CN113793285A - 气动光学效应目标孪生图像的超快复原方法及系统 - Google Patents

气动光学效应目标孪生图像的超快复原方法及系统 Download PDF

Info

Publication number
CN113793285A
CN113793285A CN202111364599.3A CN202111364599A CN113793285A CN 113793285 A CN113793285 A CN 113793285A CN 202111364599 A CN202111364599 A CN 202111364599A CN 113793285 A CN113793285 A CN 113793285A
Authority
CN
China
Prior art keywords
image
twin
fuzzy
images
target
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
CN202111364599.3A
Other languages
English (en)
Other versions
CN113793285B (zh
Inventor
洪汉玉
雷金磊
张耀宗
章秀华
吴锦梦
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 CN202111364599.3A priority Critical patent/CN113793285B/zh
Publication of CN113793285A publication Critical patent/CN113793285A/zh
Application granted granted Critical
Publication of CN113793285B publication Critical patent/CN113793285B/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

Landscapes

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

Abstract

本发明公开了一种气动光学效应目标孪生图像的超快复原方法，包括以下步骤：在高速流场中，通过相机快速生成两帧目标孪生图像；S2、对两帧目标孪生图像进行快速离散傅里叶变换，分别建立图像湍流模糊退化模型；S3、将两个图像湍流模糊退化模型合并计算，消去相同的噪声项与退化模型中的相同项，并加入非负性约束项和空间相关性约束项，求解得到每帧目标孪生图像的模糊核；S4、将两帧目标孪生图像的边界分别进行微分连续延拓，抑制边界振铃效应；S5、根据求解的模糊核，并通过超拉普拉斯先验的快速非盲反卷积方法进行两帧目标孪生图像的复原；S6、对复原后的图像分别进行归一化，得到清晰图像。本发明能够对具有目标孪生图像的气动光学效应退化图像进行超快复原。

Description

气动光学效应目标孪生图像的超快复原方法及系统
技术领域
本发明属于气动光学效应校正，图像处理领域，尤其涉及一种气动光学效应目标孪生图像的超快复原方法。
背景技术
高速飞行器在大气中高速飞行时，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严重退化的物理过程和现象，称为气动光学效应。由于环境的复杂性，其成像系统会受到气动光学效应干扰，导致获取到的图像产生湍流退化，会影响到对目标的识别与追踪。飞行器的高速运动留给完成探测处理时间间隔更短，对成像识别系统有限的处理能力提出严峻的挑战。
针对气动光学效应校正，现有的方法大致可以分为两类：1基于深度学习网络方法；2基于模型最优化的方法。但是由于其算法设计的复杂性，计算量大，耗时长，很难满足快速处理的要求，尤其对于高速飞行器来说，实时性至关重要。基于这一问题，提出了一种气动光学效应目标孪生图像的超快复原方法。
发明内容
本发明的目的在于提供一种可大大加快复原速度的图像复原速度大大提升的气动光学效应目标孪生图像的超快复原方法及系统。
为实现上述目的，本发明所采用的技术方案为：
提供一种气动光学效应目标孪生图像的超快复原方法，包括以下步骤：
S1、在高速流场中，通过相机快速生成两帧目标孪生图像；
S2、对两帧目标孪生图像进行快速离散傅里叶变换，分别建立图像湍流模糊退化模型；
S3、将两个图像湍流模糊退化模型并合并计算，消去相同的噪声项与退化模型中的相同项，并加入非负性约束项和空间相关性约束项，求解得到每帧目标孪生图像的模糊核；
S4、将两帧目标孪生图像的边界分别进行微分连续延拓，抑制边界振铃效应；
S5、根据求解的模糊核，并通过超拉普拉斯先验的快速非盲反卷积方法进行两帧目标孪生图像的复原；
S6、对复原后的图像分别进行归一化，得到清晰图像。
接上述技术方案，步骤S2中：
图像湍流模糊退化模型
Figure 223477DEST_PATH_IMAGE001
，其中
Figure 138343DEST_PATH_IMAGE002
为清晰图像，
Figure 269110DEST_PATH_IMAGE003
为噪声项，
Figure 611230DEST_PATH_IMAGE004
为模糊核，计算时噪声项忽略不计，（x、y）为每个像素点的坐标；
将两帧孪生目标图像分别建模并进行合并计算，计算过程中添加非负性惩罚项，保证模糊核的非负性，添加空间相关性约束项保证图像湍流模糊退化模型中相邻点之间的差异在先验知识的约束条件下为极小。
接上述技术方案，步骤S4中，延拓尺寸大于模糊核边长的两倍，小于原始图像短边尺寸的一半。
接上述技术方案，步骤S6具体采用降采样法分别在复原图像的行和列方向上每隔两个点取一次值求得能量损失比例，然后进行归一化处理。
本发明一种气动光学效应目标孪生图像的超快复原系统，包括：
图像采集模块，用于在高速流场中，通过相机快速生成两帧目标孪生图像；
退化模型建立模块，用于对两帧目标孪生图像进行快速离散傅里叶变换，并分别建立图像湍流模糊退化模型；
模糊核计算模块，用于将两个图像湍流模糊退化模型并合并计算，消去相同的噪声项与退化模型中的相同项，并加入非负性约束项和空间相关性约束项，求解得到每帧目标孪生图像的模糊核；
边界延拓模块，用于将两帧目标孪生图像的边界分别进行微分连续延拓，抑制边界振铃效应；
复原模块，用于根据求解的模糊核，并通过超拉普拉斯先验的快速非盲反卷积方法进行两帧目标孪生图像的复原；
归一化模块，用于对复原后的图像分别进行归一化，得到清晰图像。
接上述技术方案，退化模型建立模块中建立的图像湍流模糊退化模型为：
Figure 460237DEST_PATH_IMAGE005
，其中
Figure 162483DEST_PATH_IMAGE002
为清晰图像，
Figure 413336DEST_PATH_IMAGE006
为噪声项，
Figure 926356DEST_PATH_IMAGE007
为模糊核，计算时噪声项忽略不计；（x、y）为每个像素点的坐标；
退化模型建立模块具体用于将两帧孪生目标图像分别建模并进行合并计算，计算过程中添加非负性惩罚项，保证模糊核的非负性，添加空间相关性约束项保证图像湍流模糊退化模型中相邻点之间的差异在先验知识的约束条件下为极小。
接上述技术方案，边界延拓模块进行边界延拓时，延拓尺寸大于模糊核边长的两倍，小于原始图像短边尺寸的一半。
接上述技术方案，归一化模块具体采用降采样法分别在复原图像的行和列方向上每隔两个点取一次值求得能量损失比例，然后进行归一化处理。
本发明还提供了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目标孪生图像的超快复原方法。
本发明产生的有益效果是：本发明的气动光学效应目标孪生图像的超快复原方法通过两帧孪生目标图像去模糊相较于单幅图像可以更加充分的利用像素信息，并发挥图像退化信息的互补作用，将两个图像湍流模糊退化模型合并计算，消除了单幅图像对噪声的敏感，并利用非负性约束项和空间相关性约束项求解模糊核，保证了模糊核的准确性，加快了图像复原速度并提高了复原图像的清晰度。
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目标孪生图像的超快复原方法的流程图；
图2为本发明实施例整体算法流程示意图；
图3为本发明实施例两帧目标孪生湍流模糊退化图像采集过程；
图4为本发明实施例两帧目标孪生湍流模糊退化图像示例；
图5为本发明实施例两帧目标孪生湍流模糊退化图像经计算所得模糊核；
图6为本发明实施例求得两个模糊核的三维模型展示；
图7为本发明实施例延拓后的模糊图像；
图8为本发明实施例经超拉普拉斯快速反卷积的到的结果图；
图9为本发明实施例经归一化后得到的清晰图像。
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。
本发明实施例的气动光学效应目标孪生图像的超快复原方法，在windows10平台采用C++与MFC进行系统搭建。可以理解的是，还可将本发明的算法移植至其他编程语言或硬件设备中。
如图1、2所示，本发明实施例的气动光学效应目标孪生图像的超快复原方法，包括以下步骤：
S1、在高速流场中，通过相机快速生成两帧目标孪生图像；
S2、对两帧目标孪生图像进行快速离散傅里叶变换，分别建立图像湍流模糊退化模型；
S3、将两个图像湍流模糊退化模型合并计算，消去相同的噪声项与退化模型中的相同项，并加入非负性约束项和空间相关性约束项，求解得到每帧目标孪生图像的模糊核；
S4、将两帧目标孪生图像的边界分别进行微分连续延拓，抑制边界振铃效应；
S5、根据求解的模糊核，并通过超拉普拉斯先验的快速非盲反卷积方法进行两帧目标孪生图像的复原；
S6、对复原后的图像分别进行归一化，得到清晰图像。
在高速流场中，因气动光学气动效应的瞬态性与高频性特征，两帧图像之间的湍流环境有很大差异，两帧目标孪生图像目标相同，但湍流场环境参数不同。
如图3所示，本发明的一个较佳实施例中，两张图像分别记为
Figure 465922DEST_PATH_IMAGE008
,两帧拍摄间隔T1，下一轮拍摄间隔T2，
Figure 784908DEST_PATH_IMAGE009
，图像大小为
Figure 827950DEST_PATH_IMAGE010
，设定模糊核大小
Figure 574190DEST_PATH_IMAGE011
（设定范围为
Figure 319161DEST_PATH_IMAGE012
）。该实施例中，图像大小为256×256，设定点模糊核大小8×8，测试用例如图4。
步骤S2中：
图像湍流模糊退化模型为
Figure 441837DEST_PATH_IMAGE013
，其中
Figure 339386DEST_PATH_IMAGE014
为清晰图像，
Figure 256527DEST_PATH_IMAGE015
为噪声，
Figure 505105DEST_PATH_IMAGE016
为模糊核，n=1,2。 两帧目标孪生图像的噪声项
Figure 165894DEST_PATH_IMAGE017
可忽略不计。
将图像
Figure 917949DEST_PATH_IMAGE008
分别进行FFTW变换（快速离散傅里叶变换）得到
Figure 271570DEST_PATH_IMAGE018
Figure 991133DEST_PATH_IMAGE019
。不同于FFT方法，采用FFTW可对任意尺寸图像进行处理。减少了处理时间，并可对任意尺寸图片进行快速处理，不需要限定图像大小为图像2的n次方。
计算公式如下：
Figure 455613DEST_PATH_IMAGE020
建立方程
Figure 62174DEST_PATH_IMAGE021
，因两帧孪生目标图像相同只是湍流模糊核不同，
Figure 586697DEST_PATH_IMAGE022
可以进行消去，得到以下式子：
Figure 544288DEST_PATH_IMAGE023
湍流总体模糊核
Figure 546880DEST_PATH_IMAGE016
的支持域尺寸为
Figure 273527DEST_PATH_IMAGE024
为湍流总体模糊核的有效宽度，该实施例中V=8。
Figure 968951DEST_PATH_IMAGE025
对上式进行移项和整理得：
Figure 397527DEST_PATH_IMAGE026
将复变量
Figure 203809DEST_PATH_IMAGE027
表示为实部
Figure 50542DEST_PATH_IMAGE028
和虚部
Figure 651288DEST_PATH_IMAGE029
，有:
Figure 583472DEST_PATH_IMAGE030
将复变量
Figure 131128DEST_PATH_IMAGE027
代入，并将虚部实部展开得到
Figure 894684DEST_PATH_IMAGE031
从上述方程组中将线性相关方程去掉，剩余的用矩阵向量的形式表示为:
Figure 853282DEST_PATH_IMAGE032
此时x为两帧图像的模糊核的集合，A为
Figure 335079DEST_PATH_IMAGE033
矩阵。模糊核应该满足一些常见的先验知识约束。求解x则可求得两帧目标孪生图像模糊核的集合。本步骤将两帧图像建模并进行合并计算，充分利用两帧的相同图像信息，大大节省了计算量与计算时间。
进一步地，步骤S3的具体方法为：
为
Figure 420846DEST_PATH_IMAGE034
添加非负性约束项和空间相关性约束项，在最小二乘准则函数上增加三个惩罚项，求解得到关于两个模糊核h 1，h 2，见图5，模糊核的三维模型见图6。
加入约束项后，h 1，h 2求解模型：
Figure 38910DEST_PATH_IMAGE035
其中
Figure 184720DEST_PATH_IMAGE036
和
Figure 888234DEST_PATH_IMAGE037
为正则化系数；
Figure 512113DEST_PATH_IMAGE038
为非负性惩罚项，用来保证模糊核的非负性；
Figure 250262DEST_PATH_IMAGE039
为对角矩阵；
Figure 550662DEST_PATH_IMAGE040
为连通系数，保证模糊核的集合x内各点连续。惩罚项
Figure 741472DEST_PATH_IMAGE041
用来保证图像湍流模糊退化模型相邻点之间的差异在先验知识的约束条件下为极小，从而使退化模型具有空间相关性。
Figure 169043DEST_PATH_IMAGE042
表示模糊核矩阵中一个点的具体值。
采用迭代极小化算法求解x得:
Figure 761698DEST_PATH_IMAGE043
x为模糊核h 1和h 2的合并矩阵，x矩阵上半部分为h 1，x矩阵下半部分为h 2。
进一步地，步骤S4的具体方法为：
边界振铃效应的产生通常是由于图像边界处信息丢失造成的，如果可以解决图像边界信息丢失的问题，使得边界处满足微分条件，为了抑制边界振铃效应，须对两帧图像进行边界微分可连续的延拓，采用FFTW进行计算，不需将图像大小延拓至2的n次方，对任意尺寸的图像均可进行处理，进而提升了图像反卷积速度，延拓的尺寸应大于2V，小于N/2。延拓后的图像尺寸可根据图像尺寸进行延拓，相比常规延拓方法减少了计算量。该实施例中将两张目标孪生图像进行边界延拓，抑制边界振铃效应扩展尺寸为50，见图7。为了抑制边界振铃效应，须对两帧图像进行边界平滑延拓，延拓的尺寸为50，延拓的值为图像的边界平滑过渡区域值。
由求得的模糊核，通过超拉普拉斯先验的快速非盲反卷积方法进行复原得到结果图像，见图8。
步骤S5具体使用了超拉普拉斯先验图像退化模型求解复原图像复原
Figure 249311DEST_PATH_IMAGE044
，模型如下：
Figure 927417DEST_PATH_IMAGE045
Figure 893099DEST_PATH_IMAGE046
为控制正则化输出的权重，
Figure 340261DEST_PATH_IMAGE047
为已知模糊核，
Figure 248043DEST_PATH_IMAGE048
为模糊核偏差估计，
Figure 616707DEST_PATH_IMAGE049
为模糊图；
Figure 448397DEST_PATH_IMAGE050
为基于超拉普拉斯的算子先验。该实施例中，
Figure 687749DEST_PATH_IMAGE037
可设为100，
Figure 579481DEST_PATH_IMAGE051
设为0.66。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 169863DEST_PATH_IMAGE052
的固定值，最优解 I 可以表示为：
Figure 539664DEST_PATH_IMAGE053
式中
Figure 148369DEST_PATH_IMAGE054
为卷积矩阵，采用2维FFTW对卷积矩阵
Figure 211003DEST_PATH_IMAGE055
进行处理，得到x的最优解：
Figure 23101DEST_PATH_IMAGE056
其中*为复数共轭，
Figure DEST_PATH_IMAGE057
为对应元素乘法运算符，
Figure 665435DEST_PATH_IMAGE058
为快速傅里叶反变换，FFTW为快速傅里叶变换。在每次迭代中求解式需要3次FFTW。采用FFTW进行计算大大减小了运行时间，使得卷积速度进一步提升，在与两帧算法求模糊核合并之后，使得图像的去模糊过程速度大大提升。
进一步地，本发明较佳实施例中，因采用超拉普拉斯快速非盲反卷积会导致在复原时引起成比例的能量损失，可采用降采样归一化方法使得去模糊结果恢复至与原图能量保持一致。
步骤S6的具体方法为：设去模糊后图像为
Figure 941695DEST_PATH_IMAGE059
,设能量丢失比例为P，设最终结果图为
Figure 112914DEST_PATH_IMAGE061
。采用降采样法，分别在步骤S5复原图像的行和列方向上每隔两个点取一次值，求得能量损失比例P，然后进行归一化处理。
其中能量损失比例：
Figure 474625DEST_PATH_IMAGE062
将此比例P与去模糊后的图像
Figure 373180DEST_PATH_IMAGE059
相乘得到最终复原结果图
Figure 769526DEST_PATH_IMAGE063
,原图灰度有效范围0-L（该实施例中为0-255），最终复原结果图
Figure 111646DEST_PATH_IMAGE063
：
Figure 960653DEST_PATH_IMAGE064
最终输出得到的清晰图像，见图9。
本实施例通过测试得出此算法在恢复两帧图像的总耗时为0.5264s。
本发明实施例气动光学效应目标孪生图像的超快复原系统主要用于实现上述方法实施例，具体包括：
图像采集模块，用于在高速流场中，通过相机快速生成两帧目标孪生图像；
退化模型建立模块，用于对两帧目标孪生图像进行快速离散傅里叶变换，并分别建立图像湍流模糊退化模型；
模糊核计算模块，用于将两个图像湍流模糊退化模型合并计算，消去相同的噪声项与退化模型中的相同项，并加入非负性约束项和空间相关性约束项，求解得到每帧目标孪生图像的模糊核；
边界延拓模块，用于将两帧目标孪生图像的边界分别进行微分连续延拓，抑制边界振铃效应；
复原模块，用于根据求解的模糊核，并通过超拉普拉斯先验的快速非盲反卷积方法进行两帧目标孪生图像的复原；
归一化模块，用于对复原后的图像分别进行归一化，得到清晰图像。
各个模块具体用于实现上述各个实施例中的具体方法，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目标孪生图像的超快复原方法。
综上，本发明的气动光学效应目标孪生图像的超快复原方法通过两帧孪生目标图像去模糊相较于单幅图像可以更加充分的利用像素信息，并发挥图像退化信息的互补作用，将两个图像湍流模糊退化模型合并计算，消除了单幅图像对噪声的敏感，并利用非负性约束项和空间相关性约束项求解模糊核，保证了模糊核的准确性，加快了图像复原速度并提高了复原图像的清晰度。
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 (9)

1.一种气动光学效应目标孪生图像的超快复原方法，其特征在于，包括以下步骤：
S1、在高速流场中，通过相机快速生成两帧目标孪生图像；
S2、对两帧目标孪生图像进行快速离散傅里叶变换，分别建立图像湍流模糊退化模型；
S3、将两个图像湍流模糊退化模型合并计算，消去相同的噪声项与退化模型中的相同项，并加入非负性约束项和空间相关性约束项，求解得到每帧目标孪生图像的模糊核；
S4、将两帧目标孪生图像的边界分别进行微分连续延拓，抑制边界振铃效应；
S5、根据求解的模糊核，并通过超拉普拉斯先验的快速非盲反卷积方法进行两帧目标孪生图像的复原；
S6、对复原后的图像分别进行归一化，得到清晰图像。
2.根据权利要求1所述的气动光学效应目标孪生图像的超快复原方法，其特征在于，步骤S2中：
图像湍流模糊退化模型
Figure 83944DEST_PATH_IMAGE001
，其中
Figure 554240DEST_PATH_IMAGE002
为清晰图像，
Figure 469586DEST_PATH_IMAGE003
为噪声项，
Figure 76148DEST_PATH_IMAGE004
为模糊核，计算时噪声项忽略不计，（x、y）为每个像素点的坐标；
将两帧孪生目标图像分别建模并进行合并计算，计算过程中添加非负性惩罚项，保证模糊核的非负性，添加空间相关性约束项保证图像湍流模糊退化模型中相邻点之间的差异在先验知识的约束条件下为极小。
3.根据权利要求1所述的气动光学效应目标孪生图像的超快复原方法，其特征在于，步骤S4中，延拓尺寸大于模糊核边长的两倍，小于原始图像短边尺寸的一半。
4.根据权利要求1所述的气动光学效应目标孪生图像的超快复原方法，其特征在于，步骤S6具体采用降采样法分别在复原图像的行和列方向上每隔两个点取一次值求得能量损失比例，然后进行归一化处理。
5.一种气动光学效应目标孪生图像的超快复原系统，其特征在于，包括：
图像采集模块，用于在高速流场中，通过相机快速生成两帧目标孪生图像；
退化模型建立模块，用于对两帧目标孪生图像进行快速离散傅里叶变换，并分别建立图像湍流模糊退化模型；
模糊核计算模块，用于将两个图像湍流模糊退化模型合并计算，消去相同的噪声项与退化模型中的相同项，并加入非负性约束项和空间相关性约束项，求解得到每帧目标孪生图像的模糊核；
边界延拓模块，用于将两帧目标孪生图像的边界分别进行微分连续延拓，抑制边界振铃效应；
复原模块，用于根据求解的模糊核，并通过超拉普拉斯先验的快速非盲反卷积方法进行两帧目标孪生图像的复原；
归一化模块，用于对复原后的图像分别进行归一化，得到清晰图像。
6.根据权利要求5所述的气动光学效应目标孪生图像的超快复原系统，其特征在于，退化模型建立模块中建立的图像湍流模糊退化模型为：
Figure 7195DEST_PATH_IMAGE005
，其中
Figure 964786DEST_PATH_IMAGE002
为清晰图像，
Figure 138016DEST_PATH_IMAGE003
为噪声项，
Figure 864664DEST_PATH_IMAGE006
为模糊核，计算时噪声项忽略不计；（x、y）为每个像素点的坐标；
退化模型建立模块具体用于将两帧孪生目标图像分别建模并进行合并计算，计算过程中添加非负性惩罚项，保证模糊核的非负性，添加空间相关性约束项保证图像湍流模糊退化模型中相邻点之间的差异在先验知识的约束条件下为极小。
7.根据权利要求5所述的气动光学效应目标孪生图像的超快复原系统，其特征在于，边界延拓模块进行边界延拓时，延拓尺寸大于模糊核边长的两倍，小于原始图像短边尺寸的一半。
8.根据权利要求5所述的气动光学效应目标孪生图像的超快复原系统，其特征在于，归一化模块具体采用降采样法分别在复原图像的行和列方向上每隔两个点取一次值求得能量损失比例，然后进行归一化处理。
9.一种计算机存储介质，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1-4中任一项所述的气动光学效应目标孪生图像的超快复原方法。
CN202111364599.3A 2021-11-17 2021-11-17 气动光学效应目标孪生图像的超快复原方法及系统 Active CN113793285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111364599.3A CN113793285B (zh) 2021-11-17 2021-11-17 气动光学效应目标孪生图像的超快复原方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111364599.3A CN113793285B (zh) 2021-11-17 2021-11-17 气动光学效应目标孪生图像的超快复原方法及系统

Publications (2)

Publication Number Publication Date
CN113793285A true CN113793285A (zh) 2021-12-14
CN113793285B CN113793285B (zh) 2022-05-10

Family

ID=78877343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111364599.3A Active CN113793285B (zh) 2021-11-17 2021-11-17 气动光学效应目标孪生图像的超快复原方法及系统

Country Status (1)

Country Link
CN (1) CN113793285B (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
CN115357993A (zh) * 2022-10-20 2022-11-18 中国铁路设计集团有限公司 一种铁路桥梁单箱单室截面有效宽度数字孪生计算方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699509A (zh) * 2009-11-11 2010-04-28 耿则勋 一种利用气象数据进行大气模糊遥感影像恢复的方法
CN105447828A (zh) * 2015-11-23 2016-03-30 武汉工程大学 沿运动模糊路径进行一维反卷积的单视点图像去模糊方法
US20160320485A1 (en) * 2015-04-29 2016-11-03 National Taiwan Normal University Image processing method
US20190294108A1 (en) * 2018-03-21 2019-09-26 The Regents Of The University Of California Method and system for phase recovery and holographic image reconstruction using a neural network
CN110796616A (zh) * 2019-10-23 2020-02-14 武汉工程大学 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法
CN110874827A (zh) * 2020-01-19 2020-03-10 长沙超创电子科技有限公司 湍流图像复原方法、装置、终端设备及计算机可读介质
CN112967210A (zh) * 2021-04-29 2021-06-15 福州大学 一种基于全卷积孪生网络的无人机图像去噪方法
CN113269680A (zh) * 2021-02-09 2021-08-17 北京工业大学 一种基于排序学习和孪生神经网络的图像修复质量评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699509A (zh) * 2009-11-11 2010-04-28 耿则勋 一种利用气象数据进行大气模糊遥感影像恢复的方法
US20160320485A1 (en) * 2015-04-29 2016-11-03 National Taiwan Normal University Image processing method
CN105447828A (zh) * 2015-11-23 2016-03-30 武汉工程大学 沿运动模糊路径进行一维反卷积的单视点图像去模糊方法
US20190294108A1 (en) * 2018-03-21 2019-09-26 The Regents Of The University Of California Method and system for phase recovery and holographic image reconstruction using a neural network
CN110796616A (zh) * 2019-10-23 2020-02-14 武汉工程大学 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法
CN110874827A (zh) * 2020-01-19 2020-03-10 长沙超创电子科技有限公司 湍流图像复原方法、装置、终端设备及计算机可读介质
CN113269680A (zh) * 2021-02-09 2021-08-17 北京工业大学 一种基于排序学习和孪生神经网络的图像修复质量评价方法
CN112967210A (zh) * 2021-04-29 2021-06-15 福州大学 一种基于全卷积孪生网络的无人机图像去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PADDY WOODWORTH: "Uneven Image Dehazing by Heterogeneous Twin Network", 《IEEE ACESS》 *
董雷霆等: "飞机结构数字孪生关键建模仿真技术", 《航空学报》 *

Cited By (8)

* 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
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
CN115357993A (zh) * 2022-10-20 2022-11-18 中国铁路设计集团有限公司 一种铁路桥梁单箱单室截面有效宽度数字孪生计算方法
CN115357993B (zh) * 2022-10-20 2023-01-31 中国铁路设计集团有限公司 一种铁路桥梁单箱单室截面有效宽度数字孪生计算方法

Also Published As

Publication number Publication date
CN113793285B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN113793285B (zh) 气动光学效应目标孪生图像的超快复原方法及系统
US9262815B2 (en) Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term
US8380000B2 (en) Methods of deblurring image and recording mediums having the same recorded thereon
Zhu et al. Removing atmospheric turbulence via space-invariant deconvolution
US10325358B2 (en) Method and system for image de-blurring
CN106920220B (zh) 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法
Chan et al. An augmented Lagrangian method for total variation video restoration
CN106952288B (zh) 基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法
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
Ren et al. Partial deconvolution with inaccurate blur kernel
CN106204472B (zh) 基于稀疏特性的视频图像去模糊方法
CN111047544B (zh) 一种基于非线性退化模型的饱和图像去模糊方法
CN110675347A (zh) 一种基于组稀疏表示的图像盲复原方法
CN110796616B (zh) 基于范数约束和自适应加权梯度的湍流退化图像恢复方法
CN106709877A (zh) 一种基于多参数正则优化模型的图像去模糊方法
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
Dong et al. Multi-frame blind deconvolution using sparse priors
Hu et al. Image deblurring based on enhanced salient edge selection
Zhang et al. Fast restoration of star image under dynamic conditions via lp regularized intensity prior
CN113379647A (zh) 一种优化psf估计的多特征图像复原方法
Dong et al. Blind image deconvolution using the Fields of Experts prior
Zhang et al. Monocular vision SLAM research for parking environment with low light
Su et al. Restoration of turbulence-degraded images using the modified convolutional neural network
Zhao et al. An improved image deconvolution approach using local constraint
CN116245752A (zh) 红外图像的处理方法、装置、存储介质及电子设备

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