CN110782401B - 图像去模糊方法以及相关装置 - Google Patents
图像去模糊方法以及相关装置 Download PDFInfo
- Publication number
- CN110782401B CN110782401B CN201910900835.5A CN201910900835A CN110782401B CN 110782401 B CN110782401 B CN 110782401B CN 201910900835 A CN201910900835 A CN 201910900835A CN 110782401 B CN110782401 B CN 110782401B
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- initial
- fuzzy
- kernel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 116
- 239000011159 matrix material Substances 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 24
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 6
- 230000002349 favourable effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本申请公开了一种图像去模糊方法以及相关装置。其中,图像去模糊方法包括获取摄像器件拍摄的初始图像;通过预设模糊核估测方式确定初始图像的初始模糊核参数;构建与初始模糊参数方向匹配的模糊核过滤参数;利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数;基于目标模糊核参数获得初始图像的清晰图像。上述方案,能够提高图像去模糊的质量。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像去模糊方法以及相关装置。
背景技术
在图像采集过程中,诸如摄像器件的成像设备与被拍摄物体之间往往存在相对运动,因而造成了图像的运动模糊。运动模糊问题在众多领域中均存在,例如:公共安全领域、交通安全监控领域、航空航天领域、医学图像领域等等,而运动模糊问题的存在对后续基于图像的工作、研究造成障碍。例如,车牌图像去模糊是交通安全监控领域中一个重要应用。在实际应用中,超速行驶的车辆,或者夜晚场景中快门曝光时间过长,都会使车牌产生严重的模糊,最终对法律取证造成障碍,故此,图像去模糊的质量成为能否顺利取证的关键。有鉴于此,如何提高图像去模糊的质量成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种图像去模糊方法以及相关装置,能够提高图像去模糊的质量。
为了解决上述问题,本申请第一方面提供了一种图像去模糊方法,包括获取摄像器件拍摄的初始图像;通过预设模糊核估测方式确定初始图像的初始模糊核参数;构建与初始模糊参数方向匹配的模糊核过滤参数;利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数;基于目标模糊核参数获得初始图像的清晰图像。
为了解决上述问题,本申请第二方面提供了一种图像去模糊装置,包括第一获取模块、估测模块、构建模块、第二获取模块和第三获取模块,第一获取模块用于获取摄像器件拍摄的初始图像;估测模块通过预设模糊核估测方式确定初始图像的初始模糊核参数;构建模块用于构建与初始模糊参数方向匹配的模糊核过滤参数;第二获取模块用于利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数;第三获取模块用于基于目标模糊核参数获得初始图像的清晰图像。
为了解决上述问题,本申请第三方面提供了一种图像去模糊装置,包括相互耦接的存储器和处理器,处理器用于执行存储器存储的程序指令,以实现上述第一方面中的方法。
为了解决上述问题,本申请第四方面提供了一种存储装置,存储有能够被处理器运行的程序指令,程序指令用于实现上述第一方面中的方法。
上述方案,为了获取摄像器件拍摄的初始图像的目标模糊核参数,以便基于目标模糊核参数获得初始图像的清晰图像,而通过预设模糊核估测方式确定初始图像的初始模糊核参数,从而为后续获取目标模糊核参数确定了一个与初始图像相关的初始值,增强了后续获取目标模糊核参数的鲁棒性,有助于引导目标模糊核的获取朝更精确的方向发展,并构建与初始模糊核参数方向匹配的模糊核过滤参数,从而利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,进而有助于在获取目标模糊核的过程中过滤噪点,进一步提高获取到的目标模糊核的准确性,提高图像去模糊的质量。
附图说明
图1是本申请图像去模糊方法一实施例的流程示意图;
图2是图像退化数学模型一实施例的框架示意图;
图3是图1中步骤S13一实施例的流程示意图;
图4是图1中步骤S13另一实施例的流程示意图;
图5是图1中步骤S14一实施例的流程示意图;
图6是图5中步骤S141一实施例的流程示意图;
图7是图6中步骤S62一实施例的流程示意图;
图8是梯度幅值和梯度方向计算方式一实施例的框架示意图;
图9是图7中步骤S623一实施例的流程示意图;
图10是图5中步骤S142一实施例的流程示意图;
图11是图10中步骤S1020一实施例的流程示意图;
图12是本申请图像去模糊方法另一实施例的流程示意图;
图13是本申请图像去模糊装置一实施例的框架示意图;
图14是本申请图像去模糊装置另一实施例的框架示意图;
图15是本申请存储装置一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请图像去模糊方法一实施例的流程示意图。
具体而言,包括如下步骤:
步骤S11:获取摄像器件拍摄的初始图像。
基于不同的应用场景,摄像器件也可以有所不同,例如,对于公共安全或交通安全等领域的应用,摄像器件可以是监控摄像头;对于医学图像领域的应用,摄像器件可以是X光成像仪、超声波成像仪等等;对于航空航天领域的应用,摄像器件可以是无人机摄像头等等,本实施例在此不做具体限制。
在一个实施场景中,可以通过离线的方式获取摄像器件拍摄的初始图像,例如,通过USB(Universal Serial Bus,通用串行总线)将需要做去模糊处理的初始图像拷贝至闪存(flash memory)、移动硬盘等存储介质。
在另一个实施场景中,还可以通过在线的方式获取摄像器件拍摄的初始图像,例如,通过实时传输流协议(Real Time Streaming Protocol,RTSP)等通信协议在线获取摄像器件拍摄的初始图像。
步骤S12:通过预设模糊核估测方式确定初始图像的初始模糊核参数。
在一个实施场景中,为了更加精确地获取初始图像的初始模糊核参数,预设模糊核估测方式至少包括倒谱法,从而获得与初始图像空间一致的初始模糊核参数。关于倒谱法的详细技术为本领域的现有技术,本实施例在此不做具体限制。
步骤S13:构建与初始模糊参数方向匹配的模糊核过滤参数。
基于获取到的初始模糊核参数,获取与初始模糊核参数方向匹配的模糊核过滤参数。本实施例中,由于模糊核过滤参数与初始模糊核参数方向匹配,因此,在后续获取目标模糊核参数的过程中,可以有效过滤噪声。例如,在交通安全监控领域的一个具体应用场景中,在摄像器件的曝光时间内,车辆相对摄像头可近似认为线性行驶,而且导致发生图像模糊的超速多数是在非拐弯车道处发生的,故初始模糊核参数的方向也趋近于线性,与初始模糊核参数方向匹配的模糊核过滤参数的方向也趋近于线性,从而可以降低与此方向无关的噪声。
步骤S14:利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数。
请结合参阅图2,图2是图像退化数学模型一实施例的框架示意图。图像退化数学模型以数学表达式表示为下式:
其中,I表示最终要获取的清晰图像,k为目标模糊核参数,B为获取到的初始图像,符号表示卷积。故此,在一个实施场景中,在前述步骤S11~步骤S13获取初始图像、初始模糊核参数的基础上,可以根据上述数学模块的数学表达式,构建关于目标模糊核参数的目标函数,再求解该目标函数即可获得目标模糊核参数。此外,在一个实施场景中,为了降低所获取到的目标模糊核参数中的噪声,还可以进一步利用模糊核过滤参数过滤其中的噪点,从而使得最终获取到的目标模糊核参数更加准确。
步骤S15:基于目标模糊核参数获得初始图像的清晰图像。
在一个实施场景中,为了快速、准确地基于目标模糊核参数获得初始图像的清晰图像,可以基于目标模糊核参数和初始图像构建关于清晰图像的目标函数,再通过诸如反卷积等方法求取关于清晰图像的目标函数,得到清晰图像。
上述方案,为了获取摄像器件拍摄的初始图像的目标模糊核参数,以便基于目标模糊核参数获得初始图像的清晰图像,而通过预设模糊核估测方式确定初始图像的初始模糊核参数,从而为后续获取目标模糊核参数确定了一个与初始图像相关的初始值,增强了后续获取目标模糊核参数的鲁棒性,有助于引导目标模糊核的获取朝更精确的方向发展,并构建与初始模糊核参数方向匹配的模糊核过滤参数,从而利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,进而有助于在获取目标模糊核的过程中过滤噪点,进一步提高获取到的目标模糊核的准确性,提高图像去模糊的质量。
请参阅图3,图3是图1中步骤S13一实施例的流程示意图。本实施例中,模糊核过滤参数为模糊核过滤矩阵,初始模糊核参数为初始模糊核矩阵,具体而言,上述步骤S13可以包括如下步骤:
步骤S131:初始化模糊核过滤矩阵。
在一个实施场景中,初始化的模糊核过滤矩阵的大小与初始模糊核矩阵的大小相同。例如,初始模糊核矩阵的大小为200*100,则初始化的模糊核过滤矩阵的大小也为200*100,本实施例在此不再一一举例。
在一个实施场景中,还可以在初始化模糊核过滤矩阵的同时,为模糊核过滤矩阵中每一个元素赋予一初始值,例如,统一赋予初始值0,或者统一赋予初始值1,本实施例在此不做具体限制。
在另一个实施场景中,还可以在初始化模糊核过滤矩阵的同时,使模糊核过滤矩阵中的每一个元素的值为空,也就是说,不为任何一个元素赋值。
步骤S132:确定初始模糊核矩阵的方向。
在一个实施场景中,初始模糊核矩阵的方向可以是在上述步骤S12中,通过预设模糊核估测方式确定初始图像的初始模糊核参数时所确定,其中预设模糊核估测方式可以包括倒谱法,例如,确定初始模糊核矩阵的方向为以某一元素(x0,y0)为起点,偏离水平方向一角度θ,在直角坐标系下可以表示为:
y=θ*(x-x0)+y0。
在其他实施场景中,初始模糊核矩阵的方向也可以趋近于线性,而非完全线性,例如,在交通安全监控领域,车辆相对摄像头可近似认为线性行驶,而且导致发生图像模糊的超速多数是在非拐弯车道处发生的,故初始模糊核参数的方向也趋近于线性,本实施例在此不做具体限制。
步骤S133:将模糊核过滤矩阵中沿方向上的元素赋值为第一数值,其他元素赋值为第二数值。
将初始化的模糊核过滤矩阵中沿该方向上的元素赋值为第一数值,其他元素赋值为第二数值,本实施例中,第二数值用于使与该方向无关的噪声无效。
本实施例中,还可以将模糊核过滤矩阵和初始模糊核矩阵视作图像,也就是说矩阵中的每一个元素相当于图像中的每一个像素点,矩阵的值相当于图像的像素值,本实施例在此不做具体限制。
上述方案,通过根据初始模糊核矩阵的方向构建模糊核过滤矩阵,从而使得构建得到的模糊核过滤矩阵可以在后续获取目标模糊核参数的过程中,滤除与方向无关的噪声,进而进一步提高获取到的目标模糊核参数的准确性,最终有利于提高图像去模糊的质量。
请参阅图4,图4是图1中步骤S13另一实施例的流程示意图。本实施例中,为了进一步提高通过模糊核过滤参数滤除与方向无关的噪声的鲁棒性,还可以适当增加模糊核过滤参数中该方向上数值为第一数值的元素的数量。本实施例中,模糊核过滤参数为模糊核过滤矩阵,初始模糊核参数为初始模糊核矩阵。具体而言,可以包括如下步骤:
步骤S41:初始化模糊核过滤矩阵。
本实施例中,模糊核过滤矩阵的大小与初始模糊核矩阵的大小相同。
具体可以参阅上述步骤S131。
步骤S42:确定初始模糊核矩阵的方向。
具体可以参阅上述步骤S132。
步骤S43:将方向分别上下平移预设数量个元素,得到第一方向和第二方向。
例如,预设数量可以是4,从而将方向分别上下平移4个元素,得到与方向偏移4个元素的第一方向,以及反方向与该方向偏移4个元素的第二方向。在一个实施场景中,预设数量还可以是其他值,例如,5、6等等,本实施例在此不做具体限制。本实施例中,当将方向分别上下平移N个元素时,向上平移N个元素的第一方向可以表示为:
y=θ*(x-x0)+y0+N
向下平移N个元素的第二方向可以表示为:
y=θ*(x-x0)+y0-N
显然,通过将方向分别上下平移预设数量个元素,可以拓宽方向,从而增强模糊核过滤矩阵的鲁棒性。
步骤S44:将模糊核过滤矩阵中在第一方向和第二方向之间的元素赋值为第一数值,其他元素赋值为第二数值。
将模糊核过滤矩阵中的第一方向和第二方向之间的元素赋值为第一数值,其他元素赋值为第二数值,本实施例中,第二数值用于使与该方向无关的噪声无效。
本实施例中,还可以将模糊核过滤矩阵和初始模糊核矩阵视作图像,也就是说矩阵中的每一个元素相当于图像中的每一个像素点,矩阵的值相当于图像的像素值,本实施例在此不做具体限制。
上述方案,通过根据初始模糊核矩阵的方向构建模糊核过滤矩阵,从而使得构建得到的模糊核过滤矩阵可以在后续获取目标模糊核参数的过程中,滤除与方向无关的噪声,进而进一步提高获取到的目标模糊核参数的准确性,此外,由于适当拓宽了该方向,从而进一步提高通过模糊核过滤参数滤除与方向无关的噪声的鲁棒性,最终有利于提高图像去模糊的质量。
请参阅图5,图5是图1中步骤S14一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S141:对初始图像进行预处理,得到至少一个预处理图像。
在一个实施场景中,为了降低图像噪声对于获取目标模糊核参数的干扰,对初始图像进行预处理的操作可以包括提取初始图像中的强边缘点,强边缘点是初始图像中梯度幅值较大的像素点,能够较好地表征初始图像的边缘,从而能够尽可能地排除图像噪声的干扰。
在一个实施场景中,为了提高获取到的目标模糊核参数的准确性,对初始图像进行预处理的操作还可以包括对初始图像进行降采样,从而顺次针对每层降采样图像,迭代初始模糊核参数,最终获得目标模糊核参数。
本实施例中,为了尽可能地降低图像噪声对于获取目标模糊核参数的干扰,提高获取到的目标模糊核参数的准确性,最终提高图像去模糊的质量,可以对初始图像进行降采样处理,并对降采样图像进行强边缘点的提取,以将提取到的强边缘点作为预处理图像的像素点。
步骤S142:按照预设顺序选取一预处理图像作为被选取图像,并利用上一被选取图像的最终模糊核参数和模糊核过滤参数,得到当前被选取图像的最终模糊核参数。
本实施例中,对于第一个被选取图像,其上一被选取图像的最终模糊核参数为初始模糊核参数。
预设顺序可以是预处理图像的图像分辨率由大到小的顺序。在其他实施场景中,也可以是预处理图像的图像分辨率由小到大的顺序,本实施例在此不做具体限制。
举例来说,在对初始图像P1进行预处理得到至少一个预处理图像包括:预处理图像Q1、预处理图像Q2、预处理图像Q3、预处理图像Q4,且图像分辨率由大到小分别为:预处理图像Q1、预处理图像Q2、预处理图像Q3、预处理图像Q4。若当前被选取图像为预处理图像Q2,则将其上一被选取图像Q1的最终模糊核参数k1为初始模糊核参数,则利用上一被选取图像Q1的最终模糊核参数k1和模糊核过滤参数得到当前被选取图像Q2的最终模糊核参数k2,以此类推,可以得到最后被选取图像,即预处理图像Q4的最终模糊核参数k4。
步骤S143:将最后被选取图像的最终模糊核参数作为初始图像的目标模糊核参数。
仍以上述初始图像P1为例,最终得到最后被选取图像Q4的最终模糊核参数k4,则将最终模糊核参数k4作为初始图像P1的目标模糊核参数。
上述方案,通过在至少一个预处理图像中按照预设顺序选取一预处理图像作为被选取图像,并利用上一被选取图像的最终模糊核参数和模糊核过滤参数,得到当前被选取图像的最终模糊核参数,进而将最后被选取图像的最终模糊核参数作为初始图像的目标模糊核参数,也就是说最终得到的目标模糊核参数是多次迭代以后的结果,因此,上述方式可以进一步提高目标模糊核参数的准确性,进而提高图像去模糊的质量。
请参阅图6,图6是图5中步骤S141一实施例的流程示意图。具体而言,上述步骤S141可以包括:
步骤S61:对初始图像进行降采样,获得至少一个降采样图像,其中至少一个降采样图像中包含图像分辨率最大的初始图像。
在一个实施场景中,可以对初始图像进行高斯降采样,从而获得至少一个降采样图像。在一个实施场景中,可以根据初始图像的图像分辨率,确定降采样的次数,例如,初始图像的图像分辨率越大,降采样的次数也相应越多,反之,初始图像的图像分辨率越小,降采样的次数也相应越少,本实施例在此不做具体限制。
本实施例中,所得到的至少一个降采样图像包括原始图像。
步骤S62:提取至少一个降采样图像中的强边缘点,并将强边缘点作为至少一个预处理图像的像素点。
举例来说,对于初始图像P1,经过降采样,可以得到包含初始图像P1的多个降采样图像,按照图像分辨率由大到小排列分别为:降采样图像S1(即初始图像P1)、降采样图像S2、降采样图像S3、降采样图像S4。在其他实施场景中,预处理图像的数量还可以是其他个数,本实施例在此不做具体限制。提取降采样图像S1中的强边缘点,并将提取到的强边缘点作为预处理图像Q1的像素点;提取降采样图像S2中的强边缘点,并将提取到的强边缘点作为预处理图像Q2的像素点,以此类推,得到预处理图像Q3、预处理图像Q4。
请参阅图7,图7是图6中步骤S62一实施例的流程示意图。具体而言,步骤S62可以包括如下步骤:
步骤S621:对至少一个降采样图像进行降噪处理,获得至少一个降噪图像。
为了进一步降低预处理图像的图像噪声,可以在提取降采样图像中的强边缘点之前,先对降采样图像进行降噪处理,从而得到对应于降采样图像的降噪图像。
在一个实施场景中,可以采用双边滤波对降采样图像进行处理,从而获得降噪图像。双边滤波是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。双边滤波的具体技术细节为本领域的现有技术,本实施例在此不再赘述。
本实施例中,所选取的双边滤波的大小为3*3,此外,还可以选择其他双边滤波,本实施例在此不做具体限制。
步骤S622:统计降噪图像中各个像素点的梯度幅值和梯度方向。
请结合参阅图8,图8是梯度幅值和梯度方向计算方式一实施例的框架示意图。对于降噪图像中任一像素点p(i,j),假设该像素点的像素值也以p(i,j)表示,则该像素点在x方向上的梯度幅值为其相邻右方像素点的像素值与其像素值的差,表示为:
Ix=p(i+1,j)-p(i,j)
类似地,该像素点在y方向上的梯度幅值为其相邻下方像素点的像素值与其像素值之差,表示为:
Iy=p(i,j+1)-p(i,j)
相应地,该像素点的梯度方向θ可以表示为:
以此类推,可以统计得到降噪图像中各个像素点的梯度幅值和梯度方向。
步骤S623:选取预设梯度方向范围中梯度幅值最大的第一预设数量个像素点作为强边缘点。
请结合参阅图9,图9是图7中步骤S623一实施例的流程示意图。为了防止选取的强边缘点过于偏向于某个方向,还可以分别在多个梯度方向子范围中选取多个梯度幅值较大的第一预设数量个像素点。具体而言,可以包括如下步骤:
步骤S6231:将各个像素点的梯度方向映射到预设梯度方向范围中。
预设梯度方向范围可以为[-90,90],从而根据各个像素点的梯度方向映射到预设梯度方向范围中。
步骤S6232:将预设梯度方向范围分为第二预设数量个梯度方向子范围。
第二预设数量可以为2个、3个、4个等等。以预设梯度方向范围为[-90,90]、第二预设数量为4个为例,可以将预设梯度方向范围划分为4个梯度方向子范围,分别为:[-90,-45)、[-45,0)、[0,45)、[45,90],其中,‘[’或‘]’表示包括端点值,‘(’或‘)’表示不包括端点值。
步骤S6233:选取梯度方向子范围中梯度幅值最大的第一预设数量个像素点作为梯度方向子范围中的强边缘点。
在每一个梯度方向子范围中选取梯度幅值最大的第一预设数量个像素点作为梯度方向子范围中的强边缘点。
举例来说,可以在梯度方向子范围[-90,-45)中选取梯度幅值最大的第一预设数量个像素点,在梯度方向子范围[-45,0)中选取梯度幅值最大的第一预设数量个像素点,在梯度方向子范围[0,45)中选取梯度幅值最大的第一预设数量个像素点,在梯度方向子范围[45,90]中选取梯度幅值最大的第一预设数量个像素点。
上述方案,可以在多个梯度方向子范围中选取梯度幅值最大的第一预设数量个像素点作为该梯度方向子范围中的强边缘点,从而使得最终选取得到强边缘分布于各个梯度方向,而不会太偏向于某个方向,有利于提高后续获取目标模糊核参数的准确性。
步骤S624:将强边缘点的梯度幅值作为预处理图像中对应像素点的像素值。
将选取得到的强边缘点的梯度幅值作为预处理图像中对应像素点的像素值。请结合参阅图8,仍以像素点p(i,j)为例,当最终选取像素点p(i,j)作为强边缘点时,可以将该像素点的梯度幅值作为预处理图像中第i行第j列的像素点的像素值,本实施例中,像素点p(i,j)的梯度幅值可以表示为:
上述方案,通过对降采样图像进行降噪处理,得到降噪图像,并提取降噪图像中的强边缘点作为预处理图像中对应像素点的像素值,从而可以尽可能地降低噪声对后续获取目标模糊核参数的影响,有利于提高目标模糊核参数的准确性。
请参阅图10,图10是图5中步骤S142一实施例的流程示意图。其中,在步骤S142所包含的其中一个具体实施步骤“利用上一被选取图像的最终模糊核参数和模糊核过滤参数,得到当前被选取图像的最终模糊核参数”之前,可以包括:
步骤S1010:基于初始图像的图像分辨率确定目标迭代次数。
基于初始图像的图像分辨率确定目标迭代次数,在一个实施场景中,初始图像的图像分辨率与目标迭代次数为正相关关系,在另一个实施场景中,初始图像的图像分辨率与目标迭代次数为负相关关系,本实施例在此不做具体限制。
在一个具体实施例中,步骤S142中“利用上一被选取图像的最终模糊核参数和模糊核过滤参数,得到当前被选取图像的最终模糊核参数”具体可以包括:
步骤S1020:利用上一被选取图像的最终模糊核参数和模糊核过滤参数,对当前被选取图像的模糊核参数进行迭代处理。
仍以图像分辨率由大到小排列为:预处理图像Q1、预处理图像Q2、预处理图像Q3、预处理图像Q4为例,本实施例中,按照预处理图像的图像分辨率由大到小的顺序,在多个预处理图像中选取一个图像作为被选取图像,若当前被选取图像为预处理图像Q2,则利用上一被选取图像,即预处理图像Q1的最终模糊核参数和模糊核过滤参数,对当前被选取图像,即预处理图像Q2的模糊核参数进行迭代处理。具体而言,请结合参阅图11,可以包括如下步骤:
步骤S1021:基于前次迭代处理得到的模糊核参数获取当前被选取图像的候选清晰图像。
本实施例中,前次迭代处理得到的模糊核参数为前被选取图像在前一次迭代处理得到的模糊核参数,与初始图像的图像分辨率一致的当前被选取图像在第一次迭代处理得到的模糊核参数为初始模糊核参数。
在一个实施场景中,可以基于当前被选取图像和前次迭代处理得到的模糊核参数构建关于候选清晰图像的目标函数,如下式所示:
其中,I表示候选清晰图像,B表示当前被选取图像,k表示前次迭代处理得到的模糊核参数,α的取值可以根据实际应用场景,本实施例在此不做具体限制。
进一步地,基于上述目标函数,通过反卷积求取候选清晰图像。通过反卷积求解目标函数为本领域的现有技术,本实施例在此不再赘述。
步骤S1022:对候选清晰图像进行预处理,获得一再处理图像。
本实施例中,对候选清晰图像进行的预处理与为得到当前被选取图像所进行的预处理相同。具体可以参阅上述步骤S61~步骤S62,以及步骤S621~步骤S624,本实施例在此不再赘述。
步骤S1023:基于再处理图像和当前被选取图像,得到当前被选取图像的当前迭代候选模糊核参数。
在一个实施场景中,可以基于再处理图像和当前被选取图像构建关于当前迭代候选模糊核参数的目标函数,如下式所示:
进一步地,通过预设求取方法求取当前迭代候选模糊核参数的目标函数,得到当前迭代候选模糊和参数。在一个实施场景中,预设求取方法包括以下任意一者:最小二乘法、最大期望算法、贝叶斯算法等等。本实施例在此不做具体限制。在一个具体实施场景中,当采用最小二乘法求取上述目标函数时,可求得当前迭代候选模糊核参数为:
步骤S1024:将当前被选取图像的当前迭代候选模糊核参数和模糊核过滤参数进行预设运算,得到当前被选取图像在当前迭代处理得到的模糊核参数。
将当前被选取图像的当前迭代候选模糊核参数和模糊核过滤参数进行预设运算,从而得到当前被选取图像在当前迭代处理得到的模糊核参数。在一个实施场景中,预设运算为逻辑与运算。当预设运算为逻辑与运算时,上述步骤S131~步骤S133中,以及上述步骤S41~步骤S44中,第一数值为1,第二数值为0,从而可以保留与初始模糊核参数方向匹配的参数信息,并滤除与方向无关的噪点,提高模糊核参数的准确性。
步骤S1030:在对当前被选取图像的迭代次数达到目标迭代次数时,将当前迭代处理得到的模糊核参数作为当前被选取图像的最终模糊核参数。
在对当前被选取图像的迭代次数达到目标迭代次数时,表明对当前被选取图像的迭代已经完成,从而将当前迭代处理得到的模糊核参数作为当前被选取图像的最终模糊核参数。
其中,在一个实施例中,步骤S15“基于目标模糊核参数获得初始图像的清晰图像”可以基于目标模糊核参数和初始图像构建关于清晰图像的目标函数,并通过反卷积求取关于清晰图像的目标函数,得到清晰图像。具体步骤可以参阅步骤S1021,本实施例在此不再赘述。
请参阅图12,图12为本申请图像去模糊方法另一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S1201:获取摄像器件拍摄的初始图像。
具体请参阅步骤S11。
步骤S1202:通过预设模糊核估测方式确定初始图像的初始模糊核参数。
具体请参阅步骤S12。
步骤S1203:构建与初始模糊参数方向匹配的模糊核过滤参数。
具体请参阅步骤S13以及前述实施例中的其他相关步骤。
步骤S1204:对初始图像进行降采样,获得至少一个降采样图像,其中至少一个降采样图像中包含图像分辨率最大的初始图像。
具体请参阅步骤S61。
步骤S1205:提取至少一个降采样图像中的强边缘点,并将强边缘点作为至少一个预处理图像的像素点。
具体请参阅步骤S62。
步骤S1206:基于初始图像的图像分辨率确定目标迭代次数。
具体请参阅步骤S1010。
步骤S1207:基于前次迭代处理得到的模糊核参数获取当前被选取图像的候选清晰图像。
本实施例中,前次迭代处理得到的模糊核参数为前被选取图像在前一次迭代处理得到的模糊核参数,与初始图像的图像分辨率一致的当前被选取图像在第一次迭代处理得到的模糊核参数为初始模糊核参数。
具体请参阅步骤S1021。
步骤S1208:对候选清晰图像进行预处理,获得一再处理图像。
具体请参阅步骤S1022。
步骤S1209:基于再处理图像和当前被选取图像,得到当前被选取图像的当前迭代候选模糊核参数。
具体请参阅步骤S1023。
步骤S1210:将当前被选取图像的当前迭代候选模糊核参数和模糊核过滤参数进行预设运算,得到当前被选取图像在当前迭代处理得到的模糊核参数。
具体请参阅步骤S1024。
步骤S1211:判断对当前被选取图像的迭代次数是否达到目标迭代次数,若是,则执行步骤S1212,否则,重新执行步骤S1207。
当本次迭代处理完成后,判断对当前被选取图像的迭代次数是否达到目标迭代次数,若是,则表示对当前被选取图像的迭代已经完成,则执行步骤S1212。否则,则表示对当前被选取图像的迭代尚未完成,则继续执行步骤S1207。
步骤S1212:将当前迭代处理得到的模糊核参数作为当前被选取图像的最终模糊核参数。
若对当前被选取图像的迭代已经完成,则将当前迭代处理得到的模糊核参数作为当前被选取图像的最终模糊核参数。
步骤S1213:判断当前被选取图像是否为至少一个预处理图像中的最后一个,若是,则执行步骤S1216,否则,重新执行步骤S1214。
判断当前被选取图像是否为至少一个预处理图像中的最后一个,若是,则表明对预处理图像的迭代处理已全部完成,则执行步骤S1216,否则,表明对还有未进行过迭代处理的预处理图像,则执行步骤S1214。
步骤S1214:从至少一个预处理图像中按照预设顺序选取下一个预处理图像作为当前被选取图像。
预设顺序可以是按照预处理图像的图像分辨率由大到小的顺序。
步骤S1215:重新执行步骤S1207以及后续步骤。
选取到新的当前被选取图像后,重新执行步骤S1207以及后续步骤,以继续对其进行迭代处理,进行新一轮的迭代处理。
步骤S1216:将最后被选取图像的最终模糊核参数作为初始图像的目标模糊核参数。
如果当前被选取图像为至少一个预处理图像中的最后一个图像,也就是说,当前被选取图像是最后被选取图像时,则可以将其最终模糊核参数作为初始图像的目标模糊核参数。
步骤S1217:基于目标模糊核参数获得初始图像的清晰图像。
上述方案,为了获取摄像器件拍摄的初始图像的目标模糊核参数,以便基于目标模糊核参数获得初始图像的清晰图像,而通过预设模糊核估测方式确定初始图像的初始模糊核参数,从而为后续获取目标模糊核参数确定了一个与初始图像相关的初始值,增强了后续获取目标模糊核参数的鲁棒性,有助于引导目标模糊核的获取朝更精确的方向发展,并构建与初始模糊核参数方向匹配的模糊核过滤参数,从而利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,进而有助于在获取目标模糊核的过程中过滤噪点,进一步提高获取到的目标模糊核的准确性,提高图像去模糊的质量。
请参阅图13,图13是本申请图像去模糊装置1300一实施例的框架示意图。图像去模糊装置1300包括第一获取模块1310、估测模块1320、构建模块1330、第二获取模块1340、第三获取模块1350。本实施例中,第一获取模块1310用于获取摄像器件拍摄的初始图像,估测模块1320用于通过预设模糊核估测方式确定初始图像的初始模糊核参数,构建模块1330用于构建与初始模糊参数方向匹配的模糊核过滤参数,第二获取模块1340用于利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,第三获取模块1350用于基于目标模糊核参数获得初始图像的清晰图像。
上述方案,为了获取摄像器件拍摄的初始图像的目标模糊核参数,以便基于目标模糊核参数获得初始图像的清晰图像,而通过预设模糊核估测方式确定初始图像的初始模糊核参数,从而为后续获取目标模糊核参数确定了一个与初始图像相关的初始值,增强了后续获取目标模糊核参数的鲁棒性,有助于引导目标模糊核的获取朝更精确的方向发展,并构建与初始模糊核参数方向匹配的模糊核过滤参数,从而利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,进而有助于在获取目标模糊核的过程中过滤噪点,进一步提高获取到的目标模糊核的准确性,提高图像去模糊的质量。
在一些实施例中,第二获取模块1340包括预处理子模块,用于对初始图像进行预处理,得到至少一个预处理图像,第二获取模块1340还包括迭代子模块,用于按照预设顺序选取一预处理图像作为被选取图像,并利用上一被选取图像的最终模糊核参数和模糊核过滤参数,得到当前被选取图像的最终模糊核参数,其中,对于第一个被选取图像,其上一被选取图像的最终模糊核参数为初始模糊核参数,第二获取模块1340还包括参数确定子模块,用于将最后被选取图像的最终模糊核参数作为初始图像的目标模糊核参数。
在一些实施例中,预处理子模块还包括降采样单元,用于对初始图像进行降采样,获得至少一个降采样图像,其中至少一个降采样图像中包含图像分辨率最大的初始图像,预处理子模块还包括提取单元,用于提取至少一个降采样图像中的强边缘点,并将强边缘点作为至少一个预处理图像的像素点。
在一些实施例中,提取单元还包括降噪子单元,用于对至少一个降采样图像进行降噪处理,获得至少一个降噪图像,提取单元还包括统计子单元,用于统计降噪图像中各个像素点的梯度幅值和梯度方向,提取单元还包括选取子单元,用于选取预设梯度方向范围中梯度幅值最大的第一预设数量个像素点作为强边缘点,提取单元还包括构图子单元,用于将强边缘点的梯度幅值作为预处理图像中对应像素点的像素值。
在一些实施例中,选取子单元具体用于将各个像素点的梯度方向映射到预设梯度方向范围中,将预设梯度方向范围分为第二预设数量个梯度方向子范围,选取梯度方向子范围中梯度幅值最大的第一预设数量个像素点作为梯度方向子范围中的强边缘点。
在一些实施例中,降噪子单元具体用于采用双边滤波对至少一个降采样图像进行处理,获得至少一个降噪图像。
在一些实施例中,预设顺序为预处理图像的图像分辨率由大到小的顺序,迭代子模块包括次数确定单元,用于基于初始图像的图像分辨率确定目标迭代次数,迭代子模块还包括迭代处理单元,用于利用上一被选取图像的最终模糊核参数和模糊核过滤参数,对当前被选取图像的模糊核参数进行迭代处理,迭代子模块还包括迭代计数单元,用于在对当前被选取图像的迭代次数达到目标迭代次数时,将当前迭代处理得到的模糊核参数作为当前被选取图像的最终模糊核参数。
在一个实施场景中,迭代处理单元包括候选清晰图像获取子单元,用于基于前次迭代处理得到的模糊核参数获取当前被选取图像的候选清晰图像,其中,前次迭代处理得到的模糊核参数为前被选取图像在前一次迭代处理得到的模糊核参数,与初始图像的图像分辨率一致的当前被选取图像在第一次迭代处理得到的模糊核参数为初始模糊核参数,迭代处理单元还包括预处理子单元,用于对候选清晰图像进行预处理,获得一再处理图像,其中,对候选清晰图像进行的预处理与为得到当前被选取图像所进行的预处理相同,迭代处理单元还包括当前迭代参数子单元,用于基于再处理图像和当前被选取图像,得到当前被选取图像的当前迭代候选模糊核参数,迭代处理单元还包括参数运算子单元,用于将当前被选取图像的当前迭代候选模糊核参数和模糊核过滤参数进行预设运算,得到当前被选取图像在当前迭代处理得到的模糊核参数。
在一些实施例中,预设运算为逻辑与,候选清晰图像获取子单元具体用于基于当前被选取图像和前次迭代处理得到的模糊核参数构建关于候选清晰图像的目标函数,通过反卷积求取关于候选清晰图像的目标函数,以获得候选清晰图像;当前迭代参数子单元具体用于基于再处理图像和当前被选取图像构建关于当前迭代候选模糊核参数的目标函数,通过预设求取方法求取关于当前迭代候选模糊核参数的目标函数,得到当前迭代候选模糊核参数。
在一些实施例中,预设求取方法包括以下任意一者:最小二乘法、最大期望算法、贝叶斯算法。
在一些实施例中,模糊核过滤参数为模糊核过滤矩阵,初始模糊核参数为初始模糊核矩阵,构建模块1330包括初始化子模块,用于初始化模糊核过滤矩阵,其中,模糊核过滤矩阵的大小与初始模糊核矩阵的大小相同,构建模块1330包括方向子模块,用于确定初始模糊核矩阵的方向,构建模块1330包括赋值子模块,用于将模糊核过滤矩阵中沿方向上的元素赋值为第一数值,其他元素赋值为第二数值。
在一些实施例中,构建模块1330还包括平移子模块,用于将方向分别上下平移预设数量个元素,得到第一方向和第二方向,赋值子模块还用于将模糊核过滤矩阵中在第一方向和第二方向之间的元素赋值为第一数值,其他元素赋值为第二数值,在一个实施场景中,第一数值为1,第二数值为0。
在一些实施例中,第三获取模块1350包括函数构建子模块,用于基于目标模糊核参数和初始图像构建关于清晰图像的目标函数,第三获取模块1350还包括函数求取子模块,用于通过反卷积求取关于清晰图像的目标函数,得到清晰图像。
在一些实施例中,预设模糊核估测方式至少包括倒谱法。
请参阅图14,图14是本申请图像去模糊装置1400一实施例的框架示意图。图像去模糊装置1400包括相互耦接的存储器1410和处理器1420,处理器1420用于执行存储器1410存储的程序指令,以实现上述任一图像去模糊方法的实施例中步骤。
具体而言,处理器1420用于控制其自身以及存储器1410以实现上述任一图像去模糊方法的实施例中的步骤。处理器1420还可以称为CPU(Central Processing Unit,中央处理单元)。处理器1420可能是一种集成电路芯片,具有信号的处理能力。处理器1420还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器1420可以由多个集成电路芯片共同实现。
本实施例中,处理器1420用于获取摄像器件拍摄的初始图像,处理器1420还用于通过预设模糊核估测方式确定初始图像的初始模糊核参数,处理器1420还用于构建与初始模糊参数方向匹配的模糊核过滤参数,处理器1420还用于利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,处理器1420还用于基于目标模糊核参数获得初始图像的清晰图像。
上述方案,为了获取摄像器件拍摄的初始图像的目标模糊核参数,以便基于目标模糊核参数获得初始图像的清晰图像,而通过预设模糊核估测方式确定初始图像的初始模糊核参数,从而为后续获取目标模糊核参数确定了一个与初始图像相关的初始值,增强了后续获取目标模糊核参数的鲁棒性,有助于引导目标模糊核的获取朝更精确的方向发展,并构建与初始模糊核参数方向匹配的模糊核过滤参数,从而利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,进而有助于在获取目标模糊核的过程中过滤噪点,进一步提高获取到的目标模糊核的准确性,提高图像去模糊的质量。
在一些实施例中,处理器1420还用于对初始图像进行预处理,得到至少一个预处理图像,处理器1420还用于按照预设顺序选取一预处理图像作为被选取图像,并利用上一被选取图像的最终模糊核参数和模糊核过滤参数,得到当前被选取图像的最终模糊核参数,其中,对于第一个被选取图像,其上一被选取图像的最终模糊核参数为初始模糊核参数,处理器1420还用于将最后被选取图像的最终模糊核参数作为初始图像的目标模糊核参数。
在一些实施例中,处理器1420还用于对初始图像进行降采样,获得至少一个降采样图像,其中至少一个降采样图像中包含图像分辨率最大的初始图像,处理器1420还用于提取至少一个降采样图像中的强边缘点,并将强边缘点作为至少一个预处理图像的像素点。
在一些实施例中,处理器1420还用于对至少一个降采样图像进行降噪处理,获得至少一个降噪图像,处理器1420还用于统计降噪图像中各个像素点的梯度幅值和梯度方向,处理器1420还用于选取预设梯度方向范围中梯度幅值最大的第一预设数量个像素点作为强边缘点,处理器1420还用于将强边缘点的梯度幅值作为预处理图像中对应像素点的像素值。
在一些实施例中,处理器1420还用于将各个像素点的梯度方向映射到预设梯度方向范围中,处理器1420还用于将预设梯度方向范围分为第二预设数量个梯度方向子范围,处理器1420还用于选取梯度方向子范围中梯度幅值最大的第一预设数量个像素点作为梯度方向子范围中的强边缘点。
在一些实施例中,处理器1420还用于采用双边滤波对至少一个降采样图像进行处理,获得至少一个降噪图像。
在一些实施例中,预设顺序为预处理图像的图像分辨率由大到小的顺序,处理器1420还用于基于初始图像的图像分辨率确定目标迭代次数,处理器1420还用于利用上一被选取图像的最终模糊核参数和模糊核过滤参数,对当前被选取图像的模糊核参数进行迭代处理,处理器1420还用于在对当前被选取图像的迭代次数达到目标迭代次数时,将当前迭代处理得到的模糊核参数作为当前被选取图像的最终模糊核参数。
在一些实施例中,处理器1420还用于基于前次迭代处理得到的模糊核参数获取当前被选取图像的候选清晰图像,其中,前次迭代处理得到的模糊核参数为前被选取图像在前一次迭代处理得到的模糊核参数,与初始图像的图像分辨率一致的当前被选取图像在第一次迭代处理得到的模糊核参数为初始模糊核参数,处理器1420还用于对候选清晰图像进行预处理,获得一再处理图像,其中,对候选清晰图像进行的预处理与为得到当前被选取图像所进行的预处理相同,处理器1420还用于基于再处理图像和当前被选取图像,得到当前被选取图像的当前迭代候选模糊核参数,处理器1420还用于将当前被选取图像的当前迭代候选模糊核参数和模糊核过滤参数进行预设运算,得到当前被选取图像在当前迭代处理得到的模糊核参数。
在一些实施例中,预设运算为逻辑与,处理器1420还用于基于当前被选取图像和前次迭代处理得到的模糊核参数构建关于候选清晰图像的目标函数,处理器1420还用于通过反卷积求取关于候选清晰图像的目标函数,以获得候选清晰图像。
在一些实施例中,处理器1420还用于基于再处理图像和当前被选取图像构建关于当前迭代候选模糊核参数的目标函数,处理器1420还用于通过预设求取方法求取关于当前迭代候选模糊核参数的目标函数,得到当前迭代候选模糊核参数。
在一些实施例中,预设求取方法包括以下任意一者:最小二乘法、最大期望算法、贝叶斯算法。
在一些实施例中,模糊核过滤参数为模糊核过滤矩阵,初始模糊核参数为初始模糊核矩阵,处理器1420还用于初始化模糊核过滤矩阵,其中,模糊核过滤矩阵的大小与初始模糊核矩阵的大小相同,处理器1420还用于确定初始模糊核矩阵的方向,处理器1420还用于将模糊核过滤矩阵中沿方向上的元素赋值为第一数值,其他元素赋值为第二数值。
在一些实施例中,处理器1420还用于将方向分别上下平移预设数量个元素,得到第一方向和第二方向,处理器1420还用于将模糊核过滤矩阵中在第一方向和第二方向之间的元素赋值为第一数值,其他元素赋值为第二数值。
在一些实施例中,第一数值为1,第二数值为0。
在一些实施例中,处理器1420还用于基于目标模糊核参数和初始图像构建关于清晰图像的目标函数,处理器1420还用于,通过反卷积求取关于清晰图像的目标函数,得到清晰图像。
在一些实施例中,预设模糊核估测方式至少包括倒谱法。
请参阅图15,图15为本申请存储装置1500一实施例的框架示意图。存储装置1500存储有能够被处理器运行的程序指令1510,程序指令1510用于实现上述任一图像去模糊方法的实施例中的步骤。
上述方案,为了获取摄像器件拍摄的初始图像的目标模糊核参数,以便基于目标模糊核参数获得初始图像的清晰图像,而通过预设模糊核估测方式确定初始图像的初始模糊核参数,从而为后续获取目标模糊核参数确定了一个与初始图像相关的初始值,增强了后续获取目标模糊核参数的鲁棒性,有助于引导目标模糊核的获取朝更精确的方向发展,并构建与初始模糊核参数方向匹配的模糊核过滤参数,从而利用初始图像和初始模糊核参数、模糊核过滤参数,获取初始图像的目标模糊核参数,进而有助于在获取目标模糊核的过程中过滤噪点,进一步提高获取到的目标模糊核的准确性,提高图像去模糊的质量。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (16)
1.一种图像去模糊方法,其特征在于,包括:
获取摄像器件拍摄的初始图像;
通过预设模糊核估测方式确定所述初始图像的初始模糊核参数;
构建与所述初始模糊参数方向匹配的模糊核过滤参数;
利用所述初始图像和所述初始模糊核参数、所述模糊核过滤参数,获取所述初始图像的目标模糊核参数;
基于所述目标模糊核参数获得所述初始图像的清晰图像;
其中,所述模糊核过滤参数为模糊核过滤矩阵,所述初始模糊核参数为初始模糊核矩阵;所述构建与所述初始模糊参数方向匹配的模糊核过滤参数包括:
初始化所述模糊核过滤矩阵,其中,所述模糊核过滤矩阵的大小与所述初始模糊核矩阵的大小相同;确定所述初始模糊核矩阵的方向;将所述模糊核过滤矩阵中沿所述方向上的元素赋值为第一数值,其他元素赋值为第二数值。
2.根据权利要求1所述的方法,其特征在于,所述利用所述初始图像和所述初始模糊核参数、所述模糊核过滤参数,获取所述初始图像的目标模糊核参数包括:
对所述初始图像进行预处理,得到至少一个预处理图像;
按照预设顺序选取一预处理图像作为被选取图像,并利用上一被选取图像的最终模糊核参数和所述模糊核过滤参数,得到当前被选取图像的最终模糊核参数,其中,对于第一个被选取图像,其上一被选取图像的最终模糊核参数为所述初始模糊核参数;
将最后被选取图像的最终模糊核参数作为所述初始图像的目标模糊核参数。
3.根据权利要求2所述的方法,其特征在于,所述对所述初始图像进行预处理,得到至少一个预处理图像包括:
对所述初始图像进行降采样,获得至少一个降采样图像,其中所述至少一个降采样图像中包含图像分辨率最大的初始图像;
对所述至少一个降采样图像进行降噪处理,获得至少一个降噪图像;
统计所述降噪图像中各个像素点的梯度幅值和梯度方向;
选取预设梯度方向范围中梯度幅值最大的第一预设数量个像素点作为强边缘点;
将所述强边缘点的梯度幅值作为所述预处理图像中对应像素点的像素值。
4.根据权利要求3所述的方法,其特征在于,所述选取预设梯度方向范围中梯度幅值最大的第一预设数量个像素点作为所述强边缘点包括:
将所述各个像素点的梯度方向映射到所述预设梯度方向范围中;
将所述预设梯度方向范围分为第二预设数量个梯度方向子范围;
选取所述梯度方向子范围中所述梯度幅值最大的第一预设数量个像素点作为所述梯度方向子范围中的强边缘点。
5.根据权利要求3所述的方法,其特征在于,所述对所述至少一个降采样图像进行降噪处理,获得至少一个降噪图像包括:
采用双边滤波对所述至少一个降采样图像进行处理,获得至少一个降噪图像。
6.根据权利要求2所述的方法,其特征在于,所述预设顺序为预处理图像的图像分辨率由大到小的顺序;
所述利用上一被选取图像的最终模糊核参数和所述模糊核过滤参数,得到当前被选取图像的最终模糊核参数之前,所述方法包括:
基于所述初始图像的图像分辨率确定目标迭代次数;
所述利用上一被选取图像的最终模糊核参数和所述模糊核过滤参数,得到当前被选取图像的最终模糊核参数包括:
利用上一被选取图像的最终模糊核参数和所述模糊核过滤参数,对当前被选取图像的模糊核参数进行迭代处理;
在对所述当前被选取图像的迭代次数达到所述目标迭代次数时,将当前迭代处理得到的模糊核参数作为当前被选取图像的最终模糊核参数。
7.根据权利要求6所述的方法,其特征在于,所述利用上一被选取图像的最终模糊核参数和所述模糊核过滤参数,对当前被选取图像的模糊核参数进行迭代处理包括:
基于前次迭代处理得到的模糊核参数获取所述当前被选取图像的候选清晰图像,其中,所述前次迭代处理得到的模糊核参数为所述当前被选取图像在前一次迭代处理得到的模糊核参数,与所述初始图像的图像分辨率一致的当前被选取图像在第一次迭代处理得到的模糊核参数为所述初始模糊核参数;
对所述候选清晰图像进行预处理,获得一再处理图像,其中,所述对所述候选清晰图像进行的预处理与为得到所述当前被选取图像所进行的预处理相同;
基于所述再处理图像和所述当前被选取图像,得到所述当前被选取图像的当前迭代候选模糊核参数;
将所述当前被选取图像的当前迭代候选模糊核参数和所述模糊核过滤参数进行预设运算,得到所述当前被选取图像在当前迭代处理得到的模糊核参数。
8.根据权利要求7所述的方法,其特征在于,所述预设运算为逻辑与;
所述基于前次迭代处理得到的模糊核参数获取所述当前被选取图像的候选清晰图像包括:
基于所述当前被选取图像和前次迭代处理得到的模糊核参数构建关于所述候选清晰图像的目标函数;
通过反卷积求取关于所述候选清晰图像的目标函数,以获得所述候选清晰图像;
所述基于所述再处理图像和所述当前被选取图像,得到所述当前被选取图像的当前迭代候选模糊核参数包括:
基于所述再处理图像和所述当前被选取图像构建关于所述当前迭代候选模糊核参数的目标函数;
通过预设求取方法求取关于所述当前迭代候选模糊核参数的目标函数,得到所述当前迭代候选模糊核参数。
9.根据权利要求8所述的方法,其特征在于,所述预设求取方法包括以下任意一者:最小二乘法、最大期望算法、贝叶斯算法。
10.根据权利要求1所述的方法,其特征在于,所述确定所述初始模糊核矩阵的方向之后,还包括:
将所述方向分别上下平移预设数量个元素,得到第一方向和第二方向;
所述将所述模糊核过滤矩阵中沿所述方向上的元素赋值为第一数值,其他元素赋值为第二数值包括:
将所述模糊核过滤矩阵中在所述第一方向和所述第二方向之间的元素赋值为所述第一数值,其他元素赋值为所述第二数值。
11.根据权利要求1所述的方法,其特征在于,所述第一数值为1,所述第二数值为0。
12.根据权利要求1所述的方法,其特征在于,所述基于所述目标模糊核参数获得所述初始图像的清晰图像包括:
基于所述目标模糊核参数和所述初始图像构建关于所述清晰图像的目标函数;
通过反卷积求取关于所述清晰图像的目标函数,得到所述清晰图像。
13.根据权利要求1所述的方法,其特征在于,所述预设模糊核估测方式至少包括倒谱法。
14.一种图像去模糊装置,其特征在于,包括:
第一获取模块,用于获取摄像器件拍摄的初始图像;
估测模块,通过预设模糊核估测方式确定所述初始图像的初始模糊核参数;
构建模块,用于构建与所述初始模糊参数方向匹配的模糊核过滤参数;
第二获取模块,用于利用所述初始图像和所述初始模糊核参数、所述模糊核过滤参数,获取所述初始图像的目标模糊核参数;
第三获取模块,用于基于所述目标模糊核参数获得所述初始图像的清晰图像;
其中,所述模糊核过滤参数为模糊核过滤矩阵,所述初始模糊核参数为初始模糊核矩阵;所述构建模块包括初始化子模块,所述初始化子模块用于初始化所述模糊核过滤矩阵,且所述模糊核过滤矩阵的大小与所述初始模糊核矩阵的大小相同;所述构建模块包括方向子模块,所述方向子模块用于确定所述初始模糊核矩阵的方向;所述构建模块包括赋值子模块,所述赋值子模块用于将所述模糊核过滤矩阵中沿所述方向上的元素赋值为第一数值,其他元素赋值为第二数值。
15.一种图像去模糊装置,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器存储的程序指令,以实现权利要求1至13任一项所述的方法。
16.一种存储装置,其特征在于,存储有能够被处理器运行的程序指令,所述程序指令用于实现如权利要求1至13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900835.5A CN110782401B (zh) | 2019-09-23 | 2019-09-23 | 图像去模糊方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900835.5A CN110782401B (zh) | 2019-09-23 | 2019-09-23 | 图像去模糊方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782401A CN110782401A (zh) | 2020-02-11 |
CN110782401B true CN110782401B (zh) | 2022-09-06 |
Family
ID=69383723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900835.5A Active CN110782401B (zh) | 2019-09-23 | 2019-09-23 | 图像去模糊方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782401B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703785B (zh) * | 2023-08-04 | 2023-10-27 | 普密特(成都)医疗科技有限公司 | 一种微创手术镜下模糊图像的处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
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 |
CN106960417A (zh) * | 2016-01-08 | 2017-07-18 | 中国科学院沈阳自动化研究所 | 一种基于图像显著结构的噪声模糊图像盲目反卷积方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594447B2 (en) * | 2011-12-23 | 2013-11-26 | The United States Of America, As Represented By The Secretary Of The Navy | Method of estimating blur kernel from edge profiles in a blurry image |
-
2019
- 2019-09-23 CN CN201910900835.5A patent/CN110782401B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
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 |
CN106960417A (zh) * | 2016-01-08 | 2017-07-18 | 中国科学院沈阳自动化研究所 | 一种基于图像显著结构的噪声模糊图像盲目反卷积方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊核稀疏先验的文本图像运动模糊去除;周强;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170815;第3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN110782401A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210350168A1 (en) | Image segmentation method and image processing apparatus | |
Nguyen et al. | Super-resolution for biometrics: A comprehensive survey | |
Shi et al. | Just noticeable defocus blur detection and estimation | |
US9338437B2 (en) | Apparatus and method for reconstructing high density three-dimensional image | |
CN109064504B (zh) | 图像处理方法、装置和计算机存储介质 | |
CN111275626A (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
CN108765343A (zh) | 图像处理的方法、装置、终端及计算机可读存储介质 | |
US20130271616A1 (en) | Method of analyzing motion blur using double discrete wavelet transform | |
WO2014074138A1 (en) | Globally dominant point spread function estimation | |
CN110097509A (zh) | 一种局部运动模糊图像的复原方法 | |
CN108765505B (zh) | 红外成像的编码感知矩阵估计方法 | |
Khare et al. | Implementation and analysis of image restoration techniques | |
CN111985427A (zh) | 活体检测方法、设备及可读存储介质 | |
WO2016193393A1 (en) | Real-time temporal filtering and super-resolution of depth image sequences | |
Lau et al. | Variational models for joint subsampling and reconstruction of turbulence-degraded images | |
CN112435223B (zh) | 目标检测方法、装置及存储介质 | |
CN110782401B (zh) | 图像去模糊方法以及相关装置 | |
CN111083359B (zh) | 图像处理方法及其装置、电子设备和计算机可读存储介质 | |
Al Ismaeil et al. | Dynamic super resolution of depth sequences with non-rigid motions | |
CN111222446A (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
Hadhoud et al. | New trends in high resolution image processing | |
Noor et al. | Multi-frame super resolution with deep residual learning on flow registered non-integer pixel images | |
Vrigkas et al. | On the improvement of image registration for high accuracy super-resolution | |
Bhagat et al. | Novel Approach to Estimate Motion Blur Kernel Parameters and Comparative Study of Restoration Techniques | |
CN114155201A (zh) | 检测镜头附有目标物的方法、装置、设备及可读存储介质 |
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 |