CN113935925A - 气动光学效应空变模糊图像复原方法及系统 - Google Patents
气动光学效应空变模糊图像复原方法及系统 Download PDFInfo
- Publication number
- CN113935925A CN113935925A CN202111548604.6A CN202111548604A CN113935925A CN 113935925 A CN113935925 A CN 113935925A CN 202111548604 A CN202111548604 A CN 202111548604A CN 113935925 A CN113935925 A CN 113935925A
- Authority
- CN
- China
- Prior art keywords
- image
- fuzzy
- variant
- space
- kernel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003287 optical effect Effects 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000000638 solvent extraction Methods 0.000 claims abstract description 26
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 238000006731 degradation reaction Methods 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
本发明公开了一种气动光学效应空变模糊图像复原方法，包括以下步骤：采用二叉树结构对空变模糊图像进行第一次分区，将整幅图像先纵向再横向划分为四块面积形状相等的区域；建立退化模型，且在退化模型中添加平滑因子约束项；使用交替极小化迭代方法对每一块区域求解模糊核，分别比较相邻图像块模糊核的相似性，若小于设定阈值则将相应图像块重新按照二叉树结构继续分区，直到相邻图像块模糊核的相似性满足设定阈值；对所有求解的模糊核逐点线性插值得到每一个像素点的模糊核，构造卷积核矩阵，使得卷积核矩阵每一行对应每一个像素点的模糊核；根据卷积核矩阵构建空变卷积模型，求解得到完整去卷积的复原图像。
Description
技术领域
本发明涉及航天图像处理领域，尤其涉及一种气动光学效应空变模糊图像复原方法及系统。
背景技术
近年来，我国航天技术发展迅速，但遥感应用的发展相对滞后，在大气湍流的影响下，配备在航天飞行器上的光学成像系统往往难以获取到清晰、可利用性高的地面图像，复杂目标的识别难度加大，有效、快速地对气动光学效应空变模糊图像进行复原显得至为关键。
由气动光学效应引起的图像模糊是复杂的，尤其针对幅面大的遥感图像，整幅图像各点模糊程度不同，且模糊类型也不一样，对于此类图像建立复原模型存在很大的难度。在复原图像过程中，模糊核的准确求解十分重要，现有的求解模糊核方法多种多样，大致可以分为两类：一是认为造成图像的模糊是空不变的，利用图像整体信息估计单一模糊核，然后将图像与模糊核作去卷积运算得到复原图像；二是认为造成图像的模糊是空可变的，因此将图像进行分块或者使用部分图像信息求解多个不同子区域点扩散函数，再分别将二者作去卷积运算得到各子区域的复原图像，最后合并得到完整清晰图像。
但是气动光学效应遥感退化图像具有幅面大、退化因素多等特点，不能认为整幅图像模糊是单一的，这些方法往往需要进行非常复杂的计算，得到的模糊核也不精确，复原结果不理想（存在振铃效应）。因此，有必要针对上述问题设计专用的空变复原算法。
发明内容
本发明主要目的在于提供一种能够对气动光学效应空变模糊图像进行有效复原的方法及系统。
本发明所采用的技术方案是：
提供一种气动光学效应空变模糊图像复原方法，包括以下步骤：
S1、获取气动光学效应的空变模糊图像；
S2、采用二叉树结构对空变模糊图像进行第一次分区，将整幅图像先纵向再横向划分为四块面积形状相等的区域；
S3、建立退化模型，且在退化模型中添加平滑因子约束项；
S4、使用交替极小化迭代方法对每一块区域求解模糊核，分别比较相邻图像块模糊核的相似性，若小于设定阈值则将相应图像块重新按照二叉树结构继续分区，直到相邻图像块模糊核的相似性满足设定阈值；
S5、对所有求解的模糊核逐点线性插值得到每一个像素点的模糊核，构造卷积核矩阵，使得卷积核矩阵每一行对应每一个像素点的模糊核；
S6、根据卷积核矩阵构建空变卷积模型，求解得到完整去卷积的复原图像。
接上述技术方案，在退化模型中再增加连通系数项和L2正则化项，使得模糊核各点连续且平滑。
接上述技术方案，步骤S4中设定阈值为0.6。
接上述技术方案，步骤S5中，具体将所有模糊核按求得顺序纵向保存到矩阵中，然后在全图范围内对像素点进行遍历，并将每个像素点与所有图像块的区域中心点进行曼哈顿距离比较，取当中最近邻和次近邻的两块的区域对应的模糊核矩阵作为基准矩阵，最后对这两个基准矩阵作反距离线性插值，得到对应像素点的模糊核矩阵。
本发明还提供一种气动光学效应空变模糊图像复原系统，包括：
图像获取模块，用于获取气动光学效应的空变模糊图像；
分区模块，用于采用二叉树结构对空变模糊图像进行第一次分区，将整幅图像先纵向再横向划分为四块面积形状相等的区域；
退换模型建立模块，用于建立退化模型，且在退化模型中添加平滑因子约束项；
模糊核计算模块，用于使用交替极小化迭代方法对每一块区域求解模糊核，分别比较相邻图像块模糊核的相似性，若小于设定阈值则将相应图像块重新通过分区模块按照二叉树结构继续分区，直到相邻图像块模糊核的相似性满足设定阈值；
卷积核矩阵构造模块，用于对所有求解的模糊核逐点线性插值得到每一个像素点的模糊核，构造卷积核矩阵，使得卷积核矩阵每一行对应每一个像素点的模糊核；
图像复原模块，用于根据卷积核矩阵构建空变卷积模型，求解得到完整去卷积的复原图像。
接上述技术方案，退换模型建立模块还用于在退化模型中增加连通系数项和L2正则化项，使得模糊核各点连续且平滑。
接上述技术方案，模糊核计算模块中设定阈值为0.6。
接上述技术方案，卷积核矩阵构造模块具体用于将所有模糊核按求得顺序纵向保存到矩阵中，然后在全图范围内对像素点进行遍历，并将每个像素点与所有图像块的区域中心点进行曼哈顿距离比较，取当中最近邻和次近邻的两块的区域对应的模糊核矩阵作为基准矩阵，最后对这两个基准矩阵作反距离线性插值，得到对应像素点的模糊核矩阵。
本发明还提供一种计算机存储介质，其可被处理器执行，且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复原方法。
本发明产生的有益效果是：本发明通过二叉树结构对气动光学效应空变模糊核图像进行多次分区，直到相邻图像块的模糊核的相似性满足一定的要求。通过这种模糊核相似性自适应分区域方法在一定程度上将一幅空变图像分割成了多幅近似空不变图像，一方面提升了对于空变图像模糊核估计的精确性，另一方面使得图像各区域模糊核之间具有相似性，从而有效提升后续逐点插值模糊核的质量，从而可以实现对宽视场真实空变模糊图像进行快速有效复原。
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是本发明实施例气动光学效应空变模糊图像复原方法的流程图；
图2是本发明实施例自适应二叉树分区的流程图；
图3是本发明实施例模糊核估计的流程图；
图4是本发明实施例空变模糊图像；
图5是本发明实施例图像分区示意图；
图6是本发明实施例求解的初始模糊核；
图7是本发明实施例逐点求解的模糊核（图像左上角为5行5列每个像素点的模糊核）；
图8是本发明实施例最终逐点去卷积结果。
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。
如图1所示，本发明实施例气动光学效应空变模糊图像复原方法，包括以下步骤：
S1、获取气动光学效应的空变模糊图像；
S2、采用二叉树结构对空变模糊图像进行第一次分区，将整幅图像先纵向再横向划分为四块面积形状相等的区域；
S3、建立退化模型，且在退化模型中添加平滑因子约束项；
S4、使用交替极小化迭代方法对每一块区域求解模糊核，分别比较相邻图像块模糊核的相似性，若小于设定阈值则将相应图像块重新按照二叉树结构继续分区，如图5所示，直到相邻图像块模糊核的相似性满足设定阈值；
S5、对所有求解的模糊核逐点线性插值得到每一个像素点的模糊核，构造卷积核矩阵，使得卷积核矩阵每一行对应每一个像素点的模糊核；
S6、根据卷积核矩阵构建空变卷积模型，求解得到完整去卷积的复原图像。
本发明实施例的一种气动光学效应空变模糊图像逐点去卷积算法，采用2018b版本的MATLAB程序实现，算法流程如图1所示，包括以下步骤：
如图2所示，本发明的实施例中，步骤S1中获取的退化图像记为
（如图4），图像
大小为436*452。采用二叉树结构对图像进行第一次横纵方向的分区，得到面积形状相等的
四块区域
，
，
，
，如图5所示。
步骤S3中建立退化模型时，添加3个约束项，第一项是平滑因子约束项，保证每一
次求得的潜像相邻点之间的差异为极小，使其具有最大空间相关性；第二项是连通系数项，
保证模糊核
各点连续；第三项是L2正则化项，使得到的模糊核较平滑，流程如图3所示。
具体可使用交替极小化迭代方法求解得到相应块区的模糊核
以及清晰潜像
，模糊核尺寸设定为21
21，模糊核
的计算公式如下：
潜像
通过如下计算得到：
步骤S4中，具体比较计算两两相邻图像块的模糊核相似性：
其中，
和
分别为估计出的模糊核的向量形式，
的取值在[0,1]内，
越接近1表示两个模糊核的相似度越高。设定一个相关性阈值
，取为0.6，当相邻区域的
模糊核相似度存在
时，视为满足条件不再进行分区，当相邻区域的两个模
糊核相似度存在
时，视为不满足条件，再次对相应区域块进行二叉树结构分
区，然后计算这部分区域的两两模糊核相似度，直至满足设定条件，分区结束，如图6所示。
依据模糊核相似性自适应分区域方法在一定程度上将一幅空变图像分割成了多幅近似空
不变图像，一方面提升了对于空变图像模糊核估计的精确性，另一方面使得图像各区域模
糊核之间具有相似性，从而有效提升步骤S4中逐点插值模糊核的质量。
步骤S5中，将所有模糊核
按求得顺序纵向保存到矩阵Matrix_sum当中，然后在全
图范围内对
进行遍历，并在这个过程中将
与所有图像块的区域中心点进
行曼哈顿距离比较，取当中最近邻和次近邻的两块区域对应的模糊核矩阵作为基准矩阵，
再将这两个基准矩阵作反距离线性插值得到对应像素点的模糊核矩阵
，如图7所示，算
法如下：
输入：使用公式（2）求解得到 
Matrix_sum = 
For i,j=1←r,c do
End for
输出：
其中k为所有求得块区域的模糊核，Matrix_sum为储存的所有模糊核矩阵，
、
为任意两个块区域的中心点，
、
为每个像素点与任意两个块区域进行曼哈顿距
离比较后的最小距离，
、
为对应两块区域的模糊核，
为每个像素点对应的模糊核
矩阵，
为求和操作。
步骤S6中建立空变复原模型，公式如下：
本发明还提供一种气动光学效应空变模糊图像复原系统，主要用于实现上述方法实施例，该系统包括：
图像获取模块，用于获取气动光学效应的空变模糊图像；
分区模块，用于采用二叉树结构对空变模糊图像进行第一次分区，将整幅图像先纵向再横向划分为四块面积形状相等的区域；
退换模型建立模块，用于建立退化模型，且在退化模型中添加平滑因子约束项；
模糊核计算模块，用于使用交替极小化迭代方法对每一块区域求解模糊核，分别比较相邻图像块模糊核的相似性，若小于设定阈值则将相应图像块重新通过分区模块按照二叉树结构继续分区，直到相邻图像块模糊核的相似性满足设定阈值；
卷积核矩阵构造模块，用于对所有求解的模糊核逐点线性插值得到每一个像素点的模糊核，构造卷积核矩阵，使得卷积核矩阵每一行对应每一个像素点的模糊核；
图像复原模块，用于根据卷积核矩阵构建空变卷积模型，求解得到完整去卷积的复原图像。
接上述技术方案，退换模型建立模块还用于在退化模型中增加连通系数项和L2正则化项，使得模糊核各点连续且平滑。
接上述技术方案，模糊核计算模块中设定阈值为0.6。
接上述技术方案，卷积核矩阵构造模块具体用于将所有模糊核按求得顺序纵向保存到矩阵中，然后在全图范围内对像素点进行遍历，并将每个像素点与所有图像块的区域中心点进行曼哈顿距离比较，取当中最近邻和次近邻的两块的区域对应的模糊核矩阵作为基准矩阵，最后对这两个基准矩阵作反距离线性插值，得到对应像素点的模糊核矩阵。
本申请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方法实施例的气动光学效应空变模糊图像复原方法。
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 (9)
1.一种气动光学效应空变模糊图像复原方法，其特征在于，包括以下步骤：
S1、获取气动光学效应的空变模糊图像；
S2、采用二叉树结构对空变模糊图像进行第一次分区，将整幅图像先纵向再横向划分为四块面积形状相等的区域；
S3、建立退化模型，且在退化模型中添加平滑因子约束项；
S4、使用交替极小化迭代方法对每一块区域求解模糊核，分别比较相邻图像块模糊核的相似性，若小于设定阈值则将相应图像块重新按照二叉树结构继续分区，直到相邻图像块模糊核的相似性满足设定阈值；
S5、对所有求解的模糊核逐点线性插值得到每一个像素点的模糊核，构造卷积核矩阵，使得卷积核矩阵每一行对应每一个像素点的模糊核；
S6、根据卷积核矩阵构建空变卷积模型，求解得到完整去卷积的复原图像。
2.根据权利要求1所述的气动光学效应空变模糊图像复原方法，其特征在于，在退化模型中再增加连通系数项和L2正则化项，使得模糊核各点连续且平滑。
3.根据权利要求1所述的气动光学效应空变模糊图像复原方法，其特征在于，步骤S4中设定阈值为0.6。
4.根据权利要求1所述的气动光学效应空变模糊图像复原方法，其特征在于，步骤S5中，具体将所有模糊核按求得顺序纵向保存到矩阵中，然后在全图范围内对像素点进行遍历，并将每个像素点与所有图像块的区域中心点进行曼哈顿距离比较，取当中最近邻和次近邻的两块的区域对应的模糊核矩阵作为基准矩阵，最后对这两个基准矩阵作反距离线性插值，得到对应像素点的模糊核矩阵。
5.一种气动光学效应空变模糊图像复原系统，其特征在于，包括：
图像获取模块，用于获取气动光学效应的空变模糊图像；
分区模块，用于采用二叉树结构对空变模糊图像进行第一次分区，将整幅图像先纵向再横向划分为四块面积形状相等的区域；
退换模型建立模块，用于建立退化模型，且在退化模型中添加平滑因子约束项；
模糊核计算模块，用于使用交替极小化迭代方法对每一块区域求解模糊核，分别比较相邻图像块模糊核的相似性，若小于设定阈值则将相应图像块重新通过分区模块按照二叉树结构继续分区，直到相邻图像块模糊核的相似性满足设定阈值；
卷积核矩阵构造模块，用于对所有求解的模糊核逐点线性插值得到每一个像素点的模糊核，构造卷积核矩阵，使得卷积核矩阵每一行对应每一个像素点的模糊核；
图像复原模块，用于根据卷积核矩阵构建空变卷积模型，求解得到完整去卷积的复原图像。
6.根据权利要求5所述的气动光学效应空变模糊图像复原系统，其特征在于，退换模型建立模块还用于在退化模型中增加连通系数项和L2正则化项，使得模糊核各点连续且平滑。
7.根据权利要求5所述的气动光学效应空变模糊图像复原系统，其特征在于，模糊核计算模块中设定阈值为0.6。
8.根据权利要求5所述的气动光学效应空变模糊图像复原系统，其特征在于，卷积核矩阵构造模块具体用于将所有模糊核按求得顺序纵向保存到矩阵中，然后在全图范围内对像素点进行遍历，并将每个像素点与所有图像块的区域中心点进行曼哈顿距离比较，取当中最近邻和次近邻的两块的区域对应的模糊核矩阵作为基准矩阵，最后对这两个基准矩阵作反距离线性插值，得到对应像素点的模糊核矩阵。
9.一种计算机存储介质，其特征在于，其可被处理器执行，且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空变模糊图像复原方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548604.6A CN113935925B (zh) | 2021-12-17 | 2021-12-17 | 气动光学效应空变模糊图像复原方法及系统 |
| PCT/CN2022/093806 WO2023109008A1 (zh) | 2021-12-17 | 2022-05-19 | 气动光学效应空变模糊图像复原方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548604.6A CN113935925B (zh) | 2021-12-17 | 2021-12-17 | 气动光学效应空变模糊图像复原方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113935925A true CN113935925A (zh) | 2022-01-14 |
| CN113935925B CN113935925B (zh) | 2022-03-15 |
Family
ID=79289316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111548604.6A Active CN113935925B (zh) | 2021-12-17 | 2021-12-17 | 气动光学效应空变模糊图像复原方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113935925B (zh) |
| WO (1) | WO2023109008A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117173058A (zh) * | 2023-11-03 | 2023-12-05 | 武汉工程大学 | 空变模糊图像统一复原方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150172547A1 (en) * | 2013-12-13 | 2015-06-18 | Adobe Systems Incorporated | Image deblurring based on light streaks |
| CN113793285A (zh) * | 2021-11-17 | 2021-12-14 | 武汉工程大学 | 气动光学效应目标孪生图像的超快复原方法及系统 |
| CN113793284A (zh) * | 2021-11-17 | 2021-12-14 | 武汉工程大学 | 气动光学效应空变模糊图像不均匀分块的图像复原方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016183716A1 (zh) * | 2015-05-15 | 2016-11-24 | 北京大学深圳研究生院 | 图像去模糊方法及系统 |
| CN111815537B (zh) * | 2020-07-16 | 2022-04-29 | 西北工业大学 | 一种新型图像盲解去模糊方法 |
| 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 |
-
2021
- 2021-12-17 CN CN202111548604.6A patent/CN113935925B/zh active Active
-
2022
- 2022-05-19 WO PCT/CN2022/093806 patent/WO2023109008A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150172547A1 (en) * | 2013-12-13 | 2015-06-18 | Adobe Systems Incorporated | Image deblurring based on light streaks |
| CN113793285A (zh) * | 2021-11-17 | 2021-12-14 | 武汉工程大学 | 气动光学效应目标孪生图像的超快复原方法及系统 |
| CN113793284A (zh) * | 2021-11-17 | 2021-12-14 | 武汉工程大学 | 气动光学效应空变模糊图像不均匀分块的图像复原方法 |
Non-Patent Citations (6)
| Title |
|---|
| WENXIA YANG ET.AL: "《An improved Landweber method for restoration of areo-optically degraded images》", 《IEEE》 * |
| 刘纯胜等: "基于特征点配准的气动光学图像校正方法研究", 《系统工程与电子技术》 * |
| 叶鹏钊等: "基于块效应抑制的压缩降质模糊图像盲复原", 《浙江大学学报(工学版)》 * |
| 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: "《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》 * |
| 洪汉玉等: "加权L_1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》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117173058A (zh) * | 2023-11-03 | 2023-12-05 | 武汉工程大学 | 空变模糊图像统一复原方法及系统 |
| CN117173058B (zh) * | 2023-11-03 | 2024-02-02 | 武汉工程大学 | 空变模糊图像统一复原方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113935925B (zh) | 2022-03-15 |
| WO2023109008A1 (zh) | 2023-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Esteves et al. | Polar transformer networks | |
| Liu et al. | Learning affinity via spatial propagation networks | |
| CN113935925B (zh) | 气动光学效应空变模糊图像复原方法及系统 | |
| US20140355899A1 (en) | Video enhancement using related content | |
| Ren et al. | Partial deconvolution with inaccurate blur kernel | |
| US9846974B2 (en) | Absolute rotation estimation including outlier detection via low-rank and sparse matrix decomposition | |
| Davy et al. | Non-local video denoising by CNN | |
| CN110969105B (zh) | 一种人体姿态估计方法 | |
| Ni et al. | Example-driven manifold priors for image deconvolution | |
| 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 | |
| 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 | |
| CN113592728B (zh) | 一种图像复原方法、系统、处理终端及计算机介质 | |
| CN110032704A (zh) | 数据处理方法、装置、终端及存储介质 | |
| K. Alilou et al. | Exemplar-based image inpainting using svd-based approximation matrix and multi-scale analysis | |
| George | Tensor based approach for inpainting of video containing sparse text | |
| CN114241388A (zh) | 基于时空记忆信息的视频实例分割方法和分割装置 | |
| CN114998750A (zh) | 一种遥感图像随机长度条带去除方法、装置、设备及介质 | |
| CN112435211B (zh) | 一种内窥镜图像序列中轮廓稠密特征点描述和匹配的方法 | |
| Kim et al. | Image denoising feedback framework using split Bregman approach | |
| US9875528B2 (en) | Multi-frame patch correspondence identification in video | |
| CN116310452B (zh) | 一种多视图聚类方法及系统 | |
| CN117274072A (zh) | 一种基于二维多模态范围图像的点云去噪方法及装置 | |
| CN113362338B (zh) | 铁轨分割方法、装置、计算机设备和铁轨分割处理系统 | |
| López-Rubio et al. | Probability density function estimation with the frequency polygon transform | |
| CN114078096A (zh) | 图像去模糊方法、装置和设备 |
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 |