CN110874827B - 湍流图像复原方法、装置、终端设备及计算机可读介质 - Google Patents
湍流图像复原方法、装置、终端设备及计算机可读介质 Download PDFInfo
- Publication number
- CN110874827B CN110874827B CN202010060790.8A CN202010060790A CN110874827B CN 110874827 B CN110874827 B CN 110874827B CN 202010060790 A CN202010060790 A CN 202010060790A CN 110874827 B CN110874827 B CN 110874827B
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- registration
- fusion
- current
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000003287 optical effect Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000001131 transforming effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
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
本发明实施例提供了一种湍流图像复原方法、装置、终端设备及计算机可读介质，所述方法包括：获取当前待处理湍流图像；确定所述当前待处理湍流图像的配准点；根据光流计算法计算各配准点的运动矢量；对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像中每个像素的位置，得到相对于参考图像的相对坐标；将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像的配准图像，并将所述配准图像与场景图像进行叠加融合，得到融合图像；对所述融合图像进行细节增强处理，得到复原图像，从而可实时地复原湍流图像，有效提高了图像序列的稳定性和可辨识度。
Description
技术领域
本发明属于图像处理技术领域，具体是涉及到一种湍流图像复原方法、装置、终端设备及计算机可读介质。
背景技术
在航空测绘和远程探测等应用中，光电成像系统受到大气湍流影响，采集的图像会出现扭曲、抖动和闪烁，严重影响了整个探测系统的可靠性和稳定性，例如，会直接导致目标检测时发生漏报、误报，目标跟踪时目标丢失等问题。
湍流图像复原方法是在研究图像退化原因的基础上，根据一定的先验知识，利用退化图像建立相应的退化模型，再根据所建立的模型对退化图像进行相反的运算，从而达到恢复原始目标图像的目的。由于大气湍流运动是随机的，所以湍流图像的退化模型也是未知的和随机变化的，很难用数学解析式描述，这就是湍流图像复原的困难之处。目前对于湍流图像复原方法多是理论层的研究，比如基于图像统计模型和极大似然估计的交替迭代方法、基于盲目迭代去卷积方法、基于自适应空间可变正则化方法。然而，一方面，这些方法计算量非常复杂，不能满足远程探测的实时性需求，难以在现今探测终端的硬件平台上进行工程化实现；另一方面，这些方法需要依靠图像的先验信息，应用范围十分有限。
发明内容
有鉴于此，本发明实施例提供一种湍流图像复原方法、装置、终端设备及计算机可读介质，能够实时地复原湍流图像，有效提高了图像序列的稳定性和可辨识度。
本发明实施例的第一方面提供了一种湍流图像复原方法，包括：
获取当前待处理湍流图像fk；
将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域，将画面复杂度高的一级子区域划分为m乘n个二级子区域，并选择所述一级子区域和二级子区域内特征最明显的点作为配准点；其中，所述画面复杂度高的一级子区域的梯度大于阈值；
将所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N进行平均，得到参考图像，并根据光流法计算各所述配准点的运动矢量；
对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像fk中每个像素的位置，得到相对于参考图像的相对坐标；
将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像fk的配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像；所述场景图像为所述当前待处理湍流图像fkfk的配准图像regk的前N帧配准图像regk-1，...，regk-N的平均值；对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像。
本发明实施例的第二方面提供了一种湍流图像复原装置，包括：
获取模块，用于获取当前待处理湍流图像fk；
配准点选择模块，用于将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域，将画面复杂度高的一级子区域划分为m乘n个二级子区域，并选择所述一级子区域和二级子区域内特征最明显的点作为配准点；其中，所述画面复杂度高的一级子区域的梯度大于阈值；
光流计算模块，用于将所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N进行平均，得到参考图像，并根据光流法计算各所述配准点的运动矢量；
图像配准模块，用于对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像fk中每个像素的位置，得到相对于参考图像的相对坐标；
湍流复原模块，用于将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像fk的配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像；所述场景图像为所述当前待处理湍流图像fk的配准图像regk的前N帧配准图像regk-1，...，regk-N的平均值；
细节增强模块，用于对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述湍流图像复原方法的步骤。
本发明实施例的第四方面提供了一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述湍流图像复原方法的步骤。
本发明实施例提供的湍流图像复原方法中，可对待处理湍流图像进行配准点选择、光流计算、图像配准、湍流复原和细节增强的处理，采用子区域的光流计算和非均匀性的B样条插值，以较小的运算量代价，精准地计算出湍流引起的随机性形变，实时地复原湍流图像，有效提高了图像序列的稳定性。且所采用的图像细节增强算法集成了空域滤波、直方图均衡、边缘增强技术，实现了图像的噪声抑制和对比度增强，从而有效地提高了目标物体的可识别度。此外，由于不需要依靠图像的先验信息，因此，本发明实施例提供的湍流图像的复原方法的应用范围更加广泛。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种湍流图像复原方法的流程图；
图2a是均匀性B样条插值中网络控制点的示意图；
图2b是本发明实施例提供的非均匀性B样条插值中网络控制点的示意图；
图3是本发明实施例提供的非整数像素插值示意图；
图4为湍流退化影响的图像；
图5是对图4中的湍流图像进行复原后的图像；
图6是本发明实施例提供的一种湍流图像复原装置的结构示意图；
图7是图6中的图像配准模块的细化结构示意图；
图8是图6中的细节增强模块的细化结构示意图；
图9是本发明实施例提供的终端设备的示意图。
具体实施方式
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、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本发明实施例提供的一种湍流图像复原方法的流程图。如图1所示，本实施例的湍流图像复原方法包括以下步骤：
S101:获取当前待处理湍流图像fk。
S102：将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域，将画面复杂度高的一级子区域划分为m乘n个二级子区域，并选择所述一级子区域和二级子区域内特征最明显的点作为配准点。
在本发明实施例中，选择配准点的具体方法可以为：
1)将当前待处理湍流图像fk划分为NX乘NY个一级子区域，即NX乘NY个分片。
2)计算各所述一级子区域的梯度值：
其中，r为梯度值，W、H为图像的宽和高，i,j为图像坐标，pi，j为图像对应坐标的灰度值。
3)若某一级子区域的梯度值小于阈值，则可确定该一级子区域为平坦区；若某一级子区域的梯度值大于阈值，则可确定该一级子区域为画面复杂度高的区域。对于画面复杂度高的一级子区域，可将其划分为m乘n个二级子区域，即m乘n个细分片。这里的阈值同现有技术，故在此不再赘述。
4)将所述一级子区域和二级子区域中窗口灰度变化值大于阈值的点确定为角点，并选择特征分数最高的角点作为配准点；其中，窗口灰度变化值的计算公式为：
其中,E(u，v)为窗口灰度变化值，w(x，y)是各像素点(x，y)的窗口权重函数，Ix、Iy为x和y方向灰度值的导数，[u,v]为平移向量。通常可将窗口灰度变化判定角点方式进行简化，转化为将特征分数R大于阈值的点判断为角点，所述特征分数R的计算公式为:
R＝det(M)-k(trace(M))2 (3)
其中,R为特征分数，det(M)为方阵函数，trace(M)为迹运算，k为常数。确定所述角点后，可将将特征分数R最高的角点作为配准点。需要指出的是，这里的窗口灰度变化值的阈值或特征分数的阈值同现有技术，故在此不再赘述。
S103：将所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N进行平均，得到参考图像，并根据光流法计算各所述配准点的运动矢量。
在本发明实施例中，为了克服湍流图像带来的随机性影响，可取所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N的均值作为参考图像，来实现多帧信息互补。同时可通过光流法计算各所述配准点的运动矢量，光流计算可采用本领域的通用方法Lucas-Kanade光流法。
S104：对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像fk中每个像素的位置，得到相对于参考图像的相对坐标。
在本发明实施例中，可对S103计算得出的所述运动矢量进行非均匀B样条插值。通常均匀性B样条插值方法，网格控制点之间的距离都是等距的，如图2a所示，插值点P通过参考临近
四个网络控制点进行插值。而本发明实施例所采用的非均匀性B样条插值方法，网格控制点为S102中得到的配准点，网络控制点的分布是非均匀的、多层级的，如图2b所示，在非平坦区域的分片中，还会存在多个网格控制点，如右下角的虚线之间的网络控制点所示。具体地，B样条插值函数mv(x，y)为：
其中，
为当前插值点的临近网络控制点的运动矢量，
表示取整运算，δx为网络控制点与当前待插值点在x方向上的间隔，δy为网络控制点与当前待插值点在y方向上的间隔；Bl、Bm分别表示B样条的第l、第m个基函数；其中，所述网络控制点为所述配准点，B样条的第0—第3个基函数B0—B3分别为：
对所述运动矢量进行非均匀B样条插值之后，可根据插值后的运动矢量将当前待处理湍流图像fk(即待配准图像)中每个像素的位置变换到所述参考图像中的相应的像素的位置，得到待配准图像相对于所述参考图像的相对坐标；其中，所述待配准图像中每个像素的位置坐标与变换到的所述参考图像中的相应的像素的位置坐标最相似。例如，待配准图像中的像素a的位置坐标为(3,4)，而在参考图像中与像素a最相似的像素b的位置坐标为(3,3)，则参考图像中的像素b的位置坐标，就是待配准图像中的像素a相对于参考图像的相对坐标。更具体的根据插值后的运动矢量将当前待处理湍流图像fk中每个像素的位置变换到所述参考图像中的相应的像素的位置的方法同现有技术，故在此不再赘述。
S105：将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像fk的配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像。
在本发明实施例中，可根据待配准图像每个像素相对于参考图像的位置进行双三次插值重新采样，得到配准图像。双三次插值的通过参照周围16个整数像素，例如，图3中的(i-1,j-1)到(i+2，j+2)，计算得到非整数像素p的像素值。所述双三次插值公式如公式(7)到公式(11)所示：
p(i+Δx,j+Δy)＝A*B*C (7)
A＝[g(1+Δy)g(Δy)g(1-Δy)g(2-Δy)] (8)
其中，p(.)为非整数像素的插值结果，A、B、C为计算的中间量，为了方便表示而引用的，g(ω)为插值权重，ω的数值为A中的输入(1+Δy)、(Δy)、(1-Δy)以及(2-Δy)，或B中输入的(1+Δx)、(Δx)、(1-Δx)以及(2-Δx)，Δx、Δy为x、y方向上的偏移量，i,j为图像坐标。
在通过上述基于亚像素插值的运动补偿，得到配准图像regk之后，可将所述配准图像与场景图像进行叠加融合，得到融合图像：
其中，fusionk为融合后图像，α为常数，N为进行图像叠加的帧数，reg为配准图像，regk为所述当前配准图像。所述场景图像为所述当前待处理湍流图像fk的配准图像regk的前N帧配准图像regk-1，...，regk-N的平均值，即
可以理解的是，所述前N帧配准图像regk-1，...，regk-N指的是在对当前待处理湍流图像fk进行复原处理之前，已经进行过复原处理的N个图像在通本发明实施例提供的上述方法的过程中所分别产生的配准图像，即每个待处理湍流图像在复原过程中所产生的配对图像都会存储到缓存当中，用对后续待处理湍流图像进行复原处理时所要用到的场景图像的生成。
S105：对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像。
在本发明实施例中，对融合图像进行细节处理以得到复原图像的过程具体可以为以下步骤：
(一)、对所述融合图像进行空域滤波，分离出所述融合图像的低频分量和高频分量.具体可采用本领域通用的均值滤波、高斯滤波、双边滤波等滤波方式。
(二)、对所述融合图像的低频分量进行直方图均衡处理。直方图均衡处理过程中，数字图像中灰度级为rk的像素出现的相对频率为：
其中，P(rk)为灰度级为rk的像素的出现的相对频率，N为一幅图像的总像素数，nk是第k级灰度出现的次数。
对该数字图像进行直方图均衡时，对应的离散形式为：
其中，sk为直方图均衡后的灰度值，L为图像灰度级范围上限，P(rj)为灰度级为rj的像素的相对频数。
(三)、采用拉普拉斯算子对所述融合图像的高频分量进行边缘增强处理。拉普拉斯算子为：
其中，
为拉普拉斯算子计算结果，f(x，y)为图像中对应坐标位置的灰度值。边缘增强公式为：
其中，g(x，y)为边缘增强后图像，c为常数，
为拉普拉斯算子计算结果。
(四)将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合，得到所述当前待处理湍流图像fk的复原图像，将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合的公式为：
fusion＝(1-α)HE+αEE (17)
其中，fusion为将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合得到的融合图像，HE为直方图均衡处理后的融合图像，EE为边缘增强处理后的融合图像，α为常数。此外，可参看图4和图5，图4为湍流退化影响的图像，图5为经过本发明实施例提供的湍流图像复原方法处理后的图像，可以看出，本发明的复原方法可大大提高图像目标的稳定性及可识别度。
在图1提供的湍流图像的复原方法中，采用子区域的光流计算和非均匀性的B样条插值，以较小的运算量代价，精准地计算出湍流引起的随机性形变，实时地复原湍流图像，有效提高了图像序列的稳定性。且所采用的图像细节增强算法集成了空域滤波、直方图均衡、边缘增强技术，实现了图像的噪声抑制和对比度增强，从而有效地提高了目标物体的可识别度。此外，由于不需要依靠图像的先验信息，因此，本发明实施例提供的湍流图像的复原方法的应用范围更加广泛。
请参阅图6，图6是本发明实施例提供的一种湍流图像复原装置的结构示意图。如图6所示，本实施例的湍流图像的复原装置60包括获取模块601、配准点选择模块602、光流计算模块603、图像配准模块604、湍流复原模块605和细节增强模块606。获取模块601、配准点选择模块602、光流计算模块603、图像配准模块604、湍流复原模块605和细节增强模块606分别用于执行图1中的S101、S102、S103、S104、S105和S106中的具体方法，详情可参见图1的相关介绍，在此仅作简单描述：
获取模块601，用于获取当前待处理湍流图像fk。
配准点选择模块602，用于将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域，将画面复杂度高的一级子区域划分为m乘n个二级子区域，并选择所述一级子区域和二级子区域内特征最明显的点作为配准点；其中，所述画面复杂度高的一级子区域的梯度大于阈值。
光流计算模块603，用于将所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N进行平均，得到参考图像，并根据光流法计算各所述配准点的运动矢量。
图像配准模块604，用于对所述运动矢量进行非均匀B样条插值，根据插值后的运动矢量将当前待处理湍流图像fk中每个像素的位置变换到所述参考图像中的相应的像素的位置，得到相对于参考图像的相对坐标。
湍流复原模块605，用于将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像fk的配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像；所述场景图像为所述当前待处理湍流图像fk的配准图像regk的前N帧配准图像regk-1，…，regk-N的平均值。
细节增强模块606，用于对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像。
进一步地，可参见图7，图像配准模块604可具体包括：
B样条插值单元6041，用于对所述运动矢量进行非均匀B样条插值，B样条插值函数mv(x，y)为：
其中，
为当前插值点的临近网络控制点的光流运动矢量，
表示取整运算，δx为网络控制点与当前待插值点在x方向上的间隔，δy为网络控制点与当前待插值点在y方向上的间隔；BI、Bm分别表示B样条的第l、第m个基函数；其中，所述网络控制点为所述配准点，B样条的第0—第3个基函数B0—B3分别为：
变换单元6042，用于根据插值后的运动矢量将当前待处理湍流图像fk中每个像素的位置变换到所述参考图像中的相应的像素的位置，得到当前待处理湍流图像fk相对于所述参考图像的相对坐标；其中，所述当前待处理湍流图像fk中每个像素的位置坐标与变换到的所述参考图像中的相应的像素的位置坐标最相似。
进一步地，可参见图8，细节增强模块606可具体包括：
滤波单元6061，用于对所述融合图像进行空域滤波，分离出所述融合图像的低频分量和高频分量。
直方图均衡单元6062，用于对所述融合图像的低频分量进行直方图均衡处理。
边缘增强单元6063，用于采用拉普拉斯算子对所述融合图像的高频分量进行边缘增强处理。
融合单元6064，用于将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合，得到所述当前待处理湍流图像fk的复原图像，将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合的公式为：
fusion＝(1-α)HE+αEE (17)
其中，fusion为将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合得到的融合图像，HE为直方图均衡处理后的融合图像，EE为边缘增强处理后的融合图像，α为常数。
图6提供的湍流图像的复原装置，采用子区域的光流计算和非均匀性的B样条插值，以较小的运算量代价，精准地计算出湍流引起的随机性形变，实时地复原湍流图像，有效提高了图像序列的稳定性。且所采用的图像细节增强算法集成了空域滤波、直方图均衡、边缘增强技术，实现了图像的噪声抑制和对比度增强，从而有效地提高了目标物体的可识别度。此外，由于不需要依靠图像的先验信息，因此，本发明实施例提供的湍流图像的复原方法的应用范围更加广泛。
图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如进行湍流图像复原的程序。所述处理器90执行所述计算机程序92时实现上述方法实施例中的步骤，例如，图1所示的S101至S106。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至606的功能。
示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在终端设备9中的执行过程。例如，所述计算机程序92可以被分割成获取模块601、配准点选择模块602、光流计算模块603、图像配准模块604、湍流复原模块605和细节增强模块606。(虚拟装置中的模块)，各模块具体功能如下：
获取模块601，用于获取当前待处理湍流图像fk。
配准点选择模块602，用于将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域，将画面复杂度高的一级子区域划分为m乘n个二级子区域，并选择所述一级子区域和二级子区域内特征最明显的点作为配准点；其中，所述画面复杂度高的一级子区域的梯度大于阈值。
光流计算模块603，用于将所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N进行平均，得到参考图像，并根据光流法计算各所述配准点的运动矢量。
图像配准模块604，用于对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像fk中每个像素的位置，得到相对于参考图像的相对坐标。
湍流复原模块605，用于将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像fk的配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像；所述场景图像为所述当前待处理湍流图像fk的配准图像regk的前N帧配准图像regk-1，...，regk-N的平均值。
细节增强模块606，用于对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备9可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器91可以是终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及终端设备9所需的其它程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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例方案的目的。
另外，在本发明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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种湍流图像复原方法，其特征在于，包括：
获取当前待处理湍流图像fk；
将所述当前待处理湍流图像划分为NX乘NY个一级子区域，将画面复杂度高的一级子区域划分为m乘n个二级子区域，并选择所述一级子区域和二级子区域内特征最明显的点作为配准点；其中，所述画面复杂度高的一级子区域的梯度大于阈值；
将所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N进行平均，得到参考图像，并根据光流法计算各所述配准点的运动矢量；
对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像fk中每个像素的位置，得到相对于参考图像的相对坐标；
将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像fk的配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像；所述场景图像为所述当前待处理湍流图像fk的配准图像regk的前N帧配准图像regk-1，...，regk-N的平均值；
对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像；
其中，所述的配准点的选择，包括：
将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域；
计算各所述一级子区域的梯度值；
将梯度值大于阈值的一级子区域划分为m乘n个二级子区域；
将所述一级子区域和二级子区域中窗口灰度变化值大于阈值的点确定为角点，并选择特征分数最高的角点作为配准点。
2.根据权利要求1所述的湍流图像复原方法，其特征在于，
所述计算各所述一级子区域的梯度值为：
其中，G为梯度值，W、H为图像的宽和高，i,j为图像坐标，pi,j为图像对应坐标的灰度值；
所述窗口灰度变化值的计算公式为：
其中,E(u,v)为窗口灰度变化值，w(x,y)是窗口权重函数，Ix、Iy为x和y方向灰度值的导数，[u,v]为平移向量；
R＝det(M)-k(trace(M))2；
其中,R为特征分数，det(M)为方阵函数，trace(M)为迹运算，k为常数。
3.根据权利要求1所述的湍流图像复原方法，其特征在于，所述对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像fk中每个像素的位置，得到相对于参考图像的相对坐标，包括：
对所述运动矢量进行非均匀B样条插值，B样条插值函数mv(x,y)为：
其中，
为当前插值点的临近网络控制点的运动矢量，
表示取整运算，δx为网络控制点与当前待插值点在x方向上的间隔，δy为网络控制点与当前待插值点在y方向上的间隔；Bl、Bm分别表示B样条的第l、第m个基函数；其中，所述网络控制点为所述配准点，B样条的第0—第3个基函数B0—B3分别为：
根据插值后的运动矢量将当前待处理湍流图像fk中每个像素的位置变换到所述参考图像中的相应的像素的位置，得到当前待处理湍流图像fk相对于所述参考图像的相对坐标；其中，所述当前待处理湍流图像fk中每个像素的位置坐标与变换到的所述参考图像中的相应的像素的位置坐标最相似。
4.根据权利要求1所述的湍流图像复原方法，其特征在于，所述将所述相对坐标进行基于亚像素插值的运动补偿，得到配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像，包括：
根据所述相对坐标进行双三次插值重新采样，得到配准图像；双三次插值的通过参照插值点的周围16个整数像素，计算得到非整数像素的像素值，所述双三次插值的公式为：
p(i+Δx,j+Δy)＝A*B*C；
A＝[g(1+Δy) g(Δy) g(1-Δy) g(2-Δy)]；
其中，p(.)为非整数像素的插值结果，A、B、C为计算的中间量，为了方便表示而引用的，g(ω)为插值权重，ω的数值代表A中的输入(1+Δy)、(Δy)、(1-Δy)和(2-Δy)，或代表B中输入的(1+Δx)、(Δx)、(1-Δx)和(2-Δx)，Δx、Δy为x、y方向上的偏移量，i,j为图像坐标；
将所述配准图像与场景图像进行叠加融合，得到融合图像：
其中，fusionk为融合后图像，α为常数，N为进行图像叠加的帧数，reg为配准图像。
5.根据权利要求1所述的湍流图像复原方法，其特征在于，所述对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像，包括：
对所述融合图像进行空域滤波，分离出所述融合图像的低频分量和高频分量；
对所述融合图像的低频分量进行直方图均衡处理；
采用拉普拉斯算子对所述融合图像的高频分量进行边缘增强处理；
将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合，得到所述当前待处理湍流图像fk的复原图像，将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合的公式为：
fusion＝(1-α)HE+αEE；
其中，fusion为将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合得到的融合图像，HE为直方图均衡处理后的融合图像，EE为边缘增强处理后的融合图像，α为常数。
6.一种湍流图像复原装置，其特征在于，包括：
获取模块，用于获取当前待处理湍流图像fk；
配准点选择模块，用于将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域，将画面复杂度高的一级子区域划分为m乘n个二级子区域，并选择所述一级子区域和二级子区域内特征最明显的点作为配准点；其中，所述画面复杂度高的一级子区域的梯度大于阈值；
光流计算模块，用于将所述当前待处理湍流图像fk的前N帧原始图像fk-1—fk-N进行平均，得到参考图像，并根据光流法计算各所述配准点的运动矢量；
图像配准模块，用于对所述运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换当前待处理湍流图像fk中每个像素的位置，得到相对于参考图像的相对坐标；
湍流复原模块，用于将所述相对坐标进行基于亚像素插值的运动补偿，得到当前待处理湍流图像fk的配准图像regk，并将所述配准图像与场景图像进行叠加融合，得到融合图像；所述场景图像为所述当前待处理湍流图像fk的配准图像regk的前N帧配准图像regk-1，...，regk-N的平均值；
细节增强模块，用于对所述融合图像进行空域滤波处理、直方图均衡处理和边缘增强处理，得到所述当前待处理湍流图像fk的复原图像；
其中，所述的配准点的选择，包括：
将所述当前待处理湍流图像fk划分为NX乘NY个一级子区域；
计算各所述一级子区域的梯度值；
将梯度值大于阈值的一级子区域划分为m乘n个二级子区域；
将所述一级子区域和二级子区域中窗口灰度变化值大于阈值的点确定为角点，并选择特征分数最高的角点作为配准点。
7.根据权利要求6所述的湍流图像复原装置，其特征在于，所述图像配准模块包括：
B样条插值单元，用于对所述运动矢量进行非均匀B样条插值，B样条插值函数mv(x,y)为：
其中，
为当前插值点的临近网络控制点的光流运动矢量，
表示取整运算，δx为网络控制点与当前待插值点在x方向上的间隔，δy为网络控制点与当前待插值点在y方向上的间隔；Bl、Bm分别表示B样条的第l、第m个基函数；其中，所述网络控制点为所述配准点，B样条的第0—第3个基函数B0—B3分别为：
变换单元，用于根据插值后的运动矢量将当前待处理湍流图像fk中每个像素的位置变换到所述参考图像中的相应的像素的位置，得到当前待处理湍流图像fk相对于所述参考图像的相对坐标；其中，所述当前待处理湍流图像fk中每个像素的位置坐标与变换到的所述参考图像中的相应的像素的位置坐标最相似。
8.根据权利要求6所述的湍流图像复原装置，其特征在于，所述细节增强模块包括：
滤波单元，用于对所述融合图像进行空域滤波，分离出所述融合图像的低频分量和高频分量；
直方图均衡单元，用于对所述融合图像的低频分量进行直方图均衡处理；
边缘增强单元，用于采用拉普拉斯算子对所述融合图像的高频分量进行边缘增强处理；
融合单元，用于将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合，得到所述当前待处理湍流图像fk的复原图像，将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合的公式为：
fusion＝(1-α)HE+αEE；
其中，fusion为将直方图均衡处理后的融合图像与边缘增强处理后的融合图像进行融合得到的融合图像，HE为直方图均衡处理后的融合图像，EE为边缘增强处理后的融合图像，α为常数。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述方法的步骤。
10.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010060790.8A CN110874827B (zh) | 2020-01-19 | 2020-01-19 | 湍流图像复原方法、装置、终端设备及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010060790.8A CN110874827B (zh) | 2020-01-19 | 2020-01-19 | 湍流图像复原方法、装置、终端设备及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110874827A CN110874827A (zh) | 2020-03-10 |
| CN110874827B true CN110874827B (zh) | 2020-06-30 |
Family
ID=69718510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010060790.8A Expired - Fee Related CN110874827B (zh) | 2020-01-19 | 2020-01-19 | 湍流图像复原方法、装置、终端设备及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110874827B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561828A (zh) * | 2020-12-23 | 2021-03-26 | 北京环境特性研究所 | 一种基于生成对抗网络的气体湍流模糊图像重建方法 |
| CN113793285B (zh) * | 2021-11-17 | 2022-05-10 | 武汉工程大学 | 气动光学效应目标孪生图像的超快复原方法及系统 |
| CN114742866A (zh) * | 2022-03-09 | 2022-07-12 | 影石创新科技股份有限公司 | 图像配准方法、装置、存储介质及电子设备 |
| CN115564688B (zh) * | 2022-11-18 | 2023-03-21 | 长沙超创电子科技有限公司 | 一种结合矩阵低秩分解和动态目标提取去湍流的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013006090A1 (en) * | 2011-07-07 | 2013-01-10 | Belyaev Boris Mikhailovich | The calibration method, applied in operating conditions, for ultrasonic flow meters used for measuring volume and flow rate of single-phase liquid media |
| CN103310486A (zh) * | 2013-06-04 | 2013-09-18 | 西北工业大学 | 大气湍流退化图像重建方法 |
| US8556872B1 (en) * | 2012-11-12 | 2013-10-15 | James E. Hamman | Noise attenuating high-volume suction tip with automatic integral on demand vacuum release valve mechanism |
| CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
| CN104700381A (zh) * | 2015-03-13 | 2015-06-10 | 中国电子科技集团公司第二十八研究所 | 一种基于显著目标的红外与可见光图像融合方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4178949B2 (ja) * | 2002-12-27 | 2008-11-12 | 富士ゼロックス株式会社 | 画像処理装置、画像処理方法、およびそのプログラム |
| JP5064853B2 (ja) * | 2007-02-22 | 2012-10-31 | 忠勝 江藤 | 螺旋翼推進、没水浮き双胴船 |
| US8320630B2 (en) * | 2009-10-14 | 2012-11-27 | The Boeing Company | Measuring turbulence and winds aloft using solar and lunar observable features |
| CN103402045A (zh) * | 2013-08-20 | 2013-11-20 | 长沙超创电子科技有限公司 | 一种基于分区匹配和仿射模型相结合的图像去旋稳像方法 |
| CN104361562B (zh) * | 2014-10-31 | 2017-12-19 | 河南大学 | 一种变分pde图像保边保结构复原方法 |
| CN104616268A (zh) * | 2015-02-17 | 2015-05-13 | 天津大学 | 一种基于湍流模型的水下图像复原方法 |
| US10416087B2 (en) * | 2016-01-01 | 2019-09-17 | Kla-Tencor Corporation | Systems and methods for defect detection using image reconstruction |
| CN109523482B (zh) * | 2018-11-14 | 2021-04-30 | 太原理工大学 | 一种基于深度神经网络的对含纹理退化图像的复原方法 |
| CN110223242B (zh) * | 2019-05-07 | 2021-08-10 | 北京航空航天大学 | 一种基于时空域残差生成对抗网络的视频湍流移除方法 |
-
2020
- 2020-01-19 CN CN202010060790.8A patent/CN110874827B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013006090A1 (en) * | 2011-07-07 | 2013-01-10 | Belyaev Boris Mikhailovich | The calibration method, applied in operating conditions, for ultrasonic flow meters used for measuring volume and flow rate of single-phase liquid media |
| CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
| US8556872B1 (en) * | 2012-11-12 | 2013-10-15 | James E. Hamman | Noise attenuating high-volume suction tip with automatic integral on demand vacuum release valve mechanism |
| CN103310486A (zh) * | 2013-06-04 | 2013-09-18 | 西北工业大学 | 大气湍流退化图像重建方法 |
| CN104700381A (zh) * | 2015-03-13 | 2015-06-10 | 中国电子科技集团公司第二十八研究所 | 一种基于显著目标的红外与可见光图像融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110874827A (zh) | 2020-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110874827B (zh) | 湍流图像复原方法、装置、终端设备及计算机可读介质 | |
| CN111275626B (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
| Hyun Kim et al. | Dynamic scene deblurring | |
| Wang et al. | Improved scheme of estimating motion blur parameters for image restoration | |
| Lee et al. | Simultaneous localization, mapping and deblurring | |
| CN107851321B (zh) | 图像处理方法和双摄像头系统 | |
| WO2017100971A1 (zh) | 一种失焦模糊图像的去模糊方法和装置 | |
| CN110147708B (zh) | 一种图像数据处理方法和相关装置 | |
| CN109214996B (zh) | 一种图像处理方法及装置 | |
| CN110428466B (zh) | 一种非均匀性校正的方法和设备 | |
| GB2536430B (en) | Image noise reduction | |
| WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| US9202265B2 (en) | Point spread function cost function with non-uniform weights | |
| CN109635809B (zh) | 一种面向视觉退化图像的超像素分割方法 | |
| CN112465707A (zh) | 红外图像条纹噪声的处理方法、装置、介质及电子设备 | |
| Nasonov et al. | Fast super-resolution using weighted median filtering | |
| Lu et al. | Video super resolution based on non-local regularization and reliable motion estimation | |
| Cristóbal et al. | Superresolution imaging: a survey of current techniques | |
| CN113744294A (zh) | 图像处理方法及相关装置 | |
| CN113658050A (zh) | 一种图像的去噪方法、去噪装置、移动终端及存储介质 | |
| JP5928465B2 (ja) | 劣化復元システム、劣化復元方法およびプログラム | |
| CN112884817B (zh) | 稠密光流计算方法、装置、电子设备以及存储介质 | |
| Min et al. | Out-of-focus image deblurring for mobile display vision inspection | |
| CN112150532A (zh) | 图像处理的方法、装置、电子设备和计算机可读介质 | |
| Chen et al. | Applying Image Processing Technology to Automatically Detect and Adjust Paper Benchmark for Printing Machine. |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Jicheng Inventor after: Huang Fei Inventor after: Lu Xinping Inventor after: Yu Zhiyin Inventor before: Li Jicheng Inventor before: Huang Fei Inventor before: Lu Xinping Inventor before: Geng Hao Inventor before: Yu Zhiyin |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 Termination date: 20220119 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |