CN113793284A - 气动光学效应空变模糊图像不均匀分块的图像复原方法 - Google Patents

气动光学效应空变模糊图像不均匀分块的图像复原方法 Download PDF

Info

Publication number
CN113793284A
CN113793284A CN202111358837.XA CN202111358837A CN113793284A CN 113793284 A CN113793284 A CN 113793284A CN 202111358837 A CN202111358837 A CN 202111358837A CN 113793284 A CN113793284 A CN 113793284A
Authority
CN
China
Prior art keywords
image
image block
fuzzy
estimated
fuzzy core
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
CN202111358837.XA
Other languages
English (en)
Other versions
CN113793284B (zh
Inventor
洪汉玉
王佳豪
张耀宗
章秀华
张天序
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.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of Technology
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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202111358837.XA priority Critical patent/CN113793284B/zh
Publication of CN113793284A publication Critical patent/CN113793284A/zh
Application granted granted Critical
Publication of CN113793284B publication Critical patent/CN113793284B/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
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种气动光学效应空变模糊图像不均匀分块的图像复原方法，包括以下步骤：输入气动光学效应空变图像；滤除对模糊核估计不利的小结构图像，得到多个带有大结构的梯度域图像的待估计模糊核图像块集合；根据待估计模糊核图像块集合中的索引坐标进行行列区分，得到行离散序号组与列离散序号组的两组排序组；删除两组排序组中相邻元素小于预设阈值的行或者列，剩余的行和列所划分的图像块组成待插值模糊核图像块集合；求解待估计模糊核图像块集合和待插值模糊核图像块集合中各个图像块的模糊核；利用超拉普拉斯先验图像退化模型复原图像块，并拼接成完整图像。本发明能够满足在多目标，复杂的宽视场湍流场景下的图像复原工作。

Description

气动光学效应空变模糊图像不均匀分块的图像复原方法
技术领域
本发明涉及图像处理领域，尤其涉及一种气动光学效应空变模糊图像不均匀分块的图像复原方法及系统。
背景技术
高速飞行器在输送人员/货物、观察场景、探测目标方面有着快速反应的高时效性和可供探测更大区域的高覆盖率的优点，因而在科技、经济、社会发展和国家安全领域具有广泛的应用价值。飞行器在大气层内飞行时，因与周围空气的相对运动和相互作用，产生气动流场，使飞行器光学成像探测系统功能丧失的物理过程和效果，称为气动光学效应。所以，要解决高品质的成像探测与导航定位问题，以及如何抵消或减轻高速飞行条件下气动光学效应的不利影响是高速飞行器航空航天技术发展的重要方向。
在空间可变的湍流退化模糊核的模拟退化仿真与恢复算法方面，相关工作较少，传统研究都是对于图像近似空不变的方面研究难以满足实时性与真实性的要求，如宽视场、复杂湍流等，近年来最新提出的分块方式的复原主要是在均匀分块的基础上进行滤波处理以及模糊核估计，但是一幅湍流空变模糊图像的分块复原导致了目标区域被割裂之后复原程度的差异，因此有必要针对气动光学效应空变图像自适应不均匀分块以及其空变模糊核估计的空变图像复原方法开展研究。
发明内容
本发明要解决的技术问题在于针对现有方法中的不能估计气动光学效应空变图像的模糊核问题以及对于空变模糊图像难复原问题，提供一种气动光学效应空变模糊图像自适应不均匀分块及其空变模糊核估计的图像复原方法。
为达上述目的，本发明提供了一种气动光学效应空变模糊图像不均匀分块的图像复原方法，包括以下步骤：
S1、输入气动光学效应空变图像；
S2、滤除对模糊核估计不利的小结构图像，得到多个带有大结构的梯度域图像，组成待估计模糊核图像块集合；
S3、根据待估计模糊核图像块集合中的索引坐标进行行列区分，得到行离散序号组与列离散序号组的两组排序组；
S4、删除两组排序组中相邻元素小于预设阈值的行或者列，剩余的行和列所划分的图像块组成待插值模糊核图像块集合；
S5、求解待估计模糊核图像块集合中各个图像块的大结构模糊核；根据待插值模糊核图像块集合中各个图像块的中心与待估计模糊核图像块集合中各个图像块的中心的距离计算加权值，再根据该加权值和对应的大结构模糊核计算待插值模糊核图像块集合中各个图像块的模糊核；
S6、得到所有图像块的模糊核后，利用超拉普拉斯先验图像退化模型复原图像块，并拼接成完整图像。
接上述技术方案，步骤S2中具体利用梯度有用性方法滤除对模糊核估计不利的小结构图像。
接上述技术方案，步骤S2中，待估计模糊核图像块集合中每个图像块的区域位置通过矩形坐标形式确定：
Figure 205416DEST_PATH_IMAGE001
Figure 960882DEST_PATH_IMAGE002
为矩形坐标，
Figure 84696DEST_PATH_IMAGE003
与
Figure 900205DEST_PATH_IMAGE004
分别是矩形的左上顶点和右下顶点的像素坐标；矩形的上边起始行为第
Figure 843890DEST_PATH_IMAGE005
行，左边起始列为第
Figure 340731DEST_PATH_IMAGE006
列，下边终止行为第
Figure 53472DEST_PATH_IMAGE007
行，右边终止列为第
Figure 305462DEST_PATH_IMAGE008
列。
接上述技术方案，步骤S3中，按照升序排列得到行离散序号组与列离散序号组的两组排序组。
接上述技术方案，步骤S4中，相邻元素的预设阈值根据图像大小和模糊核矩阵大小确定。
接上述技术方案，步骤S4中，取两组排序组中相邻元素组合，依据相邻两元素不小于预设阈值进行筛选。
接上述技术方案，步骤S5具体为：
利用基于空间相关约束的非负性最小二乘准则估算方法对待估计模糊核图像块集合进行模糊核的估算；
根据待估计模糊核图像块的模糊核，利用线性插值方法，求得待插值模糊核图像块的模糊核；
其中，线性点插值建模成基于欧氏距离的点插值计算：
Figure 736443DEST_PATH_IMAGE009
Figure 36974DEST_PATH_IMAGE010
为待插值模糊核图像块求解的模糊核，
Figure 604222DEST_PATH_IMAGE011
为待估计模糊核图像块求解的模糊核，
Figure 27113DEST_PATH_IMAGE012
为任意一个待插值模糊核图像块的中心点与第
Figure 945391DEST_PATH_IMAGE013
个待估计模糊核图像块的中心点的欧氏距离，
Figure 580771DEST_PATH_IMAGE014
、
Figure 471367DEST_PATH_IMAGE015
均为自然数。
接上述技术方案，步骤S6中，图像块拼接时，先对图像块进行拓展，再使用加权插值融合图像块的边界。
本发明还提供一种气动光学效应空变模糊图像不均匀分块的图像复原系统，包括：
图像输入模块，用于输入气动光学效应空变图像；
待估计模糊核图像块获取模块，用于滤除对模糊核估计不利的小结构图像，得到多个带有大结构的梯度域图像，组成待估计模糊核图像块集合；
待插值模糊核图像块获取模块，用于根据待估计模糊核图像块集合中的索引坐标进行行列区分，得到行离散序号组与列离散序号组的两组排序组；删除两组排序组中相邻元素小于预设阈值的行或者列，剩余的行和列所划分的图像块组成待插值模糊核图像块集合；
模糊核求解模块，用于求解待估计模糊核图像块集合中各个图像块的大结构模糊核；根据待插值模糊核图像块集合中各个图像块的中心与待估计模糊核图像块集合中各个图像块的中心的距离计算加权值，再根据该加权值和对应的大结构模糊核计算待插值模糊核图像块集合中各个图像块的模糊核；
复原模块，用于在得到所有图像块的模糊核后，利用超拉普拉斯先验图像退化模型复原图像块，并拼接成完整图像。
本发明还提供一种计算机存储介质，其可被处理器执行，其内存储有计算机程序，该计算机程序执行上述技术方案所述的气动光学效应空变模糊图像不均匀分块的图像复原方法。
本发明产生的有益效果是：本发明的气动光学效应空变模糊图像自适应不均匀分块及其空变模糊核估计的图像复原方法，能够框定有效信息区域进行重点估计复原，在此基础上进行自适应不均匀分块与线性插值估计模糊核进一步提高效率；区别于以往的直接划分区域的局限性与全体估计模糊核的耗时，能够满足在多目标，复杂的宽视场湍流场景下的复原工作。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例气动光学效应空变模糊图像不均匀分块的图像复原方法的流程图；
图2为原始气动光学效应空变模糊图片；
图3为模糊核区域测度下多梯度图片；
图4为待估计模糊核多区域图片；
图5为自适应不均匀分块图片；
图6为待估计模糊核图像块多区域的模糊核图片；
图7为自适应不均匀分块区域点插值生成的模糊核图片；
图8为图像各块拼接恢复整体图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施气动光学效应空变模糊图像不均匀分块的图像复原方法，可使用C/C++语言编写，如图1所示，包括以下步骤：
S1、输入气动光学效应空变图像；
S2、滤除对模糊核估计不利的小结构图像，得到多个带有大结构的梯度域图像，组成待估计模糊核图像块集合；
S3、根据待估计模糊核图像块集合中的索引坐标进行行列区分，得到行离散序号组与列离散序号组的两组排序组；
S4、删除两组排序组中相邻元素小于预设阈值的行或者列，剩余的行和列所划分的图像块组成待插值模糊核图像块集合；
S5、求解待估计模糊核图像块集合中各个图像块的大结构模糊核；根据待插值模糊核图像块集合中各个图像块的中心与待估计模糊核图像块集合中各个图像块的中心的距离计算加权值，再根据该加权值和对应的大结构模糊核计算待插值模糊核图像块集合中各个图像块的模糊核；
S6、得到所有图像块的模糊核后，利用超拉普拉斯先验图像退化模型复原图像块，并拼接成完整图像。
进一步地，步骤S2中具体可以通过基于加权
Figure 799580DEST_PATH_IMAGE016
测度的模糊核估计区域估计得到梯度图像：
Figure 205154DEST_PATH_IMAGE017
其中，
Figure 909804DEST_PATH_IMAGE018
为输入图像，
Figure 654906DEST_PATH_IMAGE019
为尺度大小，
Figure 154021DEST_PATH_IMAGE020
，
Figure 784241DEST_PATH_IMAGE021
是尺度为
Figure 27004DEST_PATH_IMAGE022
的图像结构元素，
Figure 688929DEST_PATH_IMAGE023
和
Figure 358945DEST_PATH_IMAGE024
分别表示膨胀和腐蚀运算。
梯度有用性滤除对模糊核估计不利的小结构图像：
Figure 473531DEST_PATH_IMAGE025
Figure 457668DEST_PATH_IMAGE026
Figure 974100DEST_PATH_IMAGE027
表示
Figure 815017DEST_PATH_IMAGE028
范数，
Figure 682479DEST_PATH_IMAGE029
是以
Figure 267044DEST_PATH_IMAGE030
中心的长宽均为
Figure 841245DEST_PATH_IMAGE022
的矩形邻域，
Figure 853063DEST_PATH_IMAGE031
；
Figure 676663DEST_PATH_IMAGE032
为邻域内的像素，
Figure 330498DEST_PATH_IMAGE033
；分母中的常数
Figure 555943DEST_PATH_IMAGE034
设为
Figure 738662DEST_PATH_IMAGE035
，阈值
Figure 518400DEST_PATH_IMAGE036
设为0.1。
滤除平坦区域和纹理小结构区域后，使用加权
Figure 444767DEST_PATH_IMAGE016
范数模糊核估计区域测度，确定该区域包含有图像内容：
Figure 790298DEST_PATH_IMAGE037
其中，
Figure 406568DEST_PATH_IMAGE038
为像素点
Figure 408022DEST_PATH_IMAGE032
设定的连通量的阈值，本发明实施例中
Figure 872502DEST_PATH_IMAGE038
设为3，
Figure 338118DEST_PATH_IMAGE039
为像素连通域的有效值，
Figure 128220DEST_PATH_IMAGE040
表示像素
Figure 148128DEST_PATH_IMAGE030
8邻域的连通量，如下表1所示。
表1：像素点（i，j）的8邻域
(i-1,j-1) (i-1,j) (i-1,j+1)
(i,j-1) (i,j) (i,j+1)
(i+1,j-1) (i+1,j) (i+1,j+1)
如图3所示，图3说明了该模糊图像的大结构区域共有5块，存在重叠区域、相隔过近和相邻边重合的复杂情况。使用区域测度定位的多个图像区域位置通常可以通过矩形坐标形式确定下来：
Figure 681878DEST_PATH_IMAGE041
Figure 939684DEST_PATH_IMAGE002
为矩形坐标，
Figure 635107DEST_PATH_IMAGE003
与
Figure 407891DEST_PATH_IMAGE004
分别是矩形的左上顶点和右下顶点的像素坐标；矩形的上边起始行为第
Figure 745332DEST_PATH_IMAGE042
行，左边起始列为第
Figure 857644DEST_PATH_IMAGE006
列，下边终止行为第
Figure 989548DEST_PATH_IMAGE007
行，右边终止列为第
Figure 249628DEST_PATH_IMAGE008
列。
Figure 125180DEST_PATH_IMAGE043
Figure 154316DEST_PATH_IMAGE002
为矩形坐标，坐标
Figure 394805DEST_PATH_IMAGE003
与
Figure 142181DEST_PATH_IMAGE044
分别是
Figure 821424DEST_PATH_IMAGE002
的左上顶点像素和右下顶点的像素；每个像素的坐标
Figure 705066DEST_PATH_IMAGE030
表明了所处的位置信息，
Figure 116456DEST_PATH_IMAGE002
中的坐标组代表上边起始行为第
Figure 88479DEST_PATH_IMAGE045
行，左边起始列为第
Figure 305834DEST_PATH_IMAGE046
列，下边终止行为第
Figure 309562DEST_PATH_IMAGE007
行，右边终止列为第
Figure 954170DEST_PATH_IMAGE008
列的图像区域。当区域测度定位的图像区域不止一个的时候，将这些区域统称为待估计模糊核图像块集合，其矩形坐标形式集合为：
Figure 613821DEST_PATH_IMAGE047
。
步骤S3中，依据上一步得到的5块大结构区域，可以知道其对应的矩形坐标，按图索冀得到的是如图4所示的带有信息的图像块。可按照升序排列得到行离散序号组与列离散序号组的两组排序组。待估计模糊核图像块集合的坐标组集合可表示为：
Figure 369287DEST_PATH_IMAGE048
Figure 227522DEST_PATH_IMAGE049
代表待估计模糊核图像块的坐标组集合，
Figure 308611DEST_PATH_IMAGE050
表示为起始行，
Figure 986717DEST_PATH_IMAGE051
表示为终止行，
Figure 749136DEST_PATH_IMAGE052
表示为起始列，
Figure 461877DEST_PATH_IMAGE053
表示为终止列，行相关放置为一组
Figure 713867DEST_PATH_IMAGE054
，列相关放置为一组
Figure 144848DEST_PATH_IMAGE055
：
Figure 242117DEST_PATH_IMAGE056
Figure 12627DEST_PATH_IMAGE054
中新元素0表示图像起始行第0行，
Figure 169939DEST_PATH_IMAGE057
表示图像终止行第
Figure 88217DEST_PATH_IMAGE057
行，
Figure 989177DEST_PATH_IMAGE055
中新元素0表示图像起始行第0列，399表示图像终止行第399列。
将
Figure 879772DEST_PATH_IMAGE054
、
Figure 207985DEST_PATH_IMAGE055
中的元素按照升序排列：
Figure 610629DEST_PATH_IMAGE058
。
进一步地，步骤S4中，相邻元素的预设阈值根据图像大小和模糊核矩阵大小确定。可以根据图像和模糊核尺寸，确定出两组排序组中相邻元素的最小阈值。
图像尺寸为616*400,模糊核矩阵块大小设定为21*21（通常设定范围为3~27且为奇数），
Figure 49701DEST_PATH_IMAGE059
为阈值率，取0.09，相邻元素的最小阈值具体方式为：
Figure 591541DEST_PATH_IMAGE060
待插值模糊核图像块的坐标组集合
Figure 293917DEST_PATH_IMAGE061
公式为：
Figure 186787DEST_PATH_IMAGE062
剩余行、列组成的待插值图像块如图5所示。
图6为重点带有信息图像块的估算出的5块模糊核，图中显示了5块模糊核的放大效果与3D显示。待估计模糊核图像块求解模糊核的过程为：
待估计模糊核图像块模糊核
Figure 429549DEST_PATH_IMAGE063
的估计，利用现有基础使用基于空间相关约束的非负性最小二乘准则估算：
Figure 91475DEST_PATH_IMAGE064
Figure 761491DEST_PATH_IMAGE065
表示模糊核矩阵中的元素，采用滞后迭代极小化算法求解
Figure 813760DEST_PATH_IMAGE063
,令目标函数导数为零解得：
Figure 125793DEST_PATH_IMAGE066
待插值模糊核图像块的模糊核
Figure 642225DEST_PATH_IMAGE067
利用
Figure 483142DEST_PATH_IMAGE063
采用线性插值方法求解：
Figure 22708DEST_PATH_IMAGE068
图7是基于估算出5块模糊核的基础上线性插值生成的31个模糊核，减少了计算量。图7中选取了其中10个模糊核的放大截图与3D显示。
进一步地，步骤S6使用了超拉普拉斯先验图像退化模型求解复原图像块
Figure 607273DEST_PATH_IMAGE069
，模型如下：
Figure 243791DEST_PATH_IMAGE070
Figure 255609DEST_PATH_IMAGE071
为控制正则化输出的权重，
Figure 344788DEST_PATH_IMAGE072
为已知模糊核，
Figure 670727DEST_PATH_IMAGE073
为模糊图；
Figure 161751DEST_PATH_IMAGE074
为基于超拉普拉斯的算子先验。
通过反卷积恢复获得的复原图像，可以表示为以下式子，给定前一次迭代得到的
Figure 610050DEST_PATH_IMAGE075
的固定值。最优解
Figure 923875DEST_PATH_IMAGE076
可以表示为：
Figure 53505DEST_PATH_IMAGE077
式中
Figure 399036DEST_PATH_IMAGE078
为卷积矩阵，采用2维FFTW对卷积矩阵
Figure 18236DEST_PATH_IMAGE079
进行处理，得到
Figure 816428DEST_PATH_IMAGE080
的最优解：
Figure 546486DEST_PATH_IMAGE081
其中
Figure 949786DEST_PATH_IMAGE082
为复数共轭，
Figure 474308DEST_PATH_IMAGE083
为对应元素乘法运算符，
Figure 25375DEST_PATH_IMAGE084
和
Figure 559125DEST_PATH_IMAGE085
快速傅里叶变换及其反变换。
图像块拼接融合具体方法为：
Figure 613668DEST_PATH_IMAGE086
Figure 512354DEST_PATH_IMAGE087
为两图像块拓展宽度，取值为5，
Figure 285138DEST_PATH_IMAGE088
与
Figure 622579DEST_PATH_IMAGE089
是两个不同图像块，元素的拓展不超过图像整体范围，即
Figure 531629DEST_PATH_IMAGE090
，为确保各图像块之间的边界处连续，使用定量权重融合：
Figure 866795DEST_PATH_IMAGE091
Figure 861296DEST_PATH_IMAGE092
为复原完整图像，
Figure 2427DEST_PATH_IMAGE093
、
Figure 765984DEST_PATH_IMAGE094
为图像块,
Figure 272052DEST_PATH_IMAGE095
表示待插值模糊核图像块坐标组集合中的具有
Figure 753849DEST_PATH_IMAGE096
宽度的边界区域，
Figure 164583DEST_PATH_IMAGE097
为加权系数，取值为0.6。图8为复原待估计图像块区域后，剩余部分经过拓展拼接融合成的完整图像。
上述实施例可在Windows10操作系统上，在Visual C++ 6.0平台上编程代码。本发明的上述例子中，对Windows10的硬件配置做一下说明：
（1）、运行内存为8G，处理器为Inter Core i5；
（2）、利用C/C++平台的MFC搭建算法框架。
本发明还提供了一种气动光学效应空变模糊图像不均匀分块的图像复原系统，包括：
图像输入模块，用于输入气动光学效应空变图像；
待估计模糊核图像块获取模块，用于滤除对模糊核估计不利的小结构图像，得到多个带有大结构的梯度域图像，组成待估计模糊核图像块集合；
待插值模糊核图像块获取模块，用于根据待估计模糊核图像块集合中的索引坐标进行行列区分，得到行离散序号组与列离散序号组的两组排序组；删除两组排序组中相邻元素小于预设阈值的行或者列，剩余的行和列所划分的图像块组成待插值模糊核图像块集合；
模糊核求解模块，用于求解待估计模糊核图像块集合中各个图像块的大结构模糊核；根据待插值模糊核图像块集合中各个图像块的中心与待估计模糊核图像块集合中各个图像块的中心的距离计算加权值，再根据该加权值和对应的大结构模糊核计算待插值模糊核图像块集合中各个图像块的模糊核；
复原模块，用于在得到所有图像块的模糊核后，利用超拉普拉斯先验图像退化模型复原图像块，并拼接成完整图像。
各个模块具体用于实现上述实施例方法中的各个步骤，在此不赘述。
本发明还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于被处理器执行时实现上述方法实施例的气动光学效应空变模糊图像不均匀分块的图像复原方法。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，包括以下步骤：
S1、输入气动光学效应空变图像；
S2、滤除对模糊核估计不利的小结构图像，得到多个带有大结构的梯度域图像，组成待估计模糊核图像块集合；
S3、根据待估计模糊核图像块集合中的索引坐标进行行列区分，得到行离散序号组与列离散序号组的两组排序组；
S4、删除两组排序组中相邻元素小于预设阈值的行或者列，剩余的行和列所划分的图像块组成待插值模糊核图像块集合；
S5、求解待估计模糊核图像块集合中各个图像块的大结构模糊核；根据待插值模糊核图像块集合中各个图像块的中心与待估计模糊核图像块集合中各个图像块的中心的距离计算加权值，再根据该加权值和对应的大结构模糊核计算待插值模糊核图像块集合中各个图像块的模糊核；
S6、得到所有图像块的模糊核后，利用超拉普拉斯先验图像退化模型复原图像块，并拼接成完整图像。
2.根据权利要求1所述的气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，步骤S2中具体利用梯度有用性方法滤除对模糊核估计不利的小结构图像。
3.根据权利要求1所述的气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，步骤S2中，待估计模糊核图像块集合中每个图像块的区域位置通过矩形坐标形式确定：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
为矩形坐标，
Figure DEST_PATH_IMAGE006
与
Figure DEST_PATH_IMAGE008
分别是矩形的左上顶点和右下顶点的像素坐标；矩形的上边起始行为第
Figure DEST_PATH_IMAGE010
行，左边起始列为第
Figure DEST_PATH_IMAGE012
列，下边终止行为第
Figure DEST_PATH_IMAGE014
行，右边终止列为第
Figure DEST_PATH_IMAGE016
列。
4.根据权利要求1所述的气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，步骤S3中，按照升序排列得到行离散序号组与列离散序号组的两组排序组。
5.根据权利要求1所述的气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，步骤S4中，相邻元素的预设阈值根据图像大小和模糊核矩阵大小确定。
6.根据权利要求1所述的气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，步骤S4中，取两组排序组中相邻元素组合，依据相邻两元素不小于预设阈值进行筛选。
7.根据权利要求1所述的气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，步骤S5具体为：
利用基于空间相关约束的非负性最小二乘准则估算方法对待估计模糊核图像块集合进行模糊核的估算；
根据待估计模糊核图像块的模糊核，利用线性插值方法，求得待插值模糊核图像块的模糊核；
其中，线性点插值建模成基于欧氏距离的点插值计算：
Figure DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE020
为待插值模糊核图像块求解的模糊核，
Figure DEST_PATH_IMAGE022
为待估计模糊核图像块求解的模糊核，
Figure DEST_PATH_IMAGE024
为任意一个待插值模糊核图像块的中心点与第
Figure DEST_PATH_IMAGE026
个待估计模糊核图像块的中心点的欧氏距离，
Figure 546932DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE028
均为自然数。
8.根据权利要求1所述的气动光学效应空变模糊图像不均匀分块的图像复原方法，其特征在于，步骤S6中，图像块拼接时，先对图像块进行拓展，再使用加权插值融合图像块的边界。
9.一种气动光学效应空变模糊图像不均匀分块的图像复原系统，其特征在于，包括：
图像输入模块，用于输入气动光学效应空变图像；
待估计模糊核图像块获取模块，用于滤除对模糊核估计不利的小结构图像，得到多个带有大结构的梯度域图像，组成待估计模糊核图像块集合；
待插值模糊核图像块获取模块，用于根据待估计模糊核图像块集合中的索引坐标进行行列区分，得到行离散序号组与列离散序号组的两组排序组；删除两组排序组中相邻元素小于预设阈值的行或者列，剩余的行和列所划分的图像块组成待插值模糊核图像块集合；
模糊核求解模块，用于求解待估计模糊核图像块集合中各个图像块的大结构模糊核；根据待插值模糊核图像块集合中各个图像块的中心与待估计模糊核图像块集合中各个图像块的中心的距离计算加权值，再根据该加权值和对应的大结构模糊核计算待插值模糊核图像块集合中各个图像块的模糊核；
复原模块，用于在得到所有图像块的模糊核后，利用超拉普拉斯先验图像退化模型复原图像块，并拼接成完整图像。
10.一种计算机存储介质，其特征在于，其可被处理器执行，其内存储有计算机程序，该计算机程序执行权利要求1-8中任一项所述的气动光学效应空变模糊图像不均匀分块的图像复原方法。
CN202111358837.XA 2021-11-17 2021-11-17 气动光学效应空变模糊图像不均匀分块的图像复原方法 Active CN113793284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111358837.XA CN113793284B (zh) 2021-11-17 2021-11-17 气动光学效应空变模糊图像不均匀分块的图像复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111358837.XA CN113793284B (zh) 2021-11-17 2021-11-17 气动光学效应空变模糊图像不均匀分块的图像复原方法

Publications (2)

Publication Number Publication Date
CN113793284A true CN113793284A (zh) 2021-12-14
CN113793284B CN113793284B (zh) 2022-03-15

Family

ID=78877364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111358837.XA Active CN113793284B (zh) 2021-11-17 2021-11-17 气动光学效应空变模糊图像不均匀分块的图像复原方法

Country Status (1)

Country Link
CN (1) CN113793284B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935925A (zh) * 2021-12-17 2022-01-14 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
CN113962908A (zh) * 2021-12-21 2022-01-21 武汉工程大学 气动光学效应大视场退化图像逐点校正复原方法及系统
CN114529481A (zh) * 2022-04-21 2022-05-24 武汉工程大学 气动光学热辐射效应校正方法、装置、设备及存储介质
CN116862800A (zh) * 2023-07-11 2023-10-10 哈尔滨工业大学 一种大视场单透镜空变模糊图像复原方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004088615A (ja) * 2002-08-28 2004-03-18 Fuji Photo Film Co Ltd 動画像合成方法および装置並びにプログラム
CN101587588A (zh) * 2009-06-10 2009-11-25 华中科技大学 一种气动光学退化图像序列自适应校正方法
US20130088489A1 (en) * 2010-06-29 2013-04-11 Koninklijke Philips Electronics N.V. Method and system for producing a virtual output image from data obtained by an array of image capturing devices
CN105450933A (zh) * 2016-01-04 2016-03-30 中国科学院光电技术研究所 一种气动光学效应中模糊图像的复原装置
CN105469370A (zh) * 2015-12-28 2016-04-06 华中科技大学 一种气动光学效应校正识别一体化实时处理的系统和方法
CN113538374A (zh) * 2021-07-15 2021-10-22 中国科学院上海技术物理研究所 一种面向高速运动物体的红外图像模糊校正方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004088615A (ja) * 2002-08-28 2004-03-18 Fuji Photo Film Co Ltd 動画像合成方法および装置並びにプログラム
CN101587588A (zh) * 2009-06-10 2009-11-25 华中科技大学 一种气动光学退化图像序列自适应校正方法
US20130088489A1 (en) * 2010-06-29 2013-04-11 Koninklijke Philips Electronics N.V. Method and system for producing a virtual output image from data obtained by an array of image capturing devices
CN105469370A (zh) * 2015-12-28 2016-04-06 华中科技大学 一种气动光学效应校正识别一体化实时处理的系统和方法
CN105450933A (zh) * 2016-01-04 2016-03-30 中国科学院光电技术研究所 一种气动光学效应中模糊图像的复原装置
CN113538374A (zh) * 2021-07-15 2021-10-22 中国科学院上海技术物理研究所 一种面向高速运动物体的红外图像模糊校正方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BO YANG ET AL: "Aero-optical effects simulation technique for starlight transmission in boundary layer under high-speed conditions", 《CHINESE JOURNAL OF AERONAUTICS》 *
洪汉玉: "红外探测湍流退化图像并行复原方法研究", 《红外技术》 *
洪汉玉等: "加权L1范数测度的模糊核区域估计及空可变复原", 《红外与激光工程》 *
洪汉玉等: "基于多分辨率盲目去卷积的气动光学效应退化图像复原算法", 《计算机学报》 *
洪汉玉等: "气动光学效应退化图像循环迭代复原算法研究", 《华中科技大学学报(自然科学版)》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935925A (zh) * 2021-12-17 2022-01-14 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
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
WO2023109008A1 (zh) * 2021-12-17 2023-06-22 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
CN113962908A (zh) * 2021-12-21 2022-01-21 武汉工程大学 气动光学效应大视场退化图像逐点校正复原方法及系统
CN113962908B (zh) * 2021-12-21 2022-05-10 武汉工程大学 气动光学效应大视场退化图像逐点校正复原方法及系统
WO2023115801A1 (zh) * 2021-12-21 2023-06-29 武汉工程大学 气动光学效应大视场退化图像逐点校正复原方法及系统
CN114529481A (zh) * 2022-04-21 2022-05-24 武汉工程大学 气动光学热辐射效应校正方法、装置、设备及存储介质
CN114529481B (zh) * 2022-04-21 2022-07-26 武汉工程大学 气动光学热辐射效应校正方法、装置、设备及存储介质
CN116862800A (zh) * 2023-07-11 2023-10-10 哈尔滨工业大学 一种大视场单透镜空变模糊图像复原方法和装置
CN116862800B (zh) * 2023-07-11 2024-01-30 哈尔滨工业大学 一种大视场单透镜空变模糊图像复原方法和装置

Also Published As

Publication number Publication date
CN113793284B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN113793284B (zh) 气动光学效应空变模糊图像不均匀分块的图像复原方法
Liu et al. Learning affinity via spatial propagation networks
CN108122234B (zh) 卷积神经网络训练及视频处理方法、装置和电子设备
CN112132093B (zh) 高分辨率遥感图像目标检测方法、装置和计算机设备
Mao et al. Non rigid geometric distortions correction-application to atmospheric turbulence stabilization
Wang et al. Fast image upsampling via the displacement field
US8917284B2 (en) Vector graphics with controlled thin-plate splines
CN108961180B (zh) 红外图像增强方法及系统
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
CN113962908B (zh) 气动光学效应大视场退化图像逐点校正复原方法及系统
CN113538374B (zh) 一种面向高速运动物体的红外图像模糊校正方法
Chen et al. Fast defocus map estimation
CN110874827B (zh) 湍流图像复原方法、装置、终端设备及计算机可读介质
CN105427259A (zh) 多方向加权tv和非局部自相似性正则化图像去模糊方法
CN110598717A (zh) 图像特征的提取方法、装置及电子设备
CN109064402B (zh) 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法
CN111681165A (zh) 图像处理方法、装置、计算机设备和计算机可读存储介质
CN112381727A (zh) 一种图像去噪方法、装置、计算机设备和存储介质
WO2023109008A1 (zh) 气动光学效应空变模糊图像复原方法及系统
Seo Image denoising and refinement based on an iteratively reweighted least squares filter
Lee et al. Learning local implicit fourier representation for image warping
CN111932472B (zh) 一种基于软聚类的图像保边滤波方法
CN115630660B (zh) 基于卷积神经网络的条码定位方法和装置
CN109977965B (zh) 一种在遥感机场图像中确定检测目标的方法及装置
Liu et al. Blind deblurring with patch-wise second-order gradient prior

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