CN113643203A - 一种图像模糊矩阵结构的辨识方法 - Google Patents
一种图像模糊矩阵结构的辨识方法 Download PDFInfo
- Publication number
- CN113643203A CN113643203A CN202110906451.1A CN202110906451A CN113643203A CN 113643203 A CN113643203 A CN 113643203A CN 202110906451 A CN202110906451 A CN 202110906451A CN 113643203 A CN113643203 A CN 113643203A
- Authority
- CN
- China
- Prior art keywords
- matrix
- boundary condition
- image
- block
- fuzzy
- 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.)
- Pending
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000006731 degradation reaction Methods 0.000 claims description 31
- 230000014509 gene expression Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000012916 structural analysis Methods 0.000 claims 5
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000007850 degeneration Effects 0.000 claims 1
- 238000012913 prioritisation Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 7
- 230000003667 anti-reflective effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本专利公开一种在一些边界条件下图像模糊矩阵结构的辨识方法,包括依据边界条件和边角类型:1)确定边界条件矩阵的结构;2)分析扩展模糊矩阵与边界矩阵的乘积,以此获得图像模糊矩阵的结构。所公开的辨识方法,可用于特定边界条件和边角类型下图像模糊矩阵结构的辨识中,所确定的图像模糊矩阵的结构,可为图像恢复的计算实现提供依据。
Description
技术领域
本发明涉及图像处理,特别地,本发明涉及不同边界和边角条件下线性退化图像的恢复中,对图像模糊矩阵结构的辨识方法。
背景技术
在线性退化模型g=Kf+η的图像恢复中,需基于一定的边界条件(BoundaryConditions,BCs)和边角类型,计算矩阵与矢量的乘积Kf,以及K的转置K′与f的乘积K′f,其中K为实施点扩展函模糊作用的图像模糊矩阵,h简称PSF,f为图像的按行优先排列的矢量表示。一般地,因K和K′为严重稀疏的超大型矩阵,乘积Kf和K′f或者需要基于预置矩阵进行加速计算,或者需要基于卷积或模糊矩阵对角化进行替代计算,采用哪种计算方式,这与K的结构相关,而后者由PSF 的对称性,以及图像恢复所基于的边界条件类型和边角类型一起决定,因此,在基于特定边界条件和边角类型的线性退化的图像恢复中,判断图像模糊矩阵K的矩阵结构,是相应图像恢复计算的前提。
目前的图像模糊矩阵结构的辨识方法,是简单地从一维退化过程的模糊矩阵结构,推导出二维退化过程中的图像模糊矩阵的分块结构,方法是:假设一维退化过程中的模糊矩阵K1是多种结构矩阵之和,则二维退化过程中模糊矩阵K的结构,是K1中各结构分别作为块内和块间结构的所有可能组合之和,不失一般性,若K1=Kx+Ky,则K=Kxx+Kxy+Kyy,其中Kxy表示块间结构为x,块内结构为y的分块矩阵。这种简单的从一维推到二维的方法,仅适用边角类型为b的情况。
目前图像边界条件有Zero BCs(ZBC)、Periodic BCs(PBC)和Reflective BCs(RFBC),以及新近提出的 Anti-Reflective BCs(ARBC)、Mean BCs(MBC)、Repeated BCs(RPBC)界条件等6种,其中,前三种边界条件及RPBC下仅存在边角类型b,而在ARBC和MBC条件下,还需进一步选择边角类型a或b,才可唯一确定模糊矩阵的结构。在6种边界条件中,前三种边界条件、以及ARBC的b边角类型(ARBC-b)和MBC 的b边角类型(MBC-b)所对应的K已被辨识,所采用的就是一维退化推导到二维退化过程的方法。剩下的 ARBC的a边角类型(ARBC-a),MBC的a边角类型(MBC-a),以及RPBC等对应的K的结构还未辨识,其中,前二者所对应的K的结构非常复杂,现有的结构辨识方法已不合适,需要找新的结构辨识方法。
发明内容
本发明所要解决的技术问题是:当选择的边角类型为a时,K的结构无法由现有方法辨识,导致边角类型a无法真正应用到图像恢复中。
由于图像的线性退化过程中,乘积Kf所实现的卷积作用,可分解为先按特殊边界和边角条件扩展图像矢量f,再对扩大后的图像矢量按ZBC进行卷积计算,即Kf本身可表示为其中为ZBC下的扩展模糊矩阵,B为特定边界条件和边角类型下的边界条件矩阵。这里的结构已知,为块间和块内均为类Teoplitz的分块矩阵,B的结构可从边界条件和边角类型的定义中推导得出。
基于以上分析,本发明针对所述的一些图像模糊矩阵K难以辨识的问题,提出一种新的图像模糊矩阵结构辨识方法,思路是:将模糊矩阵K的结构辨识,分解为先辨识扩展矩阵B的结构,然后再辨识乘积KB 的结构;当边角类型为b时,先给出一维退化过程中的边界条件矩阵的结构,然后由扩展模糊矩阵与边界条件矩阵乘积的结构,推导二维退化过程中图像模糊矩阵的结构;当边角类型为a时,先直接从二维退化过程中分析边角条件矩阵结构,然后给出对应的扩展模糊矩阵与边界条件矩阵乘积的结构。为支持上述思路:
一些实施例给出了ARBC-a,MBC-a和RPBC条件下的边界条件矩阵的结构。
一些实施给出了ARBC-a,MBC-a和RPBC条件下的图像模糊矩阵的结构。
一些实施例通过实验,对所辨识的结构的正确性进行了说明。
本发明所给出的辨识方法,可应用到线性退化模型的图像恢复中,具有应用价值。
附图说明
图1示出的是本发明的流程;
图2示出的是本发明实验采用的图像;
图3示出的是本发明实验采用的点扩展函数;
图4示出的是本发明所辨识模糊矩阵与矢量乘积的均方误差。
具体实施方式
在以下描述中,出于说明的目的,结合附图,对发明内容中所述实施例的具体内容进行阐述。为了表达清晰和方便编程,一些计算公式中应用了Matlab的函数。
第1实施例
如图1所示,本发明给出不同边界条件下图像模糊矩阵结构的辨识方法,包括以下步骤:
1)选择构建K所基于的边界条件和边角类型;
2)按照边角类型,给出B的结构辨识方法;
3)按照边角类型,给出K的结构辨识方法。
第2实施例
第3实施例
第4实施例
本发明具体给出ARBC-a下边界条件矩阵B的结构为
其中,I12=I1+I2,I13=I1+I3,I123=I1-I2+2I3,而
第5实施例
本发明给出MBC-a下的边界条件矩阵B的结构,具体为
这里,各个大小为的满秩矩阵分别为和其中:1≤i≤p1,1≤j≤q1;s1,1,i,j=(abs(d0)+1)(d1+1),s1,2,i,j=-d1abs(d0)+v2 d0,s2,1,i,j=-d1abs(d0)-v1 d0,s2,2,i,j=d1(abs(d0)-1),d0=p1-q1-i+j,和 d1=(p1-i+1)v2+(q1-j+1)v1;系数v1和v2的设置方法是如果d0>=0,则v1=1,v2=0,否则v1=0,v2=1,函数 abs(x)表示返回x绝对值。
第6实施例
本发明给出RPBC条件下一维退化过程中B1的结构为B1=I13,对应地,B是B1的块矩阵,即
第7实施例
本发明具体给出ARBC-a下K的结构为
K=KTT-KTH+KTR-KHT-KHH+KHL+KRT+KLH-KLL+KU
该结构中:下标T,H,R分别表示Toeplitz矩阵,Hankel矩阵和文献[1,2]中提出的秩-2修正矩阵,L和U 分别表示本发明给出的其他两种秩-2修正矩阵,它们的结构为:
记p=2p1+1,q=2q1+1,L型矩阵中的非零元素由h的第i行hi,:给出,矩阵结构为L型块矩阵的结构为1≤i≤p,其中矩阵可以是Hankel或L类型矩阵,Xi的非零元素由hi,:给出; U类型的分块矩阵KU的结构为其中,t∈{1,q},对应i 的范围为:如果r=1,则1≤i≤p1,否则p1+2≤i≤p;对j的范围为,如果t=1,则1≤j≤q1,否则, q1+2≤j≤q。
第8实施例
本发明具体给出MBC-a下K的结构为
K=KTT+KTE+KET+KEE+KD
该结构中:下标E表示文献[2]提出的秩序-4矩阵,KD表示本发明提出的另一种修正矩,其块结构为其中秩-4的块矩阵St1,i,t1∈{1,2},1≤i≤p1的结构为t1∈{1,2},1≤i≤p1,该结构中各元素的计算表达式为
第9实施例
本发明具体给出RPBC下K的结构为
K=KTT+KTS+KST+KSS
该结构中:下标S表示本发明所确定的rank-2结构,其中,S类型矩阵为这里t∈{1,q},且如果t=1,则1≤j≤q1,否则q1+2≤j≤q;S类型块矩阵为这里r∈{1,p},i的范围是如果r=1,则1≤i≤p1,否则 p1+2≤i≤p,Xi1由hi1,:中的元素生成,其本身可以是S类型矩阵或Toeplitz矩阵。
第10实施例
本发明检验了所给出的ARBC-a、MBC-a和RPBC下B和K结构的正确性,为了对比,也给出了目前结构已知的PBC、RFBC、ARBC-和MBC-b下的实验结果。实验在Intel(R)Core(TM)i5(3.2GHz)机器上采用Matlab7.0完成。实验中:图像F采用如图2所示的Matlab图像Tissue.png,大小为506×800,F按行优先重排得到f;采用了5个h,其中Psf1和Psf2为Gaussian类型的Psf,sigma为0.5,大小分别为7×7 和31×31,用于模拟PSF形状对称、元素有规律取值的情况,如图3所示的Psf3到Psf5为3个归一化后的随机矩阵,用于模拟图像恢复中PSF的形状非对称、元素取值任意的情况。
B的正确性采用均方误差(RMSEs):来度量,其中是按照边界条件和边角类型扩展所得图像的按行排列的矢量,Bf为本发明所辨识的B与f的乘积,norm(x)和length(x) 分别计算矢量x的2范数和矢量长度x,sqrt(x)返回标量x的开方。
在实验中,的块内和块间均为类Toeplitz矩阵,sum(±KXY)中的KTT的块内和块间均为Toeplitz矩阵,二者非零元素相对密集,难于存储,实验中对应的和KTTf采用Matlab的二维卷积函数计算,即和conv2(F,h,′same′)。Bf和sum(±KXYf)中的其他KXYf,因对应的B和KXY足够稀疏,因此在实验中直接构造这些矩阵,并计算Bf和各KXYf。
实验结果发现,在所实验的各种边界条件和边角类型下:Bf的RMSEs都为0,说明了本发明所提三种矩阵B在内的所有矩阵B的结构都正确;K的均方误差显示在图4中,图中各值是真实误差的1014,从中可以看出,各边界条件下Kf的RMSEs误差很小,说明本发明所得K的结构正确。
Claims (3)
2.根据权利要求1所述的图像模糊矩阵结构的辨识方法,其特征在于所述的依据边界条件和边角类型,分析一维或二维退化过程中边界条件矩阵结构的方法为:
当边角的类型为a类型时,即扩展图像时,四个边角外的像素是直接由边角内反对称方向上的像素扩展来得到时,对应二维退化过程的边界条件矩阵B的结构,不是一维情况下边界条件矩阵B1的块结构,这时需直接分析二维退化过程中的B的结构;当边角类型只有b类型,即扩展图像时,四个边角外的像素,是由对应边框内像素先依据行方向扩展,再依据列方向扩展来得到,此时,图像恢复中二维退化过程的边界条件矩阵的结构,是一维退化情况下边界条件矩阵的块结构,这样只需分析B1的结构即可。
在一维退化过程中,记点扩展函数为任意大小的待恢复列矢量为f1对应的扩展矢量为在二维退化过程中,记任意大小的待恢复图像F的扩展图像为h1和h可以任意大小,不失一般性,应用中可设p1和q1均小于等于5。则B1和B的结构分析的方法具体如下:
1)边角类型为a时,B的结构分析的方法是
先依据边角条件的定义构造扩展图像Fe,方法是:先用F填充Fe的中间部分,即Fe(p1+1:m+p1,q1+1:n+q1)=F;然后依据边界条件和边角类型,按离边界和边角由近到远的顺序计算Fe中位于F图廓范围之外的像素,所得像素为由F图廓内对应元素线性表示,即有其中常系数ai,j由边界条件和边角类型推导,i,j的取值范围由边界条件和边角类型确定,且与i1,j1相关。按行优先重排Fe和F为失量和fmn×1,fe和f间的关系有
根据上述方法,在能选择a边角类型的现有两种边界条件中:
在ARBC下,当边角类型为a时,可得边界条件矩阵B的结构为
其中,I12=I1+I2,I13=I1+I3,I123=I1-I2+2I3,而
在MBC下,当边角类型为a时,可得边界条件矩阵B的结构为这里,各个大小为的满秩矩阵分别为和其中:1≤i≤p1,1≤j≤q1;s1,1,i,j=(abs(d0)+1)(d1+1),s1,2,i,j=-d1abs(d0)+v2d0,s2,1,i,j=-d1abs(d0)-v1d0,s2,2,i,j=d1(abs(d0)-1),d0=p1-q1-i+j,和d1=(p1-i+1)v2+(q1-j+1)v1;系数v1和v2的设置方法是如果d0>=0,则v1=1,v2=0,否则v1=0,v2=1,函数abs(x)表示返回x绝对值;
2)边角类型为b时,B的分析方法是:
先依据边界条件的定义构造fe1,方法是:首先用f1填充fe1的中间部分,即fe1(q1+1:n+q1,1)=f1,然后依据边界条件,按照离边界由近到远的顺序,计算fe1中超出f1范围的上下边界部分,即fue1=fe1(1:q1,1)和fde1=fe1(n+q1+1:n+2q1,1)中的各个元素,所得元素为f1内元素的线性表示,形如和fde1(i,1)=∑ajfj,n+q1+1≤i≤n+2q1,其中,fj为f1内靠近边界的像素,j的取值范围由边界条件和i的值确定,常系数aj由边界条件推出;
然后依据f1和其扩展矢量fe1间的关系fe1=B1f1,构造扩展矩阵B1,具体方法是:B1的中间行B1(q1+1:n+q1,:)为n×n的单位阵;B1中其他第i行内非零元素的值,可唯一地由fue1或fde1中第i个像素的线性表示推出,即B1(i,j)=aj,1≤j≤n;剩余元素为0值;
在能选择边角类型为b的边界条件下,仅RPBC下的边界条件矩阵结构未知,依据上述方法,可得其一维退化过程中B1的结构为B1=I13,对应地,B是B1的块矩阵,即
3.根据权利要求2所述的图像模糊矩阵结构辨识方法,其特征在于分析模糊矩阵K的分块结构的方法为:
当边角类型为a时,二维退化过程中图像模糊矩阵K不是一维退化过程中K1的块矩阵,此时需直接分析K的结构;当边角类型为b时,二维退化过程中模糊矩阵K是一维退化过程中模糊矩阵的块矩阵,此时只需分析K1的结构即可。K1和K的结构分析具体方法为:
1)当边角类型为a时K的结构分析方法是
先构造扩展图像模糊矩阵 为非方且稀疏的分块矩阵,块间和块内均为类Toeplitz结构,其第i个行块上的2p1+1个连续的非零矩阵由h的元素构成,即有其中的构造方法为 则为由h的第i行h(i,:)构造的类Toeplitz矩阵;
再提取模糊矩阵K的结构,方法是:依照图像处理中的常见分块矩阵,从K各个元素的表达式中,检出已知分块矩阵的元素,然后将剩余内容进一步分解为待可利用的分块结构中,已知矩阵结构包括由Circulant、Teoplitz、Hankel、秩-2修正和秩-4修正矩阵等所形成的可能的块间和块内结构,从而将K分解其中下标x,y表示某种矩阵结构,Kx,y表示块间结构未x,块内结构为y的分块矩阵;
依据上述方法,在能选择边角类型为a的两种边界条件中:
在ARBC下,当边角类型为a时,可得模糊矩阵K的结构为
K=KTT-KTH+KTR-KHT-KHH+KHL+KRT+KLH-KLL+KU
该结构中:下标T,H,R分别表示Toeplitz矩阵,Hankel矩阵和文献[1,2]中提出的秩-2修正矩阵,L和U分别表示本发明给出的其他两种秩-2修正矩阵,它们的结构为:
记p=2p1+1,q=2q1+1,L型矩阵中的非零元素由h的第i行hi,:给出,矩阵结构为L型块矩阵的结构为其中矩阵可以是Hankel或L类型矩阵,Xi的非零元素由hi,:给出;U类型的分块矩阵KU的结构为其中,对应i的范围为:如果r=1,则1≤i≤p1,否则p1+2≤i≤p;对j的范围为,如果t=1,则1≤j≤q1,否则,q1+2≤j≤q;
在MBC下,当边角类型为a时,可得模糊矩阵K的结构为
K=KTT+KTE+KET+KEE+KD
2)当边角类型为b时K的结构分析方法是
先构造K1,方法是:首先先构造一维退化过程中的扩展模糊矩阵 非方且稀疏,为类Toelpliz矩阵,即其第i行上的非零元素为然后根据计算K1非零元素的线性表达式,形如其中1≤i1≤n,j1的取值范围与边界条件和i1的取值有关,1≤j≤2q1+1,j的取值范围与i1和j1的取值有关;
再分析模糊矩阵K的结构,方法是:先依照图像处理中常见矩阵的结构,从K1各个元素的表达式中,检出已知结构的矩阵元素,然后将各元素表达式中剩余部分进一步分解到可利用结构的矩阵中,已知矩阵结构包括Circulant、Teoplitz、Hanke、修正矩阵矩阵等,从而将K1表示成其中下标x代表某个矩阵类型;然后将模糊矩阵K的结构确定为K1各个分解矩阵的可能分块结构之和,形如
在能选择边角类型为b的边界条件下,仅RPBC下模糊矩阵的结构未知,依据上述方法,可得该边界条件下模糊矩阵结构为
K=KTT+KTS+KST+KSS
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110906451.1A CN113643203A (zh) | 2021-08-09 | 2021-08-09 | 一种图像模糊矩阵结构的辨识方法 |
CN202111310670.XA CN113822822B (zh) | 2021-08-09 | 2021-11-06 | 一种图像模糊矩阵结构的辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110906451.1A CN113643203A (zh) | 2021-08-09 | 2021-08-09 | 一种图像模糊矩阵结构的辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643203A true CN113643203A (zh) | 2021-11-12 |
Family
ID=78420093
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110906451.1A Pending CN113643203A (zh) | 2021-08-09 | 2021-08-09 | 一种图像模糊矩阵结构的辨识方法 |
CN202111310670.XA Active CN113822822B (zh) | 2021-08-09 | 2021-11-06 | 一种图像模糊矩阵结构的辨识方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111310670.XA Active CN113822822B (zh) | 2021-08-09 | 2021-11-06 | 一种图像模糊矩阵结构的辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113643203A (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280180B2 (en) * | 2007-12-04 | 2012-10-02 | Hewlett-Packard Development Company, L.P. | Method and system for image restoration in the spatial domain |
US8743220B2 (en) * | 2009-09-14 | 2014-06-03 | Cognex Corporation | System and method for acquiring a still image from a moving image |
WO2012061475A2 (en) * | 2010-11-02 | 2012-05-10 | University Of Florida Research Foundation, Inc. | Systems and methods for fast magnetic resonance image reconstruction |
CN104021526B (zh) * | 2013-11-21 | 2017-08-22 | 上海海洋大学 | Ar边界条件下图像模糊矩阵与矢量乘积的替代计算方法 |
CN103632344B (zh) * | 2013-11-21 | 2017-11-07 | 上海海洋大学 | Mean边界条件下模糊矩阵与图像矢量乘积的替代计算方法 |
CN107169993A (zh) * | 2017-05-12 | 2017-09-15 | 甘肃政法学院 | 利用公安视频监控模糊图像对目标物进行检测识别方法 |
CN108198149B (zh) * | 2018-01-24 | 2019-01-29 | 闽南师范大学 | 一种图像去模糊方法 |
CN112837220B (zh) * | 2021-01-21 | 2023-07-25 | 华北电力大学(保定) | 一种提高红外图像分辨率的方法及其用途 |
-
2021
- 2021-08-09 CN CN202110906451.1A patent/CN113643203A/zh active Pending
- 2021-11-06 CN CN202111310670.XA patent/CN113822822B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113822822A (zh) | 2021-12-21 |
CN113822822B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767413B (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
Nikolova et al. | Efficient reconstruction of piecewise constant images using nonsmooth nonconvex minimization | |
KR101001086B1 (ko) | 주파수 도메인에서 필름 그레인 패턴을 모델링하는 방법 및장치 | |
Belge et al. | Wavelet domain image restoration with adaptive edge-preserving regularization | |
CN112419184B (zh) | 一种综合局部信息和全局信息的空间注意力图像去噪方法 | |
CN104159003B (zh) | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及系统 | |
Haber et al. | IMEXnet a forward stable deep neural network | |
Sandić-Stanković et al. | DIBR-synthesized image quality assessment based on morphological multi-scale approach | |
CN102378978A (zh) | 变换的快速和存储有效实现的方法 | |
CN108765330B (zh) | 基于全局和局部先验联合约束的图像去噪方法和装置 | |
Dabov et al. | A nonlocal and shape-adaptive transform-domain collaborative filtering | |
CN116596804A (zh) | 一种红外图像条纹噪声去除方法及装置 | |
CN101601070A (zh) | 用于生成画面显著度图的设备和方法 | |
Danelakis et al. | Blind image deconvolution using a banded matrix method | |
CN112819739A (zh) | 一种扫描电子显微镜图像处理方法和系统 | |
CN113643203A (zh) | 一种图像模糊矩阵结构的辨识方法 | |
CN116862787A (zh) | 基于张量奇异值分解的图像修复方法、系统、设备、存储介质 | |
CN115965844B (zh) | 基于视觉显著性先验知识的多聚焦图像融合方法 | |
CN116168008A (zh) | 一种基于双目组合和多尺度Transformer的无参考立体图像质量评价方法 | |
CN111915506B (zh) | 一种序列图像条带噪声消除方法 | |
Zor et al. | Analysis of Interpolation-Based Image In-Painting Approaches | |
CN114170087A (zh) | 一种基于跨尺度低秩约束的图像盲超分辨率方法 | |
Ting et al. | A novel approach for arbitrary-shape roi compression of medical images using principal component analysis (pca) | |
CN113160069A (zh) | 一种基于图信号的高光谱图像去噪方法 | |
CN116894782A (zh) | 一种基于生成对抗网络的地震资料随机噪声盲去噪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211112 |