CN116309190B - 一种基于最佳区域中值先验的湍流退化图像恢复方法 - Google Patents
一种基于最佳区域中值先验的湍流退化图像恢复方法 Download PDFInfo
- Publication number
- CN116309190B CN116309190B CN202310555946.3A CN202310555946A CN116309190B CN 116309190 B CN116309190 B CN 116309190B CN 202310555946 A CN202310555946 A CN 202310555946A CN 116309190 B CN116309190 B CN 116309190B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- median
- turbulence degradation
- gradient
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 206
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000011084 recovery Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 112
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 23
- 238000009792 diffusion process Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
本发明涉及一种基于最佳区域中值先验的湍流退化图像恢复方法，其先根据目标湍流退化图像的梯度信息，确定最佳区域，再根据基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数，最后对目标湍流退化图像进行盲反卷积处理，得到目标恢复图像。相比于现有技术，本发明从图像内容信息出发，设计了基于最佳区域中值先验信息的盲反卷积方法，使得运算过程中仅需要计算最佳区域内的先验信息即可，并且最佳区域中值先验能够排除不利于点扩散函数估计的信息，进而快速有效地估计点扩散函数和潜在清晰图像，仅需要较少的迭代次数，就可以达到快速收敛，极大地降低了算法的时空复杂度，减少了运行的代价，提高运行速度。
Description
技术领域
本发明涉及图像气动光学效应矫正技术领域，尤其涉及一种基于最佳区域中值先验的湍流退化图像恢复方法。
背景技术
高速飞行器在高速飞行的过程中会与周围空气产生摩擦碰撞，复杂的高速气流场产生气动光学效应。大气湍流会严重影响飞行器光学探测成像系统的性能，致使目标图像严重退化。气动光学效应校正的目的是对残存的或者说不可控的气动效应进行校正，使成像质量尽可能恢复到接近无气动光学效应时的理想成像状态。把退化图像反演到无气动效应的成像状态，这是一个求逆的过程，具有高度不适定性。
近年来，在图像和模糊核的各种有效先验的帮助下，单图像盲去模糊取得了很大的进展，能很好的用来解决上述求逆问题。为了解决盲去模糊问题，有效利用图像先验和模糊核模型是取得有效方法的关键。效果较好的图像先验包括梯度稀疏先验，归一化稀疏先验，patch先验，群稀疏性先验、强度先验、暗通道先验、极端通道先验、潜在结构先验、局部最大梯度先验、类特定先验，以及使用深度网络学习图像先验等等。
目前所提出的先验方法虽然能够在自然图像和特定图像上获得令人满意的性能，但所涉及的优化算法计算代价高昂，图像恢复过程耗时较长。
发明内容
有鉴于此，有必要提供一种基于最佳区域中值先验的湍流退化图像恢复方法，用以解决现有技术中恢复退化图像时耗时较长的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种基于最佳区域中值先验的湍流退化图像恢复方法，包括：
获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域；
计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型；
根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数；
根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像。
进一步的，所述获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域，包括：
获取所述目标湍流退化图像，并根据所述目标湍流退化图像，得到所述目标湍流退化图像的梯度信息图；
二值化所述梯度信息图，得到显著梯度信息图像，并将所述显著梯度信息图像依据梯度特征划分为多个大梯度区域；
分别计算所述目标湍流退化图像在每个所述大梯度区域中的拉普拉斯梯度和，并得到所有所述大梯度区域的拉普拉斯梯度和的平均值；
筛选出拉普拉斯梯度和高于所述平均值的大梯度区域，作为所述目标湍流退化图像的最佳区域。
进一步的，所述计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，包括：
获取目标计算图像及所述目标计算图像的最佳区域；
根据所述目标计算图像的尺寸，将所述目标计算图像划分为多个不重叠的图像块；
根据位于所述目标计算图像的最佳区域中的图像块的灰度最小值，得到所述目标计算图像的最佳区域对应的最小值图；
对每个所述最小值图进行中值滤波，得到每个所述目标计算图像的最佳区域的中值先验信息。
进一步的，所述根据所述目标计算图像的尺寸，将所述目标计算图像划分为多个不重叠的图像块，包括：
获取所述目标计算图像的长度和宽度；
根据所述目标计算图像的长度和宽度，将所述目标计算图像正交地划分为n×n个所述图像块，每个所述图像块的大小为n 1 ×n 2 ；
其中，n为大于或等于预设数值的正整数，n 1 和n 2 的值为所述目标计算图像的长度和宽度的加权取整。
进一步的，根据所述中值先验信息和所述目标湍流退化图像的梯度信息建立基于最佳区域中值先验的图像盲反卷积模型，包括：
根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于所述最佳区域中值先验信息的去模糊正则化项，以及基于梯度信息的梯度约束正则化项；
根据所述去模糊正则化项和所述梯度约束正则化项，约束图像盲反卷积模型，得到所述基于最佳区域中值先验的图像盲反卷积模型。
进一步的，所述根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数，包括：
获取输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述基于最佳区域中值先验的图像盲反卷积模型，得到潜在清晰图像；
根据所述潜在清晰图像的梯度信息，及所述目标湍流退化图像的梯度信息，得到优化点扩散函数；
将所述优化点扩散函数重新作为输入点扩散函数，并进行迭代以交替地得到新的潜在清晰图像与优化点扩散函数，直至达到预设迭代次数；
其中第一次迭代时的输入点扩散函数为在最粗糙级别初始化的预设点扩散函数，最后一次迭代得到的优化点扩散函数为所述目标点扩散函数。
进一步的，所述获取输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述基于最佳区域中值先验的图像盲反卷积模型，得到潜在清晰图像，包括：
建立最佳区域中值先验信息辅助变量及梯度信息辅助变量；
建立线性化算子，所述线性化算子等价于所述最佳区域中值先验信息计算模型中的非线性运算；
根据所述最佳区域中值先验信息辅助变量、所述梯度信息辅助变量及所述线性化算子，线性化所述基于最佳区域中值先验的图像盲反卷积模型，得到线性化模型；
获取所述输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述线性化模型，得到所述潜在清晰图像。
进一步的，所述根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像，包括：
根据所述目标点扩散函数，结合拉普拉斯先验对所述目标湍流退化图像进行反卷积处理，得到第一估算图像；
根据所述目标点扩散函数，结合梯度先验对所述目标湍流退化图像进行反卷积处理，得到第二估算图像；
计算所述第一估算图像和所述第二估算图像之间的差分映像，并根据所述差分映像及所述第一估算图像，得到所述目标恢复图像。
第二方面，本发明还提供一种基于最佳区域中值先验的湍流退化图像恢复装置，包括：
区域提取模块，用于获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域；
模型建立模块，用于计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型；
迭代处理模块，用于根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数；
图像恢复模块，用于根据所述目标点扩散函数，对所述目标湍流退化图像进行盲反卷积处理，得到目标恢复图像。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的基于最佳区域中值先验的湍流退化图像恢复方法中的步骤。
本发明提供的一种基于最佳区域中值先验的湍流退化图像恢复方法，其先获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域，再计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型，然后根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数，最后根据所述目标点扩散函数，对所述目标湍流退化图像进行盲反卷积处理，得到目标恢复图像。相比于现有技术，本发明从图像内容信息出发，设计了基于最佳区域中值先验信息的盲反卷积方法，使得运算过程中仅需要计算最佳区域内的先验信息即可，并且最佳区域中值先验能够排除不利于点扩散函数估计的信息，进而快速有效地估计点扩散函数和潜在清晰图像，仅需要较少的迭代次数，就可以达到快速收敛，极大地降低了算法的时空复杂度，减少了运行的代价，提高运行速度。
附图说明
图1为本发明提供的基于最佳区域中值先验的湍流退化图像恢复方法一实施例的方法流程图；
图2为图1中步骤S101一实施例的方法流程图；
图3为本发明提供的基于最佳区域中值先验的湍流退化图像恢复方法一实施例中的目标湍流退化图像；
图4为本发明提供的基于最佳区域中值先验的湍流退化图像恢复方法一实施例中的显著梯度信息图像；
图5为本发明提供的基于最佳区域中值先验的湍流退化图像恢复方法一实施例中先验信息的对比示意图；
图6为图1中步骤S103一实施例的方法流程图；
图7为本发明提供的基于最佳区域中值先验的湍流退化图像恢复方法一实施例中潜在清晰图像与点扩散函数的变化示意图；
图8为本发明提供的基于最佳区域中值先验的湍流退化图像恢复方法一实施例中的目标湍流退化图像；
图9为本发明提供的基于最佳区域中值先验的湍流退化图像恢复装置一实施例的结构示意图；
图10为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
特别需要强调的是，在本文内使用的一些公式中，出于篇幅原因未对一些参数的意义做出具体说明，这些未作特殊说明的参数，其意义可以参照其他实施例，或者，该未说明的参数其所在的公式未公知的通用公式，本领域技术人员能够直接理解其意义，无需额外说明。
此外还需要说明的是，本实施例中各个步骤之间的标号仅为了方便描述理解使用，并不代表各个步骤须严格地按照标号的数字顺序执行，根据具体情况，不同步骤间可以同时进行，也可以循环重复进行。
现有的先验方法，如暗通道先验，在去雾算法中取得了十分优异的性能，但是在图像去模糊领域中具有局限性，基于稀疏性设计的先验存在着收敛的问题，优化的结果容易得到平凡解，即估计的图像结果趋向于模糊图像，而不是清晰图像。在观察大量退化图像后我们发现细节较多的位置在模糊前后灰度值变化较大，平坦区域的模糊前后灰度值变化较小，根据这一特性，本发明从图像内容信息出发，在图像反卷积这一反问题中，为获得满意且唯一的清晰图像解，设计了基于最佳区域中值先验的湍流退化图像恢复方法，从而使得反卷积过程更加快速，并且不受噪声、平坦区域等不利于点扩散函数估计的信息干扰，得到更多有效的先验信息，最终使去模糊后的图像细节更清晰。
本发明提供了一种基于最佳区域中值先验的湍流退化图像恢复方法、装置及设备，以下分别进行说明。
结合图1所示，本发明的一个具体实施例，公开了一种基于最佳区域中值先验的湍流退化图像恢复方法，该方法包括：
S101、获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域；
S102、计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型；
S103、根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数；
S104、根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像。
本发明提供的一种基于最佳区域中值先验的湍流退化图像恢复方法，其先获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域，再计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型，然后根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数，最后根据所述目标点扩散函数，对所述目标湍流退化图像进行盲反卷积处理，得到目标恢复图像。相比于现有技术，本发明从图像内容信息出发，设计了基于最佳区域中值先验信息的盲反卷积方法，使得运算过程中仅需要计算最佳区域内的先验信息即可，并且最佳区域中值先验能够排除不利于点扩散函数估计的信息，进而快速有效地估计点扩散函数和潜在清晰图像，仅需要较少的迭代次数，就可以达到快速收敛，极大地降低了算法的时空复杂度，减少了运行的代价，提高运行速度。
结合图2所示，在一个优选的实施例中，上述步骤S101、获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域，具体包括:
S201、获取所述目标湍流退化图像，并根据所述目标湍流退化图像，得到所述目标湍流退化图像的梯度信息图；
S202、二值化所述梯度信息图，得到显著梯度信息图像，并将所述显著梯度信息图像依据梯度特征划分为多个大梯度区域；
S203、分别计算所述目标湍流退化图像在每个所述大梯度区域中的拉普拉斯梯度和，并得到所有所述大梯度区域的拉普拉斯梯度和的平均值；
S204、筛选出拉普拉斯梯度和高于所述平均值的大梯度区域，作为所述目标湍流退化图像的最佳区域。
本发明还提供一更加详细的实施例，用以说明上述步骤S201~S204：
导入气动湍流退化图像B，即所述目标湍流退化图像，如图3所示，本实施例模糊图像大小为256*256，预估点扩散函数大小为45*45，迭代次数为7。
然后利用梯度算子计算出气动湍流退化图像的梯度信息图，将梯度信息图像阈值二值化处理得到显著梯度信息图像，如图4所示。显著梯度信息图像有效得滤除了平坦区域及小梯度区域，然后可通过任意现有手段，根据显著梯度信息图像的梯度特征将其自身划分为多个大梯度区域。将拉普拉斯梯度和作为图像模糊度评价的指标，拉普拉斯梯度和S在梯度信息图f(x,y)中定义为：
（1）
拉普拉斯梯度和是一种无参考图像模糊度评价，拉普拉斯梯度和数值越大，表示图像模糊程度越高。本实施例中，分别计算每个大梯度区域的拉普拉斯梯度和并求取所有拉普拉斯梯度和的平均值，将拉普拉斯梯度和高于平均值的区域作为最佳区域。
进一步的，在一个优选的实施例中，上述步骤S102中的所述计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，具体包括：
获取目标计算图像及所述目标计算图像的最佳区域；
根据所述目标计算图像的尺寸，将所述目标计算图像划分为多个不重叠的图像块；
根据位于所述目标计算图像的最佳区域中的图像块的灰度最小值，得到所述目标计算图像的最佳区域对应的最小值图；
对每个所述最小值图进行中值滤波，得到每个所述目标计算图像的最佳区域的中值先验信息。
具体地，上述最佳区域中值先验信息计算模型中的步骤：根据所述目标计算图像的尺寸，将所述目标计算图像划分为多个不重叠的图像块，具体包括：
获取所述目标计算图像的长度和宽度；
根据所述目标计算图像的长度和宽度，将所述目标计算图像正交地划分为n×n个所述图像块，每个所述图像块的大小为n 1 ×n 2 ；
其中，n为大于或等于预设数值的正整数，n 1 和n 2 的值为所述目标计算图像的长度和宽度的加权取整。
进一步的，在一个优选的实施例中，上述步骤S102中的所述根据所述中值先验信息和所述目标湍流退化图像的梯度信息建立基于最佳区域中值先验的图像盲反卷积模型，包括：
根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于所述最佳区域中值先验信息的去模糊正则化项，以及基于梯度信息的梯度约束正则化项；
根据所述去模糊正则化项和所述梯度约束正则化项，约束图像盲反卷积模型，得到所述基于最佳区域中值先验的图像盲反卷积模型。
本发明还提供一更加详细的实施例，用以更加清楚地说明上述步骤S102：
计算所述目标湍流退化图像在所述最佳区域内的中值先验信息的具体过程如下：
本先验算法先将目标湍流退化图像每个像素点中R、G、B三通道中的最小灰度值提取为一幅灰度图像，将该灰度图分割成n×n个不重叠的图像块，n的取值范围为大于等于32（即所述预设数值）的正整数，每个图像块的大小为 ×/>，其中/> 、/>的取值为退化图像长和宽的加权取整。本实施例中n取32，每个灰度图像块的大小为8×8，求取每个最佳区域中图像块的灰度最小值，得到所有最佳区域的最小值图，对每个最小值图进行中值滤波，计算得到最佳区域中值先验信息，先验信息为一幅处理过的灰度图像，整体数学表达为：
(2)
式中，为第m个最佳区域图像块中心的像素点索引集，/>表示大小为/>的中值滤波器，/>为卷积符号。本实施例中i的取值为3，即中值滤波器的规格为3×3。
图5为本发明提供的又一实施例中，基于上述方法获得的模糊图像的最佳区域的中值先验信息图，与其他现有技术得到的先验信息图的对比示意图。从图5可以观察到，清晰图像的中值先验信息图比模糊图像的中值先验信息图更加稀疏，最佳区域中值先验信息图和暗通道先验信息图像对比，最佳区域中值先验信息的图像除了平坦区域和小梯度区域等优点外，同时保留了更多细节，有利于将估计出来的图像结果趋向于清晰图像且使得点扩散函数的估计更加准确。
与暗通道先验等现有手段相比，该先验方法用非重叠图像块计算代替卷积计算，减少了计算冗余，同时避免了自然图像趋向于模糊图像从而容易得到平凡解的问题。
上述基于最佳区域中值先验的图像盲反卷积模型的具体内容如下：
对潜在清晰图像施加最佳区域中值先验约束，建立基于最佳区域中值先验约束和梯度约束的基于最佳区域中值先验的图像盲反卷积模型，将得到的最佳区域中值先验信息施加稀疏性诱导（稀疏性诱导即施加L0、L1、L2这类范数，达到正则的目的），作为去模糊的正则化项，即所述去模糊正则化项，其数学表示为：
（3）
式中，B表示模糊图像（即目标湍流退化图像）、k表示点扩散函数、I表示目标恢复图像（在后文迭代运算时可用潜在清晰图像S表示）、均表示预设的的权重系数。由于自然图像的梯度信息也是稀疏的，于是本发明还联合梯度信息的L0正则化项/>做出进一步约束，其数学表示为：
式中同样为认为设定的系数，损失函数（用来表现预测与实际数据的差距程度，上式中第一项就是损失函数）和点扩散函数的惩罚项（用来约束预测的图像，即潜在清晰图像，使得满足特定条件，上式中第二项是惩罚项，确保预测的图像和预测的点扩散函数一致）选用L2范数，L2范数对高斯噪声的抗性最优且能够通过快速傅里叶变换（FFT）进行快速计算。上式（4）可以视为本实施例中的基于最佳区域中值先验的图像盲反卷积模型，基于已知的点扩散函数（即模糊核），可以通过式（4）估算出潜在的清晰图像。
进一步的，结合图6所示，作为优选的实施例，上述过程S103、根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数，具体包括：
S601、获取输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述基于最佳区域中值先验的图像盲反卷积模型，得到潜在清晰图像；
S602、根据所述潜在清晰图像的梯度信息，及所述目标湍流退化图像的梯度信息，得到优化点扩散函数；
S603、将所述优化点扩散函数重新作为输入点扩散函数，并进行迭代以交替地得到新的潜在清晰图像与优化点扩散函数，直至达到预设迭代次数；
其中第一次迭代时的输入点扩散函数为在最粗糙级别初始化的预设点扩散函数，最后一次迭代得到的优化点扩散函数为所述目标点扩散函数。
进一步的，为了方便计算机实现上述步骤，在一个优选的实施例中，上述步骤S601、获取输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述基于最佳区域中值先验的图像盲反卷积模型，得到潜在清晰图像，具体包括：
建立最佳区域中值先验信息辅助变量及梯度信息辅助变量；
建立线性化算子，所述线性化算子等价于所述最佳区域中值先验信息计算模型中的非线性运算；
根据所述最佳区域中值先验信息辅助变量、所述梯度信息辅助变量及所述线性化算子，线性化所述基于最佳区域中值先验的图像盲反卷积模型，得到线性化模型；
获取所述输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述线性化模型，得到所述潜在清晰图像。
本发明还提供一更加详细的实施例，用以更加清楚地说明上述步骤S601~S603：
由于上述最佳区域中值先验信息计算模型使用的是区域最小算子，属于非线性优化问题，需要将其转化为线性化问题才能方便计算机程序运行，于是本实施例中引入两个辅助变量：先验信息辅助变量m和梯度信息辅助变量n，分别对应最佳中值先验信息和梯度信息，于是上述公式（4）可以进一步表示为：
其中 、/>为预设的惩罚参数。进一步地，非线性运算/>可以等价于一个应用于向量化图像I的线性化算子M。该线性化算子M具体为：/> Q/>。
令，则Q满足：
（6）
由于为非重叠图像块，线性算子Q应用于向量化图像I中的作用是将每个图像块中最小像素值保留，其余像素点置零。通过P矩阵使得每个图像块的零像素点填充为各个图像块的最小像素值，与中值滤波器/>卷积，得到先验信息/>，对于真实清晰图像，下式严格成立：
在给定矩阵M的情况下，I的求解可表示为：
式中，为/> 、/> 、m、n的卷积矩阵，在给定I的情况下，m和n可通过下式求解：
（8）
在迭代最开始时，在最粗糙级别初始化点扩散函数，可以将B作为I求解m和n，进入迭代过程。根据式（4）（实际实施时为式（5）或（7））经FFT变换在频域快速计算，通过傅里叶反变换可初步估算出潜在清晰图像S，即式（4）（实际实施时为式（5）或（7））中得到的I。
核估计在梯度空间中进行的，因此可以通过估算出来的潜在清晰图像S和目标湍流退化图像B两者的梯度信息估计点扩散函数，其数学公式表达为：
整个点扩散函数估计过程经FFT转换到频域进行快速计算，通过共轭梯度优化估算结果并将点扩散函数放置图像中心。点扩散函数中灰度值在图像最大值的百分三以下的像素点置零，得到初始估计点扩散函数k。
新一轮迭代过程：从上一层到下一层上采样点扩散函数，增加点扩散函数规模以便新一层点扩散函数估计，将上一轮初步估计出的点扩散函数k作为惩罚项加入到本次迭代最小化方程式（4）中求解，并通过求解出的潜在清晰S进行本次点扩散函数估计，从而得到比上一层更精细的点扩散函数k。本实施例中总共迭代7次（即预设迭代次数），便可以达到理想的效果。
点扩散函数优化的过程即交替求解公式（4）和公式（10），以最终得到目标点扩散函数（也可以称之为模糊核），极大避免了方程求解的不适定问题，从粗到细的点扩散函数估计策略有效解决了最优化方法的收敛性问题。由于最佳区域中值先验能够排除不利于点扩散函数估计的信息，进而快速有效地估计点扩散函数和潜在清晰图像。因此，仅需要较少的迭代次数，就可以达到快速收敛。本实施例中的潜在清晰图像及点扩散函数的在迭代过程中的变化如图7所示。
进一步的，在一个优选的实施例中，上述步骤S104、根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像，具体包括：
根据所述目标点扩散函数，结合拉普拉斯先验对所述目标湍流退化图像进行反卷积处理，得到第一估算图像；
根据所述目标点扩散函数，结合梯度先验对所述目标湍流退化图像进行反卷积处理，得到第二估算图像；
计算所述第一估算图像和所述第二估算图像之间的差分映像，并根据所述差分映像及所述第一估算图像，得到所述目标恢复图像。
本发明还提供一更加详细的实施例，用以更加清楚地说明上述步骤S104：
将估计出来的点扩散函数加入拉普拉斯先验正则项联合求解估算图像（即第一估算图像）。其数学表达为：
(11)
其中为拉普拉斯微分算子，使用拉普拉斯先验可以保留更多的细节，与此同时振铃伪影的影响也很明显。于是，本实施例还将估计出来的点扩散函数加入梯度L0先验正则项/>联合求解估计图像/>（即第二估算图像），求解的数学表达为：
梯度L0正则化先验的算法产生的振铃伪影更少，同时也会丢失部分细节。于是，本实施例通过计算估计出来的第一估算图像与第二估算图像之间的差分映象Diff（两幅图像对应点的灰度值相减得到的图像：Diff= -/>）双边滤波去除干扰点。目标恢复图像最后由S =/> weight计算得到。其中weight为差分映象的权重，本实施例weight的取值为0.9，
最后得到的目标恢复图像如图8所示，通过本实施例的最佳区域中值先验方法复原图像整体运行时间为69.346477秒，同一条件下暗通道先验复原耗时481.591503秒，整个图像恢复过程耗时缩短85.6%，算法运行时间大幅度降低。
本实施例中的方法具有以下三点优势：
（1）速度快，与暗通道先验算法相比，整个图像恢复过程耗时缩短85.6%；
（2）不易受孤立点、噪声的影响；
（3）剔除平坦区域、非最佳区域的中值先验信息的干扰，点扩散函数估计更准确。
为了更好实施本发明实施例中的基于最佳区域中值先验的湍流退化图像恢复方法，在基于最佳区域中值先验的湍流退化图像恢复方法基础之上，对应的，请参阅图9，图9为本发明提供的基于最佳区域中值先验的湍流退化图像恢复装置的一实施例的结构示意图，本发明实施例提供的一种基于最佳区域中值先验的湍流退化图像恢复装置900，包括：
区域提取模块910，用于获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域；
模型建立模块920，用于计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型；
迭代处理模块930，用于根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数；
图像恢复模块940，用于根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像。
这里需要说明的是：上述实施例提供的对应的装置900可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图10，图10为本发明实施例提供的电子设备的结构示意图。基于上述基于最佳区域中值先验的湍流退化图像恢复方法，本发明还相应提供了一种基于最佳区域中值先验的湍流退化图像恢复设备1000，即上述电子设备，基于最佳区域中值先验的湍流退化图像恢复设备1000可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该基于最佳区域中值先验的湍流退化图像恢复设备1000包括处理器1010、存储器1020及显示器1030。图10仅示出了基于最佳区域中值先验的湍流退化图像恢复设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器1020在一些实施例中可以是基于最佳区域中值先验的湍流退化图像恢复设备1000的内部存储单元，例如基于最佳区域中值先验的湍流退化图像恢复设备1000的硬盘或内存。存储器1020在另一些实施例中也可以是基于最佳区域中值先验的湍流退化图像恢复设备1000的外部存储设备，例如基于最佳区域中值先验的湍流退化图像恢复设备1000上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）等。进一步地，存储器1020还可以既包括基于最佳区域中值先验的湍流退化图像恢复设备1000的内部存储单元也包括外部存储设备。存储器1020用于存储安装于基于最佳区域中值先验的湍流退化图像恢复设备1000的应用软件及各类数据，例如安装基于最佳区域中值先验的湍流退化图像恢复设备1000的程序代码等。存储器1020还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器1020上存储有基于最佳区域中值先验的湍流退化图像恢复程序1040，该基于最佳区域中值先验的湍流退化图像恢复程序1040可被处理器1010所执行，从而实现本申请各实施例的基于最佳区域中值先验的湍流退化图像恢复方法。
处理器1010在一些实施例中可以是一中央处理器（CentralProcessing Unit,CPU），微处理器或其他数据处理芯片，用于运行存储器1020中存储的程序代码或处理数据，例如执行基于最佳区域中值先验的湍流退化图像恢复方法等。
显示器1030在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器1030用于显示在基于最佳区域中值先验的湍流退化图像恢复设备1000的信息以及用于显示可视化的用户界面。基于最佳区域中值先验的湍流退化图像恢复设备1000的部件1010-1030通过系统总线相互通信。
在一实施例中，当处理器1010执行存储器1020中基于最佳区域中值先验的湍流退化图像恢复程序1040时实现如上的基于最佳区域中值先验的湍流退化图像恢复方法中的步骤。
本发明提供的一种基于最佳区域中值先验的湍流退化图像恢复方法，其先获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域，再计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型，然后根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数，最后根据所述目标点扩散函数，对所述目标湍流退化图像进行盲反卷积处理，得到目标恢复图像。相比于现有技术，本发明从图像内容信息出发，设计了基于最佳区域中值先验信息的盲反卷积方法，使得运算过程中仅需要计算最佳区域内的先验信息即可，并且最佳区域中值先验能够排除不利于点扩散函数估计的信息，进而快速有效地估计点扩散函数和潜在清晰图像，仅需要较少的迭代次数，就可以达到快速收敛，极大地降低了算法的时空复杂度，减少了运行的代价，提高运行速度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于最佳区域中值先验的湍流退化图像恢复方法，其特征在于，包括：
获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域；
计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型；
根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数；
根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像；
其中，所述获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域，包括：
获取所述目标湍流退化图像，并根据所述目标湍流退化图像，得到所述目标湍流退化图像的梯度信息图；
二值化所述梯度信息图，得到显著梯度信息图像，并将所述显著梯度信息图像依据梯度特征划分为多个大梯度区域；
分别计算所述目标湍流退化图像在每个所述大梯度区域中的拉普拉斯梯度和，并得到所有所述大梯度区域的拉普拉斯梯度和的平均值；
筛选出拉普拉斯梯度和高于所述平均值的大梯度区域，作为所述目标湍流退化图像的最佳区域；
其中，所述计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，包括：
获取目标计算图像及所述目标计算图像的最佳区域；
根据所述目标计算图像的尺寸，将所述目标计算图像划分为多个不重叠的图像块；
根据位于所述目标计算图像的最佳区域中的图像块的灰度最小值，得到所述目标计算图像的最佳区域对应的最小值图；
对每个所述最小值图进行中值滤波，得到每个所述目标计算图像的最佳区域的中值先验信息。
2.根据权利要求1所述的基于最佳区域中值先验的湍流退化图像恢复方法，其特征在于，所述根据所述目标计算图像的尺寸，将所述目标计算图像划分为多个不重叠的图像块，包括：
获取所述目标计算图像的长度和宽度；
根据所述目标计算图像的长度和宽度，将所述目标计算图像正交地划分为n×n个所述图像块，每个所述图像块的大小为n 1 ×n 2；
其中，n为大于或等于预设数值的正整数，n 1和n 2的值为所述目标计算图像的长度和宽度的加权取整。
3.根据权利要求1所述的基于最佳区域中值先验的湍流退化图像恢复方法，其特征在于，所述根据所述中值先验信息和所述目标湍流退化图像的梯度信息建立基于最佳区域中值先验的图像盲反卷积模型，包括：
根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于所述最佳区域中值先验信息的去模糊正则化项，以及基于梯度信息的梯度约束正则化项；
根据所述去模糊正则化项和所述梯度约束正则化项，约束图像盲反卷积模型，得到所述基于最佳区域中值先验的图像盲反卷积模型。
4.根据权利要求3所述的基于最佳区域中值先验的湍流退化图像恢复方法，其特征在于，所述根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数，包括：
获取输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述基于最佳区域中值先验的图像盲反卷积模型，得到潜在清晰图像；
根据所述潜在清晰图像的梯度信息，及所述目标湍流退化图像的梯度信息，得到优化点扩散函数；
将所述优化点扩散函数重新作为输入点扩散函数，并进行迭代以交替地得到新的潜在清晰图像与优化点扩散函数，直至达到预设迭代次数；
其中第一次迭代时的输入点扩散函数为在最粗糙级别初始化的预设点扩散函数，最后一次迭代得到的优化点扩散函数为所述目标点扩散函数。
5.根据权利要求4所述的基于最佳区域中值先验的湍流退化图像恢复方法，其特征在于，所述获取输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述基于最佳区域中值先验的图像盲反卷积模型，得到潜在清晰图像，包括：
建立最佳区域中值先验信息辅助变量及梯度信息辅助变量；
建立线性化算子，所述线性化算子等价于所述最佳区域中值先验信息计算模型中的非线性运算；
根据所述最佳区域中值先验信息辅助变量、所述梯度信息辅助变量及所述线性化算子，线性化所述基于最佳区域中值先验的图像盲反卷积模型，得到线性化模型；
获取所述输入点扩散函数，根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，通过所述线性化模型，得到所述潜在清晰图像。
6.根据权利要求1所述的基于最佳区域中值先验的湍流退化图像恢复方法，其特征在于，所述根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像，包括：
根据所述目标点扩散函数，结合拉普拉斯先验对所述目标湍流退化图像进行反卷积处理，得到第一估算图像；
根据所述目标点扩散函数，结合梯度先验对所述目标湍流退化图像进行反卷积处理，得到第二估算图像；
计算所述第一估算图像和所述第二估算图像之间的差分映像，并根据所述差分映像及所述第一估算图像，得到所述目标恢复图像。
7.一种基于最佳区域中值先验的湍流退化图像恢复装置，其特征在于，包括：
区域提取模块，用于获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域；
模型建立模块，用于计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，并根据所述中值先验信息和所述目标湍流退化图像的梯度信息，建立基于最佳区域中值先验的图像盲反卷积模型；
迭代处理模块，用于根据所述目标湍流退化图像及所述目标湍流退化图像的最佳区域，基于所述基于最佳区域中值先验的图像盲反卷积模型迭代优化点扩散函数，得到目标点扩散函数；
图像恢复模块，用于根据所述目标点扩散函数，对所述目标湍流退化图像进行反卷积处理，得到目标恢复图像；
其中，所述获取目标湍流退化图像，并根据所述目标湍流退化图像的梯度信息，确定所述目标湍流退化图像的最佳区域，包括：
获取所述目标湍流退化图像，并根据所述目标湍流退化图像，得到所述目标湍流退化图像的梯度信息图；
二值化所述梯度信息图，得到显著梯度信息图像，并将所述显著梯度信息图像依据梯度特征划分为多个大梯度区域；
分别计算所述目标湍流退化图像在每个所述大梯度区域中的拉普拉斯梯度和，并得到所有所述大梯度区域的拉普拉斯梯度和的平均值；
筛选出拉普拉斯梯度和高于所述平均值的大梯度区域，作为所述目标湍流退化图像的最佳区域；
其中，所述计算所述目标湍流退化图像在所述最佳区域内的中值先验信息，包括：
获取目标计算图像及所述目标计算图像的最佳区域；
根据所述目标计算图像的尺寸，将所述目标计算图像划分为多个不重叠的图像块；
根据位于所述目标计算图像的最佳区域中的图像块的灰度最小值，得到所述目标计算图像的最佳区域对应的最小值图；
对每个所述最小值图进行中值滤波，得到每个所述目标计算图像的最佳区域的中值先验信息。
8.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至6中任一项所述基于最佳区域中值先验的湍流退化图像恢复方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310555946.3A CN116309190B (zh) | 2023-05-17 | 2023-05-17 | 一种基于最佳区域中值先验的湍流退化图像恢复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310555946.3A CN116309190B (zh) | 2023-05-17 | 2023-05-17 | 一种基于最佳区域中值先验的湍流退化图像恢复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309190A CN116309190A (zh) | 2023-06-23 |
| CN116309190B true CN116309190B (zh) | 2023-08-15 |
Family
ID=86781861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310555946.3A Active CN116309190B (zh) | 2023-05-17 | 2023-05-17 | 一种基于最佳区域中值先验的湍流退化图像恢复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309190B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009095296A1 (en) * | 2008-01-29 | 2009-08-06 | Bergen Teknologioverforing As | Constrained iterative blind deconvolution |
| CN102708550A (zh) * | 2012-05-17 | 2012-10-03 | 浙江大学 | 一种基于自然图像统计特性的盲去模糊算法 |
| CN102768756A (zh) * | 2012-06-15 | 2012-11-07 | 武汉工程大学 | 目标探测多谱图像的通用复原方法 |
| WO2013148142A1 (en) * | 2012-03-29 | 2013-10-03 | Nikon Corporation | Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term |
| WO2014074138A1 (en) * | 2012-11-09 | 2014-05-15 | Nikon Corporation | Globally dominant point spread function estimation |
| WO2015047538A1 (en) * | 2013-09-30 | 2015-04-02 | Nikon Corporation | Psf estimation using multiple smaller images |
| CN106886983A (zh) * | 2017-03-01 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 基于Laplace算子和反卷积的图像非均匀性校正方法 |
| CN106920220A (zh) * | 2017-02-24 | 2017-07-04 | 西北工业大学 | 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 |
| CN109035271A (zh) * | 2018-07-19 | 2018-12-18 | 迈克医疗电子有限公司 | 图像分割方法和装置、分析仪器和存储介质 |
| 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 |
| CN110852963A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于相关最大性的湍流退化图像复原方法 |
| CN111640077A (zh) * | 2020-05-29 | 2020-09-08 | 扆亮海 | 一种简单高效的模糊文本图片清晰化处理方法 |
| CN112184567A (zh) * | 2020-08-28 | 2021-01-05 | 江苏海洋大学 | 一种基于交替最小化的多通道盲识别自适应光学图像复原方法 |
| CN115018725A (zh) * | 2022-06-01 | 2022-09-06 | 中国科学院光电技术研究所 | 一种基于块最小像素先验的衍射图像复原方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9286664B2 (en) * | 2013-03-12 | 2016-03-15 | Drs Network & Imaging Systems, Llc | System and method for blind image deconvolution |
| US9779491B2 (en) * | 2014-08-15 | 2017-10-03 | Nikon Corporation | Algorithm and device for image processing |
| 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 |
| US20180060635A1 (en) * | 2016-08-31 | 2018-03-01 | Qualcomm Incorporated | Point spread function estimation and deconvolution-based distortion removal |
| US10643313B2 (en) * | 2018-01-19 | 2020-05-05 | Bae Systems Information And Electronic Systems Integration Inc. | Methods for image denoising and deblurring |
-
2023
- 2023-05-17 CN CN202310555946.3A patent/CN116309190B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009095296A1 (en) * | 2008-01-29 | 2009-08-06 | Bergen Teknologioverforing As | Constrained iterative blind deconvolution |
| WO2013148142A1 (en) * | 2012-03-29 | 2013-10-03 | Nikon Corporation | Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term |
| CN102708550A (zh) * | 2012-05-17 | 2012-10-03 | 浙江大学 | 一种基于自然图像统计特性的盲去模糊算法 |
| CN102768756A (zh) * | 2012-06-15 | 2012-11-07 | 武汉工程大学 | 目标探测多谱图像的通用复原方法 |
| WO2014074138A1 (en) * | 2012-11-09 | 2014-05-15 | Nikon Corporation | Globally dominant point spread function estimation |
| WO2015047538A1 (en) * | 2013-09-30 | 2015-04-02 | Nikon Corporation | Psf estimation using multiple smaller images |
| CN106920220A (zh) * | 2017-02-24 | 2017-07-04 | 西北工业大学 | 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 |
| CN106886983A (zh) * | 2017-03-01 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 基于Laplace算子和反卷积的图像非均匀性校正方法 |
| CN109035271A (zh) * | 2018-07-19 | 2018-12-18 | 迈克医疗电子有限公司 | 图像分割方法和装置、分析仪器和存储介质 |
| 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 |
| CN110852963A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于相关最大性的湍流退化图像复原方法 |
| CN111640077A (zh) * | 2020-05-29 | 2020-09-08 | 扆亮海 | 一种简单高效的模糊文本图片清晰化处理方法 |
| CN112184567A (zh) * | 2020-08-28 | 2021-01-05 | 江苏海洋大学 | 一种基于交替最小化的多通道盲识别自适应光学图像复原方法 |
| CN115018725A (zh) * | 2022-06-01 | 2022-09-06 | 中国科学院光电技术研究所 | 一种基于块最小像素先验的衍射图像复原方法 |
Non-Patent Citations (1)
| Title |
|---|
| 洪汉玉等.加权L1 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.2020,第49卷(第08期),第20200001-1 - 20200001-9页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309190A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9262815B2 (en) | Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term | |
| Pan et al. | Fast $\ell^{0} $-Regularized Kernel Estimation for Robust Motion Deblurring | |
| US8380000B2 (en) | Methods of deblurring image and recording mediums having the same recorded thereon | |
| KR101871098B1 (ko) | 이미지 처리 방법 및 장치 | |
| Xu et al. | Two-phase kernel estimation for robust motion deblurring | |
| Rodríguez | Total variation regularization algorithms for images corrupted with different noise models: a review | |
| 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 | |
| US9245328B2 (en) | Algorithm for minimizing latent sharp image cost function and point spread function with a spatial mask in a fidelity term | |
| CN105469363B (zh) | 基于模糊图像生成清晰图像的方法和装置 | |
| Chen et al. | Split Bregmanized anisotropic total variation model for image deblurring | |
| 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 | |
| Yun et al. | Linearized proximal alternating minimization algorithm for motion deblurring by nonlocal regularization | |
| CN111047544B (zh) | 一种基于非线性退化模型的饱和图像去模糊方法 | |
| Shama et al. | A convex total generalized variation regularized model for multiplicative noise and blur removal | |
| CN111598796A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| Yang et al. | An adaptive parameter estimation for guided filter based image deconvolution | |
| Prasath et al. | On selecting the appropriate scale in image selective smoothing by nonlinear diffusion | |
| CN106651790B (zh) | 图像去模糊的方法、装置和设备 | |
| Lin et al. | Reconstruction of single image from multiple blurry measured images | |
| Chen et al. | A new TV-Stokes model with augmented Lagrangian method for image denoising and deconvolution | |
| Khan et al. | Multi‐scale GAN with residual image learning for removing heterogeneous blur | |
| Shi et al. | Fast algorithm for multiplicative noise removal | |
| Chen et al. | Inexact alternating direction method based on proximity projection operator for image inpainting in wavelet domain | |
| CN116309190B (zh) | 一种基于最佳区域中值先验的湍流退化图像恢复方法 | |
| CN108898557B (zh) | 图像恢复方法及装置、电子设备、计算机程序及存储介质 |
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 |