CN107945125A - 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 - Google Patents
一种融合频谱估计法和卷积神经网络的模糊图像处理方法 Download PDFInfo
- Publication number
- CN107945125A CN107945125A CN201711145578.6A CN201711145578A CN107945125A CN 107945125 A CN107945125 A CN 107945125A CN 201711145578 A CN201711145578 A CN 201711145578A CN 107945125 A CN107945125 A CN 107945125A
- Authority
- CN
- China
- Prior art keywords
- image
- row
- gray
- carried out
- picture
- 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 36
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 241001269238 Data Species 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000013456 study 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种融合频谱估计法和卷积神经网络的模糊图像处理方法,首先将输入图像进行灰度化处理,并进行傅里叶变换,生成频谱图;其次,通过对频谱图经过二值化处理并生成水平投影图来计算模糊长度和角度;最后,利用维纳滤波对模糊图像进行复原,并通过卷积神经网络进一步加强效果。本发明方法简单高效,具有良好的发展前景。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种融合频谱估计法和卷积神经网络的模糊图像处理方法。
背景技术
随着科技的发展,图像在日常生活中的应用越来越频繁,不论是日常办公,还是上网娱乐,都能用到图像。与之相适应的,退化图像的图像复原也显得越来越重要。运动模糊图像是其中常见的一种模糊图像。当我们使用手机照相的时候,常常会发生这样的情况:当我们按下快门的那一瞬间,我们手抖了,然后就会发现这张照片就变得很模糊。通过这种方式拍摄所得的图像被称为“运动模糊图像”。众所周知,图像复原这项技术,在整个图像处理模块中都占有很重要的地位,它的主要目的就是让很模糊的图像能够恢复到原本的图像的质量标准。而在图像复原之中,运动模糊图像又是其中很重要的一部分,很有现实意义,因而能够广泛应用于现实生活当中,前景开阔。
图像复原作为图像处理技术中十分重要的一部分,自然受到国内外学者的广泛关注,也进行了许多相关研究。从最初的去卷积(即逆滤波)方法开始,到之后的线性恢复方法,以及图像盲反卷积算法等,之后的各种图像复原方法,基本都是围绕这三种方法发展改进的。其中,去卷积复原算法的主要内容有:功率谱均衡,几何均值滤波以及Wiener滤波,等等,这些较为传统且十分经典的图像复原方法,比较适合线性空间不变,或者噪声信号不相关的情况。六十年代中期,就已经开始采用Wiener滤波中的点扩散函数(简称PSF)对望远镜中由于大气涌动而引起的模糊图像进行去卷积处理。图像盲反卷积复原方法能够直接根据模糊图像来估计图像的真实信号和降质函数。但是使用这种方法所得的目标图像结果好坏,直接取决于初始条件的选择,而且所得的图像结果可能不唯一。如果图像信噪比较低时,就不适宜采用这种方法。传统的Wiener滤波处理方式都是在已知运动模糊的角度和长度的情况下,进行检验操作,这就对现实的使用有很大的局限性。
发明内容
针对上述现有技术的不足,本发明提出一种融合频谱估计法和卷积神经网络的模糊图像处理方法,在传统的图像复原基础上,结合频谱估计法和卷积神经网络实现的超分辨率,来提高基于计算机视觉的图像质量,通过频谱图分析法,将传统的Wiener滤波的使用转换成可以直接通过点扩散函数参数的变化来适应不同的运动模糊图像。
为实现上述目的,本发明的技术方案是:一种融合频谱估计法和卷积神经网络的模糊图像处理方法,包括:
步骤1:输入模糊图像;
步骤2:对模糊图像进行灰度化处理,并进行傅里叶变换,生成频谱图;
步骤3:对频谱图进行二值化处理,并生成水平投影图,计算模糊长度和角度;
步骤4:利用维纳滤波对模糊图像进行复原,并输入卷积神经网络得到最后图像。进一步地,所述步骤2具体包括:
步骤21:对图像先进行颜色空间的转换为YCbCr,然后提取Y通道进行灰度化处理,采用如下式子:Gray(x,y)=αR(x,y)+βG(x,y)+γB(x,y),其中Gray(x,y)为对应图像位置(x,y)的灰度值,R、G、B分别为对应位置的红、绿、蓝三种颜色的分量,α、β、γ为参数;
步骤22:将N行N列的灰度化图像按行按列进行一维傅里叶变换,利用如下式子:先按行进行离散傅里叶变换,再按列进行离散傅里叶变换,将图像从空间域f(x,y)转换为频域F(u,v),最后得到包含实部和虚部的频域值,其中f(x,y)为对应位置(x,y)的灰度值,u为行变换后的频率分量,v为列变换后的频率分量,F(u,v)为对应u、v下的频谱值;
步骤23:将频谱图像的原点从起始点(0,0)移到图像的中心点(N/2,N/2);
步骤24:将傅里叶变换的复数值进行操作,得到对应的幅度,Re为复数的实数部分,Im为复数的虚数部分;
步骤25:将幅度图进行归一化操作。
更进一步地,α=0.30,β=0.59,γ=0.11。
进一步地,所述步骤3具体包括:
步骤31:对频谱图中各个灰度级像素个数进行统计,并计算各个灰度级像素数目占整幅图像的比例,利用阈值分割为前景和背景,分别计算分为前景的概率w0及其平均灰度值q0和分为背景的概率w1及其平均灰度值q1,采用遍历的方法并利用公式σ=w0*w1*(q0-q1)2求得使σ最大的分割阈值,然后对图像进行阈值化,变为非黑即白的二值化图像;
步骤32:将二值化图像按像素点进行分割,从上往下按行进行搜索,寻找第一个出现白色像素点的行,然后从左往右按列进行搜索寻找第一个出现白色像素点的列,重叠两次搜索结果得到左上角的目标点A(x1,y1);然后使用同样的方法得到右下角的目标点B(x2,y2),采用如下公式:计算得到运动模糊的模糊角度θ;
步骤33:对二值化图像进行顺时针旋转角度θ,按列计算累计值并得到最大值和图像的水平距离D,然后对整幅图像中超过最大值一半的重新赋为最大值的一半,遍历得到最小值区域Ω;在Ω内计算距中心光斑的第一个条纹的距离d,利用如下公式:得到运动模糊图像的模糊长度L。
进一步地,所述步骤4具体包括:
步骤41:一幅清晰图像f在运动模糊的点扩散函数hL,θ作用下,加上噪声n的污染,变为模糊图像g,利用如下式子:(hL,θ*f)(x,y)+n(x,y)=g(x,y),对模糊图像实现去卷积进行图像恢复;
步骤42:输入一系列训练图片{Xi,Yi},Xi为输入的原图片,Yi为处理后的模糊图片,总共有m组图片数据,采用均方误差作为损失函数,其中Θ代表训练过程中的各个参数,F函数为在一系列参数Θ作用下将Yi进行去模糊操作,训练时调整参数使得均方误差最小,并使用随机梯度算法反向传播,调整参数使损失最小化,将维纳滤波处理后的图像输入训练好的卷积神经网络。
与现有技术相比,本发明具有有益效果:
通过结合频谱估计法和卷积神经网络恢复运动模糊图像,利用傅里叶变换后得到的频谱图,并结合水平投影图来估计运动模糊的长度和角度,针对传统的Wiener滤波处理方式都是在已知运动模糊的角度和长度的情况下进行检验操作,这对现实的使用有很大的局限性,本发明通过频谱图分析法,将传统的Wiener滤波的使用转换成可以直接通过点扩散函数参数的变化来适应不同的运动模糊图像,然后计算运动模糊的角度和长度,方法简单高效,具有良好的发展前景。
附图说明
图1是本发明一种融合频谱估计法和卷积神经网络的模糊图像处理方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
针对传统处理方法都是已知模糊角度和长度的情况,提出了结合点扩散函数和卷积神经网络的方法。基于卷积神经网络可以自主从数据中隐式学习特征,不需要人为手动的选择合适的特征,通过权值共享、最大池化等操作可以加快网络的训练速度并降低网络的复杂度。本发明在传统的图像复原基础上,结合以深度卷积神经网络实现的超分辨率,来提高基于计算机视觉的图像质量。
如图1所示,本发明提供的一种融合频谱估计法和卷积神经网络的模糊图像处理方法,包括:
步骤1:输入模糊图像;
步骤2:对模糊图像进行灰度化处理,并进行傅里叶变换,生成频谱图;
步骤3:对频谱图进行二值化处理,并生成水平投影图,计算模糊长度和角度;
步骤4:利用维纳滤波对模糊图像进行复原,并输入卷积神经网络得到最后图像。在本实施例中,所述步骤2具体包括:
步骤21:对图像先进行颜色空间的转换为YCbCr,然后提取Y通道进行灰度化处理,采用如下式子:Gray(x,y)=αR(x,y)+βG(x,y)+γB(x,y),其中Gray(x,y)为对应图像位置(x,y)的灰度值,R、G、B分别为对应位置的红、绿、蓝三种颜色的分量,α、β、γ为参数;
步骤22:将N行N列的灰度化图像按行按列进行一维傅里叶变换,利用如下式子:先按行进行离散傅里叶变换,再按列进行离散傅里叶变换,将图像从空间域f(x,y)转换为频域F(u,v),最后得到包含实部和虚部的频域值,其中f(x,y)为对应位置(x,y)的灰度值,u为行变换后的频率分量,v为列变换后的频率分量,F(u,v)为对应u、v下的频谱值;
步骤23:将频谱图像的原点从起始点(0,0)移到图像的中心点(N/2,N/2);
步骤24:将傅里叶变换的复数值进行操作,得到对应的幅度,Re为复数的实数部分,Im为复数的虚数部分;
步骤25:将幅度图进行归一化操作。
在本实施例中,α=0.30,β=0.59,γ=0.11。
在本实施例中,所述步骤3具体包括:
步骤31:对频谱图中各个灰度级像素个数进行统计,并计算各个灰度级像素数目占整幅图像的比例,利用阈值分割为前景和背景,分别计算分为前景的概率w0及其平均灰度值q0和分为背景的概率w1及其平均灰度值q1,采用遍历的方法并利用公式σ=w0*w1*(q0-q1)2求得使σ最大的分割阈值,然后对图像进行阈值化,变为非黑即白的二值化图像;
步骤32:将二值化图像按像素点进行分割,从上往下按行进行搜索,寻找第一个出现白色像素点的行,然后从左往右按列进行搜索寻找第一个出现白色像素点的列,重叠两次搜索结果得到左上角的目标点A(x1,y1);然后使用同样的方法得到右下角的目标点B(x2,y2),采用如下公式:计算得到运动模糊的模糊角度θ;
步骤33:对二值化图像进行顺时针旋转角度θ,按列计算累计值并得到最大值和图像的水平距离D,然后对整幅图像中超过最大值一半的重新赋为最大值的一半,遍历得到最小值区域Ω;在Ω内计算距中心光斑的第一个条纹的距离d,利用如下公式:得到运动模糊图像的模糊长度L。
在本实施例中,所述步骤4具体包括:
步骤41:一幅清晰图像f在运动模糊的点扩散函数hL,θ作用下,加上噪声n的污染,变为模糊图像g,利用如下式子:(hL,θ*f)(x,y)+n(x,y)=g(x,y),对模糊图像实现去卷积进行图像恢复;
步骤42:输入一系列训练图片{Xi,Yi},Xi为输入的原图片,Yi为处理后的模糊图片,总共有m组图片数据,采用均方误差作为损失函数,其中Θ代表训练过程中的各个参数,F函数为在一系列参数Θ作用下将Yi进行去模糊操作,训练时调整参数使得均方误差最小,并使用随机梯度算法反向传播,调整参数使损失最小化,将维纳滤波处理后的图像输入训练好的卷积神经网络。
卷积神经网络可以自主从数据中学习,不需要人为手动的选择合适的特征,通过权值共享、最大池化等操作加快网络的训练速度并降低网络的复杂度。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种融合频谱估计法和卷积神经网络的模糊图像处理方法,其特征在于,包括:
步骤1:输入模糊图像;
步骤2:对模糊图像进行灰度化处理,并进行傅里叶变换,生成频谱图;
步骤3:对频谱图进行二值化处理,并生成水平投影图,计算模糊长度和角度;
步骤4:利用维纳滤波对模糊图像进行复原,并输入卷积神经网络得到最后图像。
2.根据权利要求1所述的模糊图像处理方法,其特征在于,所述步骤2具体包括:
步骤21:对图像先进行颜色空间的转换为YCbCr,然后提取Y通道进行灰度化处理,采用如下式子:Gray(x,y)=αR(x,y)+βG(x,y)+γB(x,y),其中Gray(x,y)为对应图像位置(x,y)的灰度值,R、G、B分别为对应位置的红、绿、蓝三种颜色的分量,α、β、γ为参数;
步骤22:将N行N列的灰度化图像按行按列进行一维傅里叶变换,利用如下式子:
先按行进行离散傅里叶变换,再按列进行离散傅里叶变换,将图像从空间域f(x,y)转换为频域F(u,v),最后得到包含实部和虚部的频域值,其中f(x,y)为对应位置(x,y)的灰度值,u为行变换后的频率分量,v为列变换后的频率分量,F(u,v)为对应u、v下的频谱值;
步骤23:将频谱图像的原点从起始点(0,0)移到图像的中心点(N/2,N/2);
步骤24:将傅里叶变换的复数值进行操作,得到对应的幅度,Re为复数的实数部分,Im为复数的虚数部分;
步骤25:将幅度图进行归一化操作。
3.根据权利要求2所述的模糊图像处理方法,其特征在于,
α=0.30,β=0.59,γ=0.11。
4.根据权利要求1所述的模糊图像处理方法,其特征在于,所述步骤3具体包括:
步骤31:对频谱图中各个灰度级像素个数进行统计,并计算各个灰度级像素数目占整幅图像的比例,利用阈值分割为前景和背景,分别计算分为前景的概率w0及其平均灰度值q0和分为背景的概率w1及其平均灰度值q1,采用遍历的方法并利用公式σ=w0*w1*(q0-q1)2求得使σ最大的分割阈值,然后对图像进行阈值化,变为非黑即白的二值化图像;
步骤32:将二值化图像按像素点进行分割,从上往下按行进行搜索,寻找第一个出现白色像素点的行,然后从左往右按列进行搜索寻找第一个出现白色像素点的列,重叠两次搜索结果得到左上角的目标点A(x1,y1);然后使用同样的方法得到右下角的目标点B(x2,y2),采用如下公式:计算得到运动模糊的模糊角度θ;
步骤33:对二值化图像进行顺时针旋转角度θ,按列计算累计值并得到最大值和图像的水平距离D,然后对整幅图像中超过最大值一半的重新赋为最大值的一半,遍历得到最小值区域Ω;在Ω内计算距中心光斑的第一个条纹的距离d,利用如下公式:得到运动模糊图像的模糊长度L。
5.根据权利要求1所述的模糊图像处理方法,其特征在于,所述步骤4具体包括:
步骤41:一幅清晰图像f在运动模糊的点扩散函数hL,θ作用下,加上噪声n的污染,变为模糊图像g,利用如下式子:(hL,θ*f)(x,y)+n(x,y)=g(x,y),对模糊图像实现去卷积进行图像恢复;
步骤42:输入一系列训练图片{Xi,Yi},Xi为输入的原图片,Yi为处理后的模糊图片,总共有m组图片数据,采用均方误差作为损失函数,其中Θ代表训练过程中的各个参数,F函数为在一系列参数Θ作用下将Yi进行去模糊操作,训练时调整参数使得均方误差最小,并使用随机梯度算法反向传播,调整参数使损失最小化,将维纳滤波处理后的图像输入训练好的卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711145578.6A CN107945125B (zh) | 2017-11-17 | 2017-11-17 | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711145578.6A CN107945125B (zh) | 2017-11-17 | 2017-11-17 | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945125A true CN107945125A (zh) | 2018-04-20 |
CN107945125B CN107945125B (zh) | 2021-06-22 |
Family
ID=61932816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711145578.6A Active CN107945125B (zh) | 2017-11-17 | 2017-11-17 | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945125B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284751A (zh) * | 2018-10-31 | 2019-01-29 | 河南科技大学 | 基于频谱分析和svm的文字定位的非文本滤除方法 |
CN109410143A (zh) * | 2018-10-31 | 2019-03-01 | 泰康保险集团股份有限公司 | 图像增强方法、装置、电子设备及计算机可读介质 |
CN110060220A (zh) * | 2019-04-26 | 2019-07-26 | 中国科学院长春光学精密机械与物理研究所 | 基于改进bm3d算法的图像去噪方法及*** |
CN110264415A (zh) * | 2019-05-24 | 2019-09-20 | 北京爱诺斯科技有限公司 | 一种消除抖动模糊的图像处理方法 |
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
CN111105357A (zh) * | 2018-10-25 | 2020-05-05 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
CN111340724A (zh) * | 2020-02-24 | 2020-06-26 | 卡莱特(深圳)云科技有限公司 | 一种led屏校正过程中的图像去抖方法及装置 |
CN111415313A (zh) * | 2020-04-13 | 2020-07-14 | 展讯通信(上海)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111986102A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像去模糊方法 |
CN112712467A (zh) * | 2021-01-11 | 2021-04-27 | 郑州科技学院 | 基于计算机视觉与色彩滤波阵列的图像处理方法 |
CN112868046A (zh) * | 2018-10-18 | 2021-05-28 | 索尼公司 | 调整放大输出时的清晰度和细节 |
CN113807246A (zh) * | 2021-09-16 | 2021-12-17 | 平安普惠企业管理有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN114723642A (zh) * | 2022-06-07 | 2022-07-08 | 深圳市资福医疗技术有限公司 | 图像校正方法、装置及胶囊内窥镜 |
WO2023093481A1 (zh) * | 2021-11-25 | 2023-06-01 | 北京字跳网络技术有限公司 | 基于傅里叶域的超分图像处理方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
CN104655583A (zh) * | 2015-02-04 | 2015-05-27 | 中国矿业大学 | 一种基于傅里叶红外光谱的煤质快速识别方法 |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
-
2017
- 2017-11-17 CN CN201711145578.6A patent/CN107945125B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
CN104655583A (zh) * | 2015-02-04 | 2015-05-27 | 中国矿业大学 | 一种基于傅里叶红外光谱的煤质快速识别方法 |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
Non-Patent Citations (2)
Title |
---|
MICHAL DOBES等: "Blurred image restoration:A fast method of finding the motion length and angle", 《DIGTIAL SIGNAL PROCESSING》 * |
史海玲: "运动模糊车牌识别关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112868046A (zh) * | 2018-10-18 | 2021-05-28 | 索尼公司 | 调整放大输出时的清晰度和细节 |
CN111105357A (zh) * | 2018-10-25 | 2020-05-05 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
CN111105357B (zh) * | 2018-10-25 | 2023-05-02 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
CN109284751A (zh) * | 2018-10-31 | 2019-01-29 | 河南科技大学 | 基于频谱分析和svm的文字定位的非文本滤除方法 |
CN109410143A (zh) * | 2018-10-31 | 2019-03-01 | 泰康保险集团股份有限公司 | 图像增强方法、装置、电子设备及计算机可读介质 |
CN110060220A (zh) * | 2019-04-26 | 2019-07-26 | 中国科学院长春光学精密机械与物理研究所 | 基于改进bm3d算法的图像去噪方法及*** |
CN110264415A (zh) * | 2019-05-24 | 2019-09-20 | 北京爱诺斯科技有限公司 | 一种消除抖动模糊的图像处理方法 |
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN110443882B (zh) * | 2019-07-05 | 2021-06-11 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
CN111340724B (zh) * | 2020-02-24 | 2021-02-19 | 卡莱特(深圳)云科技有限公司 | 一种led屏校正过程中的图像去抖方法及装置 |
CN111340724A (zh) * | 2020-02-24 | 2020-06-26 | 卡莱特(深圳)云科技有限公司 | 一种led屏校正过程中的图像去抖方法及装置 |
CN111415313A (zh) * | 2020-04-13 | 2020-07-14 | 展讯通信(上海)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111415313B (zh) * | 2020-04-13 | 2022-08-30 | 展讯通信(上海)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111986102A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像去模糊方法 |
CN111986102B (zh) * | 2020-07-15 | 2024-02-27 | 万达信息股份有限公司 | 一种数字病理图像去模糊方法 |
CN112712467A (zh) * | 2021-01-11 | 2021-04-27 | 郑州科技学院 | 基于计算机视觉与色彩滤波阵列的图像处理方法 |
CN112712467B (zh) * | 2021-01-11 | 2022-11-11 | 郑州科技学院 | 基于计算机视觉与色彩滤波阵列的图像处理方法 |
CN113807246A (zh) * | 2021-09-16 | 2021-12-17 | 平安普惠企业管理有限公司 | 人脸识别方法、装置、设备及存储介质 |
WO2023093481A1 (zh) * | 2021-11-25 | 2023-06-01 | 北京字跳网络技术有限公司 | 基于傅里叶域的超分图像处理方法、装置、设备及介质 |
CN114723642A (zh) * | 2022-06-07 | 2022-07-08 | 深圳市资福医疗技术有限公司 | 图像校正方法、装置及胶囊内窥镜 |
Also Published As
Publication number | Publication date |
---|---|
CN107945125B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945125A (zh) | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 | |
CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
JP4542528B2 (ja) | 画像のコントラスト強調方法及び画像のコントラスト強調システム | |
CN106780417A (zh) | 一种光照不均图像的增强方法及*** | |
CN107798661B (zh) | 一种自适应的图像增强方法 | |
CN106780375A (zh) | 一种低照度环境下的图像增强方法 | |
JP2001229377A (ja) | 適応帰納的フィルタでディジタル画像のコントラストを調整する方法 | |
CN112785534A (zh) | 一种动态场景下去鬼影多曝光图像融合方法 | |
CN113039576A (zh) | 图像增强***和方法 | |
CN107609603A (zh) | 一种多颜色空间差分融合的图像匹配方法 | |
CN113962898A (zh) | 基于照度图优化和自适应伽马校正的低照度图像增强方法 | |
CN112819688A (zh) | 一种sar图像转类光学图像的转换方法及*** | |
CN107256539B (zh) | 一种基于局部对比度的图像锐化方法 | |
CN112927160B (zh) | 一种基于深度Retinex的单张低光图像增强方法 | |
CN104966271B (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
CN116563133A (zh) | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 | |
CN111028181A (zh) | 一种图像增强处理方法、装置、设备及存储介质 | |
US11625886B2 (en) | Storage medium storing program, training method of machine learning model, and image generating apparatus | |
Kalyan et al. | A New Concatenated Method for Deep Curve Estimation Using Low Weight CNN for Low Light Image Enhancement | |
Prasenan et al. | A Study of Underwater Image Pre-processing and Techniques | |
Zini et al. | Shallow camera pipeline for night photography rendering | |
CN110223246A (zh) | 一种多风格人像美颜磨皮方法及装置 | |
Sharma et al. | Contrast image enhancement using luminance component based on wavelet transform | |
CN113554565B (zh) | 一种基于朗伯比尔定律的水下图像增强方法 | |
Nam et al. | Learning human preferences to sharpen images |
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 |