CN110502949A - 一种基于自适应尺度控制的qr码图像快速盲去模糊方法 - Google Patents

一种基于自适应尺度控制的qr码图像快速盲去模糊方法 Download PDF

Info

Publication number
CN110502949A
CN110502949A CN201910735428.3A CN201910735428A CN110502949A CN 110502949 A CN110502949 A CN 110502949A CN 201910735428 A CN201910735428 A CN 201910735428A CN 110502949 A CN110502949 A CN 110502949A
Authority
CN
China
Prior art keywords
scale
image
blurred picture
code
fuzzy core
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
Application number
CN201910735428.3A
Other languages
English (en)
Other versions
CN110502949B (zh
Inventor
陈荣军
于永兴
潘俊峰
王磊军
吕巨建
赵慧民
卢旭
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal 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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN201910735428.3A priority Critical patent/CN110502949B/zh
Publication of CN110502949A publication Critical patent/CN110502949A/zh
Application granted granted Critical
Publication of CN110502949B publication Critical patent/CN110502949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/146—Methods for optical code recognition the method including quality enhancement steps
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Toxicology (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于自适应尺度控制的QR码图像快速盲去模糊方法，首先对输入的QR码图像做归一化处理，得到规范的QR码的模糊图像，然后通过对规范的模糊图像进行多尺度模糊核估计，从粗到细逐步输出各尺度的估计模糊核和估计清晰图像实现QR码图像快速去模糊，在求解估计清晰图像的过程中，引入了关于QR码图像强度和梯度作为先验知识，优化了模糊图像的恢复效果；另外通过图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价，判断在较小尺度下取得的估计结果是否已提前达到可识别的标准，进而实现不同模糊程度QR码图像的自适应尺度控制。本发明在提高不可识别的模糊QR码图像去模糊速度的同时，也确保了QR码图像去模糊的质量。

Description

一种基于自适应尺度控制的QR码图像快速盲去模糊方法
技术领域
本发明涉及QR码图像识别的技术领域，尤其涉及一种基于自适应尺度控制的QR码图像快速盲去模糊方法。
背景技术
二维码作为移动互联网的入口，应用越来越广泛，尤其是QR码在物流运输，产品溯源和农作物养殖等方面提供了许多便利。由于采集方法的不同，经常会存在QR码图像模糊的情况，造成难以识别的问题。目前在模糊QR码图像的识别处理中，由于难以提前获知到模糊核的信息，通常采用盲去模糊方法，在盲去模糊的优化模型中引入不同形式的先验知识作为约束项，并采用多尺度方法求解模糊核，但由于这些先验知识中没有结合QR码图像特点，QR码图像去模糊质量较低，同时由于计算过程中采用多尺度方法求解，盲去模糊的速度较慢。
发明内容
本发明为解决现有的QR码图像去模糊方法恢复效果和效率都较低的问题，提供了一种基于自适应尺度控制的QR码图像快速盲去模糊方法。
为实现以上发明目的，而采用的技术手段是：
一种基于自适应尺度控制的QR码图像快速盲去模糊方法，包括以下步骤：
S1.获取原始QR码的模糊图像并进行归一化处理；
S2.设置模糊核大小并对模糊图像和模糊核进行多尺度划分；
S3.根据多尺度划分结果，从粗到细交替求解得到各尺度的估计模糊核；
S4.根据求解得到的估计模糊核对所述模糊图像进行非盲去模糊；
S5.使用图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价，判断所述清晰图像的清晰度评价值是否大于预设的可识别清晰度阈值或所述清晰图像的当前尺度是否为最高尺度，若是，则输出所述清晰图像；若否，则在下一尺度上重复执行步骤S3。
上述方案中，通过对QR码的模糊图像进行多尺度模糊核估计，从粗到细逐步输出各尺度的估计模糊核和估计清晰图像实现QR码图像快速去模糊，通过图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价，判断在较小尺度下取得的估计结果是否已提前达到可识别的标准，进而实现不同模糊程度QR码图像的自适应尺度控制。
优选的，所述步骤S1中进行归一化处理后得到规范的QR码模糊图像，其尺寸大小为l×l，l＞0。
优选的，所述步骤S2具体包括以下步骤：
S21.设置模糊核大小ks，并统计划分尺度数n：
其中c为划分的各尺度间隔比例，为常数；b为下采样的尺度阈值，为常数；
S22.根据步骤S21的模糊核大小ks和尺度数n对所述模糊图像和模糊核进行尺度划分，其中划分的各尺度间隔比例为c，下采样的尺度阈值为b，并且划分的模糊核尺度大小通过向上取整至最近的奇数得到，得到尺度划分后相对应的模糊图像和模糊核尺度大小列表。
优选的，所述步骤S3具体包括以下步骤：
S31.求解估计清晰图像：以L0正则项描述QR码图像的梯度和强度，构造求解估计清晰图像的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，λ为权重参数，▽x为QR码图像的梯度，表示卷积运算；
S32.求解估计模糊核：构造求解估计模糊核的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，γ为权重参数；
S33.根据尺度划分后相对应的模糊图像和模糊核尺度大小列表，在当前尺度上执行以下过程：模糊图像y下采样到当前尺度，模糊核k由上一尺度的结果用双线性插值法上采样到当前尺度，若当前尺度为第一尺度，则初始化模糊核k；其中模糊图像y通过步骤S31进行迭代更新，模糊核k通过步骤S32进行迭代更新；重复执行所述过程直至达到预设的迭代次数最大值，输出此时当前尺度的模糊核k1即为当前尺度的估计模糊核；其中初始化的模糊核k有两个值，当前尺度的模糊图像中和两个像素点对应的初始化模糊核其余像素点对应的初始化模糊核k＝0，其中s为当前尺度大小。在本优选方案中，在求解估计清晰图像的过程中，引入了关于QR码图像强度和梯度作为先验知识，优化了模糊图像的恢复效果，使得不可识别的模糊QR码图像快速盲去模糊后，能达到可识别的标准，确保QR码图像去模糊的质量。
优选的，所述步骤S5具体为：使用Tenengrad梯度法对去模糊后的清晰图像进行清晰度评价，具体公式为：
其中n为图像的尺度数，(x,y)为图像中的像素点，S＝gx 2+gy 2，gx和gy分别为sobel水平算子和sobel垂直算子。
优选的，所述步骤S1中在进行归一化处理前还包括：判断所述模糊图像是否为灰度图像，若是则无需进行灰度转换，若否则将所述模糊图像转换为灰度图像。
优选的，所述步骤S4具体为：根据求解得到的估计模糊核，利用步骤S31中所述的求解估计清晰图像的模型对所述模糊图像进行非盲去模糊，得到清晰图像。
与现有技术相比，本发明技术方案的有益效果是：
本发明方法通过对QR码的模糊图像进行多尺度模糊核估计，从粗到细逐步输出各尺度的估计模糊核和估计清晰图像实现QR码图像快速去模糊，在求解估计清晰图像的过程中，引入了关于QR码图像强度和梯度作为先验知识，优化了模糊图像的恢复效果，使得不可识别的模糊QR码图像快速盲去模糊后，能达到可识别的标准；另外通过图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价，判断在较小尺度下取得的估计结果是否已提前达到可识别的标准，进而实现不同模糊程度QR码图像的自适应尺度控制。本发明在提高不可识别的模糊QR码图像去模糊速度的同时，也确保了QR码图像去模糊的质量，解决了现有的QR码图像去模糊方法恢复效果和效率都较低的问题。
附图说明
图1为实施例2的总流程图。
图2为实施例2中原始QR码的模糊图像及其不同尺度下对应的估计清晰图像；
图3为实施例2中原始QR码的模糊图像及其不同尺度下对应估计清晰图像与清晰度评价值Q；
图4为实施例2中输入的QR码的模糊图像；
图5为实施例2中实际中间过程生成的各尺度去模糊后的清晰图像及其对应的清晰度评价值Q；
图6为实施例2中最终输出的清晰图像。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于自适应尺度控制的QR码图像快速盲去模糊方法，如图1所示，包括以下步骤：
S1.获取原始QR码的模糊图像，判断所述模糊图像是否为灰度图像，若是则无需进行灰度转换，若否则将所述模糊图像转换为灰度图像并进行归一化处理，得到规范的QR码模糊图像，其尺寸大小为300×300；
S2.设置模糊核大小并对模糊图像和模糊核进行多尺度划分；
具体包括以下步骤：
S21.设置模糊核大小ks，并统计划分尺度数n：
其中c为划分的各尺度间隔比例，c取值为b为下采样的尺度阈值，b值设置为5；
S22.根据步骤S21的模糊核大小ks和尺度数n对所述模糊图像和模糊核进行尺度划分，其中划分的各尺度间隔比例为下采样的尺度阈值为5，并且划分的模糊核尺度大小通过向上取整至最近的奇数得到，得到尺度划分后相对应的模糊图像和模糊核尺度大小列表。
S3.根据多尺度划分结果，从粗到细交替求解得到各尺度的估计模糊核；
具体包括以下步骤：
S31.求解估计清晰图像：以L0正则项描述QR码图像的梯度和强度，构造求解估计清晰图像的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，λ为权重参数，▽x为QR码图像的梯度，表示卷积运算；
S32.求解估计模糊核：构造求解估计模糊核的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，γ为权重参数；
S33.根据尺度划分后相对应的模糊图像和模糊核尺度大小列表，在当前尺度上执行以下过程：模糊图像y下采样到当前尺度，模糊核k由上一尺度的结果用双线性插值法上采样到当前尺度，若当前尺度为第一尺度，则初始化模糊核k；其中模糊图像y通过步骤S31进行迭代更新，模糊核k通过步骤S32进行迭代更新；重复执行所述过程直至达到预设的迭代次数最大值，输出此时当前尺度的模糊核k1即为当前尺度的估计模糊核；其中初始化的模糊核k有两个值，当前尺度的模糊图像中和两个像素点对应的初始化模糊核其余像素点对应的初始化模糊核k＝0，其中s为当前尺度大小；
S4.根据求解得到的估计模糊核对所述模糊图像进行非盲去模糊；即根据求解得到的估计模糊核，利用步骤S31中所述的求解估计清晰图像的模型对所述模糊图像进行非盲去模糊，得到清晰图像；
S5.使用Tenengrad梯度法对去模糊后的清晰图像进行清晰度评价，判断所述清晰图像的清晰度评价值是否大于预设的可识别清晰度阈值或所述清晰图像的当前尺度是否为最高尺度n，若是，则输出所述清晰图像；若否，则在下一尺度上重复执行步骤S3；
使用Tenengrad梯度法对去模糊后的清晰图像进行清晰度评价的具体公式为：
其中n为图像的尺度数，(x,y)为图像中的像素点，S＝gx 2+gy 2，gx和gy分别为sobel水平算子和sobel垂直算子。
实施例2
一种基于自适应尺度控制的QR码图像快速盲去模糊方法，包括以下步骤：
在本实施例2中预设迭代次数最大值Rmax＝5，预设QR码图像的可识别清晰度阈值Qmax＝[-,18021,25518,54870,60706,103984]。
S1.获取原始QR码的模糊图像，判断所述模糊图像是否为灰度图像，若是则无需进行灰度转换，若否则将所述模糊图像转换为灰度图像并进行归一化处理，得到规范的QR码模糊图像，其尺寸大小为300×300；
S2.设置模糊核大小并对模糊图像和模糊核进行多尺度划分；
具体包括以下步骤：
S21.设置模糊核大小ks＝30×30，并统计划分尺度数n：
其中c为划分的各尺度间隔比例，c取值为b为下采样的尺度阈值，b值设置为5；
S22.根据步骤S21的模糊核大小ks和尺度数n对所述模糊图像和模糊核进行尺度划分，其中划分的各尺度间隔比例为下采样的尺度阈值为5，并且划分的模糊核尺度大小通过向上取整至最近的奇数得到，得到尺度划分后相对应的模糊图像和模糊核尺度大小列表；在本实施例2中，模糊核尺度从小到大依次为：7x7，9x9，11x11，17x17，23x23，31x31，对应的模糊图像尺寸为：52x52，74x74，105x105，148x148，211x211，300x300；
S3.根据多尺度划分结果，从粗到细交替求解得到各尺度的估计模糊核；
具体包括以下步骤：
S31.求解估计清晰图像：以L0正则项描述QR码图像的梯度和强度，构造求解估计清晰图像的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，λ为权重参数，▽x为QR码图像的梯度，表示卷积运算；
S32.求解估计模糊核：构造求解估计模糊核的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，γ为权重参数；
S33.根据尺度划分后相对应的模糊图像和模糊核尺度大小列表，在当前尺度上执行以下过程：模糊图像y下采样到该尺度，模糊核k由上一尺度的结果用双线性插值法上采样到该尺度，若该尺度为第一尺度，则初始化模糊核k；其中模糊图像y通过步骤S31进行迭代更新，模糊核k通过步骤S32进行迭代更新；重复执行所述过程直至达到预设的迭代次数最大值Rmax，输出此时该尺度的模糊核k1。
S4.根据求解得到的估计模糊核对所述模糊图像进行非盲去模糊；即根据求解得到的估计模糊核，利用步骤S31中所述的求解估计清晰图像的模型对所述模糊图像进行非盲去模糊，得到清晰图像；如图2所示为本实施例2中原始QR码的模糊图像及其不同尺度下对应的估计清晰图像；
S5.使用Tenengrad梯度法对去模糊后的清晰图像进行清晰度评价，判断所述清晰图像的清晰度评价值Q是否大于预设的可识别清晰度阈值Qmax或所述清晰图像的当前尺度是否为最高尺度，若是，则输出清晰图像；若否，则在下一尺度上重复执行步骤S3；如图3所示为原始QR码的模糊图像及其不同尺度下对应估计清晰图像与清晰度评价值Q；
使用Tenengrad梯度法对去模糊后的清晰图像进行清晰度评价的具体公式为：
其中n为图像的尺度数，(x,y)为图像中的像素点，S＝gx 2+gy 2，gx和gy分别为sobel水平算子和sobel垂直算子。
而在本实施例2中，实际过程计算至第三个尺度对应的清晰图像时即满足清晰度评价的要求，因此实际中间过程共产生了三个去模糊后的清晰图像，如图4所示为在本次实验中输入的QR码的模糊图像，如图5所示为实际中间过程生成的各尺度去模糊后的清晰图像及其对应的清晰度评价值Q，如图6所示为最终输出的清晰图像。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于自适应尺度控制的QR码图像快速盲去模糊方法，其特征在于，包括以下步骤：
S1.获取原始QR码的模糊图像并进行归一化处理；
S2.设置模糊核大小并对模糊图像和模糊核进行多尺度划分；
S3.根据多尺度划分结果，从粗到细交替求解得到各尺度的估计模糊核；
S4.根据求解得到的估计模糊核对所述模糊图像进行非盲去模糊；
S5.使用图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价，判断所述清晰图像的清晰度评价值是否大于预设的可识别清晰度阈值或所述清晰图像的当前尺度是否为最高尺度，若是，则输出所述清晰图像；若否，则在下一尺度上重复执行步骤S3。
2.根据权利要求1所述的基于自适应尺度控制的QR码图像快速盲去模糊方法，其特征在于，所述步骤S1中进行归一化处理后得到规范的QR码模糊图像，其尺寸大小为l×l，l＞0。
3.根据权利要求1所述的基于自适应尺度控制的QR码图像快速盲去模糊方法，其特征在于，所述步骤S2具体包括以下步骤：
S21.设置模糊核大小ks，并统计划分尺度数n：
其中c为划分的各尺度间隔比例，为常数；b为下采样的尺度阈值，b为常数且其取值范围为5≤b≤7；
S22.根据步骤S21的模糊核大小ks和尺度数n对所述模糊图像和模糊核进行尺度划分，其中划分的各尺度间隔比例为c，下采样的尺度阈值为b，并且划分的模糊核尺度大小通过向上取整至最近的奇数得到，得到尺度划分后相对应的模糊图像和模糊核尺度大小列表。
4.根据权利要求1所述的基于自适应尺度控制的QR码图像快速盲去模糊方法，其特征在于，所述步骤S3具体包括以下步骤：
S31.求解估计清晰图像：以L0正则项描述QR码图像的梯度和强度，构造求解估计清晰图像的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，λ为权重参数，▽x为QR码图像的梯度，表示卷积运算；
S32.求解估计模糊核：构造求解估计模糊核的模型，具体为：
其中，x是估计清晰图像，y是模糊图像，k是模糊核，γ为权重参数；
S33.根据尺度划分后相对应的模糊图像和模糊核尺度大小列表，在当前尺度上执行以下过程：模糊图像y下采样到当前尺度，模糊核k由上一尺度的结果用双线性插值法上采样到当前尺度，若当前尺度为第一尺度，则初始化模糊核k；其中模糊图像y通过步骤S31进行迭代更新，模糊核k通过步骤S32进行迭代更新；重复执行所述过程直至达到预设的迭代次数最大值，输出此时当前尺度的模糊核k1即为当前尺度的估计模糊核。
5.根据权利要求1所述的基于自适应尺度控制的QR码图像快速盲去模糊方法，其特征在于，所述步骤S5具体为：使用Tenengrad梯度法对去模糊后的清晰图像进行清晰度评价，具体公式为：
其中n为图像的尺度数，(x,y)为图像中的像素点，S＝gx 2+gy 2，gx和gy分别为sobel水平算子和sobel垂直算子。
6.根据权利要求1～4任一项所述的基于自适应尺度控制的QR码图像快速盲去模糊方法，其特征在于，所述步骤S1中在进行归一化处理前还包括：判断所述模糊图像是否为灰度图像，若是则无需进行灰度转换，若否则将所述模糊图像转换为灰度图像。
7.根据权利要求5所述的基于自适应尺度控制的QR码图像快速盲去模糊方法，其特征在于，所述步骤S4具体为：根据求解得到的估计模糊核，利用步骤S31中所述的求解估计清晰图像的模型对所述模糊图像进行非盲去模糊，得到清晰图像。
CN201910735428.3A 2019-08-09 2019-08-09 一种基于自适应尺度控制的qr码图像快速盲去模糊方法 Active CN110502949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910735428.3A CN110502949B (zh) 2019-08-09 2019-08-09 一种基于自适应尺度控制的qr码图像快速盲去模糊方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910735428.3A CN110502949B (zh) 2019-08-09 2019-08-09 一种基于自适应尺度控制的qr码图像快速盲去模糊方法

Publications (2)

Publication Number Publication Date
CN110502949A true CN110502949A (zh) 2019-11-26
CN110502949B CN110502949B (zh) 2023-04-14

Family

ID=68587174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910735428.3A Active CN110502949B (zh) 2019-08-09 2019-08-09 一种基于自适应尺度控制的qr码图像快速盲去模糊方法

Country Status (1)

Country Link
CN (1) CN110502949B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105379A (zh) * 2019-12-23 2020-05-05 福州大学 一种U-Net融合局部模糊核的图像盲去模糊方法
CN112651260A (zh) * 2020-12-30 2021-04-13 凌云光技术股份有限公司 一种自适应离散码转连续码的方法及系统
CN113177890A (zh) * 2021-04-27 2021-07-27 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN114662519A (zh) * 2022-05-24 2022-06-24 武汉朗修科技有限公司 基于位置探测图形梯度和强度先验的qr码盲去模糊方法
CN116977220A (zh) * 2023-08-07 2023-10-31 中国矿业大学 基于图像质量启发的盲图像去运动模糊算法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109859111A (zh) * 2018-11-20 2019-06-07 昆明理工大学 一种基于map方法的单幅图像盲去模糊方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109859111A (zh) * 2018-11-20 2019-06-07 昆明理工大学 一种基于map方法的单幅图像盲去模糊方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张宏等: "基于归一化曲率项的单幅运动模糊彩色图像盲复原", 《青岛大学学报(自然科学版)》 *
谭海鹏等: "基于正则化约束的遥感图像多尺度去模糊", 《中国图象图形学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105379A (zh) * 2019-12-23 2020-05-05 福州大学 一种U-Net融合局部模糊核的图像盲去模糊方法
CN112651260A (zh) * 2020-12-30 2021-04-13 凌云光技术股份有限公司 一种自适应离散码转连续码的方法及系统
CN112651260B (zh) * 2020-12-30 2024-01-30 凌云光技术股份有限公司 一种自适应离散码转连续码的方法及系统
CN113177890A (zh) * 2021-04-27 2021-07-27 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN113177890B (zh) * 2021-04-27 2023-04-18 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN114662519A (zh) * 2022-05-24 2022-06-24 武汉朗修科技有限公司 基于位置探测图形梯度和强度先验的qr码盲去模糊方法
CN116977220A (zh) * 2023-08-07 2023-10-31 中国矿业大学 基于图像质量启发的盲图像去运动模糊算法
CN116977220B (zh) * 2023-08-07 2024-02-13 中国矿业大学 基于图像质量启发的盲图像去运动模糊算法

Also Published As

Publication number Publication date
CN110502949B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN110502949A (zh) 一种基于自适应尺度控制的qr码图像快速盲去模糊方法
CN109754017B (zh) 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
CN110532897B (zh) 零部件图像识别的方法和装置
CN104517110B (zh) 一种二维码图像的二值化方法及系统
US8385630B2 (en) System and method of processing stereo images
CN105844630B (zh) 一种双目视觉的图像超分辨率融合去噪方法
CN108171249B (zh) 一种基于rgbd数据的局部描述子学习方法
CN107680116A (zh) 一种监测视频图像中运动目标的方法
CN103177249A (zh) 图像处理装置和图像处理方法
CN107067373B (zh) 一种基于0范数的梯度最小化二值图像复原方法
CN109345559B (zh) 基于样本扩充和深度分类网络的运动目标跟踪方法
CN110930409A (zh) 一种基于深度学习的盐体语义分割方法及语义分割模型
CN111179333A (zh) 一种基于双目立体视觉的散焦模糊核估计方法
CN117037258B (zh) 面部图像的检测方法、装置、存储介质及电子设备
CN110866552B (zh) 基于全卷积空间传播网络的高光谱图像分类方法
CN116912338A (zh) 一种用于纺织品的像素图片矢量化方法
CN108830802B (zh) 一种基于短曝图像梯度导向的图像模糊核估计方法
CN116091893A (zh) 一种基于U-net网络的地震图像反褶积方法及系统
CN115018726A (zh) 一种基于U-Net的图像非均匀模糊核的估计方法
CN113222843B (zh) 一种图像修复方法及其相关设备
CN111353991A (zh) 一种目标检测方法、装置、电子设备及存储介质
CN112419177B (zh) 一种面向单幅图像去运动模糊的感知质量盲评价方法
CN117152622B (zh) 边界优化模型训练、边界优化方法、装置、设备及介质
CN115063299B (zh) 一种图像预处理方法、装置、电子设备以及存储介质
CN116310276B (zh) 目标检测方法、装置、电子设备及存储介质

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