边缘被增强的模糊图像的模糊核，L表示初始复原图像，r＝r(x，y)＝K*L+N表示图像边缘被增强的模糊图像，x为图像像素的横坐标，y为图像像素的纵坐标，N表示未知的噪声，ρL(L)为正则化项。
4.根据权利要求1所述的基于Retinex算法的图像去模糊方法，其特征在于：所述步骤S3中，初始复原图像的梯度映射为{Px，Py}，Px为初始复原图像像素横坐标方向的梯度映射值，Py为初始复原图像像素纵坐标方向的梯度映射值。
CN201910212674.0A 2019-03-20 2019-03-20 一种基于Retinex算法的图像去模糊方法 Active CN110033415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910212674.0A CN110033415B (zh) 2019-03-20 2019-03-20 一种基于Retinex算法的图像去模糊方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910212674.0A CN110033415B (zh) 2019-03-20 2019-03-20 一种基于Retinex算法的图像去模糊方法

Publications (2)

Publication Number Publication Date
CN110033415A CN110033415A (zh) 2019-07-19
CN110033415B true CN110033415B (zh) 2023-03-21

Family

ID=67236361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910212674.0A Active CN110033415B (zh) 2019-03-20 2019-03-20 一种基于Retinex算法的图像去模糊方法

Country Status (1)

Country Link
CN (1) CN110033415B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028177B (zh) * 2019-12-12 2023-07-21 武汉大学 一种基于边缘的深度学习图像去运动模糊方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332154A (zh) * 2011-10-18 2012-01-25 中国农业大学 不均匀光照下的棉花伪异性纤维彩色图像增强方法及系统
CN103514582A (zh) * 2012-06-27 2014-01-15 郑州大学 基于视觉显著的图像去模糊方法
KR102192778B1 (ko) * 2015-09-25 2020-12-18 후아웨이 테크놀러지 컴퍼니 리미티드 선택 가능한 보간 필터를 구비한 비디오 모션 보상 장치 및 방법
CN109345486A (zh) * 2018-10-24 2019-02-15 中科天网（广东）科技有限公司 一种基于自适应网格变形的人脸图像去模糊方法

Also Published As

Publication number Publication date
CN110033415A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
CN107301661B (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN106780576B (zh) 一种面向rgbd数据流的相机位姿估计方法
WO2021129569A1 (zh) 一种人体动作识别方法
WO2021098083A1 (zh) 基于显著特征的多光谱相机动态立体标定算法
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
CN102768760A (zh) 一种基于图像纹理的图像快速去雾方法
CN109903250B (zh) 基于多尺度梯度域对比度拉伸的水下图像清晰化处理方法
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN109708658B (zh) 一种基于卷积神经网络的视觉里程计方法
CN113808180B (zh) 一种异源图像配准方法、系统及装置
CN115272306B (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN113917487A (zh) 基于激光雷达的封闭道路路沿和可行驶区域检测方法
CN106157240B (zh) 基于字典学习的遥感图像超分辨率方法
CN110033415B (zh) 一种基于Retinex算法的图像去模糊方法
CN116310095A (zh) 一种基于深度学习的多视图三维重建方法
CN116310098A (zh) 一种基于注意力机制与可变卷积深度网络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
CN108876829B (zh) 基于非线性尺度空间及径向基函数的sar高精度配准方法
CN112801141B (zh) 基于模板匹配和孪生神经网络优化的异源图像匹配方法
CN113223074A (zh) 一种水下激光条纹中心提取方法
CN112419198A (zh) 一种用于sar干涉图滤波的非局部均值定权方法
CN117152330A (zh) 一种基于深度学习的点云3d模型贴图方法和装置
CN116758266A (zh) 一种指针式仪表的读数方法
CN115937839A (zh) 一种大角度车牌图像识别方法、计算设备及存储介质
CN108492264B (zh) 一种基于sigmoid变换的单帧图像快速超分辨方法

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