CN114972083A - 一种基于实测数据的复杂光学成像条件下图像复原方法 - Google Patents
一种基于实测数据的复杂光学成像条件下图像复原方法 Download PDFInfo
- Publication number
- CN114972083A CN114972083A CN202210519453.XA CN202210519453A CN114972083A CN 114972083 A CN114972083 A CN 114972083A CN 202210519453 A CN202210519453 A CN 202210519453A CN 114972083 A CN114972083 A CN 114972083A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- flow field
- value
- imaging system
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012634 optical imaging Methods 0.000 title claims abstract description 25
- 238000003384 imaging method Methods 0.000 claims abstract description 63
- 230000003287 optical effect Effects 0.000 claims abstract description 52
- 230000033001 locomotion Effects 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 230000005855 radiation Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 229910052704 radon Inorganic materials 0.000 claims abstract description 11
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000013441 quality evaluation Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 210000001747 pupil Anatomy 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000000191 radiation effect Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000021615 conjugation Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000011426 transformation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 34
- 238000006731 degradation reaction Methods 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000014698 Brassica juncea var multisecta Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 244000275904 brauner Senf Species 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于实测数据的复杂光学成像条件下的图像复原方法，属于图像复原领域。本发明基于形态学滤波法去除成像系统带来的噪声，对点光源下模糊图像的图像频谱进行边缘检测去除成像系统带来的模糊，基于Radon变换的方法确定运动模糊参数，采用流场数据仿真的方法去除气动热辐射噪声，联合光线追迹法和背景纹影技术仿真建模去除气动光学效应导致的图像模糊与图像畸变，计算图像质量评价参数综合评价图像复原效果。本发明针对流场数据的获取使用两种方法进行建模，可对复杂成像条件下的退化图像进行完整的去除噪声、去除模糊和去除畸变复原，便于图像后续的目标检测与定位。
Description
技术领域
本发明属于图像复原领域，更具体地，涉及一种基于实测数据的复杂光学成像条件下图像复原算法方法。
背景技术
随着精确制导武器对目标信息获取的精确性和时效性依赖程度逐渐加大，光学成像探测跟踪技术已成为精确制导发展的必然趋势。相比于传统的惯性制导、指令制导和无线电末制导技术，使用视觉系统的末制导技术具有更高的精度和更强的抗干扰能力，它利用成像信息进行目标探测，实现对目标的检测、识别与跟踪，向飞行器控制系统输入目标的视线角位置与角速率，使控制系统控制飞行器打击目标。
当成像制导飞行器在大气中高速飞行时，视窗附近的流场就会变的极为复杂，其较高的马赫数和雷诺数将导致飞行器头部产生激波结构，视窗附近的气流流动也会产生湍流边界层、剪切层等，最终导致光学成像探测系统的热辐射干扰和图像传输干扰，这种干扰称之为气动光学效应。在稠密大气内的武器装备工程应用中，为了追求气动光学效应下成像质量，其末端飞行速度会受到极大限制，导致突防和打击效果严重下降。
对于气动光学效应在图像信息上的表现，主要分为抖动模糊、模糊、光学传输路径的相位畸变、气动热辐射噪声和噪声等。模糊是在一个相对较长的曝光时间间隔上，光束在成像焦平面上相对运动造成的，最终导致探测对象强度衰减、探测距离降低、测量误差增加甚至探测失败等；振动或抖动模糊源于气流与飞行器平台之间的冲击效应，可以用振幅、频率和方向来表征，它将引起探测目标形心位置的偏移，最终导致测量或定位的不准确性；光学传输路径的相位畸变由光程差引起，即平面波在不同的空间位置超前或滞后了不同的波长数，最终导致视线或指向的偏移；噪声源于气动热辐射效应，最终导致图像信噪比下降，图像信息丢失。根据其退化产生的原因，将气动光学效应的复原分为5个部分，按顺序分别为去除成像系统噪声、去除成像系统模糊、去除运动模糊、去除气动热辐射噪声、去除气动光学效应畸变与模糊。
当前国内外对于气动光学效应下退化图像的复原算法研究主要分为盲复原算法、非盲复原算法和基于深度学习的复原算法。目前，对于气动光学效应图像复原方法的主要不足包括：
(1)由于气动光学效应会引起多方面的图像退化，且噪声、模糊、畸变会产生相互影响，采用单一算法无法得到效果较好的复原图像；
(2)气动光学效应具有时变性，变化频率较高；
(3)难以获得实测的气动光学环境数据，基于准确的数据才能对气动光学效应进行建模与去除；
(4)基于深度学习的复原方法需要较大的数据量，由于实测数据获取的成本较大且数据不公开，难以建成完整的数据库，从而难以应用深度学习的方法进行气动光学效应下退化图像的复原。
发明内容
针对现有气动光学效应退化图像的复原时，易受到噪声影响、难以获取准确的流场实测数据、无法准确判断图像像素位移偏移等问题，本发明提出一种基于实测数据的复杂光学成像条件下图像复原方法，解决在气动光学效应下退化图像的噪声、模糊、畸变的问题。
本发明采用的图像复原算法基本原理为：针对图像退化的机理，将图像的退化过程分解为5个部分，按顺序分别为去除成像系统带来的噪声、去除成像系统带来的模糊、去除运动模糊、去除气动热辐射噪声、去除气动光学效应畸变与模糊，对每个退化部分研究其退化原理，针对性使用部分算法进行清晰图像重建。
本发明针对复杂光学成像条件下的退化图像复原问题提出的方法，可针对复杂成像条件下图像的噪声、模糊和畸变进行去除，应用一定的先验信息进行退化机理的建模，提高了图像的信噪比和清晰度，同时纠正了图像成像过程中的像素位移畸变，最终得到较为清晰的复原目标图像。
为实现上述目的，本发明采用的技术方案是：
本发明首先提供了一种基于实测数据的复杂光学成像条件下退化图像复原方法，其包括如下步骤：
步骤1：计算原始退化图像g0(x,y)的峰值信噪比PSNR、清晰度平均梯度和图像像素值最大点坐标；
步骤2：对退化图像进行形态学滤波，去除成像系统在成像过程中引入的噪声及部分气动热辐射效应产生的噪声，得到去噪图像g1(x,y)；计算图像g1(x,y)的峰值信噪比PSNR，判断该数值与步骤1得到的PSNR数值的提升量是否大于5dB，是则进入下一步骤，否则重新进行步骤2；
步骤3：仿真多张经过成像系统的点光源图像，对多张点光源图像求平均以减少噪声影响；将平均后的图像进行傅里叶变换后进行边缘检测，处理后得到成像系统的模糊半径r和标准偏差σ的估计值，通过高斯函数建模，得到成像系统模糊点扩散函数H1(u,v)：
其中σ是正态分布的标准偏差，(u,v)表示图像的频率坐标；使用成像系统模糊点扩散函数对步骤2得到的图像g1(x,y)进行最小二乘方滤波，得到去除成像系统模糊的图像G2(u,v)
其中G1(u,v)是图像g1(x,y)的傅里叶频谱，H1 *(u,v)表示H1(u,v)的复共轭，η1表示图像的噪声水平，对G2(u,v)进行反傅里叶变换，即得到复原图像g2(x,y)；根据探测窗附近的流场数据，计算气动热辐射效应的辐射强度，将图像g2(x,y)减去该矩阵得到去除气动热辐射的复原图像g3(x,y)；
步骤4：对步骤3得到的图像g3(x,y)的频谱G3(u,v)进行图像处理后进行Radon变换；Radon变换曲线最大值对应的角度即为退化图像的运动模糊角度，在模糊角方向上计算主峰两侧的差值即为退化图像的运动模糊尺度，继而得到包含角度与尺度的矢量线段作为运动模糊点扩散函数H2(u,v)；使用运动模糊点扩散函数H2(u,v)对步骤3得到的去除成像系统模糊的图像g3(x,y)进行最小二乘方滤波，生成去除运动模糊的图像G4(u,v)：
其中G3(u,v)是图像g3(x,y)的傅里叶变换，η2表示图像的噪声水平；对G4(u,v)进行反傅里叶变换，即得到复原图像g4(x,y)；计算图像g4(x,y)的清晰度平均梯度，相比于步骤1的数值是否有大于5％的提升，是则进入下一步骤；否则回到步骤3，同时适当提高图像的噪声水平η1和η2的数值；
步骤5：判断是否能够获取风洞试验或实测场景中复杂成像条件下的流场数据，针对能够获取流场数据的情况继续执行步骤6，针对无法获取流场数据的情况直接执行步骤7；
步骤6：对入射光线进行仿真，确定光线入射角，采用固定步长的方式，计算光线经过整个流场后的光程OPL，对其取平均后计算光线的光程差
根据光程差计算得到流场点扩散函数H3(u,v)；使用H3(u,v)对步骤4得到的图像g4(x,y)进行最小二乘方滤波
其中η3表示图像的噪声水平；得到最终的复杂光学成像条件下清晰复原图像G5(u,v)，对G5(u,v)进行反傅里叶变换，即得到复原图像g5(x,y)；计算图像g5(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1的数值，全都是则进入下一步骤；否则重新执行步骤6，同时适当提高图像的噪声水平η3的数值；
步骤7：获取背景随机点阵图像，分别在无流场和有流场两种情况下进行拍摄得到一组关联图像；对多组关联图像进行互相关运算，获取多组互相关查问区位移变化矢量后进行时间平均处理；将处理后的位移矢量进行SouthWell线性积分运算，得到波前光程差OPD，最后根据OPD计算出流场点扩散函数H4(u,v)；使用PSF对步骤4得到的图像g4(x,y)进行最小二乘方滤波
其中η4表示图像的噪声水平；得到最终的复杂光学成像条件下清晰复原图像G6(u,v)，对G6(u,v)进行反傅里叶变换，即得到复原图像g6(x,y)；计算图像g6(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1的数值，全都是则进入下一步骤；否则重新执行步骤7，同时适当提高图像的噪声水平η4的数值；
步骤8：计算图像综合质量评价指标，当该综合图像质量参数大于某阈值时，认为图像复原效果较好，完成图像复原；否则返回步骤2，适当提高公式中图像的噪声水平，重新进行计算。
与现有技术相比，本发明的优势在于：
(1)本发明采用获取点光源的退化图像进行成像系统模糊参数确定的方法，简化了对模糊点扩散函数建模的过程，同时提高了点扩散函数模型的精确性；
(2)本发明采用了光线追踪法和背景纹影技术两种方法进行图像复原，克服了以往技术中获取流场参数较难的问题，提高了技术的实用性；
(3)本发明采用了将图像退化过程进行分解的方法，将图像的退化分为噪声、成像系统模糊、运动模糊和基于气动光学效应的模糊与畸变，克服了现有技术中采用单一模型对图像进行清晰复原的缺陷，得到了更优的图像复原效果；
(4)本发明通过图像质量评价指标负反馈指导图像复原过程中参数的选择，使得图像处理和图像质量检测形成闭环，可将复原结果直接应用于后续的目标检测，极大地提高了技术的实用性；
(5)本发明采用了多种图像质量评价指标，对图像的噪声程度、模糊程度和畸变程度都进行了评价，克服了现有技术中对图像质量仅单维度评价的问题。
附图说明
图1是本发明实施提供的复杂光学成像条件下图像复原方法流程图。
图2(a)是本发明实施提供的均匀气动效应退化图像的去噪结果图。
图2(b)是本发明实施提供的随机气动射效应退化图像的去噪结果图。
图3(a)是本发明实施提供的均匀气动效应退化图像的去除成像系统模糊结果图。
图3(b)是本发明实施提供的随机气动效应退化图像的去除成像系统模糊结果图。
图4是本发明实施提供的图像频谱边缘检测结果图。
图5(a)是本发明实施提供的均匀气动效应退化图像去除运动模糊结果图。
图5(b)是本发明实施提供的随机气动效应退化图像去除运动模糊结果图。
图6(a)是本发明实施提供的基于光线追迹法的均匀气动效应退化图像去除气动光学效应模糊与畸变结果图。
图6(b)是本发明实施提供的基于光线追迹法的随机气动效应退化图像去除气动光学效应模糊与畸变结果图。
图7(a)是本发明实施提供的无流场情况下随机背景点阵图。
图7(b)是本发明实施提供的有流场情况下随机背景点阵图。
图8(a)是本发明实施提供的基于背景纹影技术的均匀气动效应退化图像去除气动光学效应模糊与畸变结果图。
图8(b)是本发明实施提供的基于背景纹影技术的随机气动效应退化图像去除气动光学效应模糊与畸变结果图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合具体的实施例详细说明本发明。下面描述了具体实施例以简化本发明。但是需要认识到，本发明不局限于所说明的实施例，并且在不脱离基本原理的前提下，本发明的各种修改是可能的，这些等价形式同样落于本申请所附权利要求书所限定的范围。
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。基于本发明中的实施例，本领域普通技术人员在没有做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。
如图1所示，本发明提供的一种基于实测数据的复杂光学成像条件下图像复原算法，主要包括如下步骤：
步骤1：计算原始退化图像g0(x,y)的峰值信噪比PSNR、清晰度平均梯度和图像像素值最大点坐标；
步骤2：对退化图像进行形态学滤波，去除成像系统在成像过程中引入的噪声及部分气动热辐射效应产生的噪声，得到去噪图像g1(x,y)；计算图像g1(x,y)的峰值信噪比PSNR，判断该数值与步骤1得到的PSNR数值的提升量是否大于5dB，是则进入下一步骤，否则重新进行步骤2；
步骤3：仿真多张经过成像系统的点光源图像，对多张点光源图像求平均以减少噪声影响；将平均后的图像进行傅里叶变换后进行边缘检测，处理后得到成像系统的模糊半径r和标准偏差σ的估计值，通过高斯函数建模，得到成像系统模糊点扩散函数H1(u,v)：
其中σ是正态分布的标准偏差，(u,v)表示图像的频率坐标；使用成像系统模糊点扩散函数对步骤2得到的图像g1(x,y)进行最小二乘方滤波，得到去除成像系统模糊的图像G2(u,v)
其中G1(u,v)是图像g1(x,y)的傅里叶频谱，H1 *(u,v)表示H1(u,v)的复共轭，η1表示图像的噪声水平，对G2(u,v)进行反傅里叶变换，即得到复原图像g2(x,y)；根据探测窗附近的流场数据，计算气动热辐射效应的辐射强度，将图像g2(x,y)减去该矩阵得到去除气动热辐射的复原图像g3(x,y)；
步骤4：对步骤3得到的图像g3(x,y)的频谱G3(u,v)进行图像处理后进行Radon变换；Radon变换曲线最大值对应的角度即为退化图像的运动模糊角度，在模糊角方向上计算主峰两侧的差值即为退化图像的运动模糊尺度，继而得到包含角度与尺度的矢量线段作为运动模糊点扩散函数H2(u,v)；使用运动模糊点扩散函数H2(u,v)对步骤3得到的去除成像系统模糊的图像g3(x,y)进行最小二乘方滤波，生成去除运动模糊的图像G4(u,v)：
其中G3(u,v)是图像g3(x,y)的傅里叶变换，η2表示图像的噪声水平；对G4(u,v)进行反傅里叶变换，即得到复原图像g4(x,y)；计算图像g4(x,y)的清晰度平均梯度，相比于步骤1的数值是否有大于5％的提升，是则进入下一步骤；否则回到步骤3，同时适当提高图像的噪声水平η1和η2的数值；
步骤5：判断是否能够获取风洞试验或实测场景中复杂成像条件下的流场数据，针对能够获取流场数据的情况继续执行步骤6，针对无法获取流场数据的情况直接执行步骤7；
步骤6：对入射光线进行仿真，确定光线入射角，采用固定步长的方式，计算光线经过整个流场后的光程OPL，对其取平均后计算光线的光程差
根据光程差计算得到流场点扩散函数H3(u,v)；使用H3(u,v)对步骤4得到的图像g4(x,y)进行最小二乘方滤波
其中η3表示图像的噪声水平；得到最终的复杂光学成像条件下清晰复原图像G5(u,v)，对G5(u,v)进行反傅里叶变换，即得到复原图像g5(x,y)；计算图像g5(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1的数值，全都是则进入下一步骤；否则重新执行步骤6，同时适当提高图像的噪声水平η3的数值；
步骤7：获取背景随机点阵图像，分别在无流场和有流场两种情况下进行拍摄得到一组关联图像；对多组关联图像进行互相关运算，获取多组互相关查问区位移变化矢量后进行时间平均处理；将处理后的位移矢量进行SouthWell线性积分运算，得到波前光程差OPD，最后根据OPD计算出流场点扩散函数H4(u,v)；使用PSF对步骤4得到的图像g4(x,y)进行最小二乘方滤波
其中η4表示图像的噪声水平；得到最终的复杂光学成像条件下清晰复原图像G6(u,v)，对G6(u,v)进行反傅里叶变换，即得到复原图像g6(x,y)；计算图像g6(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1的数值，全都是则进入下一步骤；否则重新执行步骤7，同时适当提高图像的噪声水平η4的数值；
步骤8：计算图像综合质量评价指标，当该综合图像质量参数大于某阈值时，认为图像复原效果较好，完成图像复原；否则返回步骤2，适当提高公式中图像的噪声水平，重新进行计算。
下面对具体实现方式进行介绍。
在本发明的一个具体实施例中，所述步骤1为：计算原始退化图像g0(x,y)的图像质量评价参数，主要步骤为：
1-1：计算原始退化图像g0(x,y)和参考图像g0'(x,y)的峰值信噪比PSNR
其中，M、N表示图像的长和宽，g(x,y)表示失真图像中点(x,y)像素值，g′(x,y)表示参考图像像素值，L为像素灰度的最大值，一般采用255。
1-2：计算原始退化图像g0(x,y)的清晰度平均梯度
其中
kx(x,y)和ky(x,y)代表x和y方向在像素点(x,y)处Sobel算子计算的图像梯度，l(x,y)代表在像素点(x,y)处Laplacian算子计算的图像梯度。
1-3：计算原始退化图像g0(x,y)像素值最大点坐标(xmax1,ymax1)。
本实施例中，步骤2为：对原始退化图像g0(x,y)进行去噪处理，主要步骤为：
2-1：对原始退化图像g0(x,y)进行腐蚀操作，将噪声点进行平滑，使图像噪声变成同一水平的块状；
2-2：将腐蚀后的图像进行形态学重构，提取原始图像中特征的连通区域，使用腐蚀后的图像和原始图像分别作为标记和掩膜，用以约束变换的过程，实现图像的开运算，得到去噪图像g1(x,y)。分别对均匀气动退化图像和随机气动退化图像进行处理，结果分别如图2(a)和图2(b)所示，该附图是对退化图像去噪后的复原图像。
2-3：计算图像g1(x,y)的峰值信噪比PSNR，判断该数值相比于步骤1-1得到的PSNR数值的提升量是否大于5dB，是则进入下一步骤，否则重新进行步骤2。
本实施例中，步骤3为：将成像系统产生模糊的点扩散函数近似看作是高斯函数，定义为：
其中，σ是正态分布的标准偏差，(u,v)是图像的频率坐标。标准偏差σ决定了点扩散函数的平滑度，σ越大，远处像素对中心像素的影响越大，图像越平滑。由于成像系统的点扩散函数H1(u,v)不会根据成像场合的不同而产生差别，因此可以经过实验确定点扩散函数H1(u,v)参数。步骤3具体包括如下步骤：
3-1：获取多张经过成像系统的点光源退化图像，该图像包含成像系统噪声与模糊。对多张图片先加权平均以抑制噪声，再对噪声抑制图像进行傅立叶变换得到退化图像频谱。
3-2：对退化图像频谱进行边缘检测，应用Sobel算子逼近，寻找图像梯度最大的点来查找边缘，边缘点设置为1，非边缘点设置为0，确定边缘点后计算非0区域半径大小，得到参数r。
3-3：标准偏差σ一般取值在0-8之间，使用参数r和σ对步骤2-2得到的图像g1(x,y)进行维纳滤波，计算滤波后图像的PSNR，取PSNR最优值的标准偏差σ作为高斯核标准偏差σ的估计值，得到成像系统点扩散函数H1(u,v)。
3-4：对步骤2-2得到的图像g1(x,y)进行约束最小二乘方滤波，得到去除成像系统模糊的图像G2(u,v)
其中G1(u,v)是图像g1(x,y)的傅里叶频谱，H1 *(u,v)表示H1(u,v)的复共轭，η1表示图像的噪声水平，根据经验值进行选择。对G2(u,v)进行反傅里叶变换，即得到复原图像g2(x,y)。
3-5：根据探测窗附近的辐射数据，计算气动热辐射效应的辐射强度，分别计算CO2在2.7μm、4.3μm及H2O在1.9μm、2.7μm、6.3μm的辐射强度，插值后得到与退化图像相同大小的辐射矩阵，将步骤3-4中得到的图像g2(x,y)减去该矩阵得到去除气动热辐射的复原图像g3(x,y)。针对均匀气动退化图像可以得到完全滤除气动热辐射的复原图像；对于随机气动退化图像，由于步骤2中已经对图像进行了去噪处理，该处理对气动随机辐射也有一定的滤除效果，因此不再做其余处理，得到复原图像如图3(a)和图3(b)所示，该附图是对退化图像进行去探测器模糊和去除气动热辐射后的复原图像。
本实施例中，步骤4为：对图像进行去除运动模糊处理，主要步骤如下：
4-1：由于成像面CCD或者近红外成像面的曝光时间极短，在这个曝光时间段可以近似认为飞行器与成像探测器之间进行相对匀速运动，因此运动模糊的点扩散函数H2(u,v)为一条直线。对图像g3(x,y)进行傅立叶变换得到图像频谱G3(u,v)，对图像频谱进行对数变换。由于频谱四周会出现中心亮线，因此对图像进行边缘裁剪。将裁减后的频谱图像中u＝v＝0的点人为移动到中心位置，得到居中后的频谱图像。对居中后的频谱图像进行边缘检测，使用Canny算子进行计算，其检测结果如图4所示。
4-2：在成像面上的图像正以一定速度和角度进行模糊退化，其水平方向速度为a，垂直方向速度为b，则运动模糊点扩散函数H2(u,v)可以表示为
其中M、N图像大小，t为图像曝光时间，(x,y)为图像坐标点，u取值为0～(N-1)，v取值为0～M-1，可将上式表示为离散形式
根据H2(u,v)的变化规律得到，退化图像频谱G3(u,v)满足在
时显示为黑色条纹(其中黑色为底、低灰度、白色为高灰度)，最终呈现出明暗交替的条纹。退化图像频谱条纹与水平的夹角α即为直线
的倾斜角度，可以用公式表示为
对步骤4-1得到的边缘检测结果二值化处理后进行0-180°范围的Radon变化，得到Radon曲线后，其最大值对应的角度即为运动模糊角度。
4-3：使用步骤4-2中的方法获得模糊角度后，在此模糊角度上绘制Radon变换曲线，计算主峰两侧的差值，该差值即为图像的模糊尺度。
4-4：根据步骤4-2和4-3中得到的模糊尺度和模糊角度，绘制运动模糊的点扩散函数H2(u,v)。对步骤3-5得到的图像g3(x,y)进行约束最小二乘方滤波，得到图像G4(u,v)
其中G3(u,v)是图像g3(x,y)的傅里叶变换，η2表示图像的噪声水平，根据经验值进行选择。对G4(u,v)进行反傅里叶变换，即得到复原图像g4(x,y)，复原结果如图5(a)和图5(b)所示，该附图是对退化图像去除运动模糊后的复原图像。
4-5：计算步骤4-4得到的图像g4(x,y)的清晰度平均梯度，相比于步骤1-2的数值是否有大于5％的提升，是则进入下一步骤；否则返回步骤3-4，适当提高图像的噪声水平η1和η2的数值，重新进行计算。
本实施例中，步骤5为：判断是否能够获取风洞试验或实测场景中复杂成像条件下的流场数据，针对能够获取流场数据的情况继续执行步骤6，针对无法获取流场数据的情况直接执行步骤7；
本实施例中，步骤6为：对于已经获得实测或仿真流场数据的情况，使用流场的瞬态折射率进行分析。
6-1：对入射光线进行仿真，观测的目标为无限远处的某个点光源，因此入射光线可以近似为一束平行光，入射的范围为光学成像系统的有效窗口范围。确定光线在飞行器攻角为0度时相对于流场的入射角，固定步长为0.001米，每次移动一个步长视为发生一次折射，下一次步长中空气折射率取距离该点最近的流场中点的折射率。设第i条光线行走了k个步长，其每一步步长设为Δl，每一步步长中的折射率为nj，由光线追迹法得到的光程为
6-2：主光线设置为正对成像系统光轴中心的一条光线，设其光程差为
第i条光线光程差为
在光瞳成像处的位置为(xi,yi)，则第i条光线经过流场产生的波相差为
其中λ表示光的波长，实际的光瞳函数相当于理想条件下光瞳函数与波相差复振幅函数的乘积，即
A(x,y)＝A0(x,y)×ejw(x,y)
其中A0(x,y)是理想条件下的光瞳函数。对光瞳函数进行二维傅立叶变换，得到衍射复振幅分布
将复振幅分布与其共轭函数进行相乘后归一化处理，获得最终的点扩散函数H3(u,v)
H3(u,v)＝U(u,v)×U*(u,v)
6-3：结合步骤6-2得到的H3(u,v)对步骤4-4中得到的图像g4(x,y)进行约束最小二乘方滤波
其中η3表示图像的噪声水平，根据经验值进行选择。对G5(u,v)进行反傅里叶变换，即得到复原图像g5(x,y)，结果如图6(a)和图6(b)所示，该附图是对退化图像去除因气动光学效应导致的模糊和像素畸变后的复原图像。
6-4：计算步骤6-3得到图像g5(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4-5的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1-3的数值，全都是则进入下一步骤；否则返回步骤6-3，适当提高图像的噪声水平η3的数值，重新进行计算。
本实施例中，步骤7为：对于无法获得实测或仿真流场数据的情况，可以采用背景纹影技术对点扩散函数进行建模，具体步骤如下：
7-1：获取一组无流场时的随机背景点阵和有流场时的随机背景点阵，结果如图7(a)和图7(b)所示。对经过流场的背景点阵图像做加强对比度处理，对上述一组图像进行互相关运算，分别采用窗口为32*32、步长为16*16，窗口为16*16、步长为8*8，窗口为8*8、步长为4*4的查问区，对两幅图像进行基于FFT的互相关运算。对于大小为512*512像素的背景点阵图像，最终得到128个查问区，获取到128个查问区中的像素点偏移图像。
7-2：采用SouthWell算法，对周围四个点进行积分后取平均得到每个点的光程OPL，即
其中，σ表示权重，对于不存在的点的权重取0，其余点的权重取1，(i,j)表示像素点偏移图像中像素点坐标，H为背景到流场中心的距离，Δx为各查问区像素x方向的偏移距离，Δy为各查问区像素y方向的偏移距离，h、l分别为查问区的高度和宽度。假设(0,0)点的波前初始值为0，则各查问区的波前初始值为
得到初始值后进行迭代，迭代次数根据相邻两步之间的相对差值确定。由于差分的不连续性，波前数据在各个取值点可能会不连续，因此对得到波前数据进行平滑处理。
7-3：根据步骤7-2中得到的波前数据，同步骤6-2，计算得到气动光学效应的点扩散函数H4(u,v)。
7-4：结合步骤7-3得到的H4(u,v)对步骤4-4中得到的图像G4(u,v)进行约束最小二乘方滤波
其中η4表示图像的噪声水平，根据经验值进行选择。对G6(u,v)进行反傅里叶变换，即得到复原图像g6(x,y)，结果如图8(a)和图8(b)所示，该附图是对退化图像去除因气动光学效应导致的模糊和像素畸变后的复原图像。
7-5：计算步骤7-4得到图像g6(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4-5的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1-3的数值，全都是则进入下一步骤；否则返回步骤7-4，适当提高图像的噪声水平η4的数值，重新进行计算。
本实施例中，步骤8为：计算图像综合质量评价参数，主要步骤为：
8-1：计算最终复原清晰图像g5(x,y)、g6(x,y)的SSIM指标
SSIM＝[L((g(x,y),g′(x,y))]α·[C((g(x,y),g′(x,y))]β·[S((g(x,y),g′(x,y))]γ
其中，L((g(x,y),g′(x,y))、C((g(x,y),g′(x,y))、S((g(x,y),g′(x,y))分别是参考图像与失真图像的灰度相似度、对比度相似度和结构相似度，α、β、γ是权重，一般取α＝β＝γ＝1。
8-2：计算最终复原清晰图像g5(x,y)、g6(x,y)的MSSIM指标
其中M表示对参考图像和失真图像进行低通滤波器和1/2降采样的次数，一般取αM＝βj＝γj且
8-3：计算最终复原清晰图像g5(x,y)、g6(x,y)的GSSIM指标
GSSIM＝[L((g(x,y),g′(x,y))]α·[C((g(x,y),g′(x,y))]β·[G((g(x,y),g′(x,y))]γ
其中G((g(x,y),g′(x,y))为基于梯度分量的结构相似度。
8-4：计算综合图像质量参数
其中τ1、τ2、τ3为权重，一般取τ1＝τ2＝τ3＝1。当该综合图像质量参数大于某阈值时，认为图像复原效果较好，完成图像复原，该阈值一般取值大于0.95；否则返回步骤2，适当提高公式中图像的噪声水平，重新进行计算。
本发明实施例的方法，对比现有技术，充分考虑到图像退化的机理，针对不同的退化方式应用多种算法，比起单一算法的图像复原能够得到更好的复原效果，同时针对实测数据获取困难的问题增加了背景纹影技术的流场建模方法，增加了方法的实用性，可实现从图像预处理到最终图像质量评价的全过程，复原的精确性和质量都达到了要求。
本发明实施例所示的附图说明，可使本发明的目的、技术方案及优点介绍得更加清楚明白。应当说明，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。凡在本发明提供的方法思路和原则之内所作的等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，包括如下步骤：
步骤1：计算原始退化图像g0(x,y)的峰值信噪比PSNR、清晰度平均梯度和图像像素值最大点坐标；
步骤2：对退化图像进行形态学滤波，去除成像系统在成像过程中引入的噪声及部分气动热辐射效应产生的噪声，得到去噪图像g1(x,y)；计算图像g1(x,y)的峰值信噪比PSNR，判断该数值与步骤1得到的PSNR数值的提升量是否大于5dB，是则进入下一步骤，否则重新进行步骤2；
步骤3：仿真多张经过成像系统的点光源图像，对多张点光源图像求平均以减少噪声影响；将平均后的图像进行傅里叶变换后进行边缘检测，处理后得到成像系统的模糊半径r和标准偏差σ的估计值，通过高斯函数建模，得到成像系统模糊点扩散函数H1(u,v)：
其中σ是正态分布的标准偏差，(u,v)表示图像的频率坐标；使用成像系统模糊点扩散函数对步骤2得到的图像g1(x,y)进行最小二乘方滤波，得到去除成像系统模糊的图像G2(u,v)
其中G1(u,v)是图像g1(x,y)的傅里叶频谱，H1 *(u,v)表示H1(u,v)的复共轭，η1表示图像的噪声水平，对G2(u,v)进行反傅里叶变换，即得到复原图像g2(x,y)；根据探测窗附近的流场数据，计算气动热辐射效应的辐射强度，将图像g2(x,y)减去该矩阵得到去除气动热辐射的复原图像g3(x,y)；
步骤4：对步骤3得到的图像g3(x,y)的频谱G3(u,v)进行图像处理后进行Radon变换；Radon变换曲线最大值对应的角度即为退化图像的运动模糊角度，在模糊角方向上计算主峰两侧的差值即为退化图像的运动模糊尺度，继而得到包含角度与尺度的矢量线段作为运动模糊点扩散函数H2(u,v)；使用运动模糊点扩散函数H2(u,v)对步骤3得到的去除成像系统模糊的图像g3(x,y)进行最小二乘方滤波，生成去除运动模糊的图像G4(u,v)：
其中G3(u,v)是图像g3(x,y)的傅里叶变换，η2表示图像的噪声水平；对G4(u,v)进行反傅里叶变换，即得到复原图像g4(x,y)；计算图像g4(x,y)的清晰度平均梯度，相比于步骤1的数值是否有大于5％的提升，是则进入下一步骤；否则回到步骤3，同时适当提高图像的噪声水平η1和η2的数值；
步骤5：判断是否能够获取风洞试验或实测场景中复杂成像条件下的流场数据，针对能够获取流场数据的情况继续执行步骤6，针对无法获取流场数据的情况直接执行步骤7；
步骤6：对入射光线进行仿真，确定光线入射角，采用固定步长的方式，计算光线经过整个流场后的光程OPL，对其取平均后计算光线的光程差
根据光程差计算得到流场点扩散函数H3(u,v)；使用H3(u,v)对步骤4得到的图像g4(x,y)进行最小二乘方滤波
其中η3表示图像的噪声水平；得到最终的复杂光学成像条件下清晰复原图像G5(u,v)，对G5(u,v)进行反傅里叶变换，即得到复原图像g5(x,y)；计算图像g5(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1的数值，全都是则进入下一步骤；否则重新执行步骤6，同时适当提高图像的噪声水平η3的数值；
步骤7：获取背景随机点阵图像，分别在无流场和有流场两种情况下进行拍摄得到一组关联图像；对多组关联图像进行互相关运算，获取多组互相关查问区位移变化矢量后进行时间平均处理；将处理后的位移矢量进行SouthWell线性积分运算，得到波前光程差OPD，最后根据OPD计算出流场点扩散函数H4(u,v)；使用PSF对步骤4得到的图像g4(x,y)进行最小二乘方滤波
其中η4表示图像的噪声水平；得到最终的复杂光学成像条件下清晰复原图像G6(u,v)，对G6(u,v)进行反傅里叶变换，即得到复原图像g6(x,y)；计算图像g6(x,y)的清晰度平均梯度和图像像素值最大点坐标，清晰度平均梯度相比于步骤4的数值是否有大于5％的提升且图像像素值最大点坐标是否不同于步骤1的数值，全都是则进入下一步骤；否则重新执行步骤7，同时适当提高图像的噪声水平η4的数值；
步骤8：计算图像综合质量评价指标，当该综合图像质量参数大于某阈值时，认为图像复原效果较好，完成图像复原；否则返回步骤2，适当提高公式中图像的噪声水平，重新进行计算。
2.根据权利要求1所述的基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，步骤1中清晰度平均梯度定义为
其中
kx(x,y)和ky(x,y)代表x和y方向在像素点(x,y)处Sobel算子计算的图像梯度，l(x,y)代表在像素点(x,y)处Laplacian算子计算的图像梯度。
3.根据权利要求1所述的基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，步骤3中经过成像系统的点光源图像为点光源下模糊图像，其包含一定的成像系统噪声，因此获取同一点光源下的多张噪声与模糊污染后图像，对多张图片先加权平均以抑制噪声。
4.根据权利要求1所述的基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，步骤3中先使用Sobel算子进行边缘检测寻找图像梯度最大的点来查找边缘，边缘点设置为1，非边缘点设置为0，确定边缘点后计算非0区域半径大小，得到参数r，再应用单一变量方法根据复原图像的PSNR最大值确定最优标准偏差σ。
5.根据权利要求1所述的基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，步骤4中得到图像g3(x,y)频谱G3(u,v)后按顺序对图像进行如下图像处理：
a)对G3(u,v)对数变换，增大频谱图像对比度；
b)边缘裁剪，去除图像频谱四周亮线对检测结果的影响；
c)将u＝v＝0的点人为移动到中心位置；
d)边缘检测；
e)边缘点设置为1，其余点设置为0，得到二值化矩阵；
将处理的结果进行后续的Radon变化。
6.根据权利要求1所述的基于实测数据的复杂光学成像条件下的图像复原算法，其特征在于，步骤6具体过程为：
a)对入射光线进行仿真，观测的目标为无限远处的某个点光源，因此入射光线可以近似为一束平行光，入射的范围为光学成像系统的有效窗口范围；确定光线在飞行器攻角为0度时相对于流场的入射角，固定步长为0.001米，每次移动一个步长视为发生一次折射，下一次步长中空气折射率取距离该点最近的流场中点的折射率；设第i条光线行走了k个步长，其每一步步长设为Δl，每一步步长中的折射率为nj，由光线追迹法得到的光程为
b)主光线设置为正对成像系统光轴中心的一条光线，设其光程差为
第i条光线光程差为
在光瞳成像处的位置为(xi,yi)，则第i条光线经过流场产生的波相差为
其中λ表示光的波长；
c)实际的光瞳函数相当于理想条件下光瞳函数与波相差复振幅函数的乘积，即
A(x,y)＝A0(x,y)×ejw(x,y)
其中A0(x,y)是理想条件下的光瞳函数，j为复数标识；
d)对光瞳函数进行二维傅立叶变换，得到衍射复振幅分布：
e)将复振幅分布与其共轭函数进行相乘后归一化处理，获得最终的点扩散函数H3(u,v)
H3(u,v)＝U(u,v)×U*(u,v)
得到点扩散函数H3(u,v)后，进行后续对退化图像进行复原。
7.根据权利要求1所述的基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，步骤7具体过程为：
a)获取无流场时的随机背景点阵和有流场时的随机背景点阵；
b)对经过折射率场的背景点阵图像做加强对比度处理，进行多次互相关计算，获取像素偏移信息；
c)采用SouthWell的拟合算法，采用周围四个点进行积分后取平均得到每个点的光程，即
其中，σ表示权重，对于不存在的点的权重取0，其余点的权重取1，(i,j)表示图像像素点坐标，H为背景到流场中心的距离，Δx为各查问区像素x方向的偏移距离，Δy为各查问区像素y方向的偏移距离，h、l分别为查问区的高度和宽度；假设(0,0)点的波前初始值为0，则各查问区的波前初始值为
其中h、l分别为查问区的高度和宽度；之后进行迭代，迭代次数根据相邻两步之间的相对差值确定；由于差分的不连续性，波前数据在各个取值点可能会不连续，因此对波前数据进行平滑处理；
d)主光线设置为正对成像系统光轴中心的一条光线，设其光程差为
第i条光线光程差为
在光瞳成像处的位置为(xi,yi)，则第i条光线经过流场产生的波相差为
其中λ表示光的波长；
e)实际的光瞳函数相当于理想条件下光瞳函数与波相差复振幅函数的乘积，即
A(x，y)＝A0(x，y)×ejw(x，y)
其中A0(x，y)是理想条件下的光瞳函数，j为复数标识；
f)对光瞳函数进行二维傅立叶变换，得到衍射复振幅分布
g)将复振幅分布与其共轭函数进行相乘后归一化处理，获得最终的点扩散函数H3(u，v)
H3(u，v)＝U(u，v)×U*(u，v)
得到点扩散函数H4(u，v)后，进行后续对退化图像进行复原。
8.根据权利要求7所述的基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，进行互相关计算时，根据图像大小，采用窗口为32*32、步长为16*16，窗口为16*16、步长为8*8，窗口为8*8、步长为4*4的查问区进行互相关计算，最终得到128个查问区，获取到128个查问区中的像素点偏移情况。
9.根据权利要求1所述的基于实测数据的复杂光学成像条件下的图像复原方法，其特征在于，步骤8中的综合图像质量参数定义为
其中τ1、τ2、τ3为权重；SSIM定义为：
SSIM＝[L((g(x，y)，g′(x，y))]α·[C((g(x，y)，g′(x，y))]β·[S((g(x，y)，g′(x，y))]γ
其中，L((g(x，y)，g′(x，y))、C((g(x，y)，g′(x，y))、S((g(x，y)，g′(x，y))分别是参考图像与失真图像的灰度相似度、对比度相似度和结构相似度，α、β、γ是权重；MSSIM定义为：
其中M表示对参考图像和失真图像进行低通滤波器和1/2降采样的次数，αM＝βj＝γj且
GSSIM定义为：
GSSIM＝[L((g(x，y)，g′(x，y))]α·[C((g(x，y)，g′(x，y))]β·[G((g(x，y)，g′(x，y))]γ
其中G((g(x，y)，g′(x，y))为参考图像与失真图像基于梯度分量的结构相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210519453.XA CN114972083A (zh) | 2022-05-12 | 2022-05-12 | 一种基于实测数据的复杂光学成像条件下图像复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210519453.XA CN114972083A (zh) | 2022-05-12 | 2022-05-12 | 一种基于实测数据的复杂光学成像条件下图像复原方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114972083A true CN114972083A (zh) | 2022-08-30 |
Family
ID=82982615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210519453.XA Pending CN114972083A (zh) | 2022-05-12 | 2022-05-12 | 一种基于实测数据的复杂光学成像条件下图像复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972083A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116095291A (zh) * | 2023-03-07 | 2023-05-09 | 山东爱特云翔计算机有限公司 | 一种用于媒体流图像传输的图像预处理方法 |
| CN116718344A (zh) * | 2023-08-10 | 2023-09-08 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种多参数的推力矢量喷流光学标定方法 |
| CN117369126A (zh) * | 2023-12-06 | 2024-01-09 | 中国科学院长春光学精密机械与物理研究所 | 干涉检测中串扰条纹的仿真方法 |
-
2022
- 2022-05-12 CN CN202210519453.XA patent/CN114972083A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116095291A (zh) * | 2023-03-07 | 2023-05-09 | 山东爱特云翔计算机有限公司 | 一种用于媒体流图像传输的图像预处理方法 |
| CN116095291B (zh) * | 2023-03-07 | 2023-06-16 | 山东爱特云翔计算机有限公司 | 一种用于媒体流图像传输的图像预处理方法 |
| CN116718344A (zh) * | 2023-08-10 | 2023-09-08 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种多参数的推力矢量喷流光学标定方法 |
| CN116718344B (zh) * | 2023-08-10 | 2023-10-27 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种多参数的推力矢量喷流光学标定方法 |
| CN117369126A (zh) * | 2023-12-06 | 2024-01-09 | 中国科学院长春光学精密机械与物理研究所 | 干涉检测中串扰条纹的仿真方法 |
| CN117369126B (zh) * | 2023-12-06 | 2024-02-13 | 中国科学院长春光学精密机械与物理研究所 | 干涉检测中串扰条纹的仿真方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114972083A (zh) | 一种基于实测数据的复杂光学成像条件下图像复原方法 | |
| CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
| CA2783900C (en) | Reflection removal system | |
| CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
| 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 | |
| CN106096604A (zh) | 基于无人平台的多波段融合探测方法 | |
| CN105976330A (zh) | 一种嵌入式雾天实时视频稳像方法 | |
| CN113902633B (zh) | 一种基于偏振信息的海面搜救目标强化方法 | |
| CN114972081A (zh) | 一种基于盲复原的复杂光学成像条件下图像复原方法 | |
| CN109993174B (zh) | 一种基于噪声抑制的空中目标检测方法及系统 | |
| CN107610159A (zh) | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 | |
| CN115761563A (zh) | 一种基于光流测算的河流表面流速的计算方法及系统 | |
| Jiang et al. | Automatic space debris extraction channel based on large field of view photoelectric detection system | |
| CN113223074A (zh) | 一种水下激光条纹中心提取方法 | |
| Ding et al. | Restoration of single sand-dust image based on style transformation and unsupervised adversarial learning | |
| Sizikov et al. | Removal of Complex Image Distortions via Solving Integral Equations Using the" Spectral Method". | |
| CN104063864A (zh) | 基于四元相位叠合模型的图像模糊度评估方法 | |
| CN111553876B (zh) | 一种气动光学视线误差图像处理方法及系统 | |
| Sizikov et al. | Reconstruction of images smeared uniformly and non-uniformly. | |
| CN112907464A (zh) | 一种水下热扰动图像复原方法 | |
| Dai et al. | Effective detection by fusing visible and infrared images of targets for Unmanned Surface Vehicles | |
| Arbel et al. | Landsat TM satellite image restoration using Kalman filters | |
| CN118172242B (zh) | 一种无人机水面影像拼接方法、介质及系统 | |
| CN115096196B (zh) | 一种用于火箭回收的视觉测高测速方法、系统及存储介质 | |
| CN112734806B (zh) | 基于峰值尖锐指导置信度的视觉目标跟踪方法与装置 |
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 |