CN113822823A - 气动光学效应图像空变模糊核的点近邻复原方法及系统 - Google Patents

气动光学效应图像空变模糊核的点近邻复原方法及系统 Download PDF

Info

Publication number
CN113822823A
CN113822823A CN202111364544.2A CN202111364544A CN113822823A CN 113822823 A CN113822823 A CN 113822823A CN 202111364544 A CN202111364544 A CN 202111364544A CN 113822823 A CN113822823 A CN 113822823A
Authority
CN
China
Prior art keywords
fuzzy
image
kernel
point
pixel point
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
CN202111364544.2A
Other languages
English (en)
Other versions
CN113822823B (zh
Inventor
洪汉玉
刘新宇
张耀宗
张天序
曹新莉
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 CN202111364544.2A priority Critical patent/CN113822823B/zh
Publication of CN113822823A publication Critical patent/CN113822823A/zh
Application granted granted Critical
Publication of CN113822823B publication Critical patent/CN113822823B/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
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

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

Abstract

本发明公开了一种基于气动光学效应图像空变模糊核的点近邻复原方法，包括以下步骤：对输入的气动光学效应的模糊图像进行计算，滤除对估计模糊核不利的部分区域，筛选得到图像中多个大梯度结构区域；对筛选出的多个大梯度结构区域对应的模糊图像区域，估计出各区域的模糊核，同样计算出整幅模糊图像的总模糊核；将模糊图像中每个像素点到各区域中心点的距离进行比较，将距离最近的区域的模糊核作为该像素点的模糊核；利用空变模糊核的空间相关性，得到每个像素点的近似精确模糊核；根据每个像素点的近似精确模糊核，逐点反卷积计算得到复原图像。本发明可以提高气动光学效应模糊图像的复原质量。

Description

气动光学效应图像空变模糊核的点近邻复原方法及系统
技术领域
本发明涉及航天图像处理领域，尤其涉及一种基于气动光学效应图像空变模糊核的点近邻复原方法及系统。
背景技术
气动光学效应图像的校正是一个复杂问题，在光线进入成像传感器窗口之前，大气湍流随机地干扰来自目标的辐射的传播，使成像焦平面产生像素点强度分布扩散、峰值降低、图像模糊和位置偏移等气动光学效应，给目标识别带来了很大的困难。其退化模型的模糊核是未知的并且随机变化的，这进一步地增加了气动光学效应校正的难度。大气湍流随机地干扰来自目标辐射能量的传播，使成像焦平面中的目标图像点强度扩散，图像模糊，目标成像质量退化。由此可知，研究湍流退化图像的校正及其复原方法，恢复清晰图像，具有重要作用。
随着数字图像处理的发展，目前对于气动光学效应图像恢复的方法大致分为两类：1、空不变图像复原（对整幅模糊图像采用一个模糊核进行复原），此类方法适合对模糊模式单一的图像进行复原，应用在气动光学效应图像恢复上，恢复质量不高；2、空变图像复原（对整幅模糊图像采用多个不同模糊核进行复原）。此方法能够恢复模糊核未知且随机变换的气动光学效应退化图像。但是空变的方法目前还没有一个非常有效的解决途径，与其相关的工作较少，需要进一步研究。
发明内容
本发明的目的在于针对气动光学效应图像进行去模糊，提供一种可有效提高气动光学效应模糊图像的复原质量的基于气动光学效应图像空变模糊核的点近邻复原方法及系统。
为实现上述目的，本发明提供一种基于气动光学效应图像空变模糊核的点近邻复原方法，包含以下步骤：
S1、输入气动光学效应的模糊图像；
S2、对模糊图像进行计算，滤除对估计模糊核不利的部分区域，筛选得到图像中多个大梯度结构区域；
S3、对筛选出的多个大梯度结构区域对应的模糊图像区域，基于交替最小化方法进行迭代，估计出各区域的模糊核，同样计算出整幅模糊图像的总模糊核；
S4、将模糊图像中每个像素点到各区域中心点的距离进行比较，将距离最近的区域的模糊核作为该像素点的模糊核；
S5、利用空变模糊核的空间相关性，将每个像素点的模糊核和整幅模糊图像的总模糊核通过加权计算方法得到每个像素点的近似精确模糊核；
S6、根据每个像素点的近似精确模糊核，利用多个单变量最小化优化方法进行逐点反卷积计算，得到复原图像。
接上述技术方案，步骤S2中，将彩色的模糊图像转换为灰度图；再通过形态学梯度算子提取灰度图中的多个大梯度结构区域。
接上述技术方案，步骤S2中对大梯度结构区域进行筛选具体方法为：
以灰度图中每个像素点为中心，以3×3的一个邻域内的灰度均值和标准差之和作为每个像素点的阈值，滤除灰度图中对估计模糊核不利的部分区域；
在滤除后的区域中选取长宽方向都大于一定值的区域，作为对应输入的模糊图像中估计模糊核的N块区域。
接上述技术方案，步骤S3中求模糊核的方法具体为：
设定模糊核的大小21×21，采用交替最小化方法，通过中间清晰图像和模糊核的交替迭代来估计模糊核，根据图像模糊的原数学模型及其模型的推导，利用快速傅里叶变换、傅里叶逆变换和傅里叶复共轭算子迭代多次，计算出模糊核。
接上述技术方案，步骤S4中得到每个像素点对应的模糊核的方法为：
计算每个像素点与各区域中心点的欧式距离，并选取距离最小区域的模糊核作为该像素点的模糊核；若存在距离相同，则采用多个模糊核加权平均的方法计算出一个模糊核，再将模糊核归一化。
接上述技术方案，步骤S5中每个像素点的近似精确模糊核具体计算过程为：
根据空变模糊核的空间相关性，将整幅模糊图像的模糊核
Figure DEST_PATH_IMAGE002
和每个像素点对应的模糊核K ij 进行加权计算，其公式为：
Figure DEST_PATH_IMAGE004
式中：
Figure DEST_PATH_IMAGE006
为权重系数，
Figure DEST_PATH_IMAGE007
的范围在0.4到0.6之间，
Figure DEST_PATH_IMAGE009
为加权计算后的近似精确模糊核。
本发明还提供一种基于气动光学效应图像空变模糊核的点近邻复原系统，包括：
图像输入模块，用于输入气动光学效应的模糊图像；
大区域筛选模块，用于对模糊图像进行计算，滤除对估计模糊核不利的部分区域，筛选得到图像中多个大梯度结构区域；
大区域模糊核计算模块，用于对筛选出的多个大梯度结构区域对应的模糊图像区域，基于交替最小化方法进行迭代，估计出各区域的模糊核；
总模糊图像模糊核计算模块，用于计算出整幅模糊图像的总模糊核；
各像素模糊核计算模块，用于将模糊图像中每个像素点到各区域中心点的距离进行比较，将距离最近的区域的模糊核作为该像素点的模糊核；
近似精确模糊核计算模块，用于利用空变模糊核的空间相关性，将每个像素点的模糊核和整幅模糊图像的总模糊核通过加权计算方法得到每个像素点的近似精确模糊核；
复原模块，用于根据每个像素点的近似精确模糊核，利用多个单变量最小化优化方法进行逐点反卷积计算，得到复原图像。
接上述技术方案，大区域筛选模块具体用于将彩色的模糊图像转换为灰度图；再通过形态学梯度算子提取灰度图中的多个大梯度结构区域。
接上述技术方案，各像素模糊核计算模块具体用于：计算每个像素点与各区域中心点的欧式距离，并选取距离最小区域的模糊核作为该像素点的模糊核；若存在距离相同，则采用多个模糊核加权平均的方法计算出一个模糊核，再将模糊核归一化。
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基于气动光学效应图像空变模糊核的点近邻复原方法。
本发明产生的有益效果是：本发明通过点近邻法，得到每个像素点的精确模糊核，可以提高气动光学效应模糊图像的复原质量，是一种有效的空变复原方法。
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为本发明实施例基于气动光学效应图像空变模糊核的点近邻复原方法的流程图；
图2为本发明较佳实施例的基于气动光学效应图像空变模糊核的点近邻复原方法的流程图；
图3 为本发明实施例输入气动光学效应模糊图片；
图4 为本发明实施例通过形态学算子计算出大梯度结构区域示意图；
图5 为本发明实施例对梯度区域筛选图并估计其对应输入图像的模糊核示意图；
图6为本发明实施例的四个模糊核及其三维图像；
图7为本发明实施例部分像素点经过点近邻和加权计算后的模糊核示意图；
图8为本发明实施例通过逐点反卷积得到的恢复图像。
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。
本发明实施例的基于气动光学效应图像空变模糊核的点近邻复原方法在matlab软件2018a版本中进行算法实现。
如图1所示，本发明实施例的基于气动光学效应图像空变模糊核的点近邻复原方法包括以下步骤：
S1、输入气动光学效应的模糊图像；
S2、对模糊图像进行计算，滤除对估计模糊核不利的部分区域，筛选得到图像中多个大梯度结构区域；
S3、对筛选出的多个大梯度结构区域对应的模糊图像区域，基于交替最小化方法进行迭代，估计出各区域的模糊核，同样计算出整幅模糊图像的总模糊核；
S4、将模糊图像中每个像素点到各区域中心点的距离进行比较，将距离最近的区域的模糊核作为该像素点的模糊核；
S5、利用空变模糊核的空间相关性，将每个像素点的模糊核和整幅模糊图像的总模糊核通过加权计算方法得到每个像素点的近似精确模糊核；
S6、根据每个像素点的近似精确模糊核，利用多个单变量最小化优化方法进行逐点反卷积计算，得到复原图像。
本发明的一个较佳具体实施例中，基于气动光学效应图像空变模糊核的点近邻复原方法如图2所示。
步骤S1中输入模糊图像
Figure DEST_PATH_IMAGE011
（如图3所示），其大小为256×256；
步骤S2中，如果输入的是彩色图像模糊图像需要转为灰度图
Figure DEST_PATH_IMAGE013
（如果输入图像就是灰度图则
Figure DEST_PATH_IMAGE015
），通过公式提取形态学梯度算子：
Figure DEST_PATH_IMAGE017
公式中：
Figure DEST_PATH_IMAGE019
是正方形结构元素，
Figure DEST_PATH_IMAGE021
是结构元素半径，一般取2，
Figure DEST_PATH_IMAGE023
和
Figure DEST_PATH_IMAGE025
表示膨胀运算和腐蚀运算，
Figure DEST_PATH_IMAGE027
和
Figure DEST_PATH_IMAGE029
表示像素点位置索引，得到模糊图像的大梯度结构区域
Figure DEST_PATH_IMAGE031
，如图4所示。
以灰度图
Figure DEST_PATH_IMAGE013A
中每个像素点
Figure DEST_PATH_IMAGE033
为中心，以3×3的一个邻域内的灰度均值
Figure DEST_PATH_IMAGE035
和标准差
Figure DEST_PATH_IMAGE037
之和作为每个点的阈值
Figure DEST_PATH_IMAGE039
：
Figure DEST_PATH_IMAGE041
Figure DEST_PATH_IMAGE043
Figure DEST_PATH_IMAGE045
Figure DEST_PATH_IMAGE047
Figure DEST_PATH_IMAGE049
此方法可滤除对估计模糊核不利的部分区域，得到
Figure DEST_PATH_IMAGE051
。
接着在上述滤除后的区域中选取长宽方向都大于10的区域，作为模糊图像灰度图
Figure DEST_PATH_IMAGE052
中估计模糊核的4块区域，如图5所示。如果未能选出区域，可适当改变区域选取的大小，或者此图已经是清晰图像，则无需恢复。
步骤S3中，可设定模糊核的大小21×21，采用交替最小化方法，通过中间清晰图像
Figure DEST_PATH_IMAGE054
和模糊核
Figure DEST_PATH_IMAGE056
的交替迭代来估计模糊核
Figure DEST_PATH_IMAGE056A
，将步骤S2中得到的4块区域设为
Figure DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE060
。根据图像模糊的原数学模型及其模型的推导，引入一个辅助变量
Figure DEST_PATH_IMAGE062
，使用下式求解：
Figure DEST_PATH_IMAGE063
Figure DEST_PATH_IMAGE065
Figure DEST_PATH_IMAGE067
经过求导后通过FFT变换在频域中求解得：
Figure DEST_PATH_IMAGE069
式中：
Figure DEST_PATH_IMAGE071
分别为正则项权重系数，
Figure DEST_PATH_IMAGE073
为图像梯度算子。一般设定
Figure DEST_PATH_IMAGE075
，
Figure DEST_PATH_IMAGE077
，
Figure DEST_PATH_IMAGE079
，
Figure DEST_PATH_IMAGE081
。
Figure DEST_PATH_IMAGE083
为
Figure DEST_PATH_IMAGE085
范数，
Figure DEST_PATH_IMAGE087
为
Figure DEST_PATH_IMAGE089
范数，
Figure DEST_PATH_IMAGE091
表示二维卷积。其中
Figure DEST_PATH_IMAGE093
、
Figure DEST_PATH_IMAGE095
和
Figure DEST_PATH_IMAGE097
分别为快速傅里叶变换、傅里叶逆变换和傅里叶复共轭算子。开始迭代时需要将变量
Figure DEST_PATH_IMAGE098
初始化为0，每通过一次迭代，
Figure DEST_PATH_IMAGE099
、
Figure DEST_PATH_IMAGE100
、
Figure DEST_PATH_IMAGE101
分别得到一个解。可设定迭代5次，可根据实际需求更改迭代次数。得到结果如图6所示的四个模糊核。
同时，用此方法还可将输入的模糊图像
Figure DEST_PATH_IMAGE102
模糊核
Figure DEST_PATH_IMAGE103
求出。
进一步地，步骤S4中，气动光学效应图像中，其各点的模糊是未知且随机变化的，在一张气动光学效应图像中每个点都会产生一个模糊核。如果整幅图像中每个像素点的模糊核都算出来，那么其计算量巨大，耗时长，所以本发明提出一种点近邻的方法，就近取模糊核，这样可以减少运算量和耗时，同时能满足每个点都有一个对应的模糊核。基于步骤S3得到的N个（4个）模糊核，为了快速得到每个点的模糊核，将图像中每个点与各模糊核的中心点（即各个区域的中心点）计算欧式距离并选取距离最小的模糊核作为该点的模糊核，得到每个点对应的最近模糊核K ij 。如果在比较距离时，存在某些点到两个（或两个以上）模糊核中心点距离相同时，将多个模糊核进行加权平均的方法使其计算成一个模糊核，再将该模糊核归一化。
具体地，基于步骤S3得到的4个模糊核，将图像中每个像素点与各模糊核的中心点（即各个区域的中心点）计算欧式距离并选取距离最小的模糊核作为该像素点的模糊核，得到每个点对应的最近模糊核K ij 。
步骤S5中，将输入整幅模糊图像的模糊核
Figure DEST_PATH_IMAGE104
和步骤S4中每个点对应的模糊K ij 核进行加权计算。
Figure DEST_PATH_IMAGE105
式中：权重系数
Figure DEST_PATH_IMAGE107
，
Figure DEST_PATH_IMAGE108
为加权计算后各点的精确模糊核，经过加权后的近似精确模糊核如图7所示。
可见，虽然总模糊核恢复效果一般，但是其与图像中每个像素都适用，为了使得每个像素点对应的模糊核接近精确，利用其与总模糊核的相关性，并经过大量实验，本发明实施例采用一种加权计算的方法，将整幅图像的模糊核与每个像素点的模糊核进行近似加权平均计算，使得模糊核接近精确，从而修正了因为提高速度采用点近邻法获得模糊核而牺牲的模糊核精度。
进一步地，步骤S6中，可将图像
Figure DEST_PATH_IMAGE109
每个像素点与对应每个点对应的近似精确模糊核
Figure DEST_PATH_IMAGE110
采用逐点反卷积运算。矩阵
Figure DEST_PATH_IMAGE112
称为模糊核矩阵，矩阵
Figure DEST_PATH_IMAGE113
的每一行对应每个像素点的模糊核
Figure DEST_PATH_IMAGE114
。在空不变模型中，矩阵
Figure DEST_PATH_IMAGE115
的每一行对应相同的模糊核，仅是空间位置上发了移动变化。在空变模型中，矩阵
Figure DEST_PATH_IMAGE115A
的每一行对应不同像素点的模糊核。建立空变的模糊模型：
Figure DEST_PATH_IMAGE116
公式中，
Figure DEST_PATH_IMAGE118
是模糊核矩阵
Figure DEST_PATH_IMAGE119
的误差，加入正则化项
Figure DEST_PATH_IMAGE121
和约束项
Figure DEST_PATH_IMAGE123
，来去除去噪声、伪影及其振铃现象。
Figure DEST_PATH_IMAGE125
为
Figure DEST_PATH_IMAGE127
范数。
Figure DEST_PATH_IMAGE129
为小波变换矩阵，
Figure DEST_PATH_IMAGE131
为权重系数。
Figure DEST_PATH_IMAGE133
为非负约束项，用来约束图像
Figure DEST_PATH_IMAGE135
中小于零的像素值。这是一个多变量的最小化问题，令变量
Figure DEST_PATH_IMAGE137
，引入辅助变量r 1 、r 2 ，令
Figure DEST_PATH_IMAGE139
，那么可等价为：
Figure DEST_PATH_IMAGE140
在迭代中，固定其他变量，可将多变量最小化问题分解为多个单变量的最小化问题，对图像各点进行反卷积操作，即有：
Figure DEST_PATH_IMAGE141
辅助变量更新迭代的方法：
Figure DEST_PATH_IMAGE143
为加快收敛速度，采用滞后定点迭代极小化来快速求解。用上一步迭代的解来确定本次其他单变量的值。迭代次数为
Figure DEST_PATH_IMAGE145
，其迭代终止条件为：
Figure DEST_PATH_IMAGE147
由于每个点的模糊核是连续变化的，实现了逐点反卷积，生成恢复质量较好的清晰图像
Figure DEST_PATH_IMAGE148
。该逐点反卷积方法，使得恢复的图像质量相比图像分块恢复和空不变图像恢复有了很大改善。
通过上式计算并输出清晰图像
Figure DEST_PATH_IMAGE148A
，如图8所示。
本发明还提供一种基于气动光学效应图像空变模糊核的点近邻复原系统，主要用于实现上述实施例基于气动光学效应图像空变模糊核的点近邻复原方法。
该系统具体包括：
图像输入模块，用于输入气动光学效应的模糊图像；
大区域筛选模块，用于对模糊图像进行计算，滤除对估计模糊核不利的部分区域，筛选得到图像中多个大梯度结构区域；
大区域模糊核计算模块，用于对筛选出的多个大梯度结构区域对应的模糊图像区域，基于交替最小化方法进行迭代，估计出各区域的模糊核；
总模糊图像模糊核计算模块，用于计算出整幅模糊图像的总模糊核；
各像素模糊核计算模块，用于将模糊图像中每个像素点到各区域中心点的距离进行比较，将距离最近的区域的模糊核作为该像素点的模糊核；
近似精确模糊核计算模块，用于利用空变模糊核的空间相关性，将每个像素点的模糊核和整幅模糊图像的总模糊核通过加权计算方法得到每个像素点的近似精确模糊核；
复原模块，用于根据每个像素点的近似精确模糊核，利用多个单变量最小化优化方法进行逐点反卷积计算，得到复原图像。
接上述技术方案，大区域筛选模块具体用于将彩色的模糊图像转换为灰度图；再通过形态学梯度算子提取灰度图中的多个大梯度结构区域。
接上述技术方案，各像素模糊核计算模块具体用于：计算每个像素点与各区域中心点的欧式距离，并选取距离最小区域的模糊核作为该像素点的模糊核；若存在距离相同，则采用多个模糊核加权平均的方法计算出一个模糊核，再将模糊核归一化。
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基于气动光学效应图像空变模糊核的点近邻复原方法。
综上，本发明通过点近邻法，得到每个像素点的精确模糊核，可以提高气动光学效应模糊图像的复原质量，是一种有效的空变复原方法。
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)

1.一种基于气动光学效应图像空变模糊核的点近邻复原方法，其特征在于，包含以下步骤：
S1、输入气动光学效应的模糊图像；
S2、对模糊图像进行计算，滤除对估计模糊核不利的部分区域，筛选得到图像中多个大梯度结构区域；
S3、对筛选出的多个大梯度结构区域对应的模糊图像区域，基于交替最小化方法进行迭代，估计出各区域的模糊核，同样计算出整幅模糊图像的总模糊核；
S4、将模糊图像中每个像素点到各区域中心点的距离进行比较，将距离最近的区域的模糊核作为该像素点的模糊核；
S5、利用空变模糊核的空间相关性，将每个像素点的模糊核和整幅模糊图像的总模糊核通过加权计算方法得到每个像素点的近似精确模糊核；
S6、根据每个像素点的近似精确模糊核，利用多个单变量最小化优化方法进行逐点反卷积计算，得到复原图像。
2.根据权利要求1所述的基于气动光学效应图像空变模糊核的点近邻复原方法，其特征在于，步骤S2中，将彩色的模糊图像转换为灰度图；再通过形态学梯度算子提取灰度图中的多个大梯度结构区域。
3.根据权利要求2所述的基于气动光学效应图像空变模糊核的点近邻复原方法，其特征在于，步骤S2中对大梯度结构区域进行筛选具体方法为：
以灰度图中每个像素点为中心，以3×3的一个邻域内的灰度均值和标准差之和作为每个像素点的阈值，滤除灰度图中对估计模糊核不利的部分区域；
在滤除后的区域中选取长宽方向都大于一定值的区域，作为对应输入的模糊图像中估计模糊核的N块区域。
4.根据权利要求3所述的基于气动光学效应图像空变模糊核的点近邻复原方法，其特征在于，步骤S3中求模糊核的方法具体为：
设定模糊核的大小21×21，采用交替最小化方法，通过中间清晰图像和模糊核的交替迭代来估计模糊核，根据图像模糊的原数学模型及其模型的推导，利用快速傅里叶变换、傅里叶逆变换和傅里叶复共轭算子迭代多次，计算出模糊核。
5.根据权利要求1所述的基于气动光学效应图像空变模糊核的点近邻复原方法，其特征在于，步骤S4中得到每个像素点对应的模糊核的方法为：
计算每个像素点与各区域中心点的欧式距离，并选取距离最小区域的模糊核作为该像素点的模糊核；若存在距离相同，则采用多个模糊核加权平均的方法计算出一个模糊核，再将模糊核归一化。
6.据权利要求1所述的基于气动光学效应图像空变模糊核的点近邻复原方法，其特征在于，步骤S5中每个像素点的近似精确模糊核具体计算过程为：
根据空变模糊核的空间相关性，将整幅模糊图像的模糊核
Figure DEST_PATH_IMAGE001
和每个像素点对应的模糊 核
Figure 990298DEST_PATH_IMAGE002
进行加权计算，其公式为：
Figure DEST_PATH_IMAGE003
式中：
Figure 771304DEST_PATH_IMAGE004
为权重系数，
Figure DEST_PATH_IMAGE005
的范围在0.4到0.6之间，
Figure 195332DEST_PATH_IMAGE006
为加权计算后的近似精确模糊核。
7.一种基于气动光学效应图像空变模糊核的点近邻复原系统，其特征在于，包括：
图像输入模块，用于输入气动光学效应的模糊图像；
大区域筛选模块，用于对模糊图像进行计算，滤除对估计模糊核不利的部分区域，筛选得到图像中多个大梯度结构区域；
大区域模糊核计算模块，用于对筛选出的多个大梯度结构区域对应的模糊图像区域，基于交替最小化方法进行迭代，估计出各区域的模糊核；
总模糊图像模糊核计算模块，用于计算出整幅模糊图像的总模糊核；
各像素模糊核计算模块，用于将模糊图像中每个像素点到各区域中心点的距离进行比较，将距离最近的区域的模糊核作为该像素点的模糊核；
近似精确模糊核计算模块，用于利用空变模糊核的空间相关性，将每个像素点的模糊核和整幅模糊图像的总模糊核通过加权计算方法得到每个像素点的近似精确模糊核；
复原模块，用于根据每个像素点的近似精确模糊核，利用多个单变量最小化优化方法进行逐点反卷积计算，得到复原图像。
8.根据权利要求7所述的基于气动光学效应图像空变模糊核的点近邻复原系统，其特征在于，大区域筛选模块具体用于将彩色的模糊图像转换为灰度图；再通过形态学梯度算子提取灰度图中的多个大梯度结构区域。
9.根据权利要求7所述的基于气动光学效应图像空变模糊核的点近邻复原系统，其特征在于，各像素模糊核计算模块具体用于：计算每个像素点与各区域中心点的欧式距离，并选取距离最小区域的模糊核作为该像素点的模糊核；若存在距离相同，则采用多个模糊核加权平均的方法计算出一个模糊核，再将模糊核归一化。
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1-6中任一项所述的基于气动光学效应图像空变模糊核的点近邻复原方法。
CN202111364544.2A 2021-11-17 2021-11-17 气动光学效应图像空变模糊核的点近邻复原方法及系统 Active CN113822823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111364544.2A CN113822823B (zh) 2021-11-17 2021-11-17 气动光学效应图像空变模糊核的点近邻复原方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111364544.2A CN113822823B (zh) 2021-11-17 2021-11-17 气动光学效应图像空变模糊核的点近邻复原方法及系统

Publications (2)

Publication Number Publication Date
CN113822823A true CN113822823A (zh) 2021-12-21
CN113822823B CN113822823B (zh) 2022-03-15

Family

ID=78919293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111364544.2A Active CN113822823B (zh) 2021-11-17 2021-11-17 气动光学效应图像空变模糊核的点近邻复原方法及系统

Country Status (1)

Country Link
CN (1) CN113822823B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160316152A1 (en) * 2015-04-21 2016-10-27 Fotonation Limited Blurring a digital image
US20180137606A1 (en) * 2015-05-15 2018-05-17 Peking University Shenzhen Graduate School Method and system for image de-blurring
CN108765325A (zh) * 2018-05-17 2018-11-06 中国人民解放军陆军工程大学 一种小型无人机模糊图像复原方法
CN112819723A (zh) * 2021-02-05 2021-05-18 河海大学 一种高能x射线图像盲复原方法及系统
CN113436116A (zh) * 2021-08-02 2021-09-24 西安热工研究院有限公司 基于二分图中多标准光条纹选择的夜晚图像去模糊方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160316152A1 (en) * 2015-04-21 2016-10-27 Fotonation Limited Blurring a digital image
US20180137606A1 (en) * 2015-05-15 2018-05-17 Peking University Shenzhen Graduate School Method and system for image de-blurring
CN108765325A (zh) * 2018-05-17 2018-11-06 中国人民解放军陆军工程大学 一种小型无人机模糊图像复原方法
CN112819723A (zh) * 2021-02-05 2021-05-18 河海大学 一种高能x射线图像盲复原方法及系统
CN113436116A (zh) * 2021-08-02 2021-09-24 西安热工研究院有限公司 基于二分图中多标准光条纹选择的夜晚图像去模糊方法

Also Published As

Publication number Publication date
CN113822823B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
Lefkimmiatis Universal denoising networks: a novel CNN architecture for image denoising
CN110675347B (zh) 一种基于组稀疏表示的图像盲复原方法
US9589328B2 (en) Globally dominant point spread function estimation
CN107133923B (zh) 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN110675317B (zh) 基于学习和自适应三边滤波正则化的超分辨率重建方法
CN106169174B (zh) 一种图像放大方法
CN111462012A (zh) 一种基于条件生成对抗网络的sar图像仿真方法
Zhang et al. Kernel Wiener filtering model with low-rank approximation for image denoising
CN109360157B (zh) 基于tv和小波正则化的空间变化模糊图像复原方法
WO2023115801A1 (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
Huang et al. Two-step approach for the restoration of images corrupted by multiplicative noise
CN111815537B (zh) 一种新型图像盲解去模糊方法
Sheng et al. Frequency-domain deep guided image denoising
Ke et al. Unsupervised image restoration using partially linear denoisers
CN115965552B (zh) 用于低信噪比图像序列的频空时域联合去噪与恢复系统
CN113822823B (zh) 气动光学效应图像空变模糊核的点近邻复原方法及系统
Shi et al. LCA-Net: A Context-Aware Light-Weight Network For Low-Illumination Image Enhancement
CN113838104A (zh) 基于多光谱与多模态图像一致性增强网络的配准方法
Rezayi et al. Huber Markov random field for joint super resolution
Abang et al. Application of blind deconvolution and Lucy-Richardson Deconvolution for image deblurring
El Abbadi et al. A Survey on Blind De-Blurring of Digital Image.
Chen et al. GADO-Net: an improved AOD-Net single image dehazing algorithm
Yousaf et al. Closed-loop restoration approach to blurry images based on machine learning and feedback optimization
Nasonov et al. Image sharpening by grid warping with curvature analysis
CN114998156B (zh) 一种基于多补丁多尺度网络的图像运动去模糊方法

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
GR01 Patent grant
GR01 Patent grant