CN116091367B - 光学遥感图像盲去模糊方法、装置、设备和介质 - Google Patents
光学遥感图像盲去模糊方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116091367B CN116091367B CN202310371128.8A CN202310371128A CN116091367B CN 116091367 B CN116091367 B CN 116091367B CN 202310371128 A CN202310371128 A CN 202310371128A CN 116091367 B CN116091367 B CN 116091367B
- Authority
- CN
- China
- Prior art keywords
- image
- estimated
- iteration
- steps
- internal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000003287 optical effect Effects 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 20
- 238000004590 computer program Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种光学遥感图像盲去模糊方法，可以应用于图像处理技术领域。该方法包括：S1，对待估计图像进行迭代；S2，判断外部迭代的步数是否到达上限；S3，在到达上限的情况下，基于当前待估计图像的模糊核，对待估计图像进行去模糊处理；S4，在没有到达上限的情况下，设置待估计图像的模糊核的内部迭代的步数；S5，判断内部迭代的步数是否大于上限；S6，在大于上限的情况下，更新模糊核的估计值，并增加一次外部迭代的步数，再次执行S2；S7，在不大于上限的情况下，计算待估计图像的掩膜，并根据待估计图像的掩膜更新内部迭代的步数，再次执行S5。本发明还提供了一种光学遥感图像盲去模糊装置、设备和存储介质，计算耗时更短。
Description
技术领域
本发明涉及图像处理领域，具体地涉及一种光学遥感图像盲去模糊方法、装置、设备和介质。
背景技术
目前的遥感图像去模糊的方法中，基于最大后验概率估计的方法将遥感图像模糊的过程做出建模，这种建模符合模糊形成的物理过程。同时它将去模糊问题转化为一个信号恢复和重建问题，从而通过最优化方法求解，拥有丰富扎实的理论基础，对收敛性、约束求解方法都做了完善的理论工作。然而，最大后验概率估计方法的问题是实际求解过程偏复杂。
基于深度学习的方法在近几年发展迅猛，以卷积神经网络、对抗生成网络等为代表的方法一方面通过强大的特征提取能力，能够更好地提取模糊特征和还原清晰图像，一方面依靠目前的深度学习推理框架，能够极大提高计算速度，同时兼顾图像恢复性能。然而，深度学习方法有以下若干缺点：一个是极其依赖数据，其性能的提升很大程度上依赖于大规模数据集，大量可用的清晰、模糊样本在实际场景中不一定可用；另一个是基于深度学习的图像去模糊往往只能针对某一种成因的模糊有效，泛化性有限，难以很好地应对模糊成因多重且复杂的实际场景。
发明内容
鉴于上述问题，本发明提供了一种光学遥感图像盲去模糊方法、装置、设备和介质。
根据本发明的第一个方面，提供了一种光学遥感图像盲去模糊方法，包括：
S1，对待估计图像进行迭代，所述迭代包括内部迭代和外部迭代；
S2，判断所述外部迭代的步数是否到达外部迭代步数上限；
S3，在所述外部迭代的步数到达所述外部迭代步数上限的情况下，基于当前所述待估计图像的模糊核，对所述待估计图像进行去模糊处理；
S4，在所述外部迭代步数没有到达所述外部迭代步数上限的情况下，设置所述待估计图像的模糊核的内部迭代的步数；
S5，判断所述内部迭代的步数是否大于内部迭代步数上限；
S6，在所述内部迭代的步数大于所述内部迭代步数上限的情况下，更新所述模糊核的估计值，并增加一次所述外部迭代的步数，再次执行S2；
S7，在所述内部迭代的步数不大于所述内部迭代步数上限的情况下，计算所述待估计图像的掩膜，并根据所述待估计图像的掩膜更新所述内部迭代的步数，再次执行S5。
本发明的第二方面提供了一种光学遥感图像盲去模糊装置，包括：
迭代模块，用于对待估计图像进行迭代，所述迭代包括内部迭代和外部迭代；
第一判断模块，用于判断所述外部迭代的步数是否到达外部迭代步数上限；
模糊处理模块，用于在所述外部迭代的步数到达所述外部迭代步数上限的情况下，基于当前所述待估计图像的模糊核，对所述待估计图像进行去模糊处理；
设置模块，用于在所述外部迭代步数没有到达所述外部迭代步数上限的情况下，设置所述待估计图像的模糊核的内部迭代的步数；
第二判断模块，用于判断所述内部迭代的步数是否大于内部迭代步数上限；
更新模块，用于在所述内部迭代的步数大于所述内部迭代步数上限的情况下，更新所述模糊核的估计值，并增加一次所述外部迭代的步数，再次执行所述第一判断模块；
计算模块，用于在所述内部迭代的步数不大于所述内部迭代步数上限的情况下，计算所述待估计图像的掩膜，并根据所述待估计图像的掩膜更新所述内部迭代的步数，再次执行所述第二判断模块。
本发明的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述光学遥感图像盲去模糊方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述光学遥感图像盲去模糊方法。
根据本发明实施例，利用遥感图像各波段天然对齐的特点，通过简单的加减运算，即实现了充分利用多波段遥感图像中已有的清晰波段的信息，从而完成遥感图像的去模糊。本发明方法处理质量显著高于同类方法，同时具有计算耗时短、适用范围广、无需大量数据用于训练等，实用性较高。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本发明实施例的光学遥感图像盲去模糊方法的流程图；
图2示意性示出了根据本发明实施例的光学遥感图像盲去模糊方法的流程图；
图3示意性示出了根据本发明实施例模拟大气扰动模糊处理效果对比的示意图；
图4示意性示出了根据本发明实施例模拟运动模糊处理效果对比的示意图；
图5示意性示出了根据本发明实施例模拟失焦模糊处理效果对比的示意图；
图6示意性示出了根据本发明实施例一种高分多模卫星遥感图像的真实模糊处理结果的示意图；
图7示意性示出了根据本发明实施例另一种高分多模卫星遥感图像的真实模糊处理结果的示意图；
图8示意性示出了根据本发明实施例又一种高分多模卫星遥感图像的真实模糊处理结果的示意图；
图9示意性示出了根据本发明实施例再一种高分多模卫星遥感图像的真实模糊处理结果的示意图；
图10示意性示出了根据本发明实施例的光学遥感图像盲去模糊装置的结构框图；以及
图11示意性示出了根据本发明实施例的适于实现光学遥感图像盲去模糊方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。
遥感图像的定义为包含某一区域位置特定地理环境信息的综合影像，是一类通过遥感手段获得的特殊类别的图像，在当今生活中具有重要应用。在获取过程中，遥感图像常常由于各种干扰因素出现退化现象，导致可用性和易读性变差，甚至遥感信息出现偏差等影响。其中，图像模糊是常见退化现象之一。
模糊的遥感图像，在数学上通常被建模为清晰图像与模糊核的卷积与符合某一分布的加性噪声的叠加，其中模糊核通常可以看作一个低通滤波器，遥感图像的模糊通常也意味着纹理边缘等高频信息的丢失。遥感图像去模糊任务的目标，就是从因模糊而失真退化的遥感图像中估算出原本的清晰图像。去除遥感图像的模糊能够大幅提高遥感图像的品质。
图1示意性示出了根据本发明实施例的光学遥感图像盲去模糊方法的流程图。
如图1所示，该实施例的光学遥感图像盲去模糊方法包括操作S1~操作S7。
S1，对待估计图像进行迭代，该迭代包括内部迭代和外部迭代；
S2，判断该外部迭代的步数是否到达外部迭代步数上限；
S3，在该外部迭代的步数到达该外部迭代步数上限的情况下，基于当前该待估计图像的模糊核，对该待估计图像进行去模糊处理；
S4，在该外部迭代步数没有到达该外部迭代步数上限的情况下，设置该待估计图像的模糊核的内部迭代的步数；
S5，判断该内部迭代的步数是否大于内部迭代步数上限；
S6，在该内部迭代的步数大于该内部迭代步数上限的情况下，更新该模糊核的估计值，并增加一次该外部迭代的步数，再次执行S2；
S7，在该内部迭代的步数不大于该内部迭代步数上限的情况下，计算该待估计图像的掩膜，并根据该待估计图像的掩膜更新该内部迭代的步数，再次执行S5。
在本发明一实施例中，该待估计图像的掩膜的计算公式如下：
其中，i为外部迭代步数，t为内部迭代步数，为在第i次外部迭代的第t次内部迭代下输出的待估计图像，/>为在第i次外部迭代的第t次内部迭代下输出的待估计图像在（x，y）坐标处的掩膜，/>为/>的逐块最小像素的集合。
图2示意性示出了根据本发明实施例的光学遥感图像盲去模糊方法的流程图。
如图2所示，该实施例的光学遥感图像盲去模糊方法包括以下步骤S101-S110，其中，用X代表待估计的图像，也即输出的图像，Y代表模糊图像，K代表模糊图像的模糊核。
S101，设置迭代参数初始值。
设置外部迭代步数i的初始值为0，同时在每一次内部迭代过程中，设置内部迭代步数t的初始值为0。输入模糊图像Y后，此时待估计图像初始化为Xi=X0=Y，待估计模糊核初始化为Ki=K0。其中，可采用随机初始化，以避免陷入平凡解。
可以理解的，外部迭代步数上限I和内部迭代步数上限T可以根据实际情况进行设置本发明不对此做出限定，例如，外部迭代步数上限设置为I=5，内部迭代步数上限设置为T=3。
S102，计算图片掩膜。
首先置，如果内部迭代步数t大于内部迭代步数上限T，则跳转至步骤S107，否则进行如下操作：按照下式计算图像/>的掩膜/>，其中/>代表图像/>的逐块最小像素的集合。
其中，i为外部迭代步数，t为内部迭代步数，为在第i次外部迭代的第t次内部迭代下输出的待估计图像，/>为在第i次外部迭代和第t次内部迭代下输出的待估计图像在（x，y）坐标处的掩膜，/>为/>的逐块最小像素的集合。
S103，更新图像初步估计值。
通过下式更新图像初步估计值，其中/>代表矩阵逐元素相乘。
其中，Thrshd函数定义如下，X(x, y)代表待估计图像X在(x, y)坐标处的取值，为预设限制阈值。
S104，计算辅助变量。
计算，其中/>代表图像的梯度算符，/>为变量分裂法中0范数的系数：
其中，v代表辅助变量对应约束范围的一个非负系数。
S105，更新图像二次估计值。
通过下式更新待估计图像的二次估计值，/>， ，/>和/>分别代表快速傅里叶变换及其逆变换，符号上的横线代表取共轭的操作。
S106，更新迭代参数。
可以理解的，此时t=t+1，若t=T，则置t=0，。跳转至步骤S102。
S107，更新模糊核估计值。
更新，如下所示：/>
然后增加一次外部迭代次数计数，即i=i+1。此时如果外部迭代步数i达到外部迭代步数上限I，即i=I，则跳转至步骤S108；否则跳转至步骤S101。
S108，计算模糊图像差。
模糊核估计值更新为。通过模糊图像Y、模糊核估计值/>和辅助波段图像/>来计算模糊图像差/>，其中/>代表卷积操作。
S109，计算清晰图像差。
求解如下优化问题，计算图像差的估计值。
S110，计算最终输出的待估计图像，也即清晰图像估计值，并输出该待估计图像，流程结束。
在上述步骤S101至S110中，各个参数的取值可以取如下所示：=0.004，a=0.01，b=2，/>=0.1，T=3，I=5。可以理解的，以上取值仅为一个示例，本领域人员可以做出适应性改变。
根据本发明上述实施例，步骤S101~S107主要完成模糊核估计，步骤S108~S110主要完成清晰图像估计。本发明实施例使用的待估计图像的掩膜的计算方式仅对部分像素进行计算，使得分块完全覆盖图片且互不重叠，每个像素恰好遍历一次，因此时间复杂度变成O(mn)，与模糊核大小无关。采用这种方式从常数上大大降低了时间复杂度，很大程度上降低了计算量，并且仅对部分像素计算不会造成明显的质量下降。
可以理解的，模糊核估计的步骤中的高复杂度，主要出现在快速傅里叶变换及其逆变换，复杂度在O(mn*log(mn))，因此模糊核估计的时间复杂度大致为O(I*log(vmax/v0)*T* mn*log(mn))；清晰图像估计部分的复杂度在O(mn)，因此采用本发明的光学遥感图像盲去模糊方法的总复杂度为O(I*log(vmax/v0)*T* mn*log(mn))，复杂度大大降低。
根据本发明上述实施例，使用几种图像去模糊领域中常见的模糊作为模拟模糊的类型，如使用模拟大气扰动的高斯模糊，运动模糊，以及模拟失焦的圆盘模糊等。在模拟的模糊图像上，本发明的方法与传统方法对比展示出较好的处理效果。面对多种不同成因的模糊，本方法均保持较高的处理质量。相较于传统方法，本方法处理后的图片的峰值信噪比(PSNR)和结构相似指数(SSIM)两项指标普遍有显著提升（该两项指标越高，图片质量越高），主观感受上其处理效果也明显优于传统方法。详细处理效果如下图3~图5所示。
图3示意性示出了根据本发明实施例模拟大气扰动模糊处理效果对比的示意图。如图3所示，左侧为模糊图像，中间为用传统方法输出的清晰图像(PSNR=19.19, SSIM=0.4824)，右侧为用本发明输出的清晰图像(PSNR=23.64, SSIM=0.8465)。
图4示意性示出了根据本发明实施例模拟运动模糊处理效果对比的示意图。如图4所示，左侧为模糊图像，中间为用传统方法输出的清晰图像(PSNR=20.56, SSIM=0.6475)，右侧为用本发明输出的清晰图像(PSNR=24.69, SSIM=0.8323)。
图5示意性示出了根据本发明实施例模拟失焦模糊处理效果对比的示意图。如图5所示，左侧为模糊图像，中间为用传统方法输出的清晰图像(PSNR=19.71, SSIM=0.4726)，右侧为用本发明输出的清晰图像(PSNR=20.26, SSIM=0.6287)。
以高分多模卫星遥感图像的真实模糊为例，图6~9展示了传统方法和本发明的处理效果对比，从左至右依次为原图、辅助图像、已有传统方法处理效果、本发明处理效果。由于真实模糊场景下无法获取真实清晰图像，本发明采用盲评价指标对图像质量进行评价，包括盲图像空间质量评估器(BRISQUE)，自然图像质量评估器(NIQE)和基于感知的图像质量评估器(PIQE)等三项指标，指标越低，代表图像质量越高。
经实验对比，在真实模糊场景下，传统方法的三项指标平均值分别为BRISQUE=35.98，NIQE=6.18，PIQE=41.79；本发明的三项指标平均值分别为BRISQUE=34.35，NIQE=4.40，PIQE=23.58，均显著优于传统方法。由此，本发明的处理质量优越性得以体现。在处理时间上，真实模糊场景中图片大小为800*800，传统方法在步骤2中对所有像素进行了计算，用时为1423秒，本发明的方法用时约为62秒，可见用时大大缩短。
图6示意性示出了根据本发明实施例一种高分多模卫星遥感图像的真实模糊处理结果的示意图。如图6所示，左上、右上、左下、右下依次为：原图、辅助波段图像、已有传统方法处理效果、本发明处理效果。
图7示意性示出了根据本发明实施例另一种高分多模卫星遥感图像的真实模糊处理结果的示意图。如图7所示，左上、右上、左下、右下依次为：原图、辅助波段图像、已有传统方法处理效果、本发明处理效果。
图8示意性示出了根据本发明实施例又一种高分多模卫星遥感图像的真实模糊处理结果的示意图。如图8所示，左上、右上、左下、右下依次为：原图、辅助波段图像、已有传统方法处理效果、本发明处理效果。
图9示意性示出了根据本发明实施例再一种高分多模卫星遥感图像的真实模糊处理结果的示意图。如图9所示，左上、右上、左下、右下依次为：原图、辅助波段图像、已有传统方法处理效果、本发明处理效果。
综上该，本发明在高分辨率遥感卫星图像的去模糊处理上的处理质量得到验证，并且适用于多种成因的模糊，计算耗时更短，在实际应用中更具有优势。
基于上述光学遥感图像盲去模糊方法，本发明还提供了一种光学遥感图像盲去模糊装置。以下将结合图10对该装置进行详细描述。
图10示意性示出了根据本发明实施例的光学遥感图像盲去模糊装置的结构框图。
如图10所示，该实施例的光学遥感图像盲去模糊装置1000包括：迭代模块1010、第一判断模块1020、模糊处理模块1030、设置模块1040、第二判断模块1050、更新模块1060和计算模块1070。
迭代模块1010，用于对待估计图像进行迭代，该迭代包括内部迭代和外部迭代；
第一判断模块1020，用于判断该外部迭代的步数是否到达外部迭代步数上限；
模糊处理模块1030，用于在该外部迭代的步数到达该外部迭代步数上限的情况下，基于当前该待估计图像的模糊核，对该待估计图像进行去模糊处理；
设置模块1040，用于在该外部迭代步数没有到达该外部迭代步数上限的情况下，设置该待估计图像的模糊核的内部迭代的步数；
第二判断模块1050，用于判断该内部迭代的步数是否大于内部迭代步数上限；
更新模块1060，用于在该内部迭代的步数大于该内部迭代步数上限的情况下，更新该模糊核的估计值，并增加一次该外部迭代的步数，再次执行该第一判断模块；
计算模块1070，用于在该内部迭代的步数不大于该内部迭代步数上限的情况下，计算该待估计图像的掩膜，并根据该待估计图像的掩膜更新该内部迭代的步数，再次执行该第二判断模块。
根据本发明的实施例，迭代模块1010、第一判断模块1020、模糊处理模块1030、设置模块1040、第二判断模块1050、更新模块1060和计算模块1070中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，迭代模块1010、第一判断模块1020、模糊处理模块1030、设置模块1040、第二判断模块1050、更新模块1060和计算模块1070中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（FPGA）、可编程逻辑阵列（PLA）、片上系统、基板上的系统、封装上的系统、专用集成电路（ASIC），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，迭代模块1010、第一判断模块1020、模糊处理模块1030、设置模块1040、第二判断模块1050、更新模块1060和计算模块1070中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图11示意性示出了根据本发明实施例的适于实现光学遥感图像盲去模糊方法的电子设备的方框图。
如图11所示，根据本发明实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器（ROM）1102中的程序或者从存储部分1108加载到随机访问存储器（RAM）1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC））等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，该程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备1100还可以包括输入/输出（I/O）接口1105，输入/输出（I/O）接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的物品推荐方法。
在该计算机程序被处理器1101执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本发明实施例的系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本发明的各个实施例中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。
Claims (4)
1.一种光学遥感图像盲去模糊方法，其特征在于，包括：
S1，对待估计图像进行迭代，所述迭代包括内部迭代和外部迭代；
S2，判断所述外部迭代的步数是否到达外部迭代步数上限；
S3，在所述外部迭代的步数到达所述外部迭代步数上限的情况下，基于当前所述待估计图像的模糊核，对所述待估计图像进行去模糊处理；
S4，在所述外部迭代步数没有到达所述外部迭代步数上限的情况下，设置所述待估计图像的模糊核的内部迭代的步数；
S5，判断所述内部迭代的步数是否大于内部迭代步数上限；
S6，在所述内部迭代的步数大于所述内部迭代步数上限的情况下，更新所述模糊核的估计值 ，并增加一次所述外部迭代的步数，再次执行S2；
S7，在所述内部迭代的步数不大于所述内部迭代步数上限的情况下，计算所述待估计图像的掩膜，并根据所述待估计图像的掩膜更新所述内部迭代的迭代参数，再次执行S5；
其中，所述待估计图像的掩膜的计算公式如下：
，
其中，i为外部迭代步数，t为内部迭代步数， 为在第i次外部迭代的第t次内部迭代下输出的待估计图像的估计值，/> 为在第i次外部迭代的第t次内部迭代下输出的待估计图像在（x，y）坐标处的掩膜，/> 为 />的逐块最小像素的集合；
所述根据所述待估计图像的掩膜更新所述内部迭代的迭代参数包括：
根据所述待估计图像的掩膜，计算所述待估计图像的初步估计值 ， ， />为预设限制阈值；
根据所述待估计图像的初步估计值 ，计算辅助变量 />，/> ，为变量分裂法中0范数的系数，v为辅助变量/> 约束范围的一个非负系数，/> 为辅助波段图像的估计值；
根据所述辅助变量 ，更新所述待估计图像的二次估计值/> ， ，/> 为第i次外部迭代下的模糊核的估计值，/> ，/>，a为 />的加权系数，/>为快速傅里叶变换，/>为快速傅里叶逆变换，/>为快速傅里叶变换取共轭值；
根据所述待估计图像的二次估计值 ，更新所述内部迭代的迭代参数，所述迭代参数包括 />和/> ；
所述基于当前所述待估计图像的模糊核，对所述待估计图像进行去模糊处理包括：
根据当前所述待估计图像的模糊核的估计值 ，计算模糊图像差的估计值，其中，当前所述待估计图像的模糊核的估计值更新为/> ， />为外部迭代步数上限情况下的模糊核的估计值，通过模糊图像Y、当前所述待估计图像的模糊核的估计值/> 和辅助波段图像的估计值 />来计算模糊图像差的估计值 />，其中/> 代表卷积操作，/> ；
根据所述模糊图像差的估计值 ，计算清晰图像差的估计值/> ，其中，所述清晰图像差的估计值 />， />为清晰图像差的真实值；
根据所述清晰图像差的估计值 ，计算清晰图像估计值 />，其中，所述清晰图像估计值 />；
其中，，/>表示第i次外部迭代下的待估计图像的二次估计值，λ为模糊核的L2范数约束的一个非负系数，/> 为沿待估计图像的x方向的梯度运算符，/> 为沿待估计图像的y方向的梯度运算符；
其中，Thrshd函数定义如下，X为待估计图像，X(x, y)为待估计图像在(x, y)坐标处的取值， 为预设限制阈值；
。
2.一种光学遥感图像盲去模糊装置，其特征在于，包括：
迭代模块，用于对待估计图像进行迭代，所述迭代包括内部迭代和外部迭代；
第一判断模块，用于判断所述外部迭代的步数是否到达外部迭代步数上限；
模糊处理模块，用于在所述外部迭代的步数到达所述外部迭代步数上限的情况下，基于当前所述待估计图像的模糊核，对所述待估计图像进行去模糊处理；
设置模块，用于在所述外部迭代步数没有到达所述外部迭代步数上限的情况下，设置所述待估计图像的模糊核的内部迭代的步数；
第二判断模块，用于判断所述内部迭代的步数是否大于内部迭代步数上限；
更新模块，用于在所述内部迭代的步数大于所述内部迭代步数上限的情况下，更新所述模糊核的估计值 ，并增加一次所述外部迭代的步数，再次执行所述第一判断模块；
计算模块，用于在所述内部迭代的步数不大于所述内部迭代步数上限的情况下，计算所述待估计图像的掩膜，并根据所述待估计图像的掩膜更新所述内部迭代的迭代参数，再次执行所述第二判断模块；
其中，所述待估计图像的掩膜的计算公式如下：
，
其中，i为外部迭代步数，t为内部迭代步数， 为在第i次外部迭代的第t次内部迭代下输出的待估计图像的估计值，/> 为在第i次外部迭代的第t次内部迭代下输出的待估计图像在（x，y）坐标处的掩膜，/> 为 />的逐块最小像素的集合；
所述根据所述待估计图像的掩膜更新所述内部迭代的迭代参数包括：
根据所述待估计图像的掩膜，计算所述待估计图像的初步估计值 ， ， />为预设限制阈值；
根据所述待估计图像的初步估计值，计算辅助变量/>，/>，为变量分裂法中0范数的系数，v为辅助变量 />约束范围的一个非负系数， />为辅助波段图像的估计值；
根据所述辅助变量 ，更新所述待估计图像的二次估计值/>，，/>为第i次外部迭代下的模糊核的估计值， />， /> ，a为 />的加权系数，/>为快速傅里叶变换，/>为快速傅里叶逆变换，/>为快速傅里叶变换取共轭值；
根据所述待估计图像的二次估计值 ，更新所述内部迭代的迭代参数，所述迭代参数包括 />和 />；
所述基于当前所述待估计图像的模糊核，对所述待估计图像进行去模糊处理包括：
根据当前所述待估计图像的模糊核的估计值 ，计算模糊图像差的估计值，其中，当前所述待估计图像的模糊核的估计值更新为/> ， />为外部迭代步数上限情况下的模糊核的估计值，通过模糊图像Y、当前所述待估计图像的模糊核的估计值 />和辅助波段图像的估计值/> 来计算模糊图像差的估计值 />，其中 />代表卷积操作，/> ；
根据所述模糊图像差的估计值 ，计算清晰图像差的估计值/> ，其中，所述清晰图像差的估计值 />， />为清晰图像差的真实值；
根据所述清晰图像差的估计值 ，计算清晰图像估计值/> ，其中，所述清晰图像估计值 />；
其中， ，/>表示第i次外部迭代下的待估计图像的二次估计值，λ为模糊核的L2范数约束的一个非负系数， />为沿待估计图像的x方向的梯度运算符， />为沿待估计图像的y方向的梯度运算符；
其中，Thrshd函数定义如下，X为待估计图像，X(x, y)为待估计图像在(x, y)坐标处的取值， 为预设限制阈值；
。
3.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1所述的方法。
4.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310371128.8A CN116091367B (zh) | 2023-04-10 | 2023-04-10 | 光学遥感图像盲去模糊方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310371128.8A CN116091367B (zh) | 2023-04-10 | 2023-04-10 | 光学遥感图像盲去模糊方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116091367A CN116091367A (zh) | 2023-05-09 |
| CN116091367B true CN116091367B (zh) | 2023-07-18 |
Family
ID=86208627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310371128.8A Active CN116091367B (zh) | 2023-04-10 | 2023-04-10 | 光学遥感图像盲去模糊方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091367B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957024A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于图像块先验与稀疏范数的盲去模糊方法 |
| CN110473153A (zh) * | 2019-07-31 | 2019-11-19 | 西北工业大学 | 基于模糊核估计迭代结构保持的图像盲复原方法 |
| CN112801899A (zh) * | 2021-01-20 | 2021-05-14 | 南京邮电大学 | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 |
| CN114418883A (zh) * | 2022-01-18 | 2022-04-29 | 北京工业大学 | 一种基于深度先验的盲图像去模糊方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102708550B (zh) * | 2012-05-17 | 2014-12-03 | 浙江大学 | 一种基于自然图像统计特性的盲去模糊方法 |
| CN103093436B (zh) * | 2013-01-29 | 2015-07-01 | 南京理工大学 | 利用图像局部结构方向导数的模糊核多尺度迭代估计方法 |
| US9692939B2 (en) * | 2013-05-29 | 2017-06-27 | Yeda Research And Development Co. Ltd. | Device, system, and method of blind deblurring and blind super-resolution utilizing internal patch recurrence |
| US9443288B1 (en) * | 2015-04-22 | 2016-09-13 | Adobe Systems Incorporated | Scale adaptive blind deblurring |
| CN106339996B (zh) * | 2016-09-09 | 2018-11-30 | 江南大学 | 一种基于超拉普拉斯先验的图像盲去模糊方法 |
| CN107871310B (zh) * | 2017-10-26 | 2019-11-22 | 武汉大学 | 一种基于模糊核精细化的单幅图像盲去运动模糊方法 |
| CN108510451B (zh) * | 2018-02-09 | 2021-02-12 | 杭州雄迈集成电路技术股份有限公司 | 一种基于双层卷积神经网络的重建车牌的方法 |
| CN109360158A (zh) * | 2018-08-23 | 2019-02-19 | 中国电子科技集团公司第二十八研究所 | 一种基于梯度稀疏性与非局部相似性信息的图像复原方法 |
| CN110675329B (zh) * | 2019-08-06 | 2022-02-18 | 厦门大学 | 基于视觉语义引导的图像去模糊方法 |
| CN114943649A (zh) * | 2022-04-11 | 2022-08-26 | 深圳市豪恩汽车电子装备股份有限公司 | 图像去模糊方法、装置及计算机可读存储介质 |
-
2023
- 2023-04-10 CN CN202310371128.8A patent/CN116091367B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957024A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于图像块先验与稀疏范数的盲去模糊方法 |
| CN110473153A (zh) * | 2019-07-31 | 2019-11-19 | 西北工业大学 | 基于模糊核估计迭代结构保持的图像盲复原方法 |
| CN112801899A (zh) * | 2021-01-20 | 2021-05-14 | 南京邮电大学 | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 |
| CN114418883A (zh) * | 2022-01-18 | 2022-04-29 | 北京工业大学 | 一种基于深度先验的盲图像去模糊方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116091367A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10325358B2 (en) | Method and system for image de-blurring | |
| KR101871098B1 (ko) | 이미지 처리 방법 및 장치 | |
| Zhang et al. | Group-based sparse representation for image restoration | |
| US10325346B2 (en) | Image processing system for downscaling images using perceptual downscaling method | |
| 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 | |
| US8908989B2 (en) | Recursive conditional means image denoising | |
| US9569684B2 (en) | Image enhancement using self-examples and external examples | |
| CN106920220A (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 | |
| Woo et al. | Alternating minimization algorithm for speckle reduction with a shifting technique | |
| CN110675347A (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
| CN106169174B (zh) | 一种图像放大方法 | |
| 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 | |
| Ma et al. | EFFICIENT BOX-CONSTRAINED TV-TYPE-l¹ ALGORITHMS FOR RESTORING IMAGES WITH IMPULSE NOISE | |
| CN111951172A (zh) | 一种图像优化方法、装置、设备和存储介质 | |
| CN110175963B (zh) | 一种适用于水下图像及大气暗图像的两用图像增强方法及装置 | |
| Wang et al. | Total generalized variation-based Retinex image decomposition | |
| US20130343669A1 (en) | Blur-kernel estimation from spectral irregularities | |
| Zhou et al. | A unified weighted variational model for simultaneously haze removal and noise suppression of hazy images | |
| Ono et al. | Image recovery by decomposition with component-wise regularization | |
| CN112927137A (zh) | 一种用于获取盲超分辨率图像的方法、设备及存储介质 | |
| Chen et al. | Inexact alternating direction method based on proximity projection operator for image inpainting in wavelet domain | |
| CN116091367B (zh) | 光学遥感图像盲去模糊方法、装置、设备和介质 | |
| Qiao et al. | Mutual channel prior guided dual-domain interaction network for single image raindrop removal | |
| Shi et al. | A non-divergence diffusion equation for removing impulse noise and mixed Gaussian impulse noise | |
| Liu et al. | Windowed variation kernel Wiener filter model for image denoising with edge preservation |
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 |