CN107451973B - 基于丰富边缘区域提取的运动模糊图像复原方法 - Google Patents

基于丰富边缘区域提取的运动模糊图像复原方法 Download PDF

Info

Publication number
CN107451973B
CN107451973B CN201710641968.6A CN201710641968A CN107451973B CN 107451973 B CN107451973 B CN 107451973B CN 201710641968 A CN201710641968 A CN 201710641968A CN 107451973 B CN107451973 B CN 107451973B
Authority
CN
China
Prior art keywords
image
motion
blurred image
rich
moment
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
Application number
CN201710641968.6A
Other languages
English (en)
Other versions
CN107451973A (zh
Inventor
赵明华
张鑫
李兵
石争浩
张飞飞
陈棠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shenzhi Future Intelligence Co ltd
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201710641968.6A priority Critical patent/CN107451973B/zh
Publication of CN107451973A publication Critical patent/CN107451973A/zh
Application granted granted Critical
Publication of CN107451973B publication Critical patent/CN107451973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于丰富边缘区域提取的运动模糊图像复原方法，首先获取运动模糊图像的高频层信息，再以滑窗方式计算丰富边缘指数，提取到丰富边缘区域，以此，获取到代替整幅图像的局部区域；然后以提取到的丰富边缘区域来估计模糊核，在得到模糊核的基础上，使用复原算法对整幅运动模糊图像进行复原。本发明基于丰富边缘区域提取的运动模糊图像复原方法，对运动模糊图像进行了恢复处理，与现有复原方法相比，在降低图像的复原时间的同时保证图像的复原效果，实现了对运动模糊图像的高效复原。

Description

基于丰富边缘区域提取的运动模糊图像复原方法
技术领域
本发明属于运动模糊图像处理技术领域，具体涉及一种基于丰富边缘区域提取的运动模糊图像复原方法。
背景技术
近年来，运动模糊图像复原技术成为图像复原技术研究的重要课题之一。在采集图像信息过程中，由于拍摄物体和被拍摄物体之间的相对运动，往往会造成图像的模糊。为了获得模糊图像中隐藏的有效信息，需要对模糊图像进行复原。现有的运动模糊图像复原方法一般是通过分析运动模糊图像的特点和清晰图像的特点，得到相应的先验信息，将相应的先验知识添加到后续的模糊核估计中。大部分使用先验知识进行模糊核估计及进行图像复原的方法均是采用迭代方式进行的，计算复杂度高，消耗时间较长。因此，在图像复原过程中，保证图像复原质量的同时提高图像复原的执行效率是非常必要的。
目前，根据模糊图像的先验知识进行运动模糊图像复原的方法有：Cai等(Blindmotion deblurring from a single image using sparse approximation，IEEE，2009)采用模糊核和清晰图像的联合优化，假设模糊核和清晰图像分别在Curvelet域、Framelet域是稀疏的，通过求解方程中较大系数来确定模糊核和清晰图像。尽管解决了两者之间的模糊性，但实际中想要产生两者都满足的值，时间损耗大。Fergus等(Removing camera shakefrom a single photograph，ACM，2006)提出利用图像先验知识进行盲去运动模糊，根据自然图像的梯度符合重尾分布的特性，采用混合高斯分布拟合该分布，最后通过变分贝叶斯算法估计出模糊核和清晰图像。该算法在图像去运动模糊的效果方面取得了很大提高，但计算量大。Shan等人(High-quality motion deblurring from a single image，ACM，2008)针对混合高斯概率分布拟合重尾分布速度较慢的缺点，提出了利用分段函数来拟合该分布的思想，但依然存在计算量大且运行速度慢的问题。上述三种方法的共同缺点是计算量较大。
发明内容
本发明的目的是提供一种基于丰富边缘区域提取的运动模糊图像复原方法，解决了现有基于迭代方式估计模糊核复原运动模糊图像的算法运算量过大、复原速度慢的问题。
本发明所采用的技术方案是，基于丰富边缘区域提取的运动模糊图像复原方法，具体按照以下步骤实施：
步骤1：输入一幅运动模糊图像f(x,y)，提取运动模糊图像的高频层信息H(x,y)；
步骤2：根据步骤1所得的图像高频层信息H(x,y)以滑窗方式来计算窗口每次覆盖区域Ai(x,y)的灰度共生矩阵Hi(x,y)，其中，i＝1，2，3…，n；
步骤3：根据每个窗口区域Ai(x,y)的灰度共生矩阵Hi(x,y)来计算四个方向上的逆差矩
Figure BDA0001366095200000021
和惯性矩
Figure BDA0001366095200000022
将四个方向上的逆差矩
Figure BDA0001366095200000023
和惯性矩
Figure BDA0001366095200000024
求和，计算出图像滑窗所对应窗口的丰富边缘指数R(Ai(x,y))，选取丰富边缘指数最大的窗口所对应的模糊图像区域A(x,y)为所求得的丰富边缘区域；
步骤4：对提取到的运动模糊图像的丰富边缘区域A(x,y)进行模糊核k(x,y)的估计；
步骤5：在估计出模糊核k(x,y)的基础上，利用图像复原算法对整幅运动模糊图像f(x,y)进行恢复，得到最终复原图像。
本发明的特点还在于：
步骤1具体为：
首先，将原始图像由RGB颜色空间转换到YCbCr颜色空间，提取出Y通道，然后对Y通道进行2倍下采样，再利用双线性插值进行2倍上采样，如式(1)所示：
Y′(x，y)＝B2(Y(2∶2∶M，2∶2∶N)) (1)
其中，M和N为原始图像的行数和列数，Y(x，y)是原始图像的亮度通道，B2表示对其进行双线性插值2倍上采样操作，Y′(x，y)表示采样结果；
最后，使用原图像Y(x，y)通道减去采样结果Y′(x，y)即为所得的图像高频层H(x,y)，如式(2)所示：
H(x，y)＝Y(x，y)-Y′(x，y) (2)
其中，Y(x，y)是原始图像的亮度通道，Y′(x，y)是采样结果，H(x，y)为所需的图像高频层。
步骤2中滑窗每次覆盖区域Ai(x,y)的灰度共生矩阵Hi(x,y)的计算方式如式(3)所示：
Figure BDA0001366095200000041
其中，M和N为整幅原始图像的行数和列数，
Figure BDA0001366095200000042
和
Figure BDA0001366095200000043
是每个滑窗的固定的行数和列数，row1、row2、col1和col2为每次滑窗所处的行列位置，其计算方式如式(4)所示：
Figure BDA0001366095200000044
其中，
Figure BDA0001366095200000045
是滑窗每次行和列方向上的滑动间隔，a＝1，2，3、b＝1，2，3是以窗为单位在整幅图像上的坐标位置w(a，b)；
i＝(b-1)×3+a。
步骤3中四个方向的角度θ分别为0°、45°、90°、135°，即计算灰度共生矩阵中角度为0°、45°、90°、135°的相邻像素的惯性矩和逆差矩。
步骤3中计算每个窗口丰富边缘指数的方法如式(5)所示：
R(Ai(x,y))＝Mc-Md (5)
其中，Mc为四个方向上的惯性矩
Figure BDA0001366095200000046
之和，Md为四个方向上的逆差矩
Figure BDA0001366095200000047
之和，R(Ai(x,y))为图像局部区域Ai(x,y)的丰富边缘指数，Ai(x,y)和Hi(x,y)所处原图中的位置相同，即Hi(x,y)是原图中Ai(x,y)区域的高频信息；
获取丰富边缘区域A(x,y)的方式如式(6)所示：
Figure BDA0001366095200000051
其中，i＝1，2，3…，n；θ＝0°，45°，90°，135°；
Figure BDA0001366095200000052
和
Figure BDA0001366095200000053
分别为方向角度为θ度上的惯性矩和逆差矩；MAX和SUM分别为求最大值操作和求和操作；Mc(Hi(x，y))和Md(Hi(x，y))分别表示滑窗第i次所覆盖模糊图像区域Ai(x,y)对应的高频层信息Hi(x，y)的灰度共生矩阵的惯性矩和逆差矩，R(Ai(x，y))表示滑窗第i次所覆盖模糊图像区域Ai(x,y)的丰富边缘指数。
步骤4中对提取到的丰富边缘区域A(x,y)采用基于强度和梯度先验的方法进行模糊核的估计。
步骤5中图像复原算法采用对抖动图像去模糊的算法。
本发明的有益效果是：本发明基于丰富边缘区域提取的运动模糊图像复原方法，对运动模糊图像进行了恢复处理，与现有复原方法相比，在降低图像的复原时间的同时保证图像的复原效果，实现了对运动模糊图像的高效复原。
附图说明
图1是本发明运动模糊图像复原方法的流程图；
图2(a)是实施例输入的一个运动模糊图像；
图2(b)是实施例输入的另一个运动模糊图像；
图3(a)是图2(a)运动模糊图像的高频信息；
图3(b)是图2(b)运动模糊图像的高频信息；
图4是选取丰富边缘区域的滑窗示意图；
图5(a)是边缘信息递增示意图；
图5(b)是对应图5(a)中的各个图像的逆差矩；
图5(c)是对应图5(a)中的各个图像的惯性矩；
图5(d)是对应图5(a)中的各个图像的丰富边缘指数；
图6(a)是图2(a)运动模糊图像的丰富边缘区域，用矩形框标记；
图6(b)是图2(b)运动模糊图像的丰富边缘区域，用矩形框标记；
图7(a)是图2(a)运动模糊图像的丰富边缘区域估计出来的模糊核；
图7(b)是图2(b)运动模糊图像的丰富边缘区域估计出来的模糊核；
图8(a)是图2(a)使用丰富边缘区域估计出的模糊核进行复原的结果图，右下角显示图中矩形框处的放大图；
图8(b)是图2(b)使用丰富边缘区域估计出的模糊核进行复原的结果图，左下角显示图中矩形框处的放大图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于丰富边缘区域提取的运动模糊图像复原方法，第一部分是获取运动模糊图像的高频层信息，再以滑窗方式计算丰富边缘指数，提取到丰富边缘区域，以此，获取到代替整幅图像的局部区域；第二部分是以提取到的丰富边缘区域来估计模糊核，在得到模糊核的基础上，使用复原算法对整幅运动模糊图像进行复原，以达到对模糊图像高效复原的目的。
如图1所示，具体按照以下步骤实施：
步骤1：输入一幅运动模糊图像f(x,y)，如图2(a)、2(b)所示，图2(a)的大小为613×568，图2(b)的大小为741×900；将其通过空间转变，将其由RGB颜色空间转换到YCbCr颜色空间，只提取出Y通道。然后使用式(1)方式，对Y通道进行2倍下采样，再双线性插值2倍上采样。
Y′(x，y)＝B2(Y(2∶2∶M，2∶2∶N)) (1)
其中，M和N为原始图像的行数和列数，Y(x，y)是原始图像的亮度通道，B2表示对其进行双线性插值2倍上采样操作，Y′(x，y)表示采样结果；
最后，依据式(2)，用原图像Y(x，y)通道减去采样结果Y′(x，y)即为所得的图像高频层H(x，y)。高频层提取结果如图3(a)、3(b)所示，高频层信息和原始模糊图像大小相同。
H(x，y)＝Y(x，y)-Y′(x，y) (2)
其中，Y(x，y)是原始图像的亮度通道，Y′(x，y)是采样结果，H(x，y)为所需的图像高频层。
步骤2：根据步骤1所得的图像高频层信息H(x,y)以滑窗方式来计算窗口每次覆盖区域Ai(x,y)的灰度共生矩阵Hi(x,y)，其中，i＝1，2，3…，n；
以式(3)获取窗口覆盖区域Ai(x,y)的灰度共生矩阵Hi(x,y)，如图4所示。窗口的行数和列数均为原始图像行数列数的1/2，每次窗口滑动的横向间隔为原始图像列数的1/4，纵向间隔为原始图像行数的1/4，窗口尺寸为原始图像大小的1/4。
Figure BDA0001366095200000081
式(3)表示将H的row1到row2行、col1到col2列的像素信息赋值给Hi。
其中，M和N为整幅原始图像的行数和列数，
Figure BDA0001366095200000082
和
Figure BDA0001366095200000083
是每个滑窗的固定的行数和列数，row1、row2、col1和col2为每次滑窗所处的行列位置，其计算方式如式(4)所示：
Figure BDA0001366095200000084
其中，
Figure BDA0001366095200000085
是滑窗每次行和列方向上的滑动间隔，a＝1，2，3、b＝1，2，3是以窗为单位在整幅图像上的坐标位置w(a，b)；如图4中标注的情况所示，式(3)中的i和式(4)中的a、b关系是i＝(b-1)×3+a。
步骤3：根据每个窗口区域Ai(x,y)的灰度共生矩阵Hi(x,y)来计算四个方向上的逆差矩
Figure BDA0001366095200000086
和惯性矩
Figure BDA0001366095200000087
将四个方向上的逆差矩
Figure BDA0001366095200000088
和惯性矩
Figure BDA0001366095200000089
求和，对于边缘信息逐渐增多的一组图片，如图5(a)所示，他们对应的四个角度的逆差矩和惯性矩之和分别如图5(b)、5(c)所示。可以看出，随着图像边缘区域的增加，逆差矩的值逐渐减少，而惯性矩逐渐增大，即，包含边缘细节越多的区域，惯性矩和逆差矩的差值会越大，因此选择以式(5)作为丰富边缘指数，对应图5(a)的丰富边缘指数R(Ai(x,y))，如图5(d)所示。
R(Ai(x，y))＝Mc-Md (5)
其中，Mc为四个方向上的惯性矩
Figure BDA0001366095200000091
之和，Md为四个方向上的逆差矩
Figure BDA0001366095200000092
之和，R(Ai(x,y))为图像局部区域Ai(x,y)的丰富边缘指数；Ai(x,y)和Hi(x,y)所处原图中的位置相同，即Hi(x,y)是原图中Ai(x,y)区域的高频信息。
选取丰富边缘指数最大的窗口所对应的模糊图像区域A(x,y)为所求得的丰富边缘区域，如式(6)所示。提取到图2(a)、2(b)的丰富边缘区域如图6(a)、6(b)中矩形框中选中所示。
Figure BDA0001366095200000093
其中，i＝1，2，3…，n；θ＝0°，45°，90°，135°；
Figure BDA0001366095200000094
和
Figure BDA0001366095200000095
分别为方向角度为θ度上的惯性矩和逆差矩；MAX和SUM分别为求最大值操作和求和操作；Mc(Hi(x，y))和Md(Hi(x，y)）分别表示滑窗第i次所覆盖模糊图像区域Ai(x,y)对应的高频层信息Hi(x，y)的灰度共生矩阵的惯性矩和逆差矩，R(Ai(x，y))表示滑窗第i次所覆盖模糊图像区域Ai(x,y)的丰富边缘指数。
步骤4：对提取到的运动模糊图像的丰富边缘区域A(x,y)使用Pan等(DeblurringText Images via L0-Regularized Intensity and Gradient Prior，IEEE，2014)提出的基于强度和梯度先验的方法进行模糊核k(x,y)的估计；图2(a)、图2(b)估计出的模糊核如图7(a)、图7(b)所示，图2(a)的模糊核图7(a)的大小是25×25，图2(b)的模糊核图7(b)的大小是33×33。
步骤5：在估计出模糊核k(x,y)的基础上，利用图像复原算法对整幅运动模糊图像f(x,y)进行恢复，得到最终复原图像，如图8(a)、图8(b)所示。图像复原算法优选O.Whyte等(Deblurring Shaken and Partially Saturated Images，International Journal ofComputer Vision，2014)提出的对抖动图像去模糊的算法。

Claims (7)

1.基于丰富边缘区域提取的运动模糊图像复原方法，其特征在于，具体按照以下步骤实施：
步骤1：输入一幅运动模糊图像f(x,y)，提取运动模糊图像的高频层信息H(x,y)；
步骤2：根据步骤1所得的图像高频层信息H(x,y)以滑窗方式来计算窗口每次覆盖区域Ai(x,y)的灰度共生矩阵Hi(x,y)，其中，i＝1，2，3…，p；
步骤3：根据每个窗口区域Ai(x,y)的灰度共生矩阵Hi(x,y)来计算四个方向上的逆差矩
Figure FDA0002311187150000011
和惯性矩
Figure FDA0002311187150000012
将四个方向上的逆差矩
Figure FDA0002311187150000013
和惯性矩
Figure FDA0002311187150000014
求和，计算出图像滑窗所对应窗口的丰富边缘指数R(Ai(x,y))，选取丰富边缘指数最大的窗口所对应的模糊图像区域A(x,y)为所求得的丰富边缘区域；
步骤4：对提取到的运动模糊图像的丰富边缘区域A(x,y)进行模糊核k(x,y)的估计；
步骤5：在估计出模糊核k(x,y)的基础上，利用图像复原算法对整幅运动模糊图像f(x,y)进行恢复，得到最终复原图像。
2.根据权利要求1所述的基于丰富边缘区域提取的运动模糊图像复原方法，其特征在于，所述步骤1具体为：
首先，将原始图像由RGB颜色空间转换到YCbCr颜色空间，提取出Y通道，然后对Y通道进行2倍下采样，再利用双线性插值进行2倍上采样，如式(1)所示：
Y′(x，y)＝B2(Y(2∶2∶M，2∶2∶N)) (1)
其中，M和N为原始图像的行数和列数，Y(x，y)是原始图像的亮度通道，B2表示对其进行双线性插值2倍上采样操作，Y′(x，y)表示采样结果；
最后，使用原图像Y(x，y)通道减去采样结果Y′(x，y)即为所得的图像高频层H(x,y)，如式(2)所示：
H(x，y)＝Y(x，y)-Y′(x，y) (2)
其中，Y(x，y)是原始图像的亮度通道，Y′(x，y)是采样结果，H(x，y)为所需的图像高频层。
3.根据权利要求1所述的基于丰富边缘区域提取的运动模糊图像复原方法，其特征在于，所述步骤2中滑窗每次覆盖区域Ai(x,y)的灰度共生矩阵Hi(x,y)的计算方式如式(3)所示：
Figure FDA0002311187150000021
其中，M和N为整幅原始图像的行数和列数，
Figure FDA0002311187150000022
和
Figure FDA0002311187150000023
是每个滑窗的固定的行数和列数，row1、rwo2、col1和col2为每次滑窗所处的行列位置，其计算方式如式(4)所示：
Figure FDA0002311187150000024
其中，
Figure FDA0002311187150000025
是滑窗每次行和列方向上的滑动间隔，a＝1，2，3、b＝1，2，3是以窗为单位在整幅图像上的坐标位置w(a，b)；
i＝(b-1)×3+a。
4.根据权利要求1所述的基于丰富边缘区域提取的运动模糊图像复原方法，其特征在于，所述步骤3中四个方向的角度θ分别为0°、45°、90°、135°，即计算灰度共生矩阵中角度为0°、45°、90°、135°的相邻像素的惯性矩和逆差矩。
5.根据权利要求4所述的基于丰富边缘区域提取的运动模糊图像复原方法，其特征在于，所述步骤3中计算每个窗口丰富边缘指数的方法如式(5)所示：
R(Ai(x，y))＝Mc-Md (5)
其中，Mc为四个方向上的惯性矩
Figure FDA0002311187150000031
之和，Md为四个方向上的逆差矩
Figure FDA0002311187150000032
之和，R(Ai(x,y))为图像局部区域Ai(x,y)的丰富边缘指数，Ai(x,y)和Hi(x,y)所处原图中的位置相同，即Hi(x,y)是原图中Ai(x,y)区域的高频信息；
获取丰富边缘区域A(x,y)的方式如式(6)所示：
Figure FDA0002311187150000033
其中，i＝1，2，3…，p；θ＝0°，45°，90°，135°；
Figure FDA0002311187150000034
和
Figure FDA0002311187150000041
分别为方向角度为θ度上的惯性矩和逆差矩；MAX和SUM分别为求最大值操作和求和操作；Mc(Hi(x，y))和Md(Hi(x，y))分别表示滑窗第i次所覆盖模糊图像区域Ai(x,y)对应的高频层信息Hi(x，y)的灰度共生矩阵的惯性矩和逆差矩，R(Ai(x，y))表示滑窗第i次所覆盖模糊图像区域Ai(x,y)的丰富边缘指数。
6.根据权利要求1所述的基于丰富边缘区域提取的运动模糊图像复原方法，其特征在于，所述步骤4中对提取到的丰富边缘区域A(x,y)采用基于强度和梯度先验的方法进行模糊核的估计。
7.根据权利要求1所述的基于丰富边缘区域提取的运动模糊图像复原方法，其特征在于，所述步骤5中图像复原算法采用对抖动图像去模糊的算法。
CN201710641968.6A 2017-07-31 2017-07-31 基于丰富边缘区域提取的运动模糊图像复原方法 Active CN107451973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710641968.6A CN107451973B (zh) 2017-07-31 2017-07-31 基于丰富边缘区域提取的运动模糊图像复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710641968.6A CN107451973B (zh) 2017-07-31 2017-07-31 基于丰富边缘区域提取的运动模糊图像复原方法

Publications (2)

Publication Number Publication Date
CN107451973A CN107451973A (zh) 2017-12-08
CN107451973B true CN107451973B (zh) 2020-05-22

Family

ID=60489891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710641968.6A Active CN107451973B (zh) 2017-07-31 2017-07-31 基于丰富边缘区域提取的运动模糊图像复原方法

Country Status (1)

Country Link
CN (1) CN107451973B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264417B (zh) * 2019-05-31 2022-04-12 西安理工大学 基于分层模型的局部运动模糊区域自动检测提取方法
CN112069870A (zh) * 2020-07-14 2020-12-11 广州杰赛科技股份有限公司 一种适用于车辆识别的图像处理方法及装置
CN112069980B (zh) * 2020-09-03 2022-01-25 三一专用汽车有限责任公司 障碍物识别方法、障碍物识别***和存储介质
CN111986121B (zh) * 2020-09-24 2024-01-09 南京航空航天大学 基于Framelet l0范数约束的模糊图像非盲复原方法
CN117541615B (zh) * 2024-01-09 2024-04-26 山东济矿鲁能煤电股份有限公司阳城煤矿 一种自动铺网装置的螺栓松动检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814144A (zh) * 2010-03-25 2010-08-25 西安电子科技大学 遥感图像中无水桥梁目标识别方法
CN102236887A (zh) * 2011-03-11 2011-11-09 贵州大学 基于旋转差分和加权总变分的运动模糊图像复原方法
CN102576454A (zh) * 2009-10-16 2012-07-11 伊斯曼柯达公司 利用空间图像先验的图像去模糊法
CN103544681A (zh) * 2013-08-27 2014-01-29 清华大学 非均一运动模糊图像的恢复方法
CN105741243A (zh) * 2016-01-27 2016-07-06 北京航空航天大学 一种模糊图像复原方法
CN106454350A (zh) * 2016-06-28 2017-02-22 中国人民解放军陆军军官学院 一种用于红外图像的无参考评价方法
CN106991650A (zh) * 2016-01-21 2017-07-28 北京三星通信技术研究有限公司 一种图像去模糊的方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI405147B (zh) * 2010-03-16 2013-08-11 Novatek Microelectronics Corp 單張影像的階層式去動態模糊方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102576454A (zh) * 2009-10-16 2012-07-11 伊斯曼柯达公司 利用空间图像先验的图像去模糊法
CN101814144A (zh) * 2010-03-25 2010-08-25 西安电子科技大学 遥感图像中无水桥梁目标识别方法
CN102236887A (zh) * 2011-03-11 2011-11-09 贵州大学 基于旋转差分和加权总变分的运动模糊图像复原方法
CN103544681A (zh) * 2013-08-27 2014-01-29 清华大学 非均一运动模糊图像的恢复方法
CN106991650A (zh) * 2016-01-21 2017-07-28 北京三星通信技术研究有限公司 一种图像去模糊的方法和装置
CN105741243A (zh) * 2016-01-27 2016-07-06 北京航空航天大学 一种模糊图像复原方法
CN106454350A (zh) * 2016-06-28 2017-02-22 中国人民解放军陆军军官学院 一种用于红外图像的无参考评价方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Kernel estimation from salient structure for robust motion deblurring;Jinshan Pan 等;《Signal Processing: Image Communication》;20130522;1156-1170 *
Local motion deblurring using an effective image prior based on both the first- and second-order gradients;Taiebeh Askari Javaran 等;《Machine Vision and Applications》;20170210;431-444 *
Two-Phase Kernel Estimation for Robust Motion Deblurring;Li Xu 等;《ECCV 2010》;20100911;157-170 *
基于小波域灰度梯度共生矩阵的遥感影像模糊度分析;巨西诺 等;《北京工业大学学报》;20130910;第39卷(第9期);1349-1354 *
基于边缘先验模型的运动去模糊;赵志刚 等;《计算机科学》;20150515;第42卷(第5期);305-308 *

Also Published As

Publication number Publication date
CN107451973A (zh) 2017-12-08

Similar Documents

Publication Publication Date Title
CN107451973B (zh) 基于丰富边缘区域提取的运动模糊图像复原方法
Kappeler et al. Video super-resolution with convolutional neural networks
CN108961186B (zh) 一种基于深度学习的老旧影片修复重制方法
US8917948B2 (en) High-quality denoising of an image sequence
EP2164040B1 (en) System and method for high quality image and video upscaling
Pang et al. Improved single image dehazing using guided filter
CN101950416B (zh) 基于双边滤波的实时图像去雾增强方法
CN110634147B (zh) 基于双边引导上采样的图像抠图方法
CN104574277A (zh) 图像插值方法和图像插值装置
CN107578392A (zh) 一种基于残余插值的卷积神经网络去马赛克算法
EP2294808A1 (en) Method and system for efficient video processing
CN107392854B (zh) 一种基于局部自适应增益因子的联合上采样方法
CN108765288B (zh) 一种基于边缘保持的pocs图像超分辨重建方法
CN111353955A (zh) 一种图像处理方法、装置、设备和存储介质
Zhao et al. Restoration of motion blurred images based on rich edge region extraction using a gray-level co-occurrence matrix
CN103685858A (zh) 视频实时处理的方法及设备
CN105279742A (zh) 一种快速的基于分块噪声能量估计的图像去噪方法
CN110545414B (zh) 一种图像锐化方法
CN109636735B (zh) 一种基于时空一致性约束的快速视频去雾方法
CN108492264B (zh) 一种基于sigmoid变换的单帧图像快速超分辨方法
Shi et al. Local-and holistic-structure preserving image super resolution via deep joint component learning
CN116630198A (zh) 一种结合自适应伽马校正的多尺度融合水下图像增强方法
Sadaka et al. Efficient super-resolution driven by saliency selectivity
Gao et al. High performance super-resolution reconstruction of multi-frame degraded images with local weighted anisotropy and successive regularization
CN109886901B (zh) 一种基于多通路分解的夜间图像增强方法

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
TR01 Transfer of patent right

Effective date of registration: 20210909

Address after: 518000 2310, building 13, qinchengda paradise, zone 22, lingzhiyuan community, Xin'an street, Bao'an District, Shenzhen, Guangdong Province

Patentee after: SHENZHEN SHENZHI FUTURE INTELLIGENCE Co.,Ltd.

Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an

Patentee before: XI'AN University OF TECHNOLOGY

TR01 Transfer of patent right