CN105894463B - 一种区域信息分离的全变分图像盲去模糊方法 - Google Patents
一种区域信息分离的全变分图像盲去模糊方法 Download PDFInfo
- Publication number
- CN105894463B CN105894463B CN201610177697.9A CN201610177697A CN105894463B CN 105894463 B CN105894463 B CN 105894463B CN 201610177697 A CN201610177697 A CN 201610177697A CN 105894463 B CN105894463 B CN 105894463B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- iteration
- shoulder
- constraint
- 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 81
- 238000000926 separation method Methods 0.000 title claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 41
- 238000011084 recovery Methods 0.000 claims abstract description 22
- 238000004800 variational method Methods 0.000 claims abstract description 7
- 230000002452 interceptive effect Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000035939 shock Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract 1
- 230000033001 locomotion Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009514 concussion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- VNQABZCSYCTZMS-UHFFFAOYSA-N Orthoform Chemical compound COC(=O)C1=CC=C(O)C(N)=C1 VNQABZCSYCTZMS-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种区域信息分离的全变分图像盲去模糊方法,主要解决现有全变分方法在图像盲去模糊时,由于图像边缘区域和平缓区域信息干扰,复原效果不理想问题。其实现过程为:(1)输入模糊图像,并进行预处理;(2)分别提取图像边缘区域和平缓区域信息;(3)利用图像边缘区域和平缓区域的不同特性,选用不同的正则化方法分别进行约束;(4)用交互的迭代方法对提出的新型约束模型进行信息更新;(5)判断是否满足迭代终止条件,如果是,则得到最终的去模糊结果图;否则,返回步骤(4),直到满足终止条件为止。本发明在对图像盲去模糊时,能够消除边缘区域和平缓区域的相互干扰,消除复原过程中产生的圆滑效应,与现阶段方法相比,能得到更好的复原效果。
Description
技术领域
本发明属于计算机图像处理技术,主要涉及一种区域信息分离的全变分图像盲去模糊方法。
背景技术
就目前而言,图像的细节信息一直是评判一幅图像好坏与否的关键,尤其是在一些对图片复原要求很高的领域,例如案件侦查,光学医疗,卫星遥感等。因此想要获得高质量的复原图像,复原图像边缘细节信息是非常重要的,一般图像的细节可以分为边缘区域和平缓区域两个部分,这两个部分的细节效果直接影响着整个图像复原效果。
全变分(Total Variation,简称为TV)是Rudin等人在解决去噪问题时提出的一种正则化约束方法,它能较好的保持图像边缘细节结构信息。Chan在Osher的基础上提出了基于全新的全变分正则化方法,约束了边缘信息扩散,较好的抑制了圆滑效应,但是在平缓区域细节丢失。Tikhonov A N等人为了解决图像病态求解问题,提出了一种尽可能保持图像大部分区域的最大平缓化正则化约束方法,但是平缓掉了边缘区域的细节信息;Almeida MS C等人提出了一种具有稀疏分布特性的类似TV正则化约束的盲复原方法,对多种模糊的去除都有不错的效果;Li W等人通过分析图像的稀疏特性,用来更加准测的估计出BK信息,达到了很好的复原效果;Jian lou X U等人提出一种自适应二阶总广义变分正则化模型,用来去除复原过程中产生的阶梯效应;Ohkoshi K等人提出一种结合Shock和TV正则化的盲复原方法,用来去除图像纹理信息;Prasath V等人提出一种多尺度复原正则化模型,虽然得到很好的复原效果,但是在细节方面方面表现不够理想;Xu L等人提出一种基于L0的稀疏方法用于图像复原,利用图像边缘进行模糊核估计。
虽然基于正则化约束的全变分复原方法在去除模糊,保持边缘细节方面表现不错,但是在不同的图像区域,效果差异很大,这是因为由于图像的稀疏特性,不同区域的不同特性导致在复原时,区域之间相互产生干扰,只选择一种正则化约束方法对图像全局进行约束,是不符合图像的稀疏特性的。
发明内容
本发明的目的在于针对上述现阶段方法出现的问题,提出一种区域信息分离的全变分图像盲去模糊方法,从而消除区域信息干扰,得到更好的复原图像。
本发明解决上述问题的技术方案是:首先利用图像的稀疏特性,将整个图像区域分离为边缘区域和平缓区域,然后对边缘区域信息进行全变分约束,平缓区域进行Tikhonov正则化约束,最后利用交替迭代的方法得到到边缘区域和平缓区域复原信息,从而得到整幅图像的复原信息。本发明不仅消除了不同特性区域的相互干扰,而且在弧角结构处有更好的表现。本发明提出的一种图像区域信息分离的盲去模糊方法,其具体实施步骤如下:
运用Shock滤波对图像I0进行处理,增强图像边缘细节信息,使图像易于分离为边缘区域和平缓区域两个部分;
具体做法是:I=SHOCK(I0),I为预处理后的待复原图像,SHOCK是进行Shock滤波变换;
选用一组边缘检测滤波器对待复原图像的边缘区域信息进行提取,记为I(u),其他图像信息记为I(v)(即为平缓区域信息);
具体做法是:在滤波器组的方向公开集中,对图像的n个方向进行边缘滤波检测提取,从而得到一组边缘区域的信息{I(1),I(2),....,I(n)},记为I(u)。
(3)对(2)中得到的边缘区域信息I(u)和平缓信息I(v)分别进行不同的能量约束,对边缘区域I(u)进行全变分约束(简称为TV),对平缓区域I(v)进行Tikhonov正则化约束,得到图像的正则化约束模型。
具体做法是:{I2}=arg min{TV(TIDU[I(u)])+Tikhonov(TIDU[I(v)])},其中TIDU未梯度运算,TV为全变分约束后的结果,Tikhonov是Tikhonov正则化约束后的结果,I2为最终的复原图。
利用一种多变量正阈值约束的***布雷格曼交替迭代方法对(3)中的图像能量模型进行交替迭代更新,从而得到整幅图像的复原信息。
具体做法是:
(4.1)正阈值约束条件q:在迭代过程中,都对每次迭代结果u,k进行正阈值约束,当小于某一设定的较小正值q时,就置为0,其他保持不变。p是一个很小的正阈值,它与第i迭代获得的图像像素分布有关,控制一个较大的支撑域,支撑域以外的像素值置为0。
(4.2)由于存在两个需要求解的变量I、k,且TV泛函是可微凸函数,利用替代算子的思想。考虑到图像信息I、模糊核信息k都是待求解问题,采用交替迭代的方法,可以先固定一个变量,然后去求解另一个变量。由于图像盲复原过程是先对模糊核进行估计,然后利用先验信息进行图像的复原,所以我们采用这样一种交互迭代过程:先固定I已知(I(u),I(v)也会被固定)来求解k,估算出模糊核信息。然后将得到的信息k固定,最后求解边缘区域信息I(v),平缓区域信息I(u),最终得到整个复原图像的信息I2。
本发明与现阶段技术相比有以下几个优点:
首先,基于区域信息分离的图像复原方法,能够消除不同区域间的相互干扰。边缘区域一般是图像的高频区域,而平缓区域是图像较为平缓的区域,如果将高频区域和平缓区域同等对待来进行图像复原,高频区域信息和平缓区域信息会产生相互干扰,影响复原效果。
其次,全变分正则化的方法在复原的过程中能够保持图像边缘细节,在边缘区域有独特优势,但是在平缓区域同时容易保留噪声信息,不能有效去除噪声;而Tikhonov正则化的方法在复原的过程中能够平缓掉噪声的影响,在平缓区域有独特优势,但是在边缘区域同时容易平缓掉边缘细节信息,使整个图像变得模糊。对整个复原图像和模糊核而言,它们都含有边缘区和平缓区信息,只使用其中一种正则化方法去约束,往往不能同时解决。而选用不同区域的混合正则化约束方法能够很好的解决这个问题。
最后,提出的一种多变量正阈值约束的***布雷格曼交替迭代方法。传统的非负性约束,由于非负约束只能去除迭代过程中产生的负性噪声,而对产生的较小正性噪声没有去除,这些未去除噪声信息可能会在后面的迭代过程中造成循环恶化效应,严重影响复原效果。利用正阈值约束法可以很好的解决这个问题,将小于正阈值的噪声去除,在保持图像主要结构信息的同时对噪声进行抑制。但是正阈值的取值需要是适当的,如果正阈值取值过大,在消除噪声的同时也有可能将图像细小的细节信息抹掉;如果正阈值取值过小,有可能会达不到去除噪声的效果。而且正阈值的取值不应该是一个固定值,因为每次迭代后得到的图像信息是不同的,不可能用同一个标准去衡量所有迭代情况,所以它还必须是动态的。所以只有选用适当的并且动态更新的较小正阈值,才有可能达到令人满意的复原效果。
本发明构造了一种新的图像盲复原方法,可适用于各种不同类型的模糊环境,而不需要提前知道图像的模糊类型。常见的图像模糊一般有三种:相机和物体产生相对运动造成的运动模糊、相机没有聚焦好造成的散焦模糊、高斯模糊模糊等。这些模糊都对拍摄图片造成不同程度的模糊效果,从而使图像不清晰。本发明的方法,不在像传统方法那样依靠固定模糊类型,使复原的范围更一般化。
附图说明
图1为本发明的方法流程图;
图2为支架细节模糊图及用本发明和现有最新两种不同方法的复原效果对比:图2(a)为运动模糊的支架细节,模糊参数为:模糊尺度为20,模糊方向为30°;2(b)为一般全变分复原方法(后简称为A方法)对图2(a)得到的复原图;2(c)为混合高阶各向异性的全变分方法(后简称为B方法)对图2(a)得到的复原图;2(d)为本发明提出的方法基于区域信息分离的全变分方法对图2(a)得到的复原图。
图3为实际Lena图像运动模糊图及真实模糊核信息,运动参数为:模糊尺度为30,模糊方向为45°;
图4为使用A方法对图3进行复原得到的效果图及模糊核信息;
图5为使用B方法对图3进行复原得到的效果图及模糊核信息;
图6为使用本发明提出的方法对图3进行复原得到的效果图及模糊核信息。
具体实施方式
以下将结合附图对本发明进行详细说明:
参照图1方法流程图,具体实施方式步骤为:
一种区域信息分离的全变分图像盲去模糊方法。
(1)首先,为了验证本发明提出的基于区域信息分离的全变分盲去模糊复原方法的实际复原效果,将采用实际的图像进行实际复原仿真。为了验证本文方法的有效性,选取了传统A方法以及B方法相关最新复原方法与本文方法实际复原效果进行对比。为了公平性,所有方法都是在内存为4GB,64位的WINDOS 7操作***环境下进行MATLAB R2012a版本的仿真实验。由于本文主要是验证棱角边缘结构信息的复原效果,所以MATLAB仿真图选取的都是含有丰富结构信息的1024*1024像素的图像,如Lena图像、支架细节图像等,进行复原仿真实验。
(2)在(1)的实验环境下,按照图1的方法流程,matlab仿真操作如下:
(2.1)对图2(a)运动模糊的支架细节信息,通过read()方法得到该模糊图像的二维数字图像,也就是数学中的二维矩阵I,每一项是范围在0-255的像素值,代表着图像的亮度。
(2.2)对图像矩阵I进行预处理操作,增强边缘细节数据与平缓区域数据的距离,使图像的边缘数据突出。
(2.3)运用本发明提出的一组边缘检测的滤波组,对图像矩阵进行各个方向的滤波提取,提取出图像矩阵中边缘区域的数据,记为I(u)。通过余值计算就可以得到除边缘区域外的平缓区域I(v)。
(2.4)建立基于能量最小化的全办法模型,遵循的条件如下:对边缘区域二维矩阵I(u)进行全变分正则化约束操作,对I(u)矩阵求取其梯度矩阵,记为对梯度矩阵在整个图像领域内求取其微积分;对平缓区域I(v)进行吉洪诺夫正则化约束,对对I(v)矩阵求取其梯度算子,得到平缓区域梯度信息矩阵对其梯度信息的二次方在整个图像领域内求取微积分;最后将所有约束信息耦合在一起,构成解决图像复原问题的数学表达式。
(2.5)对(2.4)中得到的图像复原的表达式,求取满足这个模型的最小的图像域。考虑到图像信息和模糊核信息都是待求解问题,可以先固定其中一个变量,然后去求解另一个变量。由于图像盲复原过程是先对模糊核进行估计,然后利用先验信息进行图像的复原,所以本发明采用这样一种交互迭代***布雷格曼优化过程:先固定I已知(I(u),I(v)也会被固定)来求解k,估算出模糊核信息。然后将得到的信息k固定,最后求解I得到复原图像,具体求解过程如下:
(1)首先固定图像信息I,此时边缘信息和模糊核信息都被固定,先进行盲求解模糊核信息k。这样(2.4)中得到的模型将简化为只含有k变量的公式(因为图像信息I已经固定),对k进行最优化求解,迭代次数为i。由于存在两个需要求解的变量I、k,且TV泛函是可微凸函数,利用替代算子的思想,可以引入辅助变量d->k及其相应惩罚项b,将求解k的问题转化为k(i+1),d(i+1),b(i+1)三个子问题,并依次迭代。
(2)利用欧拉-拉格朗日方程,并进行傅里叶逆变换,来求解上述的k(i+1)问题:k(i+1)=IFFT[d(i),b(i)],其中IFFT为傅里叶逆变换操作;
(3)利用二维收缩算子Shrink以及(2)中得到的k(i+1)信息,对第二个问题d(i+1)进行求解更新,d(i+1)=Shrink[k(i+1),b(i)];
(4)更新b(i+1)问题,已知(2)中的k(i+1)以及(3)中的d(i+1),求解第三个问题的迭代解:b(i+1)=b(i)+{k(i+1)-d(i+1)};
(5)然后固定I(u),k求解I(v),同理,对简化模型进行欧拉-拉格朗日,循环以为后取傅里叶逆变换,即可得到I(v)(i+1)的问题更新。
(6)最后固定I(v),k求解I(u),与k的求解相似使用***的方法,引入辅助变量以及相应的惩罚项b2。依次更新I(u)(i+1),d2(i+1),b2(i+1)知道满足迭代终止条件为止。
(7)最后将得到的最优I(u)和I(v)结合,得到图像的最优输出I,同时也得到模糊核的最优解k。
下面结合仿真实验对本发明的去模糊效果做进一步的分析描述:
图2~图6是利用本发明的方法分别对支架细节以及Lena图像进行仿真复原的效果对比图,图2是支架细节图对比,图3~图6是Lena图像整体复原效果对比。两次对比都选用了不同的模糊参数进行仿真:图2模糊参数为:模糊尺度为20,模糊方向为30°;图3~图6模糊参数为:模糊尺度为30,模糊方向为45°,Lena实验效果图在右下角还给出了仿真得到的模糊核信息对比。
从图2三种不同方法对比效果图中可以看出,在棱角边缘细节方面,本发明方法得到的复原效果放大图2(d)表现更好,图2(b)虽然复原了图像的大部分模糊效果,但是在支架弧角部分产生了较大的震荡效应,使得细节部分效果不明显,图2(c)比较好的解决了这个问题,但是还是存在细微的震荡效应;本发明采用的方法得到的复原图2(d)大大降低了边缘干扰效应造成的震荡,细节部分比A方法和B方法效果更加理性,更加贴近实际的图像效果。
从图3至图6三种不同方法对比效果图中可以看出,图3为待复原的Lena模糊图,右下角为图像的模糊信息图,可以大概知道这个图像的真实的模糊参数:方向为45度,移动距离大约为30。图4是方法A的复原效果图,右下角为方法A得到的模糊核信息,效果方面,方法A复原了大部分的图像信息,但是在帽子细节以及肩背部分产生了很大的圆滑效应,得到的模糊核信息与原模糊核信息相差也大,方法B较好的解决了这个问题,得到的模糊核信息比方法A更接近真实值,但是图5中还是存在细微的圆滑;本发明提出的方法比方法B在效果上表现更好,复原得到图6的模糊核信息也更接近真实值,基本抑制了圆滑效应。从客观数据信噪比增量(IPSNR)上来看,本发明提出方法的信噪比增量(ISNR)提高了0.03~3.5dB,整体效果也提高了7%左右。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种区域信息分离的全变分图像盲去模糊方法,其特征在于:
(1)输入模糊图像,设置初始条件,并进行预处理;
(2)提取图像边缘区域和平缓区域信息;
(3)对图像边缘区域和平缓区域分别采用不同的正则化方法进行约束,构建全新的图像复原全变分约束模型;
(4)使用一种多变量正阈值约束的***布雷格曼迭代方法对(3)得到的全新图像复原模型进行复原图像最优化更新;
(5)判断得到的复原图像是否满足迭代终止条件,如果满足那么就输出结果;否则,继续迭代,并返回步骤(4),直到满足迭代终止条件为止,其具体步骤如下:
(1)预处理:输入模糊图像I,模糊核支撑域大小为M×M,迭代终止条件:
(I(i+1)-I(i))2/(I(i))2<tol其中tol为一个较小正值;
预处理后,利用一种边缘检测滤波器提取边缘区域I(u)和平缓区域信息I(v),其方法如下:
(2.1)首先采用shock滤波器对图像进行预处理,锐化边缘信息;
(2.2)然后用一组边缘检测滤波器g(theta(u))来提取图像边缘区域信息,其具体步骤是:
I(u)={g[theta 1(SHK(u))]2+g[theta 2(SHK(u))]2+.....+g[theta n(SHK(u))]2}1/2
其中theta为滤波器组的方向公开集,处理后,能够更加准确的得到先验信息,实现更好的复原效果,SHK代表shock滤波处理;
(2.3)由图像全部信息与边缘区域信息,从而可以得到平缓区域信息I(v);
对图像边缘区域选择全变分正则化约束方法,对图像平缓区域选择吉洪诺夫正则化约束方法,提出全新的全变分复原模型,其具体方法如下:
{I}=arg min{TV[I(u)]+Tikhonov[I(v)]}
其中TV[]为全变分约束后的结果,Tikhonov[]是吉洪诺夫正则化约束后的结果,I为最终的复原图;
利用一种多变量正阈值约束的***布雷格曼交替迭代方法,在迭代过程中,都对每次迭代结果I,k进行正阈值约束,当小于某一设定的较小正值时,就置为0,其他保持不变,其具体方法如下:
其中φi(x,y)为正阈值约束条件,是一个很小的正阈值,它与第i迭代获得的图像像素分布有关,控制一个较大的支撑域,支撑域以外的像素值置为0,的取值为q*max(φi(x,y)),q为一个较小的正值;
(5)判断得到的复原图像是否满足迭代终止条件,如果满足那么就输出结果;否则,继续交互迭代,并返回步骤(4),直到满足迭代终止条件为止,具体的迭代步骤特征如下:
(5.1)while(I(i+1)-I(i))2/I(i)2<tol其中tol为一个较小正值;
(5.2)固定边缘区域I(u),平缓区域I(v),对模糊核信息k进行约束更新,得到k(i+1);
(5.3)更新模糊核辅助变量d(i+1),模糊核惩罚项b(i+1);
(5.4)固定模糊核信息k(i+1)、边缘区域I(u),对平缓信息I(v)进行约束更新,得到I(v)(i+1);
(5.5)固定模糊核信息k(i+1)、平缓区域I(v),边缘区域I(u)进行约束更新,得到I(u)(i+1);
(5.6)更新图像信息I2=I(v)(i+1)+I(u)(i+1);
(5.7)end。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610177697.9A CN105894463B (zh) | 2016-03-24 | 2016-03-24 | 一种区域信息分离的全变分图像盲去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610177697.9A CN105894463B (zh) | 2016-03-24 | 2016-03-24 | 一种区域信息分离的全变分图像盲去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894463A CN105894463A (zh) | 2016-08-24 |
CN105894463B true CN105894463B (zh) | 2018-08-28 |
Family
ID=57013788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610177697.9A Active CN105894463B (zh) | 2016-03-24 | 2016-03-24 | 一种区域信息分离的全变分图像盲去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894463B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530258B (zh) * | 2016-11-22 | 2019-04-16 | 哈尔滨工业大学 | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 |
CN107292842B (zh) * | 2017-06-15 | 2020-08-07 | 北京大学深圳研究生院 | 基于先验约束和离群值抑制的图像去模糊方法 |
CN108257096A (zh) * | 2017-12-28 | 2018-07-06 | 三维通信股份有限公司 | 一种基于多先验协同的盲去模糊方法 |
CN110807738B (zh) * | 2019-08-21 | 2022-07-22 | 杭州电子科技大学 | 一种基于边缘图块锐化的模糊图像非盲复原方法 |
CN110827212B (zh) * | 2019-10-11 | 2023-03-14 | 南京信息工程大学 | 基于交叠组合稀疏高阶全变分的图像复原方法 |
CN111754428B (zh) * | 2020-06-11 | 2021-02-09 | 淮阴工学院 | 基于各向异性梯度模型的图像增强方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156965A (zh) * | 2011-04-02 | 2011-08-17 | 北京理工大学 | 一种存在运动物体的场景运动模糊图像恢复方法 |
CN102867289A (zh) * | 2012-08-20 | 2013-01-09 | 清华大学 | 互补模糊图像采集***及利用该***的模糊图像恢复方法 |
CN103207946A (zh) * | 2013-03-08 | 2013-07-17 | 西安交通大学 | 基于截断奇异值和全变分的闪光照相客体正则化重建方法 |
CN103914818A (zh) * | 2014-03-06 | 2014-07-09 | 中国人民解放军国防科学技术大学 | 一种基于全向全变分的全向图像稀疏重构方法 |
CN104616248A (zh) * | 2014-11-20 | 2015-05-13 | 杭州电子科技大学 | 一种利用边缘分析与总变分的单幅图像去模糊清晰化方法 |
-
2016
- 2016-03-24 CN CN201610177697.9A patent/CN105894463B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156965A (zh) * | 2011-04-02 | 2011-08-17 | 北京理工大学 | 一种存在运动物体的场景运动模糊图像恢复方法 |
CN102867289A (zh) * | 2012-08-20 | 2013-01-09 | 清华大学 | 互补模糊图像采集***及利用该***的模糊图像恢复方法 |
CN103207946A (zh) * | 2013-03-08 | 2013-07-17 | 西安交通大学 | 基于截断奇异值和全变分的闪光照相客体正则化重建方法 |
CN103914818A (zh) * | 2014-03-06 | 2014-07-09 | 中国人民解放军国防科学技术大学 | 一种基于全向全变分的全向图像稀疏重构方法 |
CN104616248A (zh) * | 2014-11-20 | 2015-05-13 | 杭州电子科技大学 | 一种利用边缘分析与总变分的单幅图像去模糊清晰化方法 |
Non-Patent Citations (5)
Title |
---|
Blind and Semi-Blind Deblurring of Natural Images;Mariana S. C. Almeida,Luís B. Almeida;《IMAGE PROCESSING》;20100131;第19卷(第1期);第36-53页 * |
Image denoising and deblurring: non-convex regularization, inverse diffusion and shock filter;FU ShuJun 等;《SCIENCE CHINA:Information Sciences》;20110630;第54卷(第6期);第1184-1198页 * |
Local Structural Adaptive Total Variation Method for Image Restoration;Weili Zeng,Xiaobo Lu;《Journal of Imaging Science and Technology》;20130430;第57卷(第2期);第020503-1至020503-5页 * |
基于梯度倒频和全变分的运动模糊图像复原;李俭兵 等;《电视技术》;20160217;第40卷(第2期);第54-58页 * |
稀疏梯度先验模型的正则化图像复原;刘伟豪 等;《中国图象图形学报》;20121231;第17卷(第12期);第1485-1491页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105894463A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894463B (zh) | 一种区域信息分离的全变分图像盲去模糊方法 | |
Xu et al. | Unnatural l0 sparse representation for natural image deblurring | |
US9262815B2 (en) | Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term | |
Michaeli et al. | Blind deblurring using internal patch recurrence | |
Zosso et al. | A primal-dual projected gradient algorithm for efficient Beltrami regularization | |
US9569684B2 (en) | Image enhancement using self-examples and external examples | |
CN111047544B (zh) | 一种基于非线性退化模型的饱和图像去模糊方法 | |
KR102095443B1 (ko) | 구조텐서를 이용한 딥러닝 기반의 영상 개선 방법 및 장치 | |
Zhang et al. | Natural image deblurring based on l 0-regularization and kernel shape optimization | |
CN110570381B (zh) | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 | |
Min et al. | Blind deblurring via a novel recursive deep CNN improved by wavelet transform | |
Yang et al. | An adaptive parameter estimation for guided filter based image deconvolution | |
Pan et al. | A sparse proximal Newton splitting method for constrained image deblurring | |
Yang et al. | CSDM: A cross-scale decomposition method for low-light image enhancement | |
Liu et al. | Joint dehazing and denoising for single nighttime image via multi-scale decomposition | |
Banothu et al. | High-order total bounded variation approach for gaussian noise and blur removal | |
Su et al. | Image restoration using structured sparse representation with a novel parametric data-adaptive transformation matrix | |
Zhou et al. | Single image dehazing based on weighted variational regularized model | |
CN116258645A (zh) | 一种基于图像分解的低照度彩色图像增强方法 | |
Kang et al. | Sparse representation based image deblurring model under random-valued impulse noise | |
Chen et al. | Blind restoration for nonuniform aerial images using nonlocal Retinex model and shearlet-based higher-order regularization | |
Chen et al. | A novel low-light enhancement via fractional-order and low-rank regularized retinex model | |
De Decker et al. | A principled approach to image denoising with similarity kernels involving patches | |
Shu et al. | Two-phase transmission map estimation for robust image dehazing | |
Yu et al. | Research Status and Development Trend of Image Restoration Technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |