CN112489196A - 一种多尺度三维频域变换的颗粒物三维形貌重建方法 - Google Patents

一种多尺度三维频域变换的颗粒物三维形貌重建方法 Download PDF

Info

Publication number
CN112489196A
CN112489196A CN202011369072.5A CN202011369072A CN112489196A CN 112489196 A CN112489196 A CN 112489196A CN 202011369072 A CN202011369072 A CN 202011369072A CN 112489196 A CN112489196 A CN 112489196A
Authority
CN
China
Prior art keywords
scale
frequency domain
dimensional
depth
formula
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
CN202011369072.5A
Other languages
English (en)
Other versions
CN112489196B (zh
Inventor
刘凤娴
闫涛
郭四稳
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.)
Taiyuan University of Technology
Shanxi University
Guangzhou University
Original Assignee
Taiyuan University of Technology
Shanxi University
Guangzhou 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 Taiyuan University of Technology, Shanxi University, Guangzhou University filed Critical Taiyuan University of Technology
Priority to CN202011369072.5A priority Critical patent/CN112489196B/zh
Publication of CN112489196A publication Critical patent/CN112489196A/zh
Application granted granted Critical
Publication of CN112489196B publication Critical patent/CN112489196B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2021—Shape modification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

一种多尺度三维频域变换的颗粒物三维形貌重建方法。步骤如下：将微米级待测颗粒物不同景深的图像序列作为一个完整的三维数据；对该三维数据通过非降采样金字塔滤波器组得到多个尺度的高频分解系数；将各尺度高频分解系数进行傅里叶变换得到频域变换结果；将得到的频域变换结果与窗口函数进行内积操作得到多个方向的频域系数；将多个方向的频域系数进行傅里叶反变换得到图像序列的多尺度三维频域变换系数；将多尺度三维频域变换系数映射为不同尺度与方向深度结果；选择同一尺度下不同方向深度结果的最大值作为当前尺度的深度结果；选择所有尺度深度结果中熵值最小的深度图像作为待测颗粒物最终的三维形貌重建结果。本发明能够实现微米级颗粒物的三维形貌精确重建。

Description

一种多尺度三维频域变换的颗粒物三维形貌重建方法
技术领域
本发明属于微观三维形貌重建领域，具体涉及一种多尺度三维频域变换的颗粒物三维形貌重建方法。
背景技术
基于图像聚焦信息的三维形貌重建方法广泛应用于微观物体的三维形貌重建领域，特别是在环境科学领域，如何实现微米级颗粒物的三维形貌精确重建将有助于更好的理解和发现影响大气环境的主要因素。
基于图像聚焦信息的三维形貌重建算法是通过运用有效的聚焦测量函数对待测物体不同景深的图像序列进行聚焦程度评价，进而从图像序列中恢复物体深度信息的一种三维形貌重建方法。但研究发现，现有的基于图像聚焦信息的三维形貌方法大都集中在优化聚焦测量函数的层面，这些聚焦测量函数主要可以分为梯度类、频域变换类和统计类三大类。梯度类聚焦测量函数主要利用图像序列中单帧图像的像素值对图像的聚焦程度进行评价，尽管这类方法计算效率较高，但难以对含有噪声的图像进行准确的聚焦信息判断；频域变换类方法主要运用频域变换系数作为图像聚焦程度的判断准则，但这类方法仅从单一尺度系数的角度进行图像聚焦程度测量，无法从其它尺度系数获得更为精确的聚焦判断信息；统计类聚焦测量函数利用统计学指标对图像的聚焦信息进行判断，但这类方法在图像聚焦信息判断过程中容易受到环境光和待测物体本身的材质影响导致重建结果不稳定。
通过了解研究现状，我们认为该领域方法存在以下两点不足：①现有的聚焦测量函数仅从单一视角去评价一幅图像的聚焦程度，在对含噪声较多的颗粒物图像序列进行聚焦程度评价的过程容易出现较多的错误深度结果；②现有方法均遵循从单帧图像的聚焦程度测量入手，然后逐帧对整个图像序列依次进行测量，这种思路往往会忽略图像序列之间的关联关系，无法实现待测物体精确的三维形貌重建。因此如何针对微米级颗粒物建立一个高精度三维形貌重建方法是该领域面临的一个主要难题。
综上所述，我们认为不同景深的图像序列之间本身存在联系，在进行图像序列的聚焦程度评价过程中割裂图像序列之间的联系是不合理的。本专利首先将待测颗粒物不同景深的图像序列视为一个完整的三维数据，然后提出一种多尺度三维频域变换直接作用于该三维数据进行聚焦程度测量，实现了微米级待测颗粒物的三维形貌精确重建。
发明内容
为克服上述技术中存在的问题，本发明的目的是提供一种多尺度三维频域变换的颗粒物三维形貌重建方法。
本发明所采取的技术方案是：一种多尺度三维频域变换的颗粒物三维形貌重建方法，包括以下步骤：
步骤1，通过调整相机与微米级待测颗粒物之间的距离得到覆盖待测颗粒物全部景深的多幅图像序列
Figure BDA0002806030080000021
其中z表示图像数且其取值范围为1≤z≤N，x,y表示单幅图像中的位置且其取值范围分别为0≤x,y≤M-1；
步骤2，设置多尺度三维频域变换的最大分解尺度J与最大方向数L，按照公式(1)将步骤1得到的图像序列f(x,y,z)通过非降采样金字塔滤波器组
Figure BDA0002806030080000022
得到1个低频分解系数
Figure BDA0002806030080000023
与J个不同尺度的高频分解系数
Figure BDA0002806030080000024
Figure BDA0002806030080000025
其中*为卷积操作符，
Figure BDA0002806030080000026
为J个低频滤波器，
Figure BDA0002806030080000027
为J个高频滤波器；当j＝1时，
Figure BDA0002806030080000028
步骤3，根据式(2)将步骤2得到的J个不同尺度的高频分解系数
Figure BDA0002806030080000029
进行傅里叶变换；
Figure BDA00028060300800000210
其中F为傅里叶变换操作符，ξ1,ξ2,ξ3为傅里叶变换后频率域的参数，尺度j的选择范围为1≤j≤J；
步骤4，根据式(3)将步骤3得到的J个不同尺度高频分解系数的傅里叶变换结果
Figure BDA00028060300800000211
与窗口函数Wj,l(ξ1,ξ2,ξ3)进行内积操作得到J×L个不同方向高频分解系数的傅里叶变换结果；
Figure BDA0002806030080000031
其中
Figure BDA0002806030080000032
为窗口函数Wj,l(ξ1,ξ2,ξ3)的共轭；
步骤5，根据式(4)将步骤4得到的J×L个不同方向的傅里叶变换结果
Figure BDA0002806030080000033
进行三维傅里叶反变换得到图像序列
Figure BDA0002806030080000034
的多尺度三维频域变换系数；
Figure BDA0002806030080000035
其中F-1为傅里叶反变换操作符；
步骤6，根据式(5)选择步骤5得到的多尺度三维频域变换系数
Figure BDA0002806030080000036
在第z维的最大值所在位置得到J×L个不同尺度与方向的深度结果；
Figure BDA0002806030080000037
其中Dj,l(x,y)为尺度为j和方向为l的深度结果；
步骤7，根据式(6)选择步骤6得到的同一尺度不同方向的深度结果
Figure BDA0002806030080000038
的最大值得到J个不同尺度下的深度结果；
Figure BDA0002806030080000039
步骤8，通过计算步骤7得到的J个不同尺度深度结果
Figure BDA00028060300800000310
的图像熵，根据式(7)选择熵值最小的深度结果作为待测颗粒物最终的三维形貌重建结果；
Figure BDA00028060300800000311
其中H为图像熵的计算函数。
本发明的方法能够实现微米级待测颗粒物的精确三维形貌重建。
附图说明
图1是一种多尺度三维频域变换的颗粒物三维形貌重建方法的流程图；
图2是一种多尺度三维频域变换的颗粒物三维形貌重建方法的框架示意图。
具体实施方式
如图1、图2所示，一种多尺度三维频域变换的颗粒物三维形貌重建方法，包括以下步骤：
步骤1，通过调整相机与微米级待测颗粒物之间的距离得到覆盖待测颗粒物全部景深的多幅图像序列
Figure BDA0002806030080000041
其中z表示图像数且其取值范围为1≤z≤N，x,y表示单幅图像中的位置且其取值范围分别为0≤x,y≤M-1；
步骤2，设置多尺度三维频域变换的最大分解尺度J与最大方向数L，按照公式(1)将步骤1得到的图像序列f(x,y,z)通过非降采样金字塔滤波器组
Figure BDA0002806030080000042
得到1个低频分解系数
Figure BDA0002806030080000043
与J个不同尺度的高频分解系数
Figure BDA0002806030080000044
Figure BDA0002806030080000045
其中*为卷积操作符，
Figure BDA0002806030080000046
为J个低频滤波器，
Figure BDA0002806030080000047
为J个高频滤波器；当j＝1时，
Figure BDA0002806030080000048
步骤3，根据式(2)将步骤2得到的J个不同尺度的高频分解系数
Figure BDA0002806030080000049
进行傅里叶变换；
Figure BDA00028060300800000410
其中F为傅里叶变换操作符，ξ1,ξ2,ξ3为傅里叶变换后频率域的参数，尺度j的选择范围为1≤j≤J；
步骤4，根据式(3)将步骤3得到的J个不同尺度高频分解系数的傅里叶变换结果
Figure BDA00028060300800000411
与窗口函数Wj,l(ξ1,ξ2,ξ3)进行内积操作得到J×L个不同方向高频分解系数的傅里叶变换结果；
Figure BDA00028060300800000412
其中
Figure BDA00028060300800000413
为窗口函数Wj,l(ξ1,ξ2,ξ3)的共轭；
步骤5，根据式(4)将步骤4得到的J×L个不同方向的傅里叶变换结果
Figure BDA0002806030080000051
进行三维傅里叶反变换得到图像序列
Figure BDA0002806030080000052
的多尺度三维频域变换系数；
Figure BDA0002806030080000053
其中F-1为傅里叶反变换操作符；
步骤6，根据式(5)选择步骤5得到的多尺度三维频域变换系数
Figure BDA0002806030080000054
在第z维的最大值所在位置得到J×L个不同尺度与方向的深度结果；
Figure BDA0002806030080000055
其中Dj,l(x,y)为尺度为j和方向为l的深度结果；
步骤7，根据式(6)选择步骤6得到的同一尺度不同方向的深度结果
Figure BDA0002806030080000056
的最大值得到J个不同尺度下的深度结果；
Figure BDA0002806030080000057
步骤8，通过计算步骤7得到的J个不同尺度深度结果
Figure BDA0002806030080000058
的图像熵，根据式(7)选择熵值最小的深度结果作为待测颗粒物最终的三维形貌重建结果；
Figure BDA0002806030080000059
其中H为图像熵的计算函数。

Claims (1)

1.一种多尺度三维频域变换的颗粒物三维形貌重建方法，其特征包括以下步骤：
步骤1，通过调整相机与微米级待测颗粒物之间的距离得到覆盖待测颗粒物全部景深的多幅图像序列
Figure FDA0002806030070000011
其中z表示图像数且其取值范围为1≤z≤N，x,y表示单幅图像中的位置且其取值范围分别为0≤x,y≤M-1；
步骤2，设置多尺度三维频域变换的最大分解尺度J与最大方向数L，按照公式(1)将步骤1得到的图像序列f(x,y,z)通过非降采样金字塔滤波器组
Figure FDA0002806030070000012
得到1个低频分解系数
Figure FDA0002806030070000013
与J个不同尺度的高频分解系数
Figure FDA0002806030070000014
Figure FDA0002806030070000015
其中*为卷积操作符，
Figure FDA0002806030070000016
为J个低频滤波器，
Figure FDA0002806030070000017
为J个高频滤波器；当j＝1时，
Figure FDA0002806030070000018
步骤3，根据式(2)将步骤2得到的J个不同尺度的高频分解系数
Figure FDA0002806030070000019
进行傅里叶变换；
Figure FDA00028060300700000110
其中F为傅里叶变换操作符，ξ1,ξ2,ξ3为傅里叶变换后频率域的参数，尺度j的选择范围为1≤j≤J；
步骤4，根据式(3)将步骤3得到的J个不同尺度高频分解系数的傅里叶变换结果
Figure FDA00028060300700000111
与窗口函数Wj,l(ξ1,ξ2,ξ3)进行内积操作得到J×L个不同方向高频分解系数的傅里叶变换结果；
Figure FDA00028060300700000112
其中
Figure FDA00028060300700000113
为窗口函数Wj,l(ξ1,ξ2,ξ3)的共轭；
步骤5，根据式(4)将步骤4得到的J×L个不同方向的傅里叶变换结果
Figure FDA00028060300700000114
进行三维傅里叶反变换得到图像序列
Figure FDA00028060300700000115
的多尺度三维频域变换系数；
Figure FDA00028060300700000116
其中F-1为傅里叶反变换操作符；
步骤6，根据式(5)选择步骤5得到的多尺度三维频域变换系数
Figure FDA0002806030070000021
在第z维的最大值所在位置得到J×L个不同尺度与方向的深度结果；
Figure FDA0002806030070000022
其中Dj,l(x,y)为尺度为j和方向为l的深度结果；
步骤7，根据式(6)选择步骤6得到的同一尺度不同方向的深度结果
Figure FDA0002806030070000023
的最大值得到J个不同尺度下的深度结果；
Figure FDA0002806030070000024
步骤8，通过计算步骤7得到的J个不同尺度深度结果
Figure FDA0002806030070000025
的图像熵，根据式(7)选择熵值最小的深度结果作为待测颗粒物最终的三维形貌重建结果；
Figure FDA0002806030070000026
其中H为图像熵的计算函数。
CN202011369072.5A 2020-11-30 2020-11-30 一种多尺度三维频域变换的颗粒物三维形貌重建方法 Active CN112489196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011369072.5A CN112489196B (zh) 2020-11-30 2020-11-30 一种多尺度三维频域变换的颗粒物三维形貌重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011369072.5A CN112489196B (zh) 2020-11-30 2020-11-30 一种多尺度三维频域变换的颗粒物三维形貌重建方法

Publications (2)

Publication Number Publication Date
CN112489196A true CN112489196A (zh) 2021-03-12
CN112489196B CN112489196B (zh) 2022-08-02

Family

ID=74937168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011369072.5A Active CN112489196B (zh) 2020-11-30 2020-11-30 一种多尺度三维频域变换的颗粒物三维形貌重建方法

Country Status (1)

Country Link
CN (1) CN112489196B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907748A (zh) * 2021-03-31 2021-06-04 山西大学 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030118223A1 (en) * 2001-08-10 2003-06-26 Rahn J. Richard Method and apparatus for three-dimensional imaging in the fourier domain
CN101900536A (zh) * 2010-07-28 2010-12-01 西安交通大学 基于数字图像法的物体表面形貌的测量方法
CN104729429A (zh) * 2015-03-05 2015-06-24 深圳大学 一种远心成像的三维形貌测量系统标定方法
CN105704476A (zh) * 2016-01-14 2016-06-22 东南大学 一种基于边缘修复的虚拟视点图像频域快速获取方法
CN106228601A (zh) * 2016-07-21 2016-12-14 山东大学 基于小波变换的多尺度锥束ct图像快速三维重建方法
CN106447762A (zh) * 2015-08-07 2017-02-22 中国科学院深圳先进技术研究院 基于光场信息的三维重建方法及系统
CN106846383A (zh) * 2017-01-23 2017-06-13 宁波诺丁汉大学 基于3d数字显微成像系统的高动态范围图像成像方法
CN107610218A (zh) * 2017-08-25 2018-01-19 武汉工程大学 一种面向立体结构网点三维图像重建的层面数据获取方法
CN107680152A (zh) * 2017-08-31 2018-02-09 太原理工大学 基于图像处理的目标物表面形貌测量方法和装置
CN107909648A (zh) * 2017-11-28 2018-04-13 山西大学 一种基于多景深图像融合的三维重建方法
CN109003232A (zh) * 2018-06-15 2018-12-14 浙江医院 基于频域尺度平滑Shearlet的医学MRI图像去噪方法
CN111238403A (zh) * 2020-01-18 2020-06-05 武汉盛信鸿通科技有限公司 一种基于光场子孔径条纹图像的三维重建方法及装置
CN111260776A (zh) * 2020-02-07 2020-06-09 山西大学 一种自适应正态分析的三维形貌重建方法
CN111288925A (zh) * 2020-01-18 2020-06-16 武汉烽火凯卓科技有限公司 一种基于数字对焦结构照明光场的三维重建方法和装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030118223A1 (en) * 2001-08-10 2003-06-26 Rahn J. Richard Method and apparatus for three-dimensional imaging in the fourier domain
CN101900536A (zh) * 2010-07-28 2010-12-01 西安交通大学 基于数字图像法的物体表面形貌的测量方法
CN104729429A (zh) * 2015-03-05 2015-06-24 深圳大学 一种远心成像的三维形貌测量系统标定方法
CN106447762A (zh) * 2015-08-07 2017-02-22 中国科学院深圳先进技术研究院 基于光场信息的三维重建方法及系统
CN105704476A (zh) * 2016-01-14 2016-06-22 东南大学 一种基于边缘修复的虚拟视点图像频域快速获取方法
CN106228601A (zh) * 2016-07-21 2016-12-14 山东大学 基于小波变换的多尺度锥束ct图像快速三维重建方法
CN106846383A (zh) * 2017-01-23 2017-06-13 宁波诺丁汉大学 基于3d数字显微成像系统的高动态范围图像成像方法
CN107610218A (zh) * 2017-08-25 2018-01-19 武汉工程大学 一种面向立体结构网点三维图像重建的层面数据获取方法
CN107680152A (zh) * 2017-08-31 2018-02-09 太原理工大学 基于图像处理的目标物表面形貌测量方法和装置
CN107909648A (zh) * 2017-11-28 2018-04-13 山西大学 一种基于多景深图像融合的三维重建方法
CN109003232A (zh) * 2018-06-15 2018-12-14 浙江医院 基于频域尺度平滑Shearlet的医学MRI图像去噪方法
CN111238403A (zh) * 2020-01-18 2020-06-05 武汉盛信鸿通科技有限公司 一种基于光场子孔径条纹图像的三维重建方法及装置
CN111288925A (zh) * 2020-01-18 2020-06-16 武汉烽火凯卓科技有限公司 一种基于数字对焦结构照明光场的三维重建方法和装置
CN111260776A (zh) * 2020-02-07 2020-06-09 山西大学 一种自适应正态分析的三维形貌重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋丽梅: "基于单幅实时测量图像三维形貌恢复的研究", 《中国优秀博硕士学位论文全文数据库 (博士) 工程科技Ⅰ辑》 *
柴常春: "基于结构光照明的表面形貌测量系统的研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
闫涛等: "基于多景深融合模型的显微三维重建方法", 《计算机辅助设计与图形学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907748A (zh) * 2021-03-31 2021-06-04 山西大学 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法
CN112907748B (zh) * 2021-03-31 2022-07-19 山西大学 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法

Also Published As

Publication number Publication date
CN112489196B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN109242972B (zh) 一种基于顶点特征的双法向网格模型光顺方法
CN107507135B (zh) 基于编码光圈和靶标的图像重构方法
CN110188774B (zh) 一种基于深度学习的电涡流扫描图像分类识别方法
CN107977951B (zh) 基于耦合张量分解的多光谱与高光谱图像融合方法
CN104123705B (zh) 一种超分辨率重建图像质量Contourlet域评价方法
CN105205820A (zh) 一种改进的特征相似性图像质量评估方法
CN111754447A (zh) 基于多状态上下文隐马尔科夫模型的红外和可见光图像融合方法
CN112489196B (zh) 一种多尺度三维频域变换的颗粒物三维形貌重建方法
CN111260776B (zh) 一种自适应正态分析的三维形貌重建方法
CN105631890B (zh) 基于图像梯度和相位一致性的失焦图片质量评价方法
CN105931184B (zh) 基于联合优化的sar图像超分辨率方法
CN112907748B (zh) 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法
CN113487724B (zh) 太赫兹器件贴装材料成型界面形貌特征的建模方法
CN104282012A (zh) 一种基于小波域的半参考图像质量评价算法
CN111275680B (zh) 基于Gabor卷积网络的SAR图像变化检测方法
CN116405100B (zh) 一种基于先验知识的失真信号还原方法
CN116228797B (zh) 基于注意力和U-Net的页岩扫描电镜图像分割方法
CN117788379A (zh) 一种基于域变换的端到端的异源遥感图像变化检测方法
CN114066786A (zh) 一种基于稀疏和滤波器的红外和可见光图像融合方法
CN109447952B (zh) 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法
CN109543717B (zh) 基于自适应邻域及字典的联合协作表达高光谱分类方法
CN110880192A (zh) 基于概率密度函数字典的图像dct系数分布拟合方法
CN112862718B (zh) 一种基于功率谱密度约束的模式分解滤波方法
CN112686814B (zh) 一种基于仿射低秩的图像去噪方法
Wei et al. Estimation of the Discrete Spectrum of Relaxations for Electromagnetic Induction Responses Using $\ell_ {p} $-Regularized Least Squares for $0\leq p\leq 1$

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