CN110807738B - 一种基于边缘图块锐化的模糊图像非盲复原方法 - Google Patents

一种基于边缘图块锐化的模糊图像非盲复原方法 Download PDF

Info

Publication number
CN110807738B
CN110807738B CN201910774540.8A CN201910774540A CN110807738B CN 110807738 B CN110807738 B CN 110807738B CN 201910774540 A CN201910774540 A CN 201910774540A CN 110807738 B CN110807738 B CN 110807738B
Authority
CN
China
Prior art keywords
image
edge
block
sharpening
image block
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
CN201910774540.8A
Other languages
English (en)
Other versions
CN110807738A (zh
Inventor
崔光茫
赵巨峰
石振
辛青
张钰
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910774540.8A priority Critical patent/CN110807738B/zh
Publication of CN110807738A publication Critical patent/CN110807738A/zh
Application granted granted Critical
Publication of CN110807738B publication Critical patent/CN110807738B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture

Landscapes

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

Abstract

本发明为一种基于边缘图块锐化的模糊图像非盲复原方法，包括以下步骤：建立边缘图块数据库；提取模糊图像G的边缘分割图像G1和平滑区域分割图像G2；对边缘分割图像G1进行网格划分，在划分好的网格区域中针对有像素值的边缘区域位置图块进行匹配锐化处理，获得锐化更新后的边缘区域图像G1′；对平滑区域分割图像G2进行复原，获得复原的平滑区域图像G2′；获得模糊图像G的复原图像G′。本发明的优点是：通过对边缘区域图像进行网格划分，对于每个划分的单元网格，搜索确定图块数据库中与其灰度相似度匹配系数最大的清晰图块，完成边缘区域的的图块锐化更新，实现边缘清晰度提升的同时，避免了复原算法迭代引起的振铃效应。

Description

一种基于边缘图块锐化的模糊图像非盲复原方法
技术领域
本发明涉及图像处理领域，尤其涉及一种基于边缘图块锐化的模糊图像非盲复原方法。
背景技术
图像模糊问题是数字成像采集设备经常会遇到的问题。由于成像光学系统存在离焦、在的低照度拍摄时的手持成像设备需要长曝光时间，或者拍摄过程中运动场景和成像传感器发生相对运动，都会导致获取的图像出现模糊退化，造成图像分辨率和探测能力的下降。需要引入图像复原算法来改善图像质量。
传统的非盲复原方法，即使在点扩散函数事先知道的情况下，需要利用图像先验信息，对图像复原约束能量方程建模，开展图像复原求解。这种算法往往会造成图像噪声的放大，同时，在图像边缘区域也容易出现严重的振铃条纹，影响复原图像质量。而图像边缘信息，是人眼视觉评价最着重关注的区域，属于中高频信息，对边缘区域的清晰度提升和改善，对于图像主观视觉感受有着最直接的影响。
发明内容
本发明主要解决了现有非盲复原方法会放大图像噪声、在图像边缘出现严重振铃条纹的问题，提供了一种能够有效提升图像边缘区域分辨率，同时避免了振铃等伪信息出现的基于边缘图块锐化的模糊图像非盲复原方法。
本发明解决其技术问题所采用的技术方案是,一种基于边缘图块锐化的模糊图像非盲复原方法，包括以下步骤：
S1：建立边缘图块数据库；
S2：提取模糊图像G的边缘分割图像G1和平滑区域分割图像G2；
S3：对边缘分割图像G1进行网格划分，在划分好的网格区域中针对有像素值的边缘区域位置图块进行匹配锐化处理，获得锐化更新后的边缘区域图像G1′；
S4：对平滑区域分割图像G2进行复原，获得复原的平滑区域图像G2′；
S5：获得模糊图像G的复原图像G′。
利用局部窗口梯度绝对值和形态学闭操作，有效提取了图像中的主要边缘区域，将图像区分为边缘区域图像和平滑区域图像，为后续的处理提供了基础。针对图像边缘区域，通过建立边缘图块数据库采用图块匹配锐化更替的方法，来提升其清晰度和空间分辨率，通过对边缘区域图像进行网格划分，对于每个划分的单元网格，搜索确定图块数据库中与其灰度相似度匹配系数最大的清晰图块，完成边缘区域的图块锐化更新，实现边缘清晰度提升的同时，避免了复原算法迭代引起的振铃效应。针对平滑区域，结合已知的点扩散函数，引入RL非盲复原算法，开展清晰度复原提升。平滑区域边缘纹理信息较少，人眼视觉敏感程度较低，设置合理的迭代参数，可以很好地改善该区域清晰度，最终得到主观视觉感受较好的整幅复原结果。
作为上述方案的一种优选方案，所述步骤S1中建立边缘图块数据库包括以下步骤：
S11：建立基础边缘种子图块；
S12：对每个基础边缘种子图块在水平水平方向、竖直方向及对角线方向进行平移获得拓展图块，平移像素为+1像素和-1像素；
S13：对每个基础边缘种子图块及拓展图块进行旋转。
作为上述方案的一种优选方案，所述步骤S2中提取模糊图像G的边缘分割图像G1和平滑区域分割图像G2包括以下步骤：
S21：计算模糊图像G在局部窗口内的所有像素梯度绝对值
Figure GDA0003584656770000031
其中，M表示像素大小为n×n的局部窗口，窗口中心位于像素(x,y)，hw和vw分别为水平方向和竖直方向的梯度算子，hw＝[1 -1]，vw＝[1 -1]T，Ntotal为局部窗口M的像素总数：Ntotal＝n×n；
S22：根据像素梯度绝对值F(x,y)得到模糊图像G的边缘区域
Figure GDA0003584656770000032
其中，V为边缘提取阈值，EdgeMapl为边缘提取区域；
S23：通过闭操作得到优化的连通边缘区域：
EdgeMap＝EdgeMapl·E
其中，E为形态学结构元素矩阵，符号·为闭运算；
S24：获得边缘分割图像G1和平滑区域分割图像G2
G1＝G.×EdgeMap
G2＝G.×～EdgeMap
其中，～EdgeMap表示对二值化边缘提取区域模板的非操作，符号.×为矩阵点乘操作符，表示两个大小相同的矩阵，各个对应位置的元素数值相乘。
作为上述方案的一种优选方案，所述步骤S3中对边缘分割图像G1进行网格划分时，划分的单元网格像素大小与边缘图块数据库中图块像素大小一致。
作为上述方案的一种优选方案，所述步骤S3中匹配锐化处理，包括以下步骤：
S31：对单元网格图块X进行亮度归一化处理
Figure GDA0003584656770000041
其中，XN为灰度值归一化的单元网格图块X，Xmax和Xmin分别为网格单元图块X像素值的最大值和最小值，Dmax和Dmin数据图像像素值的最大值和最小值，对于8位的图像块Dmax＝255，Dmin＝0；
S32：选取边缘图块数据库中与图块XN的灰度相似度匹配系数最大的边缘图块，作为图块XN的替换图块XNsharp，
Figure GDA0003584656770000042
其中，ε(m,n)为灰度相似度匹配系数，Y(m,n)为边缘图块数据库对应位置下的边缘图块，M为图像块Y(m,n)和图块XN的各自像素总数，XNi表示图块XN第i个像素点的灰度值，Y(m,n)i表示边缘图块Y(m,n)第i个像素点的灰度值；
S33：对图块XNsharp灰度值去归一化，得到与单元网格图块X像素值均值和对比度分布一致的图块
Figure GDA0003584656770000051
其中，Xsharp为灰度值去归一化的XNsharp，XNsharpmax和XNsharpmin分别为XNsharp的最大值和最小值，Tmax和Tmin为单元网格图块X像素值的最大值和最小值；
S34：对边缘分割图像G1中各个有像素值的单元网格边缘区域位置图块完成匹配锐化更替，得到锐化更新后的边缘区域图像G1′。
作为上述方案的一种优选方案，所述S4中采用RL非盲复原方法对平滑区域分割图像G2进行复原
Figure GDA0003584656770000052
其中，L为RL复原的迭代次数，H*为H的伴随矩阵，H为模糊图像G的点扩散函数能量分布的模糊核。
作为上述方案的一种优选方案，所述步骤S5中复原图像G’通过以下公式获得
G’＝G′1+G2′。
本发明的优点是：通过对边缘区域图像进行网格划分，对于每个划分的单元网格，搜索确定图块数据库中与其灰度相似度匹配系数最大的清晰图块，完成边缘区域的的图块锐化更新，实现边缘清晰度提升的同时，避免了复原算法迭代引起的振铃效应。
附图说明
图1为本发明的一种流程示意图。
图2为本发明中建立边缘图块数据库的一种流程示意图。
图3为本发明中基础边缘种子图块的一种示意图。
图4为本发明中提取边缘分割图像G1和平滑区域分割图像G2的一种流程示意图。
图5为本发明中匹配锐化处理的一种流程示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
实施例：
本实施例一种基于边缘图块锐化的模糊图像非盲复原方法，如图1所示，包括以下步骤：
S1：建立边缘图块数据库，如图2所示，包括以下步骤：
S11：建立基础边缘种子图块，本实施例中共建立12种像素大小为5×5的基础边缘种子图块，如图3所示，从左到右从上到下分别为单像素阶跃边缘种子图像块：
Figure GDA0003584656770000061
两个单像素阶跃边缘种子图像块：
Figure GDA0003584656770000062
双像素阶跃边缘种子图像块：
Figure GDA0003584656770000071
拐角边缘种子图像块：
Figure GDA0003584656770000072
环形边缘种子图像块：
Figure GDA0003584656770000073
十字边缘种子图像块：
Figure GDA0003584656770000074
单像素阶跃边缘对比度翻转种子图像块：
Figure GDA0003584656770000075
两个单像素阶跃边缘对比度翻转种子图像块：
Figure GDA0003584656770000076
双像素阶跃边缘对比度翻转种子图像块：
Figure GDA0003584656770000077
拐角边缘对比度翻转种子图像块：
Figure GDA0003584656770000081
环形边缘对比度翻转种子图像块：
Figure GDA0003584656770000082
十字边缘对比度翻转种子图像块：
Figure GDA0003584656770000083
；
S12：对每个基础边缘种子图块在水平水平方向、竖直方向及对角线方向进行平移获得8个拓展图块，平移像素为+1像素和-1像素；
S13：对每个基础边缘种子图块及拓展图块进行顺时针旋转，以每个图块的中心为原点旋转一周，及旋转角度步长为3°，即每个图块旋转120次，构建的边缘图块数据库中共包含(8+1)×12×120＝12960个清晰的边缘图像子块。
S2：提取模糊图像G的边缘分割图像G1和平滑区域分割图像G2，如图4所示，包括以下步骤：
S21：计算模糊图像G在局部窗口内的所有像素梯度绝对值
Figure GDA0003584656770000084
其中，M表示像素大小为5×5的局部窗口，窗口中心位于像素(x,y)，hw和vw分别为水平方向和竖直方向的梯度算子，hw＝[1 -1]，vw＝[1 -1]T，Ntotal为局部窗口M的像素总数：Ntotal＝5×5；
S22：根据像素梯度绝对值F(x,y)得到模糊图像G的边缘区域
Figure GDA0003584656770000091
其中，V为边缘提取阈值，V＝[0.001,0.01]，EdgeMapl为边缘提取区域；
S23：通过闭操作得到优化的连通边缘区域：
EdgeMap＝EdgeMapl·E
其中，E为形态学结构元素矩阵,
Figure GDA0003584656770000092
符号·为闭运算,即利用E对EdgeMapl先膨胀再腐蚀得到结果；
S24：获得边缘分割图像G1和平滑区域分割图像G2
G1＝G.×EdgeMap
G2＝G.×～EdgeMap
其中，～EdgeMap表示对二值化边缘提取区域模板的非操作，符号.×为矩阵点乘操作符，表示两个大小相同的矩阵，各个对应位置的元素数值相乘。
S3：对边缘分割图像G1进行网格划分，划分的单元网格像素大小与边缘图块数据库中图块像素大小一致，即将边缘分割图像G1划分为单元网格为5×5像素大小的网格，在划分好的网格区域中针对有像素值的边缘区域位置图块进行匹配锐化处理，获得锐化更新后的边缘区域图像G1′，如图5所示，包括以下步骤：
S31：为消除真实图像中亮度和对比度差异的干扰，对单元网格图块X进行亮度归一化处理
Figure GDA0003584656770000101
其中，XN为灰度值归一化的单元网格图块X，Xmax和Xmin分别为网格单元图块X像素值的最大值和最小值，Dmax和Dmin数据图像像素值的最大值和最小值，对于8位的图像块Dmax＝255，Dmin＝0；
S32：选取边缘图块数据库中与图块XN的灰度相似度匹配系数最大的边缘图块，作为图块XN的替换图块XNsharp，
Figure GDA0003584656770000102
其中，ε(m,n)为灰度相似度匹配系数，Y(m,n)为边缘图块数据库对应位置下的边缘图块，M为图像块Y(m,n)和图块XN的各自像素总数，即M＝5×5＝25，XNi表示图块XN第i个像素点的灰度值，Y(m,n)i表示边缘图块Y(m,n)第i个像素点的灰度值；
S33：对图块XNsharp灰度值去归一化，得到与单元网格图块X像素值均值和对比度分布一致的图块
Figure GDA0003584656770000103
其中，Xsharp为灰度值去归一化的XNsharp，XNsharpmax和XNsharpmin分别为XNsharp的最大值和最小值，Tmax和Tmin为单元网格图块X像素值的最大值和最小值；
S34：对边缘分割图像G1中各个有像素值的单元网格边缘区域位置图块完成匹配锐化更替，得到锐化更新后的边缘区域图像G1′。
S4：采用RL非盲复原方法对平滑区域分割图像G2进行复原，获得复原的平滑区域图像G2′
Figure GDA0003584656770000111
其中，L为RL复原的迭代次数，本实施例中L设置为30～40，H*为H的伴随矩阵，H为模糊图像G的点扩散函数能量分布的模糊核；
S5：获得模糊图像G的复原图像G′，复原图像G′由G1′和G2′组合得到。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于边缘图块锐化的模糊图像非盲复原方法，其特征是：包括以下步骤：
S1：建立边缘图块数据库；
S2：提取模糊图像G的边缘分割图像G1和平滑区域分割图像G2；
S3：对边缘分割图像G1进行网格划分，在划分好的网格区域中针对有像素值的边缘区域位置图块进行匹配锐化处理，获得锐化更新后的边缘区域图像G1′；
S4：对平滑区域分割图像G2进行复原，获得复原的平滑区域图像G2′；
S5：获得模糊图像G的复原图像G′；
所述步骤S1中建立边缘图块数据库包括以下步骤：
S11：建立基础边缘种子图块；
S12：对每个基础边缘种子图块在水平方向、竖直方向及对角线方向进行平移获得拓展图块，平移像素为+1像素和-1像素；
S13：对每个基础边缘种子图块及拓展图块进行旋转。
2.根据权利要求1所述的一种基于边缘图块锐化的模糊图像非盲复原方法，其特征是：所述步骤S2中提取模糊图像G的边缘分割图像G1和平滑区域分割图像G2包括以下步骤：
S21：计算模糊图像G在局部窗口内的所有像素梯度绝对值
Figure FDA0003584656760000011
其中，M表示像素大小为n×n的局部窗口，窗口中心位于像素(x,y)，hw和vw分别为水平方向和竖直方向的梯度算子，hw＝[1 -1]，vw＝[1 -1]T，Ntotal为局部窗口M的像素总数：Ntotal＝n×n；
S22：根据像素梯度绝对值F(x,y)得到模糊图像G的边缘区域
Figure FDA0003584656760000021
其中，V为边缘提取阈值，EdgeMapl为边缘提取区域；
S23：通过闭操作得到优化的连通边缘区域：
EdgeMap＝EdgeMapl·E
其中，E为形态学结构元素矩阵，符号·为闭运算；
S24：获得边缘分割图像G1和平滑区域分割图像G2
G1＝G.×EdgeMap
G2＝G.×～EdgeMap
其中，～EdgeMap表示对二值化边缘提取区域模板的非操作，符号.×为矩阵点乘操作符，表示两个大小相同的矩阵，各个对应位置的元素数值相乘。
3.根据权利要求1所述的一种基于边缘图块锐化的模糊图像非盲复原方法，其特征是：所述步骤S3中对边缘分割图像G1进行网格划分时，划分的单元网格像素大小与边缘图块数据库中图块像素大小一致。
4.根据权利要求1或3所述的一种基于边缘图块锐化的模糊图像非盲复原方法，其特征是：所述步骤S3中匹配锐化处理，包括以下步骤：
S31：对单元网格图块X进行亮度归一化处理
Figure FDA0003584656760000031
其中，XN为灰度值归一化的单元网格图块X，Xmax和Xmin分别为网格单元图块X像素值的最大值和最小值，Dmax和Dmin数据图像像素值的最大值和最小值，对于8位的图像块Dmax＝255，Dmin＝0；
S32：选取边缘图块数据库中与图块XN的灰度相似度匹配系数最大的边缘图块，作为图块XN的替换图块XNsharp，
Figure FDA0003584656760000032
其中，ε(m,n)为灰度相似度匹配系数，Y(m,n)为边缘图块数据库对应位置下的边缘图块，M为图像块Y(m,n)和图块XN的各自像素总数，XNi表示图块XN第i个像素点的灰度值，Y(m,n)i表示边缘图块Y(m,n)第i个像素点的灰度值；
S33：对图块XNsharp灰度值去归一化，得到与单元网格图块X像素值均值和对比度分布一致的图块
Figure FDA0003584656760000033
其中，Xsharp为灰度值去归一化的XNsharp，XNsharpmax和XNsharpmin分别为XNsharp的最大值和最小值，Tmax和Tmin为单元网格图块X像素值的最大值和最小值；
S34：对边缘分割图像G1中各个有像素值的单元网格边缘区域位置图块完成匹配锐化更替，得到锐化更新后的边缘区域图像G1′。
5.根据权利要求1所述的一种基于边缘图块锐化的模糊图像非盲复原方法，其特征是：所述S4中采用RL非盲复原方法对平滑区域分割图像G2进行复原
Figure FDA0003584656760000041
其中，L为RL复原的迭代次数，H*为H的伴随矩阵，H为模糊图像G的点扩散函数能量分布的模糊核。
6.根据权利要求1所述的一种基于边缘图块锐化的模糊图像非盲复原方法，其特征是：所述步骤S5中复原图像G’通过以下公式获得
G’＝G′1+G2′。
CN201910774540.8A 2019-08-21 2019-08-21 一种基于边缘图块锐化的模糊图像非盲复原方法 Active CN110807738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910774540.8A CN110807738B (zh) 2019-08-21 2019-08-21 一种基于边缘图块锐化的模糊图像非盲复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910774540.8A CN110807738B (zh) 2019-08-21 2019-08-21 一种基于边缘图块锐化的模糊图像非盲复原方法

Publications (2)

Publication Number Publication Date
CN110807738A CN110807738A (zh) 2020-02-18
CN110807738B true CN110807738B (zh) 2022-07-22

Family

ID=69487436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910774540.8A Active CN110807738B (zh) 2019-08-21 2019-08-21 一种基于边缘图块锐化的模糊图像非盲复原方法

Country Status (1)

Country Link
CN (1) CN110807738B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365420B (zh) * 2020-11-12 2024-03-15 重庆邮电大学 基于非局部窗口梯度的模糊图像盲复原方法
CN113183456B (zh) * 2021-03-23 2023-12-08 深圳市创必得科技有限公司 提高光固化3d打印模型表面指定区域精细度的方法
CN113989800B (zh) * 2021-12-29 2022-04-12 南京南数数据运筹科学研究院有限公司 一种基于改进渐进式残差网络的肠神经丛辅助识别方法
CN116152261B (zh) * 2023-04-24 2023-06-27 济南奥盛包装科技有限公司 一种印刷制品质量的视觉检测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254305A (zh) * 2011-06-30 2011-11-23 西安电子科技大学 基于三字典块匹配的图像复原方法
CN105894463A (zh) * 2016-03-24 2016-08-24 重庆信科设计有限公司 一种区域信息分离的全变分图像盲去模糊方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254305A (zh) * 2011-06-30 2011-11-23 西安电子科技大学 基于三字典块匹配的图像复原方法
CN105894463A (zh) * 2016-03-24 2016-08-24 重庆信科设计有限公司 一种区域信息分离的全变分图像盲去模糊方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Efficient image deblurring via blockwise non-blind deconvolution algorithm;Neng-Chien Wang, Jian-Jiun Ding, Li-Ang Chen, Ronald Y.Chang等;《2015 10th International Conference on Information, Communications and Signal Processing (ICICS)》;20160428;第1-3页 *
Image Deblurring Algorithm Based on Dictionary Learning;Kun Liu，Shiping Ma，Zhiyi Wang等;《 2018 IEEE 3rd International Conference on Signal and Image Processing (ICSIP)》;20190103;全文 *

Also Published As

Publication number Publication date
CN110807738A (zh) 2020-02-18

Similar Documents

Publication Publication Date Title
CN110807738B (zh) 一种基于边缘图块锐化的模糊图像非盲复原方法
CN108921799B (zh) 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法
Li et al. Single image rain streak decomposition using layer priors
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
Zhu et al. Haze removal method for natural restoration of images with sky
Wang et al. Dehazing for images with large sky region
CN104794688B (zh) 基于深度信息分离天空区域的单幅图像去雾方法及装置
CN110378924B (zh) 基于局部熵的水平集图像分割方法
CN111626951B (zh) 一种基于内容感知信息的图像阴影消除方法
CN106296744A (zh) 一种结合自适应模型和多阴影属性的运动目标检测方法
Ganguly et al. Single image haze removal with haze map optimization for various haze concentrations
CN111861896A (zh) 一种面向uuv的水下图像色彩补偿与恢复方法
Li et al. A maximum a posteriori estimation framework for robust high dynamic range video synthesis
CN112164010A (zh) 一种多尺度融合卷积神经网络图像去雾方法
CN111598814B (zh) 基于极端散射通道的单图像去雾方法
Yuan et al. Image dehazing based on a transmission fusion strategy by automatic image matting
Srinivas et al. Remote sensing image segmentation using OTSU algorithm
CN111460964A (zh) 一种广电传输机房低照度条件下运动目标检测方法
Hong et al. Single image dehazing based on pixel-wise transmission estimation with estimated radiance patches
CN107301652B (zh) 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法
CN109544470A (zh) 一种边界约束的卷积神经网络单幅图像去雾方法
CN110852947B (zh) 一种基于边缘锐化的红外图像超分辨方法
Zhang et al. Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model
Han et al. Locally adaptive contrast enhancement using convolutional neural network
CN110930358A (zh) 一种基于自适应算法的太阳能面板图像处理方法

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