CN105957043A - 基于梯度自动激活的模糊图像盲复原方法 - Google Patents
基于梯度自动激活的模糊图像盲复原方法 Download PDFInfo
- Publication number
- CN105957043A CN105957043A CN201610458358.8A CN201610458358A CN105957043A CN 105957043 A CN105957043 A CN 105957043A CN 201610458358 A CN201610458358 A CN 201610458358A CN 105957043 A CN105957043 A CN 105957043A
- Authority
- CN
- China
- Prior art keywords
- gradient
- formula
- image
- dtri
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004913 activation Effects 0.000 title abstract 3
- 230000000694 effects Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 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 claims description 2
- 230000003213 activating effect Effects 0.000 abstract description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery 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
- G06T5/73—Deblurring; Sharpening
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度自动激活的模糊图像盲复原方法,用于解决现有模糊图像盲复原方法实用性差的技术问题。技术方案是在图像梯度上估计模糊核,在迭代更新图像梯度估计和图像模糊核的过程中,以增量形式自动激活部分最重要的梯度成分为非零元素并对非零梯度值进行估计。进而只用含有稀疏非零元素的梯度图像更新模糊核。利用估计得到的准确模糊核。本发明能够针对多种模糊核和含有不同内容的模糊图像进行可靠复原,并得到高质量的清晰图像。模型中对梯度激活因子的稀疏约束以及的算法中停止条件设计使得算法能够估计得到的稀疏而准确的图像梯度、保证了算法对噪声的鲁棒和、参数的不敏感以及较好的时效性。
Description
技术领域
本发明涉及一种模糊图像盲复原方法,特别是涉及一种基于梯度自动激活的模糊图像盲复原方法。
背景技术
在图像拍摄中,模糊为一种常见的图像退化形式。图像中的模糊通常由相机镜头对焦不准或者曝光期间相机与拍摄目标之间的相对运动造成。复原模糊图像对于提升图像视觉效果和提取图像信息有重要意义。图像去模糊问题中,通常使用模糊核表示模糊的形式。针对模糊核未知的模糊图像盲复原问题,估计准确的模糊核为问题难点及问题核心。
文献“Cho,Sunghyun,and Seungyong Lee."Fast motion deblurring."ACMTransactions on Graphics(TOG).Vol.28.No.5.ACM,2009.”提出一种基于物体边缘的模糊图像盲复原方法。该方法迭代估计清晰图像与图像模糊核,在迭代过程中,每次迭代首先固定前一步估计得到的模糊核,通过求解优化问题估计清晰图像,然后,固定估计得到的清晰图像来估计模糊核。在进行模糊核更新时,该方法利用双边滤波器对估计得到的清晰图像进行边缘增强处理,使处理后的图像中仅保留符合双边滤波器定义的强边缘,进而利用该滤波后的图像估计模糊核。该方法依赖于图像中含有较强的并且孤立的边缘,且依赖于边缘能够在双边滤波器作用下有较强的响应。
发明内容
为了克服现有模糊图像盲复原方法实用性差的不足,本发明提供一种基于梯度自动激活的模糊图像盲复原方法。该方法在图像梯度上估计模糊核,在迭代更新图像梯度估计和图像模糊核的过程中,以增量形式自动激活部分最重要的梯度成分为非零元素并对非零梯度值进行估计。进而只用含有稀疏非零元素的梯度图像更新模糊核。利用估计得到的准确模糊核。本发明可以针对多种模糊核和含有不同内容的模糊图像进行可靠复原,并得到高质量的清晰图像。模型中对梯度激活因子的稀疏约束以及的算法中停止条件设计使得算法可以估计得到的稀疏而准确的图像梯度、保证了算法对噪声的鲁棒和、参数的不敏感以及较好的时效性。
本发明解决其技术问题所采用的技术方案是:一种基于梯度自动激活的模糊图像盲复原方法,其特点是包括以下步骤:
步骤一、给定模糊图像y,首先求模糊图像y梯度利用图像在水平与垂直方向的梯度,定义为
其中与分别表示模糊图像y在竖直方向与水平方向的梯度,即令和并且*表示卷积操作。
步骤二、给定通过求解式(2)估计清晰图像梯度模糊核k和梯度激活因子τ:
其中,τ为梯度激活因子,其中的元素仅取值0或1,用于指示中相应位置处的元素是否被激活,即当τj=1时为非零值,即当τj=0时必须为0,j表示τ和中的相同位置,⊙表示逐元素点乘运算。Λ={τ:||τ||0≤κ,τ∈{0,1}n}为τ的取值域,n表示的元素个数,λ和γ为非负惩罚系数,零范数||·||0表示τ中非零元素的个数,κ为大于等于1的正整数。式(2)中的约束项||k||1=1,k≥0表示k中元素应为非负数且总和为1。对于式(2)的求解,首先,对于进行初始化,令然后循环执行以下步骤1和步骤2直到设定的迭代次数T。
1.固定求解图像模糊核k。具体方法为:
然后令k的解中的负数为零,并对k做归一化,即令其中ki表示k的第i个元素。式(2)存在一个封闭形式的解,利用快速傅里叶变化加快求解速度,求解公式为:
其中,F(·)和F-1(·)分别表示二维快速傅里叶变换与逆变换,为F(·)的共轭,I为单位矩阵。通过式(4)求得固定图像情况下的模糊核。
2.固定k,求解清晰图像梯度以及相应的梯度激活向量τ。具体方法为,首先引入中间变量并求解式(5)
式(5)通过以下步骤迭代求解。
1)变量初始化,令τ0=0,k=0,其中,0表示零向量,k表示迭代计数。定义目标函数值并计算f0。估计κ值。对当前模糊核k进行顺时针旋转180°后得到计算得到对g取绝对值,得到求的最大值为gmax,统计中大于δ×gmax的元素个数设为κ,其中δ为取值范围为[0,1)的实数。
2)首先令k=k+1,对当前模糊核k进行顺时针旋转180°后得到计算得到gk与和τ尺寸相同,通过gk中元素的值确定τk的中相同位置处的元素为0或1,即是否激活相应位置处的梯度。具体方法为,对gk取绝对值,得到依据元素值的大小从中取前κ个元素在中的空间位置,并记录在集合Ck中。由于与gk、和τ尺寸相同,Ck中的每个元素j∈Ck可以对应于gk、和τ中相应的位置。在每次迭代中,应保证任意放入Ck中的元素j∈Ck对应有即新被激活的梯度应为之前迭代中未被激活的。在记录Ck的同时,首先令τk=τk-1,然后更新对于定义Sk为一个记录τk中所有1元素位置的集合,用(Sk)C表示Sk的补集,全集为图像中的所有像素点的位置集合。
3)在Co,o=1,...k和Sk的基础上,求解式(6)得到
其中和表示的子图像,各自的元素对应于Sk和Co中元素指定的位置。中元素仍保持原空间位置不变,因此为针对于Sk中元素的二维卷积。更新通过求解式(6)进行,令中被激活的图像梯度区域为令中未激活部分为零,即 表示中被位置集合Sk指示的部分,表示中未被位置集合Sk指示的部分。式(6)通过以下方法迭代求解:
i)初始化其中为中被Sk指示的部分的值,t为迭代计数。定义目标函数值并计算g0。
ii)令t=t+1。计算其中通过对模糊核k进行顺时针旋转180°后得到,ρ为一个大于零的实数,表示梯度下降步长。
iii)根据Co,o=1,...k中元素指示位置,从d中提取得到k个子图分别计算各子图的二范数值为对k个vo,o=1,...,k降序排序得到序列w1≥...≥wk。基于序列w1,...,wk在1,...,k中寻找一个最大序号值满足以下条件(7)。
计算并通过式(8)计算得到序列α1,...,αk。
利用序列α1,...,αk对d进行处理,令d中对应于位置集合Co,o=1,...k中的元素按照式(9)中的原则转换。
然后更新
vi)计算目标函数值gt,若满足条件|gt-gt-1|/|g0|<εin或t≥tmax,则停止更新,返回为更新后的若条件不满足,则跳转至步骤ii)并继续执行步骤ii)-vi)。
4)更新并计算目标函数值fk,若满足条件|ft-ft-1|/|f0|<ε或k≥kmax,则停止迭代,并返回为更新后的若条件不满足,则跳转至步骤2)并继续迭代步骤2)-4)。
当步骤1和步骤2迭代T次之后,得到估计的模糊核k。
步骤三、利用估计得到的模糊核k对模糊图像y进行非盲反卷积得到清晰图像x。非盲反卷积可以通过求解问题(10)实现。
其中,和式(10)为一个全变分模型,通过引入中间变量zv和zh,令且将问题等价转换为式(11),并使用交替方向乘子法求解。
其中,β为惩罚因子。
本发明的有益效果是:该方法在图像梯度上估计模糊核,在迭代更新图像梯度估计和图像模糊核的过程中,以增量形式自动激活部分最重要的梯度成分为非零元素并对非零梯度值进行估计。进而只用含有稀疏非零元素的梯度图像更新模糊核。利用估计得到的准确模糊核。本发明能够针对多种模糊核和含有不同内容的模糊图像进行可靠复原,并得到高质量的清晰图像。模型中对梯度激活因子的稀疏约束以及的算法中停止条件设计使得算法能够估计得到的稀疏而准确的图像梯度、保证了算法对噪声的鲁棒和、参数的不敏感以及较好的时效性。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于梯度自动激活的模糊图像盲复原方法具体步骤如下:
步骤一、给定模糊图像y,求模糊图像y在梯度域中的表示利用图像在水平与垂直方向的梯度,定义为
其中与分别表示模糊图像y在竖直方向与水平方向的梯度,即令和并且*表示卷积操作。
步骤二、给定通过式(2)估计清晰图像梯度模糊核k和梯度激活因子τ:
其中,τ为梯度激活因子,其中的元素仅取值0或1,用于指示中相应位置处的元素是否被激活,即当τj=1时可以为非零值,即当τj=0时必须为0,j表示τ和中的相同位置,⊙表示逐元素点乘运算。Λ={τ:||τ||0≤κ,τ∈{0,1}n}为τ的取值域,n表示的元素个数,,λ和γ为非负惩罚系数,零范数||·||0表示τ中非零元素的个数,κ为大于等于1的正整数。设定λ=0.001和γ=0.5。式(2)中的约束项||k||1=1,k≥0表示k中元素应为非负数且和为1。对于式(2)式的求解,首先,对于进行初始化,令然后循环执行以下步骤1和步骤2直到设定的迭代次数T。设定T=15。
1.固定求解图像模糊核k。具体方法为:
然后令求解得到的k中的负数为零,并对k做归一化,即令其中ki表示k的第i个元素。式(2)存在一个封闭形式的解,并可以利用快速傅里叶变化加快求解速度,求解公式为:
其中,F(·)和F-1(·)分别表示二维快速傅里叶变换与逆变换,为F(·)的共轭,I为单位矩阵。通过式(4)可以求得固定图像情况下的模糊核。
2.固定k,求解清晰图像梯度以及相应的梯度激活向量τ。具体方法为,首先引入中间变量并求解式(5)
式(5)为一个非凸问题,经过凸松弛之后可以迭代求解。
1)变量初始化,令τ0=0,k=0,其中,0表示零向量,k表示迭代计数。定义目标函数值并计算f0。估计κ值。对当前模糊核k进行顺时针旋转180°后得到计算得到对g取绝对值,得到求的最大值为gmax,统计中大于δ×gmax的元素个数设为κ。令δ=0.6。
2)首先令k=k+1,对当前模糊核k进行顺时针旋转180°后得到计算得到gk与和τ尺寸相同,可以通过gk中元素的值确定τk的中相同位置处的元素为0或1,即是否激活相应位置处的梯度。具体方法为,对gk取绝对值,得到依据元素值的大小从中取前κ个元素在中空间位置,并记录在集合Ck中。由于与gk、和τ尺寸相同,Ck中的每个元素j∈Ck可以对应于gk、和τ中相应元素的位置。在每次迭代中,应保证任意放入Ck中的元素j∈Ck对应有即新被激活的梯度应为之前迭代中未被激活的。在记录Ck的同时,首先令τk=τk-1,然后更新对于定义Sk为一个记录τk中所有1元素位置的集合,用(Sk)C表示Sk的补集,全集为中所有元素的位置集合。
3)在Co,o=1,...k和Sk的基础上,求解式(6)可以得到
其中和表示的子图像,各自的元素对应于Sk和Co中元素指定的位置。中元素仍保持原空间位置不变,因此为针对于Sk中元素的二维卷积。更新通过求解式(6)实现,令中被激活的图像梯度区域为令中未激活部分为零,即 表示中被位置集合Sk指示的部分,表示中未被位置集合Sk指示的部分。式(6)可以通过以下方法迭代求解:
i)初始化其中为中被Sk指示的部分的值,t为迭代次数。定义目标函数值并计算g0。
ii)令t=t+1。计算其中通过对模糊核k进行顺时针旋转180°后得到,ρ为一个大于零的实数,表示梯度下降步长。设为ρ=0.5。
iii)根据Co,o=1,...k中元素指示位置,从d中提取得到k个子图分别计算各子图的二范数值对k个vo,o=1,...,k降序排序得到序列w1≥...≥wk。基于序列w1,...,wk在1,...,k中寻找一个最大序号值满足以下条件(7)。
计算并通过式(8)计算得到序列α1,...,αk。
利用序列α1,...,αk对d进行处理,令d中对应于位置结合Co,o=1,...k中的元素按照式(9)中的原则转换。
然后更新
vi)计算目标函数值gt,若满足条件|gt-gt-1|/|g0|<εin或t≥tmax,则停止更新,返回为更新后的若条件不满足,则跳转至ii)并继续执行步骤ii)-vi)。设定εin=10-6和tmax=15。
4)更新并计算目标函数值fk,若满足条件|ft-ft-1|/|f0|<ε或k≥kmax,则停止迭代,并返回为更新后的若条件不满足,则跳转至步骤2)并继续迭代步骤2)-4)。设定ε=10-5和kmax=15。
当步骤1和步骤2迭代T次之后,停止迭代,得到估计的模糊核k。
步骤三、利用估计得到的模糊核k对模糊图像y进行非盲反卷积得到清晰图像x。非盲反卷积可以通过式(10)实现。
其中,和式(10)为一个全变分模型,可以引入中间变量zv和zh,令且将问题等价转换为式(11),并使用交替方向乘子法求解。
其中,||·||1为1范数,β为惩罚因子。令β实数范围(0.005,0.1)之间取值,可根据图像实际情况调节参数。
Claims (2)
1.一种基于梯度自动激活的模糊图像盲复原方法,其特征在于包括以下步骤:
步骤一、给定模糊图像y,首先求模糊图像y梯度利用图像在水平与垂直方向的梯度,定义为
其中与分别表示模糊图像y在竖直方向与水平方向的梯度,即令和并且*表示卷积操作;
步骤二、给定通过求解式(2)估计清晰图像梯度模糊核k和梯度激活因子τ:
其中,τ为梯度激活因子,其中的元素仅取值0或1,用于指示中相应位置处的元素是否被激活,即当τj=1时为非零值,即当τj=0时必须为0,j表示τ和中的相同位置,⊙表示逐元素点乘运算;Λ={τ:||τ||0≤κ,τ∈{0,1}n}为τ的取值域,n表示的元素个数,λ和γ为非负惩罚系数,零范数||·||0表示τ中非零元素的个数,κ为大于等于1的正整数;式(2)中的约束项||k||1=1,k≥0表示k中元素应为非负数且总和为1;对于式(2)的求解,首先,对于进行初始化,令然后循环执行以下步骤1和步骤2直到设定的迭代次数T;
1.固定求解图像模糊核k;具体方法为:
然后令k的解中的负数为零,并对k做归一化,即令其中ki表示k的第i个元素;式(2)存在一个封闭形式的解,利用快速傅里叶变化加快求解速度,求解公式为:
其中,F(·)和F-1(·)分别表示二维快速傅里叶变换与逆变换,为F(·)的共轭,I为单位矩阵;通过式(4)求得固定图像情况下的模糊核;
2.固定k,求解清晰图像梯度以及相应的梯度激活向量τ;具体方法为,首先引入中间变量并求解式(5)
式(5)通过以下步骤迭代求解;
1)变量初始化,令τ0=0,k=0,其中,0表示零向量,k表示迭代计数;定义目标函数值并计算f0;估计κ值;对当前模糊核k进行顺时针旋转180°后得到计算得到对g取绝对值,得到求的最大值为gmax,统计中大于δ×gmax的元素个数设为κ,其中δ为取值范围为[0,1)的实数;
2)首先令k=k+1,对当前模糊核k进行顺时针旋转180°后得到计算得到gk与和τ尺寸相同,通过gk中元素的值确定τk的中相同位置处的元素为0或1,即是否激活相应位置处的梯度;具体方法为,对gk取绝对值,得到依据元素值的大小从中取前κ个元素在中的空间位置,并记录在集合Ck中;由于与gk、和τ尺寸相同,Ck中的每个元素j∈Ck对应于gk、和τ中相应的位置;在每次迭代中,应保证任意放入Ck中的元素j∈Ck对应有即新被激活的梯度应为之前迭代中未被激活的;在记录Ck的同时,首先令τk=τk-1,然后更新对于j∈Ck;定义Sk为一个记录τk中所有1元素位置的集合,用(Sk)C表示Sk的补集,全集为图像中的所有像素点的位置集合;
3)在Co,o=1,...k和Sk的基础上,求解式(6)得到
其中和表示的子图像,各自的元素对应于Sk和Co中元素指定的位置;中元素仍保持原空间位置不变,因此为针对于Sk中元素的二维卷积;更新通过求解式(6)进行,令中被激活的图像梯度区域为令中未激活部分为零,即 表示中被位置集合Sk指示的部分,表示中未被位置集合Sk指示的部分;式(6)通过以下方法迭代求解:
i)初始化t=0,其中为中被Sk指示的部分的值,t为迭代计数;定义目标函数值并计算g0;
ii)令t=t+1;计算其中通过对模糊核k进行顺时针旋转180°后得到,ρ为一个大于零的实数,表示梯度下降步长;
iii)根据Co,o=1,...k中元素指示位置,从d中提取得到k个子图分别计算各子图的二范数值为对k个vo,o=1,...,k降序排序得到序列w1≥...≥wk;基于序列w1,...,wk在1,...,k中寻找一个最大序号值满足以下条件(7);
计算并通过式(8)计算得到序列α1,...,αk;
利用序列α1,...,αk对d进行处理,令d中对应于位置集合Co,o=1,...k中的元素按照式(9)中的原则转换;
然后更新
vi)计算目标函数值gt,若满足条件|gt-gt-1|/|g0|<εin或t≥tmax,则停止更新,返回为更新后的若条件不满足,则跳转至步骤ii)并继续执行步骤ii)-vi);
4)更新并计算目标函数值fk,若满足条件|ft-ft-1|/|f0|<ε或k≥kmax,则停止迭代,并返回为更新后的若条件不满足,则跳转至步骤2)并继续迭代步骤2)-4);
当步骤1和步骤2迭代T次之后,得到估计的模糊核k;
步骤三、利用估计得到的模糊核k对模糊图像y进行非盲反卷积得到清晰图像x;非盲反卷积通过求解式(10)实现;
其中,和式(10)为一个全变分模型,通过引入中间变量zv和zh,令且将问题等价转换为式(11),并使用交替方向乘子法求解;
其中,β为惩罚因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610458358.8A CN105957043B (zh) | 2016-06-22 | 2016-06-22 | 基于梯度自动激活的模糊图像盲复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610458358.8A CN105957043B (zh) | 2016-06-22 | 2016-06-22 | 基于梯度自动激活的模糊图像盲复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957043A true CN105957043A (zh) | 2016-09-21 |
CN105957043B CN105957043B (zh) | 2018-12-14 |
Family
ID=56904531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610458358.8A Active CN105957043B (zh) | 2016-06-22 | 2016-06-22 | 基于梯度自动激活的模糊图像盲复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957043B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175508A1 (en) * | 2007-01-22 | 2008-07-24 | Kabushiki Kaisha Toshiba | Image Processing Device |
US7616826B2 (en) * | 2006-07-28 | 2009-11-10 | Massachusetts Institute Of Technology | Removing camera shake from a single photograph using statistics of a natural image |
US20100166332A1 (en) * | 2008-12-31 | 2010-07-01 | Postech Academy - Industry Foundation | Methods of deblurring image and recording mediums having the same recorded thereon |
CN102354395A (zh) * | 2011-09-22 | 2012-02-15 | 西北工业大学 | 基于稀疏表示的模糊图像盲复原方法 |
US20130243319A1 (en) * | 2012-03-13 | 2013-09-19 | Postech Academy-Industry Foundation | Method and apparatus for deblurring non-uniform motion blur in large scale input image based on tile unit |
CN103337057A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于多尺度自相似的运动模糊图像盲复原方法 |
CN103337058A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于模糊噪声图像对联合优化的图像盲复原方法 |
CN103761710A (zh) * | 2014-01-08 | 2014-04-30 | 西安电子科技大学 | 基于边缘自适应的高效图像盲去模糊方法 |
CN104112261A (zh) * | 2014-07-17 | 2014-10-22 | 五邑大学 | 基于范数比值正则化的快速图像盲去模糊方法 |
-
2016
- 2016-06-22 CN CN201610458358.8A patent/CN105957043B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7616826B2 (en) * | 2006-07-28 | 2009-11-10 | Massachusetts Institute Of Technology | Removing camera shake from a single photograph using statistics of a natural image |
US20080175508A1 (en) * | 2007-01-22 | 2008-07-24 | Kabushiki Kaisha Toshiba | Image Processing Device |
US20100166332A1 (en) * | 2008-12-31 | 2010-07-01 | Postech Academy - Industry Foundation | Methods of deblurring image and recording mediums having the same recorded thereon |
CN102354395A (zh) * | 2011-09-22 | 2012-02-15 | 西北工业大学 | 基于稀疏表示的模糊图像盲复原方法 |
US20130243319A1 (en) * | 2012-03-13 | 2013-09-19 | Postech Academy-Industry Foundation | Method and apparatus for deblurring non-uniform motion blur in large scale input image based on tile unit |
CN103337057A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于多尺度自相似的运动模糊图像盲复原方法 |
CN103337058A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于模糊噪声图像对联合优化的图像盲复原方法 |
CN103761710A (zh) * | 2014-01-08 | 2014-04-30 | 西安电子科技大学 | 基于边缘自适应的高效图像盲去模糊方法 |
CN104112261A (zh) * | 2014-07-17 | 2014-10-22 | 五邑大学 | 基于范数比值正则化的快速图像盲去模糊方法 |
Non-Patent Citations (5)
Title |
---|
HAICHAO ZHANG 等: "Multi-Observation Blind Deconvolution with an Adaptive Sparse Prior", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
JINSHAN PAN 等: "Deblurring Text Images via L0-Regularized Intensity and Gradient Prior", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
SUNGHYUN CHO 等: "Fast Motion Deblurring", 《ACM TRANSACTIONS ON GRAPHICS》 * |
付强 等: "显著边缘直接引导的动态模糊图像盲复原方法", 《重庆邮电大学学报(自然科学版)》 * |
崔莉 等: "基于梯度投影的图像盲复原算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106920220B (zh) * | 2017-02-24 | 2019-07-19 | 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 |
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 |
CN110473153B (zh) * | 2019-07-31 | 2022-04-26 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN105957043B (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Selflow: Self-supervised learning of optical flow | |
Köhler et al. | Robust multiframe super-resolution employing iteratively re-weighted minimization | |
Michaeli et al. | Blind deblurring using internal patch recurrence | |
CN105493140A (zh) | 图像去模糊方法及*** | |
CN104599242B (zh) | 使用多尺度非局部正则的模糊核估计方法 | |
CN104869387A (zh) | 基于光流法的双目图像最大视差获取方法 | |
Zhu et al. | Neurreg: Neural registration and its application to image segmentation | |
CN105590304B (zh) | 超分辨率图像重建方法和装置 | |
CN105427308A (zh) | 一种稀疏和稠密特征匹配结合的图像配准方法 | |
CN112819853B (zh) | 一种基于语义先验的视觉里程计方法 | |
CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
Li et al. | Image super-resolution with parametric sparse model learning | |
Li et al. | Learning parametric distributions for image super-resolution: Where patch matching meets sparse coding | |
CN105488759B (zh) | 一种基于局部回归模型的图像超分辨率重建方法 | |
CN110517197A (zh) | 基于参数模型的单幅图像去模糊方法 | |
CN103337058A (zh) | 基于模糊噪声图像对联合优化的图像盲复原方法 | |
Li et al. | A maximum a posteriori estimation framework for robust high dynamic range video synthesis | |
CN106327422A (zh) | 一种图像风格化重建方法及装置 | |
Yan et al. | Robust artifact-free high dynamic range imaging of dynamic scenes | |
Zhou et al. | Measuring shape and motion of a high-speed object with designed features from motion blurred images | |
CN107067373A (zh) | 一种基于0范数的梯度最小化二值图像复原方法 | |
CN107730459B (zh) | 一种基于非线性动态***的图像去模糊方法 | |
CN105957043A (zh) | 基于梯度自动激活的模糊图像盲复原方法 | |
Poling et al. | Better feature tracking through subspace constraints | |
CN102938144A (zh) | 基于总变分模型的人脸重加光方法 |
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 |