CN111815537B - 一种新型图像盲解去模糊方法 - Google Patents
一种新型图像盲解去模糊方法 Download PDFInfo
- Publication number
- CN111815537B CN111815537B CN202010683258.1A CN202010683258A CN111815537B CN 111815537 B CN111815537 B CN 111815537B CN 202010683258 A CN202010683258 A CN 202010683258A CN 111815537 B CN111815537 B CN 111815537B
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- iteration
- formula
- convolution 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 22
- 238000002922 simulated annealing Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling 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
- G06T5/73—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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
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
本发明公开了一种新型图像盲解去模糊方法,首先根据模糊图像的信息估计卷积核的近似值,然后通过构造目标函数求解理想清晰图像的近似值,直接采用无参考图像质量评价函数作为优化函数,最后利用模拟退火算法对优化函数进行优化,对初步估计卷积核和初步理想清晰图像做进一步迭代求解,得到最终的理想清晰图像和卷积核。本发明直接将图像质量评价函数作为优化函数,只要选取的图像质量评价函数可靠,可以保证最终得到的去模糊图像质量。
Description
技术领域
本发明属于图像处理领域,具体涉及一种图像去模糊方法。
背景技术
模糊图像可视为清晰图像与一卷积核卷积后叠加噪声后形成的。传统的图像去卷积方法包括维纳滤波算法、RL滤波算法、总变分算法,这些算法未能充分利用图像的先验信息故而效果有待提升。采用正则化的方法即构造目标函数对待求解的理想清晰图像和卷积核进行约束对模糊图像去模糊取得了不错的效果;利用图像的先验信息采用最大后验概率的方法对图像进行去模糊也有很大的进展,但是这些方法缺乏理论基础,在有些情况下甚至无法得到最优解。
发明内容
为了克服现有技术的不足,本发明提供一种新型图像盲解去模糊方法,直接采用无参考图像质量评价函数作为优化函数,结合模拟退火算法,对所给模糊退化的图像进行去模糊,可同时得到卷积核和理想清晰图像。通过选取可靠的图像质量评价函数,最终一定可以得到理想的清晰图像。
为达到上述目的,本发明提供的一种新型图像盲解去模糊方法,包括以下步骤:
步骤1:建立图像盲解去模糊目标函数;
定义模糊图像生成的数学模型为:
Y=X*h+n (1)
式中,X表示理想清晰图像,Y表示生成的模糊图像,h表示卷积核,n表示加性噪声;
构造目标函数为:
式中,s表示拉普拉斯算子,λ1,λ2,λ3,λ4表示各项的惩罚因子;tv(X)表示图像X的全变分约束:
gh,gv表示水平和垂直微分算子;
固定h,将目标函数转化到频域为:
固定Hw,进行求解得到:
Xw,Hw,Yw,S,Gh,Gv分别为X,h,Y,s,gh,gv的傅里叶变换,F-1(*)为傅里叶反变换,I为单位矩阵;
步骤2:构造优化函数f(X);
将图像X转换为灰度图像,再分为若干块大小相同的矩形小块,其中任一小块记为x,大小为n1×n2,构造三个中间函数S1(x),S2(x),S3(x);
步骤2-1:基于频域构造S1(x);
当max(con)-min(con)≤th1或者μ(x)≤th2时,此时称x的对比度为0,当x的对比度为0时记为S1(x)=0;式中,表示x的照度值,φ,γ均为照度参数,th1、th2均为阈值;μ(x)表示图像小块x的像素灰度算术均值;
当max(con)-min(con)>th1且μ(x)>th2时,此时称x的对比度大于0;
记yx(ω,θ)为x的傅里叶变换,ω为圆频率,θ为方位角,计算
zx(ω)为x的一维幅度谱;
用-αlogω+logβ拟合zx(ω),α、β均为为拟合参数,求解x的一维幅度谱的斜率αx:
步骤2-2:基于空间域构造S2(x):
定义x的全变分为:
步骤2-3:构造S3(x):
S3(x)=S1(x)η×S2(x)1-η (7)
式中,η为平衡参数;
将图像X中划分的所有图像小块代入S3(x)计算,得到向量S3(X),对S3(X)中的元素S3(x)从大到小排序,取前N个元素求平均值:
步骤3:确定迭代初始卷积核:
步骤3-1:定义矩阵向量化表达式:
定义卷积特征值:
式中,s1、s2为采样尺寸,l为一个卷积核,当‖E(X)*l‖F取得最大值时,此时的l是E(X)的第i个卷积特征向量,记为此时‖E(X)*l‖F的值称为E(X)的第i个卷积特征值,记为E(X)=X*s,表示提取图像的边缘特征;<*>表示内积运算;约束条件||l||F=1,表示要求卷积特征向量之间互相正交且模为1;
对式(1),忽略加性噪声n,则
Y=X*h (11)
对等式两边卷积拉普拉斯算子,得到:
E(Y)=E(X)*h (12)
根据卷积特征值与卷积特征向量的定义,有如下性质:
步骤3-2:推导卷积核的初始迭代值h0;
根据模拟退火算法定义有:
进一步有:
等价为如下函数:
wE(Y)(h)=(v(h))TWv(h)
步骤4:对模糊图像去模糊;
步骤4-1:求迭代初始值:
根据步骤1中的式(4)求解初始理想图像X0,作为迭代的初始值;
根据步骤3求解迭代初始值h0;
步骤4-2:用模拟退火算法求解最终的理想解X*,h*,迭代过程为:
步骤4-2-1:令i等于0,k等于0,预设初始温度T0;
定义δ=ai·randn(m1,m2),ai为控制δ中元素范围的因子,randn(*)为随机数产生矩阵;
步骤4-2-2:根据hk+1=h0+δ得到hk+1,按下式计算接受概率:
式中,Ti为模拟退火算法中第i次迭代时的温度;
若p(hk→hk+1)>u,则hk+1=h0+δ,利用hk+1和步骤1中的式(4),重新求解更新Xk,并重新生成δ;若p(hk→hk+1)≤u,则hk+1=hk;u为在预设区间范围内生成的随机数;
步骤4-2-3:如果k小于迭代阈值,则重复步骤4-2-2;如果k大于或等于迭代阈值,则进行下一步;令k加1;
步骤4-2-4:如果Ti≤thresh,则结束迭代,否则继续迭代过程,thresh为温度阈值;
步骤4-2-5:计算Ti+1=ρTi,ai+1=ρai,ρ为温度衰减系数且ρ<1,令i加1,转到步骤4-2-2;
步骤4-3:当迭代结束时,得到X*=Xk为最终理想清晰图像,h*=hk为最终的卷积核。
由于采用了本发明提出的一种新型图像盲解去模糊方法,得到了如下有益效果:
1、其他图像去模糊算法的基本思路是对待求解的图像进行约束后构造目标函数然后求解,对得到的解进行图像质量评价从而说明算法的有效性;本发明直接将图像质量评价函数作为优化函数,只要选取的图像质量评价函数可靠,最终得到的去模糊图像是有保证的。
2、求解去模糊图像时,用卷积核和原图像表示待求解的去模糊图像,求解去模糊图像是通过对卷积核采样更新实现的,所以最终可同时得到去模糊图像和卷积核。
附图说明
图1是一幅原始图像。
图2是图1经过卷积核处理之后的模糊图像。
图3是采用本发明方法对图2去模糊后得到的理想清晰图像。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提供一种新型图像盲解去模糊方法,包括以下步骤:
步骤1:建立图像盲解去模糊目标函数;
定义模糊图像生成的数学模型为:
Y=X*h+n (1)
式中,X表示理想清晰图像,Y表示生成的模糊图像,h表示卷积核,n表示加性噪声;
构造目标函数为:
式中,s表示拉普拉斯算子,λ1,λ2,λ3,λ4表示各项的惩罚因子;tv(X)表示图像X的全变分约束:
gh,gv表示水平和垂直微分算子;
固定h,将目标函数转化到频域为:
固定Hw,进行求解得到:
Xw,Hw,Yw,S,Gh,Gv分别为X,h,Y,s,gh,gv的傅里叶变换,F-1(*)为傅里叶反变换,I为单位矩阵;
步骤2:构造优化函数f(X);
将图像X转换为灰度图像,再分为若干块大小相同的矩形小块,其中任一小块记为x,大小为n1×n2,构造三个中间函数S1(x),S2(x),S3(x);
步骤2-1:基于频域构造S1(x);
当max(con)-min(con)≤th1或者μ(x)≤th2时,此时称x的对比度为0,当x的对比度为0时记为S1(x)=0;式中,表示x的照度值,φ,γ均为照度参数,th1、th2均为阈值;μ(x)表示图像小块x的像素灰度算术均值;
当max(con)-min(con)>th1且μ(x)>th2时,此时称x的对比度大于0;
记yx(ω,θ)为x的傅里叶变换,ω为圆频率,θ为方位角,计算
zx(ω)为x的一维幅度谱;
用-αlogω+logβ拟合zx(ω),α、β均为为拟合参数,求解x的一维幅度谱的斜率αx:
步骤2-2:基于空间域构造S2(x):
定义x的全变分为:
步骤2-3:构造S3(x):
S3(x)=S1(x)η×S2(x)1-η (7)
式中,η为平衡参数;
将图像X中划分的所有图像小块代入S3(x)计算,得到向量S3(X),对S3(X)中的元素S3(x)从大到小排序,取前N个元素求平均值:
步骤3:确定迭代初始卷积核:
步骤3-1:定义矩阵向量化表达式:
定义卷积特征值:
式中,s1、s2为采样尺寸,l为一个卷积核,当‖E(X)*l‖F取得最大值时,此时的l是E(X)的第i个卷积特征向量,记为此时‖E(X)*l‖F的值称为E(X)的第i个卷积特征值,记为E(X)=X*s,表示提取图像的边缘特征;<*>表示内积运算;约束条件||l||F=1,表示要求卷积特征向量之间互相正交且模为1;
对式(1),忽略加性噪声n,则
Y=X*h (11)
对等式两边卷积拉普拉斯算子,得到:
E(Y)=E(X)*h (12)
根据卷积特征值与卷积特征向量的定义,有如下性质:
步骤3-2:推导卷积核的初始迭代值h0;
根据模拟退火算法定义有:
进一步有:
等价为如下函数:
wE(Y)(h)=(v(h))TWv(h)
步骤4:对模糊图像去模糊;
步骤4-1:求迭代初始值:
根据步骤1中的式(4)求解初始理想清晰图像X0,作为迭代的初始值;
根据步骤3求解迭代初始值h0;
步骤4-2:用模拟退火算法求解最终的理想解X*,h*,迭代过程为:
步骤4-2-1:令i等于0,k等于0,预设初始温度T0;
定义δ=ai·randn(m1,m2),ai为控制δ中元素范围的因子,randn(*)为随机数产生矩阵;
步骤4-2-2:根据hk+1=h0+δ得到hk+1,按下式计算接受概率:
式中,Ti为模拟退火算法中第i次迭代时的温度;
若p(hk→hk+1)>u,则hk+1=h0+δ,利用hk+1和步骤1中的式(4),重新求解更新Xk,并重新生成δ;若p(hk→hk+1)≤u,则hk+1=hk;u为在预设区间范围内生成的随机数;
步骤4-2-3:如果k小于迭代阈值,则重复步骤4-2-2;如果k大于或等于迭代阈值,则进行下一步;令k加1;
步骤4-2-4:如果Ti≤thresh,则结束迭代,否则继续迭代过程,thresh为温度阈值;
步骤4-2-5:计算Ti+1=ρTi,ai+1=ρai,ρ为温度衰减系数且ρ<1,令i加1,转到步骤4-2-2;
步骤4-3:当迭代结束时,得到X*=Xk为最终理想清晰图像,h*=hk为最终的卷积核。
实施例:
对于一幅模糊图像,采用本发明方法按如下步骤去除模糊。
1、建立目标函数求解初始理想清晰图像;
构造目标函数为:
固定h,目标函数变为:
由于图像较大时运算效率低为求解方便,再将其转换到频域进行求解,最终可以得到初始理想清晰图像X0。
2、构造优化函数f(X);
将图像X转换为灰度图像,再分为若干块大小相同的矩形小块,其中任一小块记为x,大小为15×15,构造三个中间函数S1(x),S2(x),S3(x);
当max(con)-min(con)≤5或者μ(x)≤2时,此时称x的对比度为0,记S1(x)=0;con=(0.7656+0.0364)2.2,代表x的照度值,图像的数据类型为八位无符号整型。
当max(con)-min(con)>5且μ(x)>2时,此时称x的对比度大于0;
(3)取η=0.5,N=100;
S3(x)=S1(x)0.5×S2(x)0.5
将图像X中划分的所有图像小块代入S3(x)计算,得到向量S3(X),对S3(X)中的元素S3(x)从大到小排序,取前100个元素求平均值:
卷积核的尺寸设定m1=m2=15,采样尺寸s1=s2=17;
根据步骤3的方法得到迭代初始卷积核h0。
4、对模糊图像去模糊;
(1)根据步骤3求解迭代初始值h0。
(2)首先选取Ti+1=ρTi,ρ=0.9;其次选取hk+1=h0+δ,引入与hk维度相同的随机向量δ=ai·randn(15,15),randn(*)的输入参数为待生成随机数矩阵的大小,δ在每次迭代时均需重新生成;卷积核中各元素互相独立且满足高斯分布,其均值为h0中对应的元素,标准差为δ中对应元素;a0=0.01,ai与Ti同步且采用相同的机制更新,即ai+1=ρai;在每个固定的温度Ti下迭代1500次认为达到平衡状态,当Ti≤0.1则停止迭代,具体迭代过程为:
S1:令i=0,k=0,给出初始温度T0=1,δ=0.01randn(15,15),估计h0,结合Y求解X0;
S2:根据hk+1=h0+δ得到hk+1,按下式计算接受概率:
若p(hk→hk+1)>u,则hk+1=h0+δ,重新求解更新Xk,重新生成δ;
若p(hk→hk+1)≤u,则hk+1=hk;u为在区间[0.7,1]范围内生成的随机数;
S3:如果k小于1500,则重复步骤S2;如果k大于或等于1500,则进行下一步;令k加1;
S4:如果Ti≤0.1,则结束迭代,否则继续迭代过程;
S5:计算Ti+1=0.9Ti和ai+1=0.9ai,更新Ti和ai,令i加1,转到步骤S2;
(3)当迭代结束时,得到X*=Xk为最终理想清晰图像,如图3所示,h*=hk为最终的卷积核。
如图1是原始图像,对比图2和图3可以看出,对于图2模糊甚至白化的区域,在图3中有较好的恢复。
Claims (1)
1.一种新型图像盲解去模糊方法,其特征在于,包括以下步骤:
步骤1:建立图像盲解去模糊目标函数;
定义模糊图像生成的数学模型为:
Y=X*h+n (1)
式中,X表示理想清晰图像,Y表示生成的模糊图像,h表示卷积核,n表示加性噪声;
构造目标函数为:
式中,s表示拉普拉斯算子,λ1,λ2,λ3,λ4表示各项的惩罚因子;tv(X)表示图像X的全变分约束:
gh,gv表示水平和垂直微分算子;
固定h,将目标函数转化到频域为:
固定Hw,进行求解得到:
Xw,Hw,Yw,S,Gh,Gv分别为X,h,Y,s,gh,gv的傅里叶变换,F-1(*)为傅里叶反变换,I为单位矩阵;
步骤2:构造优化函数f(X);
将图像X转换为灰度图像,再分为若干块大小相同的矩形小块,其中任一小块记为x,大小为n1×n2,构造三个中间函数S1(x),S2(x),S3(x);
步骤2-1:基于频域构造S1(x);
当max(con)-min(con)≤th1或者μ(x)≤th2时,此时称x的对比度为0,当x的对比度为0时记为S1(x)=0;式中,表示x的照度值,φ,γ均为照度参数,th1、th2均为阈值;μ(x)表示图像小块x的像素灰度算术均值;
当max(con)-min(con)>th1且μ(x)>th2时,此时称x的对比度大于0;
记yx(ω,θ)为x的傅里叶变换,ω为圆频率,θ为方位角,计算
zx(ω)为x的一维幅度谱;
用-αlogω+logβ拟合zx(ω),α、β均为为拟合参数,求解x的一维幅度谱的斜率αx:
步骤2-2:基于空间域构造S2(x):
定义x的全变分为:
步骤2-3:构造S3(x):
S3(x)=S1(x)η×S2(x)1-η (7)
式中,η为平衡参数;
将图像X中划分的所有图像小块代入S3(x)计算,得到向量S3(X),对S3(X)中的元素S3(x)从大到小排序,取前N个元素求平均值:
步骤3:确定迭代初始卷积核:
步骤3-1:定义矩阵向量化表达式:
定义卷积特征值:
式中,s1、s2为采样尺寸,l为一个卷积核,当‖E(X)*l‖F取得最大值时,此时的l是E(X)的第i个卷积特征向量,记为此时‖E(X)*l‖F的值称为E(X)的第i个卷积特征值,记为E(X)=X*s,表示提取图像的边缘特征;<*>表示内积运算;约束条件||l||F=1,表示要求卷积特征向量之间互相正交且模为1;
对式(1),忽略加性噪声n,则
Y=X*h (11)
对等式两边卷积拉普拉斯算子,得到:
E(Y)=E(X)*h (12)
根据卷积特征值与卷积特征向量的定义,有如下性质:
步骤3-2:推导卷积核的初始迭代值h0;
根据模拟退火算法定义有:
进一步有:
等价为如下函数:
wE(Y)(h)=(v(h))TWv(h)
步骤4:对模糊图像去模糊;
步骤4-1:求迭代初始值:
根据步骤1中的式(4)求解初始理想图像X0,作为迭代的初始值;
根据步骤3求解迭代初始值h0;
步骤4-2:用模拟退火算法求解最终的理想解X*,h*,迭代过程为:
步骤4-2-1:令i等于0,k等于0,预设初始温度T0;
定义δ=ai·randn(m1,m2),ai为控制δ中元素范围的因子,randn(*)为随机数产生矩阵;
步骤4-2-2:根据hk+1=h0+δ得到hk+1,按下式计算接受概率:
式中,Ti为模拟退火算法中第i次迭代时的温度;
若p(hk→hk+1)>u,则hk+1=h0+δ,利用hk+1和步骤1中的式(4),重新求解更新Xk,并重新生成δ;若p(hk→hk+1)≤u,则hk+1=hk;u为在预设区间范围内生成的随机数;
步骤4-2-3:如果k小于迭代阈值,则重复步骤4-2-2;如果k大于或等于迭代阈值,则进行下一步;令k加1;
步骤4-2-4:如果Ti≤thresh,则结束迭代,否则继续迭代过程,thresh为温度阈值;
步骤4-2-5:计算Ti+1=ρTi,ai+1=ρai,ρ为温度衰减系数且ρ<1,令i加1,转到步骤4-2-2;
步骤4-3:当迭代结束时,得到X*=Xk为最终理想清晰图像,h*=hk为最终的卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683258.1A CN111815537B (zh) | 2020-07-16 | 2020-07-16 | 一种新型图像盲解去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683258.1A CN111815537B (zh) | 2020-07-16 | 2020-07-16 | 一种新型图像盲解去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815537A CN111815537A (zh) | 2020-10-23 |
CN111815537B true CN111815537B (zh) | 2022-04-29 |
Family
ID=72865466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010683258.1A Active CN111815537B (zh) | 2020-07-16 | 2020-07-16 | 一种新型图像盲解去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815537B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801936B (zh) * | 2020-12-25 | 2022-07-29 | 电子科技大学 | 一种x射线荧光光谱自适应本底扣除方法 |
CN113935925B (zh) * | 2021-12-17 | 2022-03-15 | 武汉工程大学 | 气动光学效应空变模糊图像复原方法及系统 |
CN116046791B (zh) * | 2023-03-30 | 2023-06-09 | 深圳市元硕自动化科技有限公司 | 点胶缺陷检测方法及检测装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750679A (zh) * | 2012-06-28 | 2012-10-24 | 西安电子科技大学 | 图像质量评估的盲去模糊方法 |
CN104091315A (zh) * | 2014-07-22 | 2014-10-08 | 中国科学技术大学 | 一种车牌图像去模糊的方法及系统 |
CN104299202A (zh) * | 2014-10-25 | 2015-01-21 | 中国科学院光电技术研究所 | 一种基于中频的离焦模糊图像盲复原方法 |
CN105469363A (zh) * | 2014-09-05 | 2016-04-06 | 华为技术有限公司 | 基于模糊图像生成清晰图像的方法和装置 |
CN105493140A (zh) * | 2015-05-15 | 2016-04-13 | 北京大学深圳研究生院 | 图像去模糊方法及系统 |
CN106097267A (zh) * | 2016-06-08 | 2016-11-09 | 浙江传媒学院 | 一种基于傅里叶变换的图像去模糊方法 |
CN106651790A (zh) * | 2016-11-22 | 2017-05-10 | 杭州华为数字技术有限公司 | 图像去模糊的方法、装置和设备 |
CN106709877A (zh) * | 2016-11-11 | 2017-05-24 | 天津大学 | 一种基于多参数正则优化模型的图像去模糊方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9218648B2 (en) * | 2009-10-27 | 2015-12-22 | Honeywell International Inc. | Fourier domain blur estimation method and system |
US9692939B2 (en) * | 2013-05-29 | 2017-06-27 | Yeda Research And Development Co. Ltd. | Device, system, and method of blind deblurring and blind super-resolution utilizing internal patch recurrence |
CN110517197B (zh) * | 2019-08-16 | 2022-09-09 | 西北工业大学 | 基于参数模型的单幅图像去模糊方法 |
-
2020
- 2020-07-16 CN CN202010683258.1A patent/CN111815537B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750679A (zh) * | 2012-06-28 | 2012-10-24 | 西安电子科技大学 | 图像质量评估的盲去模糊方法 |
CN104091315A (zh) * | 2014-07-22 | 2014-10-08 | 中国科学技术大学 | 一种车牌图像去模糊的方法及系统 |
CN105469363A (zh) * | 2014-09-05 | 2016-04-06 | 华为技术有限公司 | 基于模糊图像生成清晰图像的方法和装置 |
CN104299202A (zh) * | 2014-10-25 | 2015-01-21 | 中国科学院光电技术研究所 | 一种基于中频的离焦模糊图像盲复原方法 |
CN105493140A (zh) * | 2015-05-15 | 2016-04-13 | 北京大学深圳研究生院 | 图像去模糊方法及系统 |
CN106097267A (zh) * | 2016-06-08 | 2016-11-09 | 浙江传媒学院 | 一种基于傅里叶变换的图像去模糊方法 |
CN106709877A (zh) * | 2016-11-11 | 2017-05-24 | 天津大学 | 一种基于多参数正则优化模型的图像去模糊方法 |
CN106651790A (zh) * | 2016-11-22 | 2017-05-10 | 杭州华为数字技术有限公司 | 图像去模糊的方法、装置和设备 |
Non-Patent Citations (3)
Title |
---|
Deblurring Filter Design Based on Fuzzy Regression Modeling and Perceptual Image Quality Assessment;Kit Yan Chan 等;《2015 IEEE International Conference on Systems, Man, and Cybernetics》;20160114;2027-2032 * |
Iterative Image Deblurring Approach For Coronary Artery Enhancement in MRI Image;G.Sainarayanan 等;《2005 ist international conference on computers,communication,signal processing with special track on biomedical engineering》;20090526;320-323 * |
基于无参考图像质量评价的反卷积去模糊算法;王晓红 等;《光学仪器》;20190831;第41卷(第4期);14-21,53 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815537A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815537B (zh) | 一种新型图像盲解去模糊方法 | |
CN102326379B (zh) | 从图像中去除模糊的方法 | |
CN108564544B (zh) | 基于边缘感知的图像盲去模糊组合稀疏优化方法 | |
US9589328B2 (en) | Globally dominant point spread function estimation | |
CN109671029B (zh) | 基于伽马范数最小化的图像去噪方法 | |
CN105303530B (zh) | 基于低秩稀疏矩阵分解的织物图像摩尔纹消除方法 | |
CN106204472B (zh) | 基于稀疏特性的视频图像去模糊方法 | |
CN109360157B (zh) | 基于tv和小波正则化的空间变化模糊图像复原方法 | |
CN110675317B (zh) | 基于学习和自适应三边滤波正则化的超分辨率重建方法 | |
CN113808036B (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
CN103310430A (zh) | 对非均匀运动模糊进行去模糊的方法和设备 | |
CN108648162B (zh) | 一种基于噪声水平的梯度相关tv因子图像去噪去模糊方法 | |
CN113222853B (zh) | 一种基于噪声估计的渐进式红外图像降噪方法 | |
CN110827212B (zh) | 基于交叠组合稀疏高阶全变分的图像复原方法 | |
CN112801899B (zh) | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
CN111415317B (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
CN111028168B (zh) | 一种含噪声模糊的高能闪光图像去模糊方法 | |
US20140363090A1 (en) | Methods for Performing Fast Detail-Preserving Image Filtering | |
Park et al. | False contour reduction using neural networks and adaptive bi-directional smoothing | |
CN115965552A (zh) | 用于低信噪比图像序列的频空时域联合去噪与恢复系统 | |
TWI783721B (zh) | 決定去模糊化濾波器係數的方法 | |
CN113822823B (zh) | 气动光学效应图像空变模糊核的点近邻复原方法及系统 | |
Yang et al. | Edge-preserving image deconvolution with nonlocal domain transform |
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 |