CN113643217A - 视频去运动模糊方法、装置、终端设备及可读存储介质 - Google Patents

视频去运动模糊方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN113643217A
CN113643217A CN202111200936.5A CN202111200936A CN113643217A CN 113643217 A CN113643217 A CN 113643217A CN 202111200936 A CN202111200936 A CN 202111200936A CN 113643217 A CN113643217 A CN 113643217A
Authority
CN
China
Prior art keywords
calculating
video
motion blur
blur
motion
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
CN202111200936.5A
Other languages
English (en)
Other versions
CN113643217B (zh
Inventor
周斌
丁明
许洁斌
陈永辉
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.)
Guangzhou Xuanwu Wireless Technology Co Ltd
Original Assignee
Guangzhou Xuanwu Wireless Technology Co Ltd
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 Guangzhou Xuanwu Wireless Technology Co Ltd filed Critical Guangzhou Xuanwu Wireless Technology Co Ltd
Priority to CN202111200936.5A priority Critical patent/CN113643217B/zh
Publication of CN113643217A publication Critical patent/CN113643217A/zh
Application granted granted Critical
Publication of CN113643217B publication Critical patent/CN113643217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/73Deblurring; Sharpening
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Studio Devices (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种视频去运动模糊方法、装置、终端设备及可读存储介质,该方法包括对待处理的视频进行解码,提取解码后的视频帧的特征点,利用KNN算法对特征点进行特征匹配;根据特征匹配结果,利用循环迭代算法计算目标匹配点集;根据目标匹配点集计算相机的移动角度,并确定模糊半径的初始值;利用初始值及移动角度计算对应的运动模糊核,计算根据运动模糊核得到的还原图片的模糊度;重复计算运动模糊核,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算;当模糊半径大于所述第一预设阈值时,输出最小的模糊度所对应的还原图片。本发明能够较快处理视频帧,并达到较好的去运动模糊效果,具有成本低、操作简单的优点。

Description

视频去运动模糊方法、装置、终端设备及可读存储介质
技术领域
本发明涉及计算机视觉研究技术领域,尤其涉及一种视频去运动模糊方法、装置、终端设备及可读存储介质。
背景技术
在快消行业中,业务员为了记录店摆放的商品信息往往需要拍摄视频,由于拍摄抖动以及拍摄移速不均衡往往使视频产生运动模糊,从而影响后续查看和识别。传统的去模糊方法主要包括非盲去模糊和盲去模糊,然而基于最大后验概率的盲去卷积算法的效果差,非盲去卷积则需要手动调参数无法完成自动化处理;采用多尺度的变分贝叶斯算法估计模糊核去模糊的方法复杂度较高、运行速度慢,因此无法达到实时性要求,同时还需要用户手动引导选择小的图像块;而基于深度学习的方法虽然效果好,但是对硬件要求高,无法满足前端轻量级算法处理的需求。
发明内容
本发明的目的在于提供一种视频去运动模糊方法、装置、终端设备及可读存储介质,以解决现有技术中视频去运动模糊方法中存在的效果差、自动化程度低、复杂度高及成本高的问题。
为实现上述目的,本发明提供一种视频去运动模糊方法,包括:
对待处理的视频进行解码,提取解码后的视频帧的特征点,并利用KNN算法对所述特征点进行特征匹配;
根据特征匹配结果,利用循环迭代算法计算目标匹配点集;
根据所述目标匹配点集计算相机的移动角度;
利用模糊半径及所述移动角度计算对应的运动模糊核,并计算根据所述运动模糊核得到的还原图片的模糊度;
重复计算所述运动模糊核,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算;当所述模糊半径大于所述第一预设阈值时,输出最小的模糊度所对应的还原图片。
进一步地,所述提取解码后的视频帧的特征点,包括:提取所述视频帧的前后帧视频的ORB特征点。
进一步地,在所述提取解码后的视频帧的特征点之前,还包括对前后帧视频对应的图片进行去灰度处理。
进一步地,所述根据特征匹配结果,利用循环迭代算法计算目标匹配点集,包括:
利用特征匹配结果构建单应性矩阵,并利用所述单应性矩阵进行基准框映射处理;
利用循环迭代算法和映射结果确定匹配点中内点的个数,并将循环后得到的内点数最多的匹配点作为目标匹配点集,其中,
所述内点为前一帧匹配点映射后的坐标与后一帧匹配点的欧式距离小于第二预设阈值的点。
进一步地,所述根据所述目标匹配点集计算相机的移动角度,包括:
计算相机的移动方向:
Figure 104097DEST_PATH_IMAGE001
式中,前后帧的匹配点分别表示为:
Figure 626214DEST_PATH_IMAGE002
计算相机的移动角度:
Figure DEST_PATH_IMAGE003
进一步地,在所述计算根据所述运动模糊核得到的还原图片的模糊度之前,还包括:
利用所述运动模糊核及维纳滤波去除原图片帧的运动模糊得到还原图片。
进一步地,所述模糊度的计算公式为:
Figure 604403DEST_PATH_IMAGE004
式中,M表示图片的宽,N表示图片的高,Pij表示图片在像素(i,j)处的像素值。
本发明还提供一种视频去运动模糊装置,包括:
特征匹配单元,用于对待处理的视频进行解码,提取解码后的视频帧的特征点,并利用KNN算法对所述特征点进行特征匹配;
目标集获取单元,用于根据特征匹配结果,利用循环迭代算法计算目标匹配点集;
移动角度计算单元,用于根据所述目标匹配点集计算相机的移动角度;
模糊度计算单元,用于利用模糊半径及所述移动角度计算对应的运动模糊核,并计算根据所述运动模糊核得到的还原图片的模糊度;
迭代计算单元,用于重复计算所述运动模糊核,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算;当所述模糊半径大于所述第一预设阈值时,输出最小的模糊度所对应的还原图片。
本发明还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一项所述的视频去运动模糊方法。
本发明还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的视频去运动模糊方法。
相对于现有技术,本发明的有益效果在于:
本发明公开了一种视频去运动模糊方法,包括对待处理的视频进行解码,提取解码后的视频帧的特征点,利用KNN算法对特征点进行特征匹配;根据特征匹配结果,利用循环迭代算法计算目标匹配点集;根据目标匹配点集计算相机的移动角度,并确定模糊半径的初始值;利用初始值及移动角度计算对应的运动模糊核,计算根据运动模糊核得到的还原图片的模糊度;重复计算运动模糊核,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算;当模糊半径大于所述第一预设阈值时,输出最小的模糊度所对应的还原图片。本发明提供的视频去运动模糊方法,能够较快处理视频帧,并达到较好的去运动模糊效果,具有成本低、操作简单的优点。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的视频去运动模糊方法的流程示意图;
图2是图1中步骤S20的子步骤的流程示意图;
图3是本发明某一实施例提供的视频去运动模糊装置的结构示意图;
图4是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明某一实施例提供一种视频去运动模糊方法,包括以下步骤:
S10、对待处理的视频进行解码,提取解码后的视频帧的特征点,并利用KNN算法对所述特征点进行特征匹配。
本实施例中,对视频解码后得到视频帧,然后对视频帧的前后两帧分别提取特征点。其中,常用的特征点表示有ORB(Oriented FAST and Rotated BRIEF)特征点、Harris角点、SIFT特征点、SURF特征点等,本实施例中,为了提高匹配的效率,优先提取ORB特征点,并利用KNN(k最近邻K-NearestNeighbor)匹配方法进行特征匹配。
在某一具体实施例中,在所述取解码生成的视频帧的特征点之前,还包括对前后帧视频对应的图片进行去灰度处理。
具体地,从去灰度处理到提取ORB特征点再到特征匹配具体包括以下步骤:
1.1) 对解码后的前后两帧视频帧按照下面计算公式进行图片灰度化,其中R, G,B分别表示图片的rgb通道像素值,Gray表示转换后的灰度值;
Gray = (R*299 + G*587 + B*114 + 500) / 1000;
1.2) 对灰度图进行ORB特征点提取;
1.3) 对上述提取的特征点进行ORB的BRIEF描述子计算;
1.4) 利用KNN算法对前后两帧提取出来的BRIEF描述子进行特征点匹配,得到匹配点。
S20、根据特征匹配结果,利用循环迭代算法计算目标匹配点集。
如图2所示,具体地,该步骤S20又包括以下子步骤:
S201、利用特征匹配结果构建单应性矩阵,并利用所述单应性矩阵进行基准框映射处理。
S202、利用循环迭代算法和映射结果确定匹配点中内点的个数,并将循环后得到的内点数最多的匹配点作为目标匹配点集,其中,所述内点为前一帧匹配点映射后的坐标与后一帧匹配点的欧式距离小于第二预设阈值的点。
具体地,本实施例包括以下内容:
2.1)随机从步骤S10中计算出来的匹配点中提取适量的点计算单应性矩阵H。
本实施例中优选提取10对匹配点。需要说明的是,单应性变换主要用来描述物体在世界坐标系和像素坐标系之间的位置映射关系,其对应的变换矩阵称为单应性矩阵。
2.2)计算基准框映射,其中基准框左上角点和右下角点分别用齐次坐标表示为
Figure DEST_PATH_IMAGE005
,利用下面映射公式对基准框左上角和右下角分别进行映射:
Figure 620900DEST_PATH_IMAGE006
式中,
Figure 118878DEST_PATH_IMAGE007
为映射前的匹配点像素坐标的齐次坐标表示,
Figure 264426DEST_PATH_IMAGE008
为映射后的像素坐标。
2.3)对单应性矩阵的健康性进行评估,如果不健康则进入下一次迭代计算。其中,对单应性矩阵的健康性的进行评估的依据为:
A)如果投影后左上角点相对投影后右下角位置不再是保持左上角的相对位置,则矩阵不健康;
B)如果投影后框的宽与上投影前框的宽之比大于5或者小于0.2,则矩阵不健康;
C)如果投影后框的高与上投影前框的高之比大于5或者小于0.2,则矩阵不健康;
当且仅当以上三点都不满足时,对应的单应性矩阵健康。
2.4)然后利用健康的单应性矩阵H对剩余的所有的前一帧的匹配点进行映射,点的映射公式如2.2)的公式所示。
2.5)计算前一帧的匹配点映射后的坐标和后一帧匹配点的欧式距离,如果欧氏距离小于第二预设阈值则认为该点为内点,计算完所有匹配点中内点个数,记录此次的内点数和随机提取的10对匹配点。其中,第二预设阈值通常设为20。
2.6)执行以上2.1)到2.5)步骤,循环预先设置的次数,例如100次,然后将这100次循环得到的内点数最多的匹配点作为目标匹配点集。
S30、根据所述目标匹配点集计算相机的移动角度。
具体地,计算相机的移动方向:
Figure 402015DEST_PATH_IMAGE001
式中,前后帧的匹配点分别表示为:
Figure 346838DEST_PATH_IMAGE009
计算相机的移动角度:
Figure 512371DEST_PATH_IMAGE003
S40、利用模糊半径及所述移动角度计算对应的运动模糊核,并计算根据所述运动模糊核得到的还原图片的模糊度。
本步骤中,首先初始化模糊半径,即将d设为1,利用半径d和步骤S30计算出来的方向角度angle计算运动模糊核,具体包括以下步骤:
4.1)利用半径d构建运动矢量图,其中运动矢量图为一根直线,直线长度为d,角度为0,宽度为1像素;
4.2)利用角度angle构建仿射变换矩阵:
Figure 852258DEST_PATH_IMAGE010
式中:
Figure 352509DEST_PATH_IMAGE011
4.3)利用4.2)中计算的仿射变换矩阵将4.1)中的运动矢量图映射到65*65的图上得到运动模糊核。
S50、判断模糊半径是否大于第一预设阈值。
本步骤中,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算,本实施例中该预设值优先设为1,第一预设阈值优先设为10。其中,当d大于10时执行步骤S60,即输出最小的模糊度所对应的还原图片。
需要说明的是,本实施例中利用计算到的运动模糊核和维纳滤波去除原RGB图片帧的运动模糊得到清晰图片,并计算清晰图片的模糊度。其中,维纳滤波信噪比SNR(SIGNAL-NOISE RATIO),通常设为固定值0.0316。
进一步地,模糊度的计算方法如下:
5.1)将图片缩放到500*500大小;
5.2)将图片进行快速傅里叶变换;
5.3)将变换后零分量频谱移动到图像中心;
5.4)去除低频,具体为将上徐变换后图片中心宽高为60像素区域设置为0;
5.5)对步骤5.3)做反向操作,将低频位置还原;
5.6)对上述图片做反傅里叶变换得到图片P;
5.7)使用下面公式对像素值求平均得到图片的模糊度:
Figure 586176DEST_PATH_IMAGE004
式中,M表示图片的宽,N表示图片的高,Pij表示图片在像素(i,j)处的像素值。
本发明实施例提供的视频去运动模糊方法,通过特征点的匹配计算相机移动方向,通过移动方向和移动距离迭代调优模糊核,最终通过维纳滤波的方法去除运动模糊。该方法可以更好的预测模糊核,同时通过模糊评判算法自动迭代调优效果,不仅速度快还能够很好的还原清晰的视频帧,具有成本低、操作简单的有优点。
请参阅图3,本发明某一实施例还提供一种视频去运动模糊装置,包括:
特征匹配单元01,用于对待处理的视频进行解码,提取解码后的视频帧的特征点,并利用KNN算法对所述特征点进行特征匹配;
目标集获取单元02,用于根据特征匹配结果,利用循环迭代算法计算目标匹配点集;
移动角度计算单元03,用于根据所述目标匹配点集计算相机的移动角度;
模糊度计算单元04,用于利用模糊半径及所述移动角度计算对应的运动模糊核,并计算根据所述运动模糊核得到的还原图片的模糊度;
迭代计算单元05,用于重复计算所述运动模糊核,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算;当所述模糊半径大于所述第一预设阈值时,输出最小的模糊度所对应的还原图片。
本发明实施例提供的视频去运动模糊装置用于执行如上述任一项实施例所述的视频去运动模糊方法。本发明实施例通过特征点的匹配计算相机移动方向,通过移动方向和移动距离迭代调优模糊核,最终通过维纳滤波的方法去除运动模糊。该方法可以更好的预测模糊核,同时通过模糊评判算法自动迭代调优效果,不仅速度快还能够很好的还原清晰的视频帧,具有成本低、操作简单的有优点。
请参阅图4,本发明某一实施例提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的视频去运动模糊方法。
处理器用于控制该终端设备的整体操作,以完成上述的视频去运动模糊方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作,这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C) 、数字信号处理器(DigitalSignal Processor,简称DSP) 、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD) 、现场可编程门阵列(Field Programmable Gate Array ,简称FPGA) 、控制器、微控制器、微处理器或其他电子元件实现,用于执行如上述任一项实施例所述的视频去运动模糊方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供一种包括程序指令的可读存储介质,该程序指令被处理器执行时实现如上述任一项实施例所述的视频去运动模糊方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由终端设备的处理器执行以完成如上述任一项实施例所述的视频去运动模糊方法,并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种视频去运动模糊方法,其特征在于,包括:
对待处理的视频进行解码,提取解码后的视频帧的特征点,并利用KNN算法对所述特征点进行特征匹配;
根据特征匹配结果,利用循环迭代算法计算目标匹配点集;
根据所述目标匹配点集计算相机的移动角度;
利用模糊半径及所述移动角度计算对应的运动模糊核,并计算根据所述运动模糊核得到的还原图片的模糊度;
重复计算所述运动模糊核,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算;当所述模糊半径大于所述第一预设阈值时,输出最小的模糊度所对应的还原图片。
2.根据权利要求1所述的视频去运动模糊方法,其特征在于,所述提取解码后的视频帧的特征点,包括:提取所述视频帧的前后帧视频的ORB特征点。
3.根据权利要求1所述的视频去运动模糊方法,其特征在于,在所述提取解码后的视频帧的特征点之前,还包括对前后帧视频对应的图片进行去灰度处理。
4.根据权利要求1所述的视频去运动模糊方法,其特征在于,所述根据特征匹配结果,利用循环迭代算法计算目标匹配点集,包括:
利用特征匹配结果构建单应性矩阵,并利用所述单应性矩阵进行基准框映射处理;
利用循环迭代算法和映射结果确定匹配点中内点的个数,并将循环后得到的内点数最多的匹配点作为目标匹配点集,其中,
所述内点为前一帧匹配点映射后的坐标与后一帧匹配点的欧式距离小于第二预设阈值的点。
5.根据权利要求1所述的视频去运动模糊方法,其特征在于,所述根据所述目标匹配点集计算相机的移动角度,包括:
计算相机的移动方向:
Figure 204737DEST_PATH_IMAGE001
式中,前后帧的匹配点分别表示为:
Figure 883849DEST_PATH_IMAGE002
计算相机的移动角度:
Figure 374742DEST_PATH_IMAGE003
6.根据权利要求1所述的视频去运动模糊方法,其特征在于,在所述计算根据所述运动模糊核得到的还原图片的模糊度之前,还包括:
利用所述运动模糊核及维纳滤波去除原图片帧的运动模糊得到还原图片。
7.根据权利要求1所述的视频去运动模糊方法,其特征在于,所述模糊度的计算公式为:
Figure 23767DEST_PATH_IMAGE004
式中,M表示图片的宽,N表示图片的高,Pij表示图片在像素(i,j)处的像素值。
8.一种视频去运动模糊装置,其特征在于,包括:
特征匹配单元,用于对待处理的视频进行解码,提取解码后的视频帧的特征点,并利用KNN算法对所述特征点进行特征匹配;
目标集获取单元,用于根据特征匹配结果,利用循环迭代算法计算目标匹配点集;
移动角度计算单元,用于根据所述目标匹配点集计算相机的移动角度;
模糊度计算单元,用于利用模糊半径及所述移动角度计算对应的运动模糊核,并计算根据所述运动模糊核得到的还原图片的模糊度;
迭代计算单元,用于重复计算所述运动模糊核,当模糊半径小于或等于第一预设阈值时,将模糊半径增加预设值后代入计算;当所述模糊半径大于所述第一预设阈值时,输出最小的模糊度所对应的还原图片。
9.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一项所述的视频去运动模糊方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的视频去运动模糊方法。
CN202111200936.5A 2021-10-15 2021-10-15 视频去运动模糊方法、装置、终端设备及可读存储介质 Active CN113643217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111200936.5A CN113643217B (zh) 2021-10-15 2021-10-15 视频去运动模糊方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111200936.5A CN113643217B (zh) 2021-10-15 2021-10-15 视频去运动模糊方法、装置、终端设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113643217A true CN113643217A (zh) 2021-11-12
CN113643217B CN113643217B (zh) 2022-03-29

Family

ID=78427046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111200936.5A Active CN113643217B (zh) 2021-10-15 2021-10-15 视频去运动模糊方法、装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113643217B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563768A (zh) * 2023-07-06 2023-08-08 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种微塑料污染物智能检测方法及系统
CN117422627A (zh) * 2023-12-18 2024-01-19 卓世科技(海南)有限公司 基于图像处理的ai仿真教学方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544681A (zh) * 2013-08-27 2014-01-29 清华大学 非均一运动模糊图像的恢复方法
CN105488511A (zh) * 2015-11-25 2016-04-13 小米科技有限责任公司 图像的识别方法及装置
CN106600559A (zh) * 2016-12-21 2017-04-26 东方网力科技股份有限公司 模糊核获取以及图像去模糊方法及装置
CN108257155A (zh) * 2018-01-17 2018-07-06 中国科学院光电技术研究所 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法
CN110322507A (zh) * 2019-06-04 2019-10-11 东南大学 一种基于深度重投影和空间一致性特征匹配的方法
CN110677556A (zh) * 2019-08-02 2020-01-10 杭州电子科技大学 一种基于相机定位的图像去模糊方法
CN111225139A (zh) * 2019-10-21 2020-06-02 杭州电子科技大学 一种基于旋转双棱镜获取互补序列图像的运动场景拍摄装置及复原方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544681A (zh) * 2013-08-27 2014-01-29 清华大学 非均一运动模糊图像的恢复方法
CN105488511A (zh) * 2015-11-25 2016-04-13 小米科技有限责任公司 图像的识别方法及装置
CN106600559A (zh) * 2016-12-21 2017-04-26 东方网力科技股份有限公司 模糊核获取以及图像去模糊方法及装置
CN108257155A (zh) * 2018-01-17 2018-07-06 中国科学院光电技术研究所 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法
CN110322507A (zh) * 2019-06-04 2019-10-11 东南大学 一种基于深度重投影和空间一致性特征匹配的方法
CN110677556A (zh) * 2019-08-02 2020-01-10 杭州电子科技大学 一种基于相机定位的图像去模糊方法
CN111225139A (zh) * 2019-10-21 2020-06-02 杭州电子科技大学 一种基于旋转双棱镜获取互补序列图像的运动场景拍摄装置及复原方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINJIN GU ET.AL: "Blind Super-Resolution With Iterative Kernel Correction", 《 2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
戴朝约 等: "基于边缘信息的运动模糊图像的鲁棒盲复原", 《光电子激光》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563768A (zh) * 2023-07-06 2023-08-08 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种微塑料污染物智能检测方法及系统
CN116563768B (zh) * 2023-07-06 2023-09-22 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种微塑料污染物智能检测方法及系统
CN117422627A (zh) * 2023-12-18 2024-01-19 卓世科技(海南)有限公司 基于图像处理的ai仿真教学方法及系统
CN117422627B (zh) * 2023-12-18 2024-02-20 卓世科技(海南)有限公司 基于图像处理的ai仿真教学方法及系统

Also Published As

Publication number Publication date
CN113643217B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
Hu et al. Deblurring low-light images with light streaks
CN111275626B (zh) 一种基于模糊度的视频去模糊方法、装置及设备
Tai et al. Richardson-lucy deblurring for scenes under a projective motion path
Chakrabarti et al. Analyzing spatially-varying blur
US10963993B2 (en) Image noise intensity estimation method, image noise intensity estimation device, and image recognition device
US9615039B2 (en) Systems and methods for reducing noise in video streams
CN113643217B (zh) 视频去运动模糊方法、装置、终端设备及可读存储介质
CN107749987B (zh) 一种基于块运动估计的数字视频稳像方法
Sun et al. Good image priors for non-blind deconvolution: generic vs. specific
EP2294808B1 (en) Method and system for efficient video processing
Lee et al. Simultaneous localization, mapping and deblurring
Yu et al. Efficient patch-wise non-uniform deblurring for a single image
EP3798975B1 (en) Method and apparatus for detecting subject, electronic device, and computer readable storage medium
CN112215773B (zh) 基于视觉显著性的局部运动去模糊方法、装置及存储介质
WO2017100971A1 (zh) 一种失焦模糊图像的去模糊方法和装置
JP6703314B2 (ja) フォーカス検出
Komodakis et al. MRF-based blind image deconvolution
CN111640077A (zh) 一种简单高效的模糊文本图片清晰化处理方法
CN111325671B (zh) 网络训练方法、装置、图像处理方法及电子设备
CN112435278B (zh) 一种基于动态目标检测的视觉slam方法及装置
KR20180026506A (ko) 가우시안의 라플라시안 근사에 기초한 단일 이미지로부터의 디포커스 추정
Yang et al. Image deblurring utilizing inertial sensors and a short-long-short exposure strategy
CN113438386B (zh) 一种应用于视频处理的动静判定方法及装置
Carbajal et al. Single image non-uniform blur kernel estimation via adaptive basis decomposition.
CN116266356A (zh) 全景视频转场渲染方法、装置和计算机设备

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 510000 room 23bd, No. 109, TIYU West Road, Tianhe District, Guangzhou City, Guangdong Province

Patentee after: GUANGZHOU XUANWU WIRELESS TECHNOLOGY Co.,Ltd.

Address before: 32B, no.103b, TianLiHe Road, Guangzhou, 510000

Patentee before: GUANGZHOU XUANWU WIRELESS TECHNOLOGY Co.,Ltd.