CN112991195A - 针对破损视频的α阶全变分约束的低秩张量补全方法 - Google Patents
针对破损视频的α阶全变分约束的低秩张量补全方法 Download PDFInfo
- Publication number
- CN112991195A CN112991195A CN202110126123.XA CN202110126123A CN112991195A CN 112991195 A CN112991195 A CN 112991195A CN 202110126123 A CN202110126123 A CN 202110126123A CN 112991195 A CN112991195 A CN 112991195A
- Authority
- CN
- China
- Prior art keywords
- tensor
- dimensional
- video
- alpha
- target functional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000003190 augmentative effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- PBAPPPCECJKMCM-IBGZPJMESA-N mirabegron Chemical compound S1C(N)=NC(CC(=O)NC=2C=CC(CCNC[C@H](O)C=3C=CC=CC=3)=CC=2)=C1 PBAPPPCECJKMCM-IBGZPJMESA-N 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims 3
- 230000000694 effects Effects 0.000 description 5
- 235000019557 luminance Nutrition 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/10016—Video; Image sequence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了针对破损视频的α阶全变分约束的低秩张量补全方法,按照以下步骤实施:利用MATLAB将高丢失率的破损视频文件读入,将其处理为三维张量将三维张量沿着每一个模展开为二维矩阵,并对这些矩阵的边界进行正则化处理,得到零Dirichlit边界条件的二维矩阵;定义关于破损视频的张量补全的目标泛函,包括α阶全变分正则约束项和低秩约束项,这两项并不互相独立;为边界正则化的二维矩阵引入三个辅助矩阵,通过增广拉格朗日公式对目标泛函进行解耦、优化,并求解优化的目标泛函,通过不断迭代最终获得补全的三维视频张量;把在分数阶有界变分空间中的分数阶TV正则化项与低秩约束相结合进行张量修复,既能恢复全局信息,也能够恢复丢失的精细细节。
Description
技术领域
本发明属于数字图像处理技术领域,涉及针对破损视频的α阶全变分约 束的低秩张量补全方法。
背景技术
数字图像修复是指以不易察觉的方式重建图像中完全丢失/破损的部分 或去除不想要的目标物体的技术。近年来,随着数据采集技术的飞速发展, 社会生产生活中的许多领域采集到了大量的多通道视觉数据集,例如:RGB 图像、数字视频、多光谱以及高光谱图像等,其中,视频数据集的规模与数 量与日俱增,特别在日常生活中,数字视频占据着相当重要的位置。但是, 由于传输或者压缩等原因的影响,视频数据经常出现部分信息丢失或破损的 情况,当丢失率较高时严重影响其观看效果或是降低后续处理操作的精度, 例如:降低后续视频目标跟踪或目标分割的准确性。如何修复这些受损的多 通道视频数据成为当下亟需解决的问题,尤其是当丢失比率较高时,更是对 修复方法提出了更高的挑战。
视频数据拥有两个空间维度和一个时间维度,可将这种多通道数据看作 一个三维张量,采用张量分析的方法来处理受损的多维视频数据。张量是一 种二维矩阵的延伸,它提供了一种高效的表示多通道数据的数学方法。因此, 可以采用“张量补全”的方法来修复丢失的视频数据。
近年来,人们对这个问题进行了深入研究以解决多通道数据恢复问题。 在这些研究中,假设要修复的矩阵或张量是低秩的,在修复缺失的信息时, 设计合适的泛函模型并试图使张量数据的秩最小化。在已有的方法中,确定 矩阵秩已经被扩展并利用到低秩张量修复方法(Low-Rank Tensor Completion, LRTC)中,主要有两种方式:一是组建沿每个模式的展开矩阵秩的凸性组 合;二是使用CANDECOMP/PARAFAC(CP)分解或Tucker分解,同时试图 使分解后的因子是低秩的。
全变分(Total Variation,TV)范数,因其可以保留图像中的分段平滑特性 而成功地应用于许多图像处理领域。近些年来,TV约束已经被应用到矩阵 修复或张量补全问题中,并被用作低秩约束的补充性约束,以局部的分段光 滑特性为先验条件。为简单起见,将这类方法称为Low-Rank Tensor Completion with Total Variation(简写为:LRTV)。
大量的研究表明,与整数阶相比,分数阶微积分是一种更强大的数学方 法,它的拮抗特性产生了一种特殊的仿生视觉感受野模型,可以最大限度地 保留平滑区域的低频轮廓特征,同时在高变化的灰度区域非线性地保持高频 边缘特征,在灰度级差异不明显的区域,它还可以增强纹理细节。
已有的LRTV不足以利用张量的非局部和细粒度的结构信息来修复图 像,这将会导致在结构复杂和细粒度纹理区域出现边缘模糊和仿射细节丢失 等问题。
发明内容
本发明的目的是提供针对破损视频的α阶全变分约束的低秩张量补全方 法,能够利用张量补全的方式来完成高丢失率的破损视频修复。
本发明所采用的技术方案是,针对破损视频的α阶全变分约束的低秩张 量补全方法,具体按照以下步骤实施:
步骤2、定义关于破损视频的张量补全的目标泛函,目标泛函包括α阶 全变分正则约束项和低秩约束项;
并对二维矩阵的边界进行正则化处理,得到零Dirichlit边界条件的二维 矩阵;
步骤3、为零Dirichlit边界条件的二维矩阵引入三个辅助矩阵作为目标 泛函变量,通过增广拉格朗日公式对目标泛函进行解耦、优化,并求解优化 的目标泛函,通过不断迭代最终获得补全的三维视频张量。
步骤2中定义关于破损视频的张量补全的目标泛函具体过程为:
定义关于破损视频的张量补全的目标泛函:
式(1)中,第一部分为α阶全变分正则化约束项,包括施加到张量沿 着第一模和第二模展开的矩阵,即TVα约束,第二部分为低秩约束项,两项 不相互独立,其中参数βn的取值为0或1,表明是否在张量的第n个模的展 开矩阵上施加TVα约束。
步骤2中对二维矩阵的边界进行正则化处理具体过程为:取α阶全变分 正则化约束项中第n模展开矩阵,展开矩阵的图像域为Ξn,以及张量沿着 第n个模展开的二维矩阵Z(n)的亮度函数为对亮度函数为进行边界 正则化得到亮度函数通过亮度函数获得零Dirichlit边界 条件的二维矩阵。
根据式(5)和式(6)可得式(7)和式(8),
e1(x,y)=a+(c-a)x+(b-a)y+(a+d-b-c)xy (7)
步骤3具体过程为:
步骤3.3、定义图像域Ξn内点(xk,yl)沿着水平方向的α阶微分为:
式(9)中,取函数f的Dirichlet边界条件为零,k=1,2,…X;l=1,2…Y;
步骤3.4、根据式(9)计算α阶微分离散化的近似矩阵,计算公式为:
步骤3.7、返回步骤3.4,设定张量补全次数阈值为K,判断k是否等于 K或者连续两次补全张量的相对误差是否小于给定的值ε,若k=K或连续 两次补全张量的相对误差小于给定的值ε,则停止迭代,输出补全后的三维 视频张量。
步骤3.5具体过程为:
同时,取计算补全三维破损张量次数为k=1。
(ρ1)k+1=μ(ρ1)k (17)
本发明针对破损视频的α阶全变分约束的低秩张量补全方法有益效果 是:
1)提出了一种具有非局部扩散性的分数阶空间正则方案,把在分数阶 有界变分空间中的分数阶TV正则化项与低秩约束相结合进行张量修复,既 能恢复全局信息,也因分数阶空间正则而能够恢复丢失的精细细节;
2)在修复损毁的张量数据前,将张量在各模下展开矩阵的非零Dirichlet 边界条件变为零,以此克服边界处的振荡现象;
3)采用了增强拉格朗日公式来优化求解所提出的混合目标泛函问题, 对于分数阶空间正则化的优化子问题,推导出非局部分数阶导数的近似矩阵 并应用于前两个模的展开矩阵中,从而能够高效求解所提出的凸泛函。
4)通过不断迭代求解所提混合模型的目标泛函来完成高丢失率破损视 频的修复工作。
附图说明
图1是本发明的全局流程图;
图2是本发明的求解目标泛函具体流程图;
图3(a)是本发明实施例中采用的原始suzie视频的第1帧图像;
图3(b)是本发明实施例中数据丢失率为95%的suzie视频第1帧图像;
图3(c)是本发明实施例中数据丢失率为95%的suzie视频第1帧图像 的修复结果图;
图4(a)是本发明实施例中采用的原始hall_qcif视频的第20帧图像;
图4(b)是本发明实施例中数据丢失率为75%的hall_qcif视频第20帧 图像;
图4(c)是本发明实施例中数据丢失率为75%的hall_qcif视频第20帧 图像的修复结果图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明针对破损视频的α阶全变分约束的低秩张量补全方法,如图1所 示,具体按照以下步骤实施:
步骤2、定义关于破损视频的张量补全的目标泛函,目标泛函包括α阶 全变分正则约束项和低秩约束项;具体为:
定义关于破损视频的张量补全的目标泛函:
式(1)中,第一部分为α阶全变分正则化约束项,即TVα约束,两项不 相互独立,其中参数βn的取值为0或1,表明是否在张量的第n模的展开矩 阵上施加TVα约束;第二部分为低秩约束项,矩阵的秩是通过该矩阵的核范 数来实现最优凸近似的;调整参数λ,它平衡了分数阶TV和低秩约束的权 重,这里λ>0。
取α阶全变分正则化约束项中第n模展开矩阵,展开矩阵的图像域为Ξn, 以及张量沿着第n个模展开的二维矩阵Z(n)的亮度函数为对亮度函数 为进行边界正则化得到亮度函数通过亮度函数获得 零Dirichlit边界条件的二维矩阵。
根据式(5)和式(6)可得式(7)和式(8),
e1(x,y)=a+(c-a)x+(b-a)y+(a+d-b-c)xy (7)
步骤3、具体过程为:
步骤3.3、定义图像域Ξn内点(xk,yl)沿着水平方向的α阶微分为:
式(9)中,取函数f的Dirichlet边界条件为零,k=1,2,…X;l=1,2…Y;
步骤3.4、根据式(9)计算α阶微分离散化的近似矩阵,计算公式为:
同时,取计算补全三维破损张量次数为k=1。
(ρ1)k+1=μ(ρ1)k (17)
步骤3.7、返回步骤3.4,设定张量补全次数阈值为K,判断k是否等于 K或者连续两次补全张量的相对误差是否小于给定的值ε,若k=K或连续 两次补全张量的相对误差小于给定的值ε,则停止迭代,输出补全后的三维 视频张量。
实施例
下面将利用YUV视频数据来说明本发明针对破损视频的α阶全变分约 束的低秩张量补全方法来进一步说明其效果:
本次实验数据来源于YUV视频序列,视频数据分别为suzie和hall_qcif。 将实验视频数据读入MATLAB中,采用了一些常用的4:2:0YUV格式的视 频测试序列,并选择前100帧作为实验数据,因此数据大小为176×144×100, 它们可以被视为一个三维张量。通过在实验视频数据的所有通道内随机屏蔽 掉一部分原始张量数据,利用剩余的像素点构成破损的三维张量来补全 张量其中实验视频的数据丢失率为95%和75%。同时将三维张量沿着 每一个模展开为二维展开矩阵这里N=3,三个二维展开矩阵大 小分别为176×14400,144×17600以及100×25344。如图3(a)所示,是suzie 原始视频数据的第1帧图像,图3(b)是丢失率为95%的suzie视频第1帧 图像。针对图3(b)中视频图像设置必要的参数,令K=2000,λ=0.05, α=1.8,以及μ=1.5,ρ1=ρ2=ρ3=1.25,相对误差ε=10-6。同时初始 化三个拉格朗日乘子和求解出新的Dirichlet 边界条件为零的亮度函数计算离散化的α阶微分即计算更新和补全张量计算更新 和以及ρ1,ρ2和ρ3,令k=k+1;当张量补全次数达到2000 次,或者连续两次张量补全的结果时则张量补全结束,输出已 经修复的张量结果如图3(c)所示。根据如图3(c)的图像与修复前或 者原始视频帧图像进行对比可知,视频修复前suzie帧1图像的峰值信噪比 为6.6465dB,而修复后该帧图像的峰值信噪比提高为23.8795dB,同时恢复 出了图像中丢失的主要信息,通过对比修复前后的视频帧能够证明本方法可 以有效修复高丢失率的破损视频,甚至在高达95%的丢失率下仍能恢复出丢 失的主要信息。
对数据丢失率为75%的hall_qcif破损视频进行修复,原始视频的第20 帧图像如图4(a)所示,数据丢失后的帧图像如图4(b)所示,经过上述 方法进行视频补全后,修复后的帧图像如图4(c)所示。根据图4(c)的 图像与修复前或者原始视频帧图像进行对比可知,修复前hall_qcif帧20图 像的峰值信噪比为4.6077dB,而修复后该帧图像的峰值信噪比提高为 31.4035dB,修复后的图像边缘结构和纹理细节都比较清晰,视觉效果得到 了很大的改善。综上所述,本方法对破损视频有很好的修复效果,细节和结 构的重建效果也非常优越。
通过上述方式,本发明针对破损视频的α阶全变分约束的低秩张量补全 方法,1、提出了一种具有非局部扩散性的分数阶空间正则方案,把在分数 阶有界变分空间中的分数阶TV正则化项与低秩约束相结合进行张量修复, 既能恢复全局信息,也因分数阶空间正则而能够恢复丢失的精细细节。因此, 本发明方法能够修复丢失比率较高的破损视频,甚至在95%的丢失比率下仍 能取得较好的修复性能。2、张量在不同的模下展开成为二维矩阵后,在计 算其分数阶导数时,不准确的边界条件将不可避免地导致边界附近的振荡假象。因此,设计适当的方案,在修复损毁的张量数据前,将张量在各模下展 开矩阵的非零Dirichlet边界条件变为零,以此克服边界处的振荡现象。3、 采用了增强拉格朗日公式来优化求解所提出的混合目标泛函问题,对于分数 阶空间正则化的优化子问题,推导出非局部分数阶导数的近似矩阵并应用于 前两个模的展开矩阵中,从而能够高效求解所提出的凸泛函。最后,通过不 断迭代求解所提混合模型的目标泛函来完成高丢失率破损视频的修复工作。
Claims (7)
通过图像域Ξn的内点(x,y)处亮度函数z(n)得到四个角点的亮度z(n)(0,0)=a,z(n)(0,1)=b,z(n)(1,0)=c,z(n)(1,1)=d以及四个边缘亮度z(n)(0,y)=a1(y),z(n)(1,y)=a2(y),z(n)(x,0)=b1(y),z(n)(x,1)=b2(y);
根据式(5)和式(6)可得式(7)和式(8),
e1(x,y)=a+(c-a)x+(b-a)y+(a+d-b-c)xy (7)
5.根据权利要求2所述针对破损视频的α阶全变分约束的低秩张量补全方法,其特征在于,步骤3具体过程为:
步骤3.3、定义图像域Ξn内点(xk,yl)沿着水平方向的α阶微分为:
式(9)中,取函数f的Dirichlet边界条件为零,k=1,2,...X;l=1,2...Y;
步骤3.4、根据式(9)计算α阶微分离散化的近似矩阵,计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126123.XA CN112991195B (zh) | 2021-01-29 | 2021-01-29 | 针对破损视频的α阶全变分约束的低秩张量补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126123.XA CN112991195B (zh) | 2021-01-29 | 2021-01-29 | 针对破损视频的α阶全变分约束的低秩张量补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991195A true CN112991195A (zh) | 2021-06-18 |
CN112991195B CN112991195B (zh) | 2024-02-02 |
Family
ID=76345820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110126123.XA Active CN112991195B (zh) | 2021-01-29 | 2021-01-29 | 针对破损视频的α阶全变分约束的低秩张量补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991195B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870130A (zh) * | 2021-09-16 | 2021-12-31 | 西安理工大学 | 基于三维全变分和Tucker分解的低秩张量补全方法 |
CN114119426A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 非局部低秩转换域与全连接张量分解图像重构方法及装置 |
CN116912107A (zh) * | 2023-06-13 | 2023-10-20 | 重庆市荣冠科技有限公司 | 一种基于dct的加权自适应张量数据补全方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
CN111274525A (zh) * | 2020-01-19 | 2020-06-12 | 东南大学 | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 |
CN112069919A (zh) * | 2020-08-17 | 2020-12-11 | 浙江工业大学 | 基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪方法 |
-
2021
- 2021-01-29 CN CN202110126123.XA patent/CN112991195B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
CN111274525A (zh) * | 2020-01-19 | 2020-06-12 | 东南大学 | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 |
CN112069919A (zh) * | 2020-08-17 | 2020-12-11 | 浙江工业大学 | 基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
刘小花;唐贵进;: "基于张量低秩和TV正则化的图像超分辨率重建", 软件导刊, no. 12 * |
陈代斌;杨晓梅;: "基于低秩张量恢复的视频块效应处理", 计算机科学, no. 09 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870130A (zh) * | 2021-09-16 | 2021-12-31 | 西安理工大学 | 基于三维全变分和Tucker分解的低秩张量补全方法 |
CN113870130B (zh) * | 2021-09-16 | 2024-02-06 | 西安理工大学 | 基于三维全变分和Tucker分解的低秩张量补全方法 |
CN114119426A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 非局部低秩转换域与全连接张量分解图像重构方法及装置 |
CN116912107A (zh) * | 2023-06-13 | 2023-10-20 | 重庆市荣冠科技有限公司 | 一种基于dct的加权自适应张量数据补全方法 |
CN116912107B (zh) * | 2023-06-13 | 2024-04-16 | 万基泰科工集团数字城市科技有限公司 | 一种基于dct的加权自适应张量数据补全方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112991195B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhuang et al. | Bayesian retinex underwater image enhancement | |
CN112991195A (zh) | 针对破损视频的α阶全变分约束的低秩张量补全方法 | |
CN102326379B (zh) | 从图像中去除模糊的方法 | |
CN111028177A (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
Yao et al. | Occlusion-aware video temporal consistency | |
Liu et al. | Single nighttime image dehazing based on unified variational decomposition model and multi-scale contrast enhancement | |
Shen et al. | Convolutional neural pyramid for image processing | |
Al-Hashim et al. | Retinex-Based Multiphase Algorithm for Low-Light Image Enhancement. | |
CN105787892A (zh) | 一种基于机器学习的蒙特卡洛噪声去除方法 | |
CN108460723B (zh) | 基于邻域相似性的双边全变分图像超分辨率重建方法 | |
Tsutsui et al. | Halo artifacts reduction method for variational based realtime retinex image enhancement | |
Liu et al. | Retinex based on exponent-type total variation scheme | |
Tan et al. | High dynamic range imaging for dynamic scenes with large-scale motions and severe saturation | |
Xu et al. | Degradation-aware dynamic fourier-based network for spectral compressive imaging | |
Liu et al. | Joint dehazing and denoising for single nighttime image via multi-scale decomposition | |
Benalia et al. | A nonlocal method for image shadow removal | |
Han et al. | MPDNet: An underwater image deblurring framework with stepwise feature refinement module | |
Zhou et al. | Supervised-unsupervised combined transformer for spectral compressive imaging reconstruction | |
Schirrmacher et al. | Adaptive quantile sparse image (aquasi) prior for inverse imaging problems | |
Hesabi et al. | A modified patch propagation-based image inpainting using patch sparsity | |
Takeda et al. | Locally adaptive kernel regression for space-time super-resolution | |
Shirai et al. | Adjoint Bilateral Filter and Its Application to Optimization-based Image Processing | |
Balla et al. | A 4-channelled hazy image input generation and deep learning-based single image dehazing | |
He et al. | Multi-scale fusion for image enhancement in shield tunneling: a combined MSRCR and CLAHE approach | |
Liu et al. | Nonblind image deblurring based on bi-composition decomposition by local smoothness and nonlocal self-similarity priors |
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 |