CN110415193A - 煤矿低照度模糊图像的复原方法 - Google Patents
煤矿低照度模糊图像的复原方法 Download PDFInfo
- Publication number
- CN110415193A CN110415193A CN201910711296.0A CN201910711296A CN110415193A CN 110415193 A CN110415193 A CN 110415193A CN 201910711296 A CN201910711296 A CN 201910711296A CN 110415193 A CN110415193 A CN 110415193A
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- light
- core
- level
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000003245 coal Substances 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 107
- 238000001914 filtration Methods 0.000 claims abstract description 66
- 238000001228 spectrum Methods 0.000 claims abstract description 61
- 238000011084 recovery Methods 0.000 claims abstract description 50
- 230000002708 enhancing effect Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012805 post-processing Methods 0.000 claims abstract description 18
- 238000005286 illumination Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000005311 autocorrelation function Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- VVNRQZDDMYBBJY-UHFFFAOYSA-M sodium 1-[(1-sulfonaphthalen-2-yl)diazenyl]naphthalen-2-olate Chemical compound [Na+].C1=CC=CC2=C(S([O-])(=O)=O)C(N=NC3=C4C=CC=CC4=CC=C3O)=CC=C21 VVNRQZDDMYBBJY-UHFFFAOYSA-M 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 15
- 230000000007 visual effect Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 230000033001 locomotion Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012804 iterative process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010626 work up procedure Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
提供一种煤矿低照度模糊图像的复原方法,包括采集图像；利用频谱的不规则性估计模糊核的功率谱，并用估算出来的模糊核用维纳滤波对采集的低照度图像进行去模糊处理，得到复原后的恢复图像；最后基于Retinex理论，利用多尺度引导滤波算法，对恢复图像进行增强后处理，得到场景的理想图像。采用本发明方法处理井下采集图像，具有更强的鲁棒性和准确性；处理后图像无光晕现象，细节更突出，视觉效果更好，可达很高精度；而且所用计算时间较少；滤波结果图像边缘和平滑效果达到最佳；细节表现力较强，无明显失真；可有效复原模糊图像、并增强、提高图像光照度，更多展示图像细节，为井下视频图像分析提供高质量数据资料，更好促进煤矿安全生产。
Description
技术领域
本发明属物理数字图像的增强和复原处理技术领域，具体涉及一种煤矿低照度模糊图像的复原方法。
背景技术
煤矿视频监控作为煤矿安全监控系统中不可缺少的环节，为煤矿安全生产提供了技术上的支持和保证。随着数字视频与图像处理技术的发展，煤矿生产安全监控系统日臻完善，但由于煤矿井下环境特殊，光线差且粉尘较多，多数视频监控系统采集的图像存在照度低、细节模糊不清、含有大量噪声等缺点，导致图像视觉效果差，严重影响视频或图像分析结果，因此，有必要对矿井图像进行去模糊、增强处理。现有技术下，常见的去模糊增强处理算法，包括维纳滤波复原算法、盲卷积滤波复原算法、约束最小二乘滤波复原算法等。其中，在白噪声和空间不变模糊的假设下，井下监控成像过程建模方程(1)为：B(x)＝(I*k)(x)+η(x)；其中，“*”表示卷积运算,B是获得模糊图像,k是模糊核即点扩散函数PSF，I是场景的理想图像，η(x)是一个零均值、并在每一个像素x＝(x,y)处的相同和独立的加性噪声。
对此，常见的去模糊方法一：利用方程(1)在已知观测模糊图像B条件下，估计场景理想图像I是成像过程(1)的逆过程。如果点扩散函数k已知，该逆过程称为解卷积；当k未知时，该逆过程称为图像盲解卷积/反卷积。盲图像反卷积是一个数学不适定问题，因为观测到的图像B并没有提供足够的约束条件来确定I和k。因此，大多数的去模糊技术都在I和k上引入了额外的约束。整合这些先验知识最常见的框架是通过最大后验估计。支持稀疏导数正则化的图像恢复方法，通常将I描述为自然图像，虽然能够恢复较复杂的模糊核k，并得到较好的场景图象I的估计，但这类算法的巨大计算量十分耗时。
常用的去模糊方法二：直接从模糊图像B中估计模糊核k，其基本思路是利用观测图象B的频谱中所显示的与理想图象的不一致中估计模糊核k。针对运动模糊图像，参见文献：由Yitzhaky[日]等著，于1998年发表的《运动模糊图像的直接恢复方法》[Yitzhaky,Y,Mor,I,Lantzman,A,Kopeika,N.S.Direct method for restoration of motion-blurredimages.Journal of Opt.Soc.Am.15(1998)1512–1519]计算出沿传感器运动方向的B的导数的一维自相关函数，然后通过自相关函数估计得到模糊核k，进而估计I。一般情况下，图像的导数是弱相关的，因此这个函数应该接近冲激函数，这个函数的偏差提供了一个核函数的功率谱估计|k(ω)|2,参见文献：由Hu(胡),W,Xue(薛)[中]等著，于2012年，在《IEEE图像处理汇刊》发表的《基于梯度域相关的PSF估计》[Hu,W,Xue,J,Zheng,N:Psf estimationvia gradient domain correlation.IEEE Transactions on Image Processing 21(2012)386–392]还采用这种方法对二维核的功率谱进行了恢复，并利用8点拉普拉斯算子对图像频谱进行了白化。然后使用文献：由费纳普等著，于1982年发表的《相位恢复算法比较》[Fienup,J.R.Phase retrieval algorithms Acomparison.Appl.Opt.(1982)2758–2769]的相位恢复方法计算模糊核。虽然这种方法能降低计算复杂度，但其恢复的理想场景图像质量不高。
在此基础上，利用低照度图像增强算法对图像后期处理时，现有技术下，主要有基于像素级的灰度变换、基于暗通道先验模型的增强算法、基于Retinex理论的增强算法等，简单的对数变换虽然可以展现更多的暗区细节信息，但亮区的部分细节可能会丢失，参见文献：由姜柏军,钟明霞著，于2014年，在《激光与红外》发表的《改进的直方图均衡化算法在图像增强中的应用》[J],2014,44(06):702-706。暗通道先验模型增强算法在处理细节丰富、亮度高的图像时适应性差，基于Retinex理论的低照度图像增强算法普遍存在不同程度的光晕伪影、颜色失真等现象。因此，现提出如下技术方案。
发明内容
本发明解决的技术问题：提供一种煤矿低照度模糊图像的复原方法，克服背景技术中现有技术下煤矿低照度模糊图像的复原方法计算量大、十分耗时；恢复的理想场景图像质量不高、准确性不佳的技术问题。
本发明采用的技术方案：煤矿低照度模糊图像的复原方法,包括以下步骤：
步骤一、采集图像；需要说明的是：该处图像指数码图像，所述数码图像包括用摄像机或数码相机设备所采集的数码图像，且上述设备所采集的数码图像，所呈现的未作任何处理的直观视觉效果为：低照度的模糊数码图像(参见图3(a)、图4(a)、图5(a)、图6(a))。
步骤二、对采集的图像，利用频谱的不规则性估计模糊核的功率谱，并用估算出来的模糊核，用维纳滤波对采集的低照度图像进行去模糊处理，得到复原后的恢复图像；
步骤三：基于Retinex理论，利用多尺度引导滤波算法，对恢复图像进行增强后处理，得到场景的理想图像。
上述技术方案中，步骤二中，包括以下步骤：
步骤a)、图像的功率谱模型；
步骤b)、估计模糊核的功率谱；
步骤c)、由模糊核的功率谱恢复模糊核；
步骤d)、相位恢复。
上述技术方案中，步骤a)图形的功率普模型通按幂律描述：
其中，I是自然图像，是它的傅里叶变换，ω表示频率域坐标；β≈2假设；
|I(ω)|2≈cθ(ω)·||ω||2 (3)
其中，θ(ω)＝tan-1(ωx,ωy)是矢量ω的相位角；
上述技术方案中，步骤b)中，估计模糊核的功率谱有限二阶导数滤波器lx＝[-1,2,-1]表示为lx＝[h-1,h0,h1]＝[-1,2,-1]；其频率响应函数为：
展开cosx泰勒级数，取至二次项，得到cosx≈1-(1/2)x2；代入方程(4)
则：
对于lx＝[-1,2,-1]T，有：
对有限二阶导数滤波器lx＝[-1,2,-1]，如果dx＝[1,-1]，则：
同理，
则：
对4邻域系统的拉普拉斯算子，Laplacian-4点二维滤波器，如果：
对图像I，用二维滤波器l实施滤波器操作：
得到：
对二维滤波器，其二维传递函数/频率响应为：
对任意图像,用4邻域系统的拉普拉斯算子，Laplacian-4点滤波器进行滤波后取FT模的平方，得到：
其中，等式为的傅里叶域表达式；
对公式(2)的图像用d进行滤波，得到白化谱信号；
对公式(1)在不考虑噪声即B＝I*k的情况下，获得模糊核功率谱的估计值：
根据维纳-辛钦定理，给出任意信号J的频谱和其自相关函数的关系为：
4邻域系统的拉普拉斯算子，Laplacian-4点滤波器的因子滤波器d做滤波，得到模糊核自相关函数
RB*d(x)≈cθRk(x) (12)
用d对图像白化，根据公式(3)精细幂律估算出模糊核功率谱。
上述技术方案，步骤c)中，包括核恢复迭代算法1，且核恢复迭代算法1包括以下步骤：
步骤一、输入：模糊图像B；计算
步骤二、设置sθ＝arg min xfθ(x)；
步骤三、For i＝1K Nout；
步骤四、给定sθ，估算
步骤五、已知用相位恢复算法2估计核；
步骤六、更新
步骤七、输出模糊核k频谱的模。
上述技术方案，步骤c)中的相位恢复算法2包括以下步骤：
步骤一、输入估计核量级谱，核大小s；
步骤二、for n＝1...Nguesses；随机启动相位φ(ω)；从[-π，π]均匀φ(ω)取样；使用傅里叶反变换切换到实空间；
步骤三、g＝F-1(p·eiφ)；
步骤四、for m＝1...Ninne；应用傅立叶域约束；
步骤五、应用空间域约束；
步骤六、
输出：解卷小窗口时可能性最大的kn；得到完整的模型(1)中的点扩散函数k，利用解卷积估计理想场景图象。
上述技术方案，步骤三中，多尺度引导滤波算法包括两部分：
第一部分、根据傅里叶变换理论以及自然图像的特点，估计图像的模糊核，然后用维纳滤波得到恢复图像；
第二部分、对维纳滤波估计的场景理想图象，再经过基于Retinex理论的低照度图像增强后处理，得到最终的恢复图象。
上述技术方案中，所述第一部分：首先，根据Retinex理论，人眼看到的图像由光照分量和物体的反射分量两部分决定的模型如下：
I(x,y)＝L(x,y)×R(x,y) (17)
式(17)中,I(x,y)表示人眼观测到的原始图像；L(x,y)表示周围环境的光源对物体的照射分量；R(x,y)表示反映物体本质特性的反射分量；
对式(17)两边取对数有：
log(R(x,y))＝log(I(x,y))-log(L(x,y)) (18)
根据Retinex理论，照射分量L(x,y)由对原始图像I(x,y)进行高斯模糊得到；估算出照射分量L(x,y)；利用(18)式求出反射分量R(x,y)，将R(x,y)映射到实数域得到被增强的图像；
其次，多尺度引导滤波估计照射分量；根据引导滤波思想，在滤波输出qi与引导图像gi在限定的窗口内满足如下线性关系：
式(19)中，i为像素索引，Mk为以某一像素k为中心、半径为r的方形窗口；ak，bk为滤波参数；
为求系数ak，bk，构建代价函数E(ak,bk)，在该函数达到最小时求得滤波参数；
对式(20)分别关于ak，bk求偏导得：
其中，为引导图像邻域均值；为引导图像邻域方差；为原始输入图像邻域均值；对每个局部邻域，计算出参数(ak，bk)值之后，按下述公式计算输出图像邻域内的各像素值：
式(22)即为引导滤波中最终计算输出图像的计算公式；将该组(ak，bk)值做平均，用平均值来计算输出值。
上述技术方案，所述第二部分，将输入图像I按公式(23)从RGB空间转化到YCbCr空间，RGB空间与YCbCr空间相互转换公式如式(23)(24)所示：
其中，Y是亮度，Cb是RGB输入信号蓝色部分与RGB信号亮度值之间的差异，Cr是RGB输入信号红色部分与RGB信号亮度值之间的差异；
为了增强图像全局对比度、压缩图像的动态范围，对Y分量进行非线性矫正：
输出图像I1,采用多尺度引导滤波估计出照射分量L，根据公式(18)得到增强后的反射分量R，由公式(24)，将处理后的Y分量与Cb、Cr分量转化为RGB分量，合成为低照度图像的最终增强结果。
本发明与现有技术相比的优点：
1、本发明文使用幂律模型来描述自然图像的功率谱，及一个精确的光谱白化公式，来恢复模糊核的功率谱|k(ω)|2，与之前的方法相比，该方法具有更强的鲁棒性和准确性；
2、本发明在图像增强后处理方面，增强处理的算法在利用盲解卷积得到模糊核与理想场景图象估计之后，增加了恢复图象的进一步后处理，这种后处理算法，可进一步提高恢复图象的质量；首先把图像转换到YCbCr空间，参见文献：由张杰,周浦城,张谦著，于2018年，在《图学学报》上发表的《基于迭代多尺度引导滤波Retinex的低照度图像增强》[J].2018,39(01):1-11，再利用基于梯度域引导滤波的多尺度Retinex算法对I分量进行增强，最后转换回RGB空间得到增强后图像；通过对大量的实验数据分析表明，经本发明新算法处理后的图像无光晕现象，细节更突出，视觉效果更好；
3、本发明关于由模糊核的功率谱恢复模糊核处理时，去模糊算法的第一步是针对每个角θ计算fθ(x)＝Rd*P(B)(x)，因为是在像素网格上恢复|k|2，所以，角度θ的选择应使每个切片正好穿过每个像素；使用最邻近采样实现投影算子Pθ，这种采样与测试的其他插值公式相比，不仅可以达到很高的精度，而且所用计算时间较少；
4、本发明可恢复迭代算法1，以及相位恢复算法2，是类似均值最大化的迭代过程，先基于给定的支持域变量sθ估计模糊核核k(ω)，然后根据恢复的k(ω)再更新估计sθ，两个估计过程交替切换；迭代过程从估计模糊核开始，先给出初始值sθ＝arg maxx fθ(x)，得到模糊核的估计然后根据该估计通过设置来更新sθ；由上述模糊核频谱模估计以及相位恢复后，即可得到完整的模型(1)中的点扩散函数k，然后利用解卷积即可估计理想场景图象；
5、本发明的低照度图像增强算法，对井下低照度模糊图像存在的聚焦不准、相互运动等造成的模糊，光照不均、大量区域光照不足形成的图像对比度差等问题，通过多尺寸引导滤波替代高斯滤波，使该线性变换与输入图象之间灰度差的平方和达到极小，根据式(22)引导滤波中最终计算输出图像的计算公式，提出的多尺度引导滤波方法，使滤波结果图像的边缘和平滑效果都达到最佳；
6、本发明算法与盲卷积算法的恢复结果进行比较，本发明恢复算法整体上对煤矿图像的恢复效果较好，没有明显地块状效应和振铃效应；通过增强后处理，在细节表现能力较强，没有出现明显的色彩失真；
7、本发明算法可以有效地对模糊图像进行复原、并且通过增强提高图像的光照度，更多地展示图像细节，可以为煤矿井下视频图像的分析提供高质量的数据资料，以更好地促进煤矿安全生产工作。
附图说明
图1为本发明模糊图像恢复算法流程图；
图2为本发明低照度图像增强算法流程图；
图3(a)为原图图像一；
图3(b)为现有技术下盲卷积算法恢复后的图像一；
图3(c)为对图3(b)忙卷积算法恢复图像进行增强后处理的图一输出结果；
图3(d)为采用本发明恢复算法恢复后的图像；
图3(e)为对图3(d)恢复算法恢复后图像进行增强算法处理后的图一输出结果；
图4(a)为原图图像二；
图4(b)为现有技术下盲卷积算法恢复后的图像二；
图4(c)为对图4(b)忙卷积算法恢复图像进行增强后处理的图二输出结果；
图4(d)为采用本发明恢复算法恢复后的图像；
图4(e)为对图4(d)恢复算法恢复后图像进行增强算法处理后的图二输出结果；
图5(a)为原图图像三；
图5(b)为现有技术下盲卷积算法恢复后的图像三；
图5(c)为对图5(b)忙卷积算法恢复图像进行增强后处理的图三输出结果；
图5(d)为采用本发明恢复算法恢复后的图像；
图5(e)为对图5(d)恢复算法恢复后图像进行增强算法处理后的图三输出结果；
图6(a)为原图图像四；
图6(b)为现有技术下盲卷积算法恢复后的图四图像；
图6(c)为对图6(b)忙卷积算法恢复图像进行增强后处理的图四输出结果；
图6(d)为采用本发明恢复算法恢复后的图像；
图6(e)为对图6(d)恢复算法恢复后图像进行增强算法处理后的图四输出结果。
具体实施方式
下面结合附图1-6对本发明的具体实施方式作进一步详细描述。
以下的实施例便于更好地理解本发明，但并不限定本发明。下述实施例中的实验方法，如无特殊说明，均为常规方法。
首先，需要说明的是：在白噪声和空间不变模糊的假设下，井下监控成像过程可用公式(1)的模型描述：对该模糊过程进行了建模：
B(x)＝(I*k)(x)+η(x) (1)
其中，“*”表示卷积运算,B是获得模糊图像,k是模糊核即点扩散函数PSF，I是场景的理想图像，η(x)是一个零均值、并在每一个像素x＝(x,y)处的相同和独立的加性噪声。
本发明使用幂律模型来描述自然图像的功率谱，及一个精确的光谱白化公式，来恢复模糊核的功率谱|k(ω)|2，与现有技术下背景技术中的任一方法相比，本发明方法具有更强的鲁棒性和准确性。
原因在于：常用的低照度图像增强算法主要有基于像素级的灰度变换、基于暗通道先验模型的增强算法、基于Retinex理论的增强算法等，简单的对数变换虽然可以展现更多的暗区细节信息，但亮区的部分细节可能会丢失。参见文献：由姜柏军,钟明霞著，于2014年，在《激光与红外》发表的《改进的直方图均衡化算法在图像增强中的应用》[J],2014年,44(06):702-706。暗通道先验模型增强算法在处理细节丰富、亮度高的图像时适应性差，基于Retinex理论的低照度图像增强算法普遍存在不同程度的光晕伪影、颜色失真等现象。
对此，本发明算法在利用盲解卷积得到模糊核与理想场景图象估计之后，增加了恢复图象的进一步后处理，进一步提高恢复图象的质量。这种后处理算法，首先把图像转换到YCbCr空间，参见文献：由张杰,周浦城,张谦著，于2018年，在《图学学报》发表的《基于迭代多尺度引导滤波Retinex的低照度图像增强》[J].39(01):1-11.，再利用基于梯度域引导滤波的多尺度Retinex算法对I分量进行增强，最后转换回RGB空间得到增强后图像。通过对大量的实验数据分析，表明经本发明新算法处理后的图像无光晕现象，细节更突出，视觉效果更好。
对此，提供一种煤矿低照度模糊图像的复原方法,其特征在于，包括以下步骤：
步骤一、采集图像；需要说明的是：图像为数码图像，数码图像包括用摄像机或数码相机设备所采集的数码图像，且上述设备所采集的数码图像，所呈现的未作任何处理的直观视觉效果为：低照度的模糊数码图像。(参见图3(a)、图4(a)、图5(a)、图6(a))
步骤二、对采集的图像,即前文所述数码图像，利用频谱的不规则性估计模糊核的功率谱，并用估算出来的模糊核，用维纳滤波对采集的低照度图像进行去模糊处理，得到复原后的恢复图像；(参见图1)
步骤三：基于Retinex理论，利用多尺度引导滤波算法，对恢复图像进行增强后处理，得到场景的理想图像。(参见图2)
上述实施例中，步骤二中，包括以下步骤：
步骤a)、图像的功率谱模型；
步骤b)、估计模糊核的功率谱；
步骤c)、由模糊核的功率谱恢复模糊核；
步骤d)、相位恢复。
其中，步骤a)图像的功率谱模型；根据文献：由赛蒙西利著，于1997年，在《IEEE计算机世界》发表的《图像统计模型：压缩、恢复和合成》，并在“计算机信号系统”艾斯洛马康夫第31条程序中[Simoncelli,E.P.:“statistical models for images:Compression,restoration and synthesis”.In:“Proc 31st Asilomar Conf on Signals,Systems andComputers”.Volume 1.,”IEEE Computer Society”(”1997”)”673–678”]按以下幂律来描述自然景物图像的功率谱：
其中，I是自然图像，是它的傅里叶变换，ω表示频率域坐标。参见文献：由普里等著，于20110年，在《欧洲图形技术现状报告》发表的《图像统计及其在计算机图形学中的应用》，[Pouli,T.,Cunningham,D.,Reinhard,E.:Image statistics and theirapplications in computer graphics.In:Eurographics State of the Art Report(STAR).(2010)]的研究结论是β≈2，假设：
|I(ω)|2≈cθ(ω)·||ω||2 (3)
其中，θ(ω)＝tan-1(ωx,ωy)它是矢量ω的相位角。
上述实施例中，步骤b)估计模糊核的功率谱：
有限二阶导数滤波器lx＝[-1,2,-1]，不失一般性，可将其表示为lx＝[h-1,h0,h1]＝[-1,2,-1]，其频率响应函数为：
对cosx泰勒级数展开，取至二次项，有cosx≈1-(1/2)x2或代入方程(4)有：
同理，对于lx＝[-1,2,-1]T，也有：
对有限二阶导数滤波器lx＝[-1,2,-1]，若记dx＝[1,-1]，则有：
同理，有：
所以，有：
对4邻域系统的拉普拉斯算子，Laplacian-4点滤波器(二维)，一般应为：
显然，对图像I，用二维滤波器l实施滤波器操作：
说明
并且对二维滤波器，其二维传递函数/频率响应为：
则对任意图像,用特殊的上述4邻域系统的拉普拉斯算子，4点Laplacian滤波器进行滤波，之后取FT模的平方，有：
其中，等式是的傅里叶域表达式，对符合公式(2)的图像用d进行滤波，得到一个具有白化谱的信号。
因此，对公式(1)暂不考虑噪声，即认为B＝I*k的情况下，这个过程可以用来获得模糊核功率谱的以下估计值：
维纳-辛钦定理给出了任意信号J的频谱和它的自相关函数的关系：
由以上两个式子说明：4邻域系统的拉普拉斯算子，即Laplacian-4点滤波器的因子滤波器d对观测图像做滤波，其结果就是模糊核的自相关函数。即：
RB*d(x)≈cθRk(x) (12)
因此，可以用d对图像进行白化，并根据并按照公式(3)中精细的幂律估算出模糊核的功率谱。
上述实施例中，步骤c)由模糊核的功率谱恢复模糊核，根据傅里叶切片定理：
其中，Pθ(J)是一个二维信号沿着与θ正交的方向做积分投影到一维，rθ是一个二维θ方向的单位向量。因此ωrθ利用标量ω随θ方向参数化，在上下文中应用这个定理得到：
给定一个模糊图像(暂不考虑噪声)B＝I*k，(14)的关系式可以由下式恢复出到标量cθ：
用一个9点一维微分滤波器d＝[3,-32,168,-672,0,672,-168,32,-3]/840(应用于一维投影的模糊图像B)，由此产生的拉普拉斯算子精度为这可以在实空间中表示出来，再次使用维纳-辛钦定理：
可见，去模糊算法的第一步是针对每个角θ计算fθ(x)＝Rd*P(B)(x)，因为是在像素网格上恢复|k|2，所以，角度θ的选择应使每个切片正好穿过每个像素。使用最邻近采样实现投影算子Pθ，因为这种采样与测试的其他插值公式相比，不仅可以达到很高的精度，而且所用计算时间较少。
根据式(16)逐片估计引出一组未知的cθ，cθ是它们对于沿同一角度θ的的所有值都是不变的。此外，投影切片Pθ(B)的平均值由于与公式(15)中的d的差异而丢失。同样的，在计算的所有切片中都丢失掉。用mθ/cθ表示这些缺失的平均值，并得到因此，给定fθ(x)，需要估计cθ和mθ，以便恢复
其中，基于以下三个内核建模假设恢复这些值：
(1)相机的模糊核(也就是点扩散函数PSF)与曝光过程中相机偏移时的光线积分时间区间成正比，因此，这些模糊核的数值以及投影函数Pθ(k)和一维自相关函数都应是非负的，即Pθ(k)30，
(2)由于曝光期间相机的运动是有限的，因此模糊核的支持域必须是紧致的，类似于上述非负或正性假定，紧支撑也是Pθ(k)和的固有要求。因此，对于每个θ，都存在sθ，使得对于每个|x|3sθ，有
(3)假设相机模糊不会影响到达传感器光的总量,得到∫k(x)dx＝1，对于投影的内核来说也如此，即∫Pθ(k)(x)dx＝1，这意味着最后，由于可得到
假设已有支持域范围sθ，令mθ＝-fθ(sθ)，基于第二个假设然后定义当|x|≤sθ时，gθ(x)＝fθ(x)+mθ，否则为零。
根据上述第一个假设，通过将gθ中的负值设置在[-sθ，sθ]范围内，确保gθ30。。
最后，基于第三个假设，通过令cθ＝∫gθ(x)dx恢复cθ。
最后得到
对所有可能取到的θ重复此过程，可以得到完整的全二维模糊核PS函数的近似值。基于该近似的模糊核的模值，结合下面描述的相位恢复算法来恢复模糊内核k的相位，从而得到最后的模糊核。
该算法就是一个类似均值最大化的迭代过程，先基于给定的支持域变量sθ估计模糊核核k(ω)，然后根据恢复的k(ω)再更新估计sθ，两个估计过程交替切换。迭代过程从估计模糊核开始，先给出初始值sθ＝arg maxx fθ(x)，得到模糊核的估计然后根据该估计通过设置来更新sθ。
其中，完整算法总结在核恢复迭代算法1中：算法1的步骤包括：
步骤一、输入：模糊图像B；计算
步骤二、设置sθ＝arg min xfθ(x)；
步骤三、For i＝1K Nout；
步骤四、给定sθ，估算
步骤五、已知用算法2相位恢复算法估计核；
步骤六、更新
步骤七、结束(End)，输出模糊核k频谱的模；
上述实施例中，步骤d)相位恢复欲恢复完整的模糊核，还必须再估计k的相位。在此选择由克里斯南(Krishnan)等人提出的一个最大化L1/L2可能性的解决方案，相位恢复算法如算法2所示，使用代码中的值α＝0.95和β0＝0.75来生成本文中报告的结果。相位恢复算法2包括以下步骤：
步骤一、输入估计核量级谱，核大小s；
步骤二、for n＝1...Nguesses；随机启动相位φ(ω)；从[-π，π]均匀φ(ω)取样；使用傅里叶反变换切换到实空间；
步骤三、g＝F-1(p·eiφ)；
步骤四、for m＝1...Ninne；应用傅立叶域约束；
步骤五、应用空间域约束；
步骤六、
输出：解卷小窗口时可能性最大的kn,参考文献：由克里斯南等著，于2011年，在“IEEE国际计算机视觉与模式识别会议”发表的《应用归一化稀疏测度进行盲反卷积》[Krishnan,D.,Tay,T.,Fergus,R.:Blind deconvolution using a normalized sparsitymeasure.CVPR 1(2011)233–24]
由上述模糊核频谱模估计以及相位恢复后，即可得到完整的模型(1)中的点扩散函数k，然后利用解卷积即可估计理想场景图象。为了进一步提高场景图象估计的清晰度，本发明还对初步估计场景图象施加了低照度图象增强的后处理，详细后文描述。
井下低照度模糊图像除了存在聚焦不准、相互运动等造成的模糊外，还存在光照不均匀、大量区域光照不足形成的图象对比度差。对此，步骤三中，本发明所采用的增强算法由两部分组成：
第一部分根据傅里叶变换理论以及自然图像的特点，估计图像的模糊核，然后用维纳滤波得到恢复图像；
第二部分，对维纳滤波估计的场景理想图象再经过基于Retinex理论的低照度图像增强后处理，得到最终的恢复图象。
上述实施例中，关于第一部分：
根据Retinex理论，人眼看到的图像由光照分量和物体的反射分量两部分决定，模型如下：
I(x,y)＝L(x,y)×R(x,y) (17)
式中,I(x,y)表示人眼观测到的原始图像；L(x,y)表示周围环境的光源对物体的照射分量；R(x,y)表示反映物体本质特性的反射分量，参见文献：由嘉博森等著，于1997年，在《IEEE图像处理汇刊》发表的《中心/环绕式视网膜的特性和性能》[JOBSON D,RAHMAN Z,WOODEL G A.Properties and performance of a center/surround Retinex[J].IEEETransactions on Image Processing,1997,6(3):451-462]以及文献：由贾博森等著，于1997年，在《IEEE图像处理汇刊》发表的《应用阿穆尔蒂标度视网膜对弥合色彩和人类场景观察之间的鸿沟》[JOBSON D,RAHMAN Z,WOODEL G A.Amulti-scale Retinex forbridging the gap between color and the human observation of scenes[J].IEEETransactions on Image Processing,1997,6(7):965-976]。对式(17)两边取对数有：
log(R(x,y))＝log(I(x,y))-log(L(x,y)) (18)
根据Retinex理论，照射分量L(x,y)可由对原始图像I(x,y)进行高斯模糊得到，设计一个高斯模糊或其他性能更好的滤波器比如双边滤波、引导滤波，先估算出照射分量L(x,y)，利用(18)式求出反射分量R(x,y)，再将R(x,y)映射到实数域，就是被增强的图像。在此选择多尺度引导滤波替代高斯滤波。
关于尺度引导滤波估计照射分量：根据引导滤波思想，在滤波输出qi与引导图像gi在限定的窗口内满足如下的线性关系：
式(19)中，i为像素索引，Mk为以某一像素k为中心、半径为r的方形窗口。ak，bk为滤波参数。
为求系数ak，bk，参见文献，由可夫等著，于2015年，在《IEEE图像处理汇刊》发表的《梯度域引导图像滤波》[KOU F,CHEN W,WEN C,et al..Gradient domain guided imagefiltering[J].IEEE Transactions on Image Processing,2015,24(11)：4528-4539]构建了一个代价函数E(ak,bk)，在该函数达到最小时便能求得滤波参数。
即认为引导滤波中，输出图象在局部范围内是引导图象的线性变换，同时加上约束条件---“使该线性变换与输入图象之间灰度差的平方和达到极小”。
对式(20)分别关于ak，bk求偏导得：
其中，为引导图像邻域均值；为引导图像邻域方差；为原始输入图像邻域均值。对每个局部邻域，计算出参数(ak，bk)值之后，就可以按下述公式计算输出图像邻域内的各像素值：
式(22)即为引导滤波中最终计算输出图像的计算公式。
由于涉及同一个像素有多个窗口，每个窗口就有一组系数(ak，bk)也就有一个滤波后的输出像素值qi(k)，所以需要将该组(ak，bk)值做平均，用平均值来计算输出值。显然，引导滤波的结果与不同尺度的窗口有关，本发明采用文献：由张翔,王伟,肖迪著，于2018年在《计算机科学》发表的《一种改进的具有色彩保护的多尺度Retinex图像增强算法》[J].45(10):247-249]提出一种多尺度引导滤波的方法，以使滤波结果图像的边缘和平滑效果都达到最佳。
关于第二部分，低照度图像增强：
首先，将输入图像I按公式(23)从RGB空间转化到YCbCr空间，参见文献：由张杰,周浦城,张谦著，于2018年，在《图学学报》发表的《基于迭代多尺度引导滤波Retinex的低照度图像增强》[J].39(01):1-1]，RGB空间与YCbCr空间相互转换公式如式(23)、(24)所示：
其中，Y是亮度，Cb是RGB输入信号蓝色部分与RGB信号亮度值之间的差异，Cr是RGB输入信号红色部分与RGB信号亮度值之间的差异。
为了增强图像全局对比度、压缩图像的动态范围，对Y分量进行非线性矫正：
输出图像I1,采用多尺度引导滤波估计出照射分量L，根据公式(18)得到增强后的反射分量R，由公式(24)，可将处理后的Y分量与Cb、Cr分量转化为RGB分量，合成为低照度图像的最终增强结果。
综上所述，本发明煤矿低照度模糊图像的复原方法,关键在于：模糊图像复原步骤和低照度图像增强步骤。
其中，模糊图像复原步骤中，根据算法1(核恢复迭代算法)先求模糊低照度图像B差分投影的一维自相关函数，再使用傅立叶切片定理恢复的功率谱(参见图1)。根据算法2(相位恢复算法)恢复其相位，计算得到模糊核k(ω)，利用模糊核对模糊图像进行复原得到去模糊后的低照度图像I(参见图2)。
模糊图像恢复算法步骤的流程图，如图1所示，首先，对模糊的低照度图像获得一维自相关函数，其次，利用傅里叶切片定理计算功率谱，再者，进行相位恢复，相位恢复后得到模糊核；与此同时，利用傅里叶切片定理计算功率谱，得到模糊核；最后，得到去模糊的低照度图像I。
低照度图像的增强流程图；如图2所示：首先，根据公式(23)将图像I从RGB空间转换到YCbCr空间，按公式(25)对其中的Y分量进行非线性校正。其次，根据多尺度引导滤波估计照射分量L，按公式(18)计算反射分量R，按公式(24)把处理后的Y分量结合Cb、Cr分量转化为RGB分量，即得到增强后的图像I0。
采用本发明与现有技术下盲卷积算法处理的对照实验结果如下：
由于目前没有公共的煤矿图像数据库，本发明从井下视频中收集大量的图像进行了实验。本发明算法实现所用的图像在此随机选取了其中4组图像(图3、图4、图5、图6)进行处理：分别采用本发明的模糊核估计恢复算法，与现有技术下盲卷积算法的恢复结果进行比较，并对恢复图像进行增强后处理，对比结果参见图3-6。
盲卷积恢复算法需要选取模糊核的尺寸对原图像进行恢复，根据恢复实验效果，假设图3-图6四幅图像的模糊核尺寸分别为：23*23、25*25、25*25、17*17，从图3(c)、图4(c)、图5(c)、图6(c)可以看出，盲卷积算法对矿井图像的恢复效果不理想，尤其图4(b)、图6(b)恢复图像明显出现块状效应；对于图5(a)、图6(a)采用盲卷积算法进行恢复后采用增强算法进行增强后出现明显的色彩失真；从图3-图6显示的图像输出结果比对可以看出，本发明恢复算法整体上对煤矿图像的恢复效果较好，没有明显地块状效应和振铃效应。通过增强后处理，在细节表现能力较强，而且没有出现明显的色彩失真。
通过以上描述可以发现：
首先，本发明文使用幂律模型来描述自然图像的功率谱，及一个精确的光谱白化公式，来恢复模糊核的功率谱|k(ω)|2，与之前的方法相比，该方法具有更强的鲁棒性和准确性。其次，本发明在图像增强后处理方面，增强处理的算法在利用盲解卷积得到模糊核与理想场景图象估计之后，增加了恢复图象的进一步后处理，这种后处理算法，可进一步提高恢复图象的质量；首先把图像转换到YCbCr空间，参见文献：由张杰,周浦城,张谦著，于2018年，在《图学学报》发表的《基于迭代多尺度引导滤波Retinex的低照度图像增强》[J].39(01):1-11，再利用基于梯度域引导滤波的多尺度Retinex算法对I分量进行增强，最后转换回RGB空间得到增强后图像；通过对大量的实验数据分析表明，经本发明新算法处理后的图像无光晕现象，细节更突出，视觉效果更好。再者，本发明关于由模糊核的功率谱恢复模糊核处理时，去模糊算法的第一步是针对每个角θ计算fθ(x)＝Rd*P(B)(x)，因为是在像素网格上恢复|k|2，所以，角度θ的选择应使每个切片正好穿过每个像素；使用最邻近采样实现投影算子Pθ，这种采样与测试的其他插值公式相比，不仅可以达到很高的精度，而且所用计算时间较少。不仅如此，本发明可恢复迭代算法1，以及相位恢复算法2，是类似均值最大化的迭代过程，先基于给定的支持域变量sθ估计模糊核核k(ω)，然后根据恢复的k(ω)再更新估计sθ，两个估计过程交替切换；迭代过程从估计模糊核开始，先给出初始值sθ＝arg maxxfθ(x)，得到模糊核的估计然后根据该估计通过设置来更新sθ；由上述模糊核频谱模估计以及相位恢复后，即可得到完整的模型(1)中的点扩散函数k，然后利用解卷积即可估计理想场景图象；因此，本发明的低照度图像增强算法，对井下低照度模糊图像存在的聚焦不准、相互运动等造成的模糊，光照不均、大量区域光照不足形成的图像对比度差等问题，通过多尺寸引导滤波替代高斯滤波，使该线性变换与输入图象之间灰度差的平方和达到极小，根据式(22)引导滤波中最终计算输出图像的计算公式，提出的多尺度引导滤波方法，使滤波结果图像的边缘和平滑效果都达到最佳。
综上所述，本发明公开方法，有效克服了背景技术中现有技术下针对煤矿低照度模糊图像的复原方法计算量大、十分耗时；恢复的理想场景图像质量不高、准确性不佳的技术问题。本发明针对目前煤矿图像对比度低、细节模糊不清、含有大量噪声等特点，提出的一种通过估计模糊核对图像进行复原，再利用基于多尺度引导滤波算法对图像进行增强处理，实验结果表明(对比图3(a)、图3(c)、图3(e))，采用本发明去模糊算法以及增强处理，具有更强的鲁棒性和准确性；处理后图像无光晕现象，细节更突出，视觉效果更好，可达很高精度；而且所用计算时间较少；滤波结果图像边缘和平滑效果达到最佳；细节表现力较强，无明显失真；可以有效地对模糊图像进行复原、并且通过增强提高图像的光照度，更多地展示图像细节，可以为煤矿井下视频图像的分析提供高质量的数据资料，以更好地促进煤矿安全生产工作。
上述实施例，只是本发明的较佳实施例，并非用来限制本发明实施范围，故凡以本发明权利要求所述内容所做的等效变化，均应包括在本发明权利要求范围之内。
Claims (9)
1.煤矿低照度模糊图像的复原方法,其特征在于，包括以下步骤：
步骤一、采集图像；
步骤二、对采集的图像，利用频谱的不规则性估计模糊核的功率谱，并用估算出来的模糊核，用维纳滤波对采集的低照度图像进行去模糊处理，得到复原后的恢复图像；
步骤三：基于Retinex理论，利用多尺度引导滤波算法，对恢复图像进行增强后处理，得到场景的理想图像。
2.根据权利要求1所述的煤矿低照度模糊图像的复原方法，其特征在于：步骤二中，包括以下步骤：
步骤a)、图像的功率谱模型；
步骤b)、估计模糊核的功率谱；
步骤c)、由模糊核的功率谱恢复模糊核；
步骤d)、相位恢复。
3.根据权利要求2所述的煤矿低照度模糊图像的复原方法，其特征在于：步骤a)图形的功率普模型通按幂律描述：
其中，I是自然图像，是它的傅里叶变换，ω表示频率域坐标；β≈2假设；
|I(ω)|2≈cθ(ω)·||ω||2 (3)
其中，θ(ω)＝tan-1(ωx,ωy)是矢量ω的相位角。
4.根据权利要求3所述的煤矿低照度模糊图像的复原方法，其特征在于：步骤b)中，估计模糊核的功率谱有限二阶导数滤波器lx＝[-1,2,-1]表示为lx＝[h-1,h0,h1]＝[-1,2,-1]；其频率响应函数为：
展开cosx泰勒级数，取至二次项，得到cosx≈1-(1/2)x2；代入方程(4)则：
对于lx＝[-1,2,-1]T，有：
对有限二阶导数滤波器lx＝[-1,2,-1]，如果dx＝[1,-1]，则：
同理，
则：
对4邻域系统的拉普拉斯算子，Laplacian-4点二维滤波器，如果：
对图像I，用二维滤波器l实施滤波器操作：
得到：
对二维滤波器，其二维传递函数/频率响应为：
对任意图像,用4邻域系统的拉普拉斯算子，Laplacian-4点滤波器进行滤波后取FT模的平方，得到：
其中，等式为的傅里叶域表达式；
对公式(2)的图像用d进行滤波，得到白化谱信号；
对公式(1)在不考虑噪声即B＝I*k的情况下，获得模糊核功率谱的估计值：
根据维纳-辛钦定理，给出任意信号J的频谱和其自相关函数的关系为：
4邻域系统的拉普拉斯算子，Laplacian-4点滤波器的因子滤波器d做滤波，得到模糊核自相关函数
RB*d(x)≈cθRk(x) (12)
用d对图像白化，根据公式(3)精细幂律估算出模糊核功率谱。
5.根据权利要求4所述的煤矿低照度模糊图像的复原方法，其特征在，步骤c)中，包括核恢复迭代算法1，核恢复迭代算法1包括以下步骤：
步骤一、输入：模糊图像B；计算
步骤二、设置sθ＝arg min xfθ(x)；
步骤三、For i＝1K Nout；
步骤四、给定sθ，估算
步骤五、已知用相位恢复算法2估计核；
步骤六、更新
步骤七、输出模糊核k频谱的模。
6.根据权利要求5所述的煤矿低照度模糊图像的复原方法，其特征在，步骤c)中的相位恢复算法2包括以下步骤：
步骤一、输入估计核量级谱，核大小s；
步骤二、for n＝1...Nguesses；随机启动相位φ(ω)；从[-π，π]均匀φ(ω)取样；使用傅里叶反变换切换到实空间；
步骤三、g＝F-1(p·eiφ)；
步骤四、for m＝1...Ninne；应用傅立叶域约束；
步骤五、应用空间域约束；
步骤六、
输出：解卷小窗口时可能性最大的kn；得到完整的模型(1)中的点扩散函数k，利用解卷积估计理想场景图象。
7.根据权利要求1所述的煤矿低照度模糊图像的复原方法，其特征在于，步骤三中，多尺度引导滤波算法包括两部分：
第一部分、根据傅里叶变换理论以及自然图像的特点，估计图像的模糊核，然后用维纳滤波得到恢复图像；
第二部分、对维纳滤波估计的场景理想图象，再经过基于Retinex理论的低照度图像增强后处理，得到最终的恢复图象。
8.根据权利要求7所述的煤矿低照度模糊图像的复原方法，其特征在于，所述第一部分：首先，根据Retinex理论，人眼看到的图像由光照分量和物体的反射分量两部分决定的模型如下：
I(x,y)＝L(x,y)×R(x,y) (17)
式(17)中,I(x,y)表示人眼观测到的原始图像；L(x,y)表示周围环境的光源对物体的照射分量；R(x,y)表示反映物体本质特性的反射分量；
对式(17)两边取对数有：
log(R(x,y))＝log(I(x,y))-log(L(x,y)) (18)
根据Retinex理论，照射分量L(x,y)由对原始图像I(x,y)进行高斯模糊得到；估算出照射分量L(x,y)；利用(18)式求出反射分量R(x,y)，将R(x,y)映射到实数域得到被增强的图像；
其次，多尺度引导滤波估计照射分量；根据引导滤波思想，在滤波输出qi与引导图像gi在限定的窗口内满足如下线性关系：
式(19)中，i为像素索引，Mk为以某一像素k为中心、半径为r的方形窗口；ak，bk为滤波参数；
为求系数ak，bk，构建代价函数E(ak,bk)，在该函数达到最小时求得滤波参数；
对式(20)分别关于ak，bk求偏导得：
其中，为引导图像邻域均值；为引导图像邻域方差；为原始输入图像邻域均值；对每个局部邻域，计算出参数(ak，bk)值之后，按下述公式计算输出图像邻域内的各像素值：
式(22)即为引导滤波中最终计算输出图像的计算公式；将该组(ak，bk)值做平均，用平均值来计算输出值。
9.根据权利要求7所述的煤矿低照度模糊图像的复原方法，其特征在于，所述第二部分，将输入图像I按公式(23)从RGB空间转化到YCbCr空间，RGB空间与YCbCr空间相互转换公式如式(23)(24)所示：
其中，Y是亮度，Cb是RGB输入信号蓝色部分与RGB信号亮度值之间的差异，Cr是RGB输入信号红色部分与RGB信号亮度值之间的差异；
为了增强图像全局对比度、压缩图像的动态范围，对Y分量进行非线性矫正：
输出图像I1,采用多尺度引导滤波估计出照射分量L，根据公式(18)得到增强后的反射分量R，由公式(24)，将处理后的Y分量与Cb、Cr分量转化为RGB分量，合成为低照度图像的最终增强结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910711296.0A CN110415193A (zh) | 2019-08-02 | 2019-08-02 | 煤矿低照度模糊图像的复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910711296.0A CN110415193A (zh) | 2019-08-02 | 2019-08-02 | 煤矿低照度模糊图像的复原方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110415193A true CN110415193A (zh) | 2019-11-05 |
Family
ID=68365391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910711296.0A Pending CN110415193A (zh) | 2019-08-02 | 2019-08-02 | 煤矿低照度模糊图像的复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415193A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069870A (zh) * | 2020-07-14 | 2020-12-11 | 广州杰赛科技股份有限公司 | 一种适用于车辆识别的图像处理方法及装置 |
| CN112115767A (zh) * | 2020-08-02 | 2020-12-22 | 南京理工大学 | 基于Retinex和YOLOv3模型的隧道异物检测方法 |
| CN112927158A (zh) * | 2021-03-09 | 2021-06-08 | 电子科技大学 | 一种模糊图像的图像复原方法、存储介质及终端 |
| 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 |
| CN115456914A (zh) * | 2022-11-08 | 2022-12-09 | 浙江优众新材料科技有限公司 | 一种基于先验知识的散焦图像去模糊方法、装置及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130343669A1 (en) * | 2012-06-25 | 2013-12-26 | Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. | Blur-kernel estimation from spectral irregularities |
| CN106897981A (zh) * | 2017-04-12 | 2017-06-27 | 湖南源信光电科技股份有限公司 | 一种基于引导滤波的低照度图像增强方法 |
| CN107871310A (zh) * | 2017-10-26 | 2018-04-03 | 武汉大学 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
| CN110059634A (zh) * | 2019-04-19 | 2019-07-26 | 山东博昂信息科技有限公司 | 一种大场景人脸抓拍方法 |
-
2019
- 2019-08-02 CN CN201910711296.0A patent/CN110415193A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130343669A1 (en) * | 2012-06-25 | 2013-12-26 | Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. | Blur-kernel estimation from spectral irregularities |
| CN106897981A (zh) * | 2017-04-12 | 2017-06-27 | 湖南源信光电科技股份有限公司 | 一种基于引导滤波的低照度图像增强方法 |
| CN107871310A (zh) * | 2017-10-26 | 2018-04-03 | 武汉大学 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
| CN110059634A (zh) * | 2019-04-19 | 2019-07-26 | 山东博昂信息科技有限公司 | 一种大场景人脸抓拍方法 |
Non-Patent Citations (4)
| Title |
|---|
| AMIT GOLDSTEIN 等: "Blur-Kernel Estimation from Spectral Irregularities", 《ECCV 2012》 * |
| 刘洪: "张量框架下模糊图像盲复原算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 张杰 等: "基于迭代多尺度引导滤波 Retinex 的低照度图像增强", 《图学学报》 * |
| 张飞: "基于压缩感知的低照度图像复原技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069870A (zh) * | 2020-07-14 | 2020-12-11 | 广州杰赛科技股份有限公司 | 一种适用于车辆识别的图像处理方法及装置 |
| CN112115767A (zh) * | 2020-08-02 | 2020-12-22 | 南京理工大学 | 基于Retinex和YOLOv3模型的隧道异物检测方法 |
| CN112115767B (zh) * | 2020-08-02 | 2022-09-30 | 南京理工大学 | 基于Retinex和YOLOv3模型的隧道异物检测方法 |
| CN112927158A (zh) * | 2021-03-09 | 2021-06-08 | 电子科技大学 | 一种模糊图像的图像复原方法、存储介质及终端 |
| 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 |
| CN115456914A (zh) * | 2022-11-08 | 2022-12-09 | 浙江优众新材料科技有限公司 | 一种基于先验知识的散焦图像去模糊方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An experiment-based review of low-light image enhancement methods | |
| Chen et al. | Robust image and video dehazing with visual artifact suppression via gradient residual minimization | |
| CN110415193A (zh) | 煤矿低照度模糊图像的复原方法 | |
| US10367976B2 (en) | Single image haze removal | |
| US8908989B2 (en) | Recursive conditional means image denoising | |
| AU2013206601A1 (en) | Variable blend width compositing | |
| Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
| WO2022133194A1 (en) | Deep perceptual image enhancement | |
| Mangiat et al. | Spatially adaptive filtering for registration artifact removal in HDR video | |
| He et al. | Fast single image dehazing via multilevel wavelet transform based optimization | |
| Mondal et al. | Single image haze removal using contrast limited adaptive histogram equalization based multiscale fusion technique | |
| Singh et al. | Anisotropic diffusion for details enhancement in multiexposure image fusion | |
| Lou et al. | Integrating haze density features for fast nighttime image dehazing | |
| CN111353955A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
| Singh et al. | Weighted least squares based detail enhanced exposure fusion | |
| Rabie | Adaptive hybrid mean and median filtering of high-ISO long-exposure sensor noise for digital photography | |
| Khan et al. | Recent advancement in haze removal approaches | |
| Li et al. | Single image visibility enhancement in gradient domain | |
| Karumuri et al. | Weighted guided image filtering for image enhancement | |
| Han et al. | Automatic illumination and color compensation using mean shift and sigma filter | |
| Kumar et al. | A multi-exposure fusion framework for contrast enhancement of hazy images employing dynamic stochastic resonance | |
| Simon et al. | Contrast enhancement of color images using improved Retinex method | |
| BV et al. | Image De-hazing techniques for Vision based applications-A survey | |
| Shin et al. | Variational low-light image enhancement based on a haze model | |
| CN106651815B (zh) | 用于处理Bayer格式视频图像的方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |