CN108389204B - 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 - Google Patents
一种面向高速在线检测的退化图像模糊核双参数直接估算方法 Download PDFInfo
- Publication number
- CN108389204B CN108389204B CN201810220034.XA CN201810220034A CN108389204B CN 108389204 B CN108389204 B CN 108389204B CN 201810220034 A CN201810220034 A CN 201810220034A CN 108389204 B CN108389204 B CN 108389204B
- Authority
- CN
- China
- Prior art keywords
- curved surface
- online detection
- degraded image
- dimensional curved
- speed online
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 4
- 230000009466 transformation Effects 0.000 claims 2
- 238000006731 degradation reaction Methods 0.000 description 9
- 230000015556 catabolic process Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T5/73—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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向高速在线检测的退化图像模糊核双参数直接估算方法,包括:对单幅面向高速在线检测的退化图像进行边缘锐化预处理;对边缘锐化预处理结果执行傅里叶变换,将傅里叶变换结果与傅里叶变换结果的共轭相乘,开方即得到面向高速在线检测的退化图像的线性自谱;对所述面向高速在线检测的退化图像的线性自谱进行傅里叶逆变换,并将傅里叶逆变换结果用立体曲面图显示,找出除中心邻域外立体曲面高度值最小的一对共轭劈尖;计算立体曲面高度值最小的一对共轭劈尖连线与水平方向的夹角,即为模糊角度,计算立体曲面高度值最小的一对共轭劈尖距离的一半,即为模糊长度。
Description
技术领域
本发明涉及图像复原领域,尤其涉及一种面向高速在线检测的退化图像模糊核双参数直接估算方法。
背景技术
近十几年来,由于工业化流水线的发展以及农业资源勘探的需要,各种相机被广泛应用于现代化工厂以及星载、机载等遥感***上。由于相机受到飞行速度和平台振动等因素的影响,实际得到的图像会产生运动模糊,影响成像效果。为获取清晰图像,需要对模糊图像进行复原,而运动模糊图像复原的关键是找到图像的退化模型,并采取逆过程来求解原始图像。图像复原分为盲复原和非盲复原,其中盲复原是指原始图像和模糊核均不可知的复原过程。虽然盲复原更贴合实际应用需求,但其病态性更为严重。这也使得模糊核估算方法成为当前图像复原技术研究的热点与难点之一
图像复原在计算机视觉领域同样起到重要作用,工业自动化中的在线检测正是利用相机代替人眼,计算机算法代替人脑对被检对象图像进行识别与理解。该技术取代人工肉眼检测,避免主观疏忽,同时检测效率、正确率显著上升。但在具体实施过程中,在线检测生产线往往高速运动,成像时必须要求被检对象静止,否则图像将会被降质退化,造成计算机无法识别检测。所以逆转图像退化过程,精确估算模糊核,打破在线检测被检对象成像时必须静止的限制大有工程应用意义。
据述,为实现面向高速在线检测的退化图像退化逆转,须精确估算模糊核参数。其估计算法可分为:空域方法、频域方法、贝叶斯估计方法和神经网络方法。专利CN104599242A引入一种多尺度的非局部的先验正则策略,有效地限制了解的空间范围,使得模糊核的求解向着正确的方向演化。专利201210218612.9利用图像的先验信息,在频域与时域迭代的求解过程中得到多幅图像与模糊核。专利CN105493140A提取中间图像的显著边缘,显著边缘为边缘尺度大于模糊核尺度的边缘,利用显著边缘计算模糊核。专利201510091585.7包括深度神经网络模型参数训练,将每个图像块输入深度神经网络输出图像块对应的运动模糊核概率分布,进一步通过优化马尔科夫随机场模型获得图像逐点不同的运动模糊核。专利CN103440624A根据运动轨迹由多视几何学获取曝光期间图像的模糊核
为提高检测效率,在线检测生产线均高速运行,造成图像退化较严重,即模糊核模糊长度较大。且实际成像强噪声干扰无法避免,进一步加大了模糊核参数估算难度。参数型模糊核估算方法将面向高速在线检测的退化图像模糊核拆分成模糊角度和模糊长度。大多估算方法未将模糊角度和模糊长度分开直接计算,使得模糊角度的估算结果影响模糊长度的估算。另一方面,算法需对面向高速在线检测的退化图像的噪声及退化程度鲁棒,在没有清晰图像供参考的情况下,顺利准确地提取模糊核信息。综上,提出一种高效的、计算量小的、对高退化程度及强噪声鲁棒的面向高速在线检测的退化图像模糊核双参数直接估算方法,以贴合实际工程需求是有必要的。
发明内容
为解决上述技术问题,本发明的目的是提供一种面向高速在线检测的退化图像模糊核双参数直接估算方法。该方法面向高速在线检测,对所述退化图像可能出现的高退化程度及强噪声具有鲁棒性,且所述模糊角度和所述模糊长度互不影响互不依赖,可以直接估算。估算过程简便,实现了面向高速在线检测的退化图像模糊核准确估计,成功迎合实际工程应用需求。
本发明的目的通过以下的技术方案来实现:
一种面向高速在线检测的退化图像模糊核双参数直接估算方法,该方法包括:
A对单幅面向高速在线检测的退化图像进行边缘锐化预处理;
B对边缘锐化预处理结果执行傅里叶变换,将傅里叶变换结果与傅里叶变换结果的共轭相乘,开方即得到面向高速在线检测的退化图像的线性自谱;
C对所述面向高速在线检测的退化图像的线性自谱进行傅里叶逆变换,并将傅里叶逆变换结果用立体曲面图显示,找出除中心邻域外立体曲面高度值最小的一对共轭劈尖;
D计算立体曲面高度值最小的一对共轭劈尖连线与水平方向的夹角,即为模糊角度,计算立体曲面高度值最小的一对共轭劈尖距离的一半,即为模糊长度。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
该方法面向高速在线检测,对所述退化图像可能出现的高退化程度及强噪声具有鲁棒性,且所述模糊角度和所述模糊长度互不影响互不依赖,可以直接估算。估算过程简便,实现了面向高速在线检测的退化图像模糊核准确估计,成功迎合实际工程应用需求。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是一种面向高速在线检测的退化图像模糊核双参数直接估算方法流程图;
图2是所述立体曲面高度值最小的一对共轭劈尖示意图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明的实质精神下,本邻域的一般技术人员可以提出本发明的多个结构方式和制作方法。因此以下具体实施方式以及附图仅是本发明的技术方案的具体说明,而不应当视为本发明的全部或者视为本发明技术方案的限定或限制。
下面结合实施例及附图对本发明作进一步详细的描述。
图1是一种面向高速在线检测的退化图像模糊核双参数直接估算方法流程图,该方法包括:
步骤1、对单幅面向高速在线检测的退化图像进行边缘锐化预处理。其中:
所述边缘锐化预处理指将所述面向高速在线检测的退化图像与边缘检测算子做卷积运算;
所述边缘检测算子可选用Prewitt算子;
步骤2、对边缘锐化预处理结果执行傅里叶变换,将傅里叶变换结果与傅里叶变换结果的共轭相乘,开方即得到面向高速在线检测的退化图像的线性自谱。
步骤3、对所述面向高速在线检测的退化图像的线性自谱进行傅里叶逆变换,并将傅里叶逆变换结果用立体曲面图显示,找出除中心邻域外立体曲面高度值最小的一对共轭劈尖。其中:
立体曲面图是指将面向高速在线检测的退化图像的线性自谱执行傅里叶逆变换后的矩阵元素值作为z轴值、面向高速在线检测的退化图像的线性自谱执行傅里叶逆变换后的矩阵行数作为y轴值、面向高速在线检测的退化图像的线性自谱执行傅里叶逆变换后的矩阵列数作为x轴值,并作出的立体曲面图;
所述立体曲面图以x-y平面为底平面、z轴值为曲面高度值;
如图2所示,立体曲面高度值最小的一对共轭劈尖是指除立体曲面图中心邻域外立体曲面高度值最小的一对共轭劈尖,用P1(x1,y1)、P2(x2,y2)表示;
立体曲面图中心邻域是指在所述立体曲面图底平面上,以坐标原点为圆心,一定长度为半径的邻域;
所述立体曲面图中心邻域的半径不超过5个像素点,所述立体曲面图中心邻域的半径与所述面向高速在线检测的退化图像大小有关。
步骤4、计算立体曲面高度值最小的一对共轭劈尖连线与水平方向的夹角,即为模糊角度,计算立体曲面高度值最小的一对共轭劈尖距离的一半,即为模糊长度。
上述方法面向高速在线检测,对所述退化图像可能出现的高退化程度及强噪声具有鲁棒性,且所述模糊角度和所述模糊长度互不影响互不依赖,可以直接估算。估算过程简便,实现了面向高速在线检测的退化图像模糊核准确估计,成功迎合实际工程应用需求。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术邻域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (4)
1.一种面向高速在线检测的退化图像模糊核双参数直接估算方法,其特征在于,所述方法包括:
A 对单幅面向高速在线检测的退化图像进行边缘锐化预处理;
B 对边缘锐化预处理结果执行傅里叶变换,将傅里叶变换结果与傅里叶变换结果的共轭相乘,开方即得到面向高速在线检测的退化图像的线性自谱;
C 对所述面向高速在线检测的退化图像的线性自谱进行傅里叶逆变换,并将傅里叶逆变换结果用立体曲面图显示,找出除中心邻域外立体曲面高度值最小的一对共轭劈尖;
D 计算立体曲面高度值最小的一对共轭劈尖连线与水平方向的夹角,即为模糊角度,计算立体曲面高度值最小的一对共轭劈尖距离的一半,即为模糊长度;
所述步骤C中,
立体曲面图是指将面向高速在线检测的退化图像的线性自谱执行傅里叶逆变换后的矩阵元素值作为z轴值、面向高速在线检测的退化图像的线性自谱执行傅里叶逆变换后的矩阵行数作为y轴值、面向高速在线检测的退化图像的线性自谱执行傅里叶逆变换后的矩阵列数作为x轴值,并作出的立体曲面图;所述立体曲面图以x-y平面为底平面、z轴值为曲面高度值;
立体曲面高度值最小的一对共轭劈尖是指除立体曲面图中心邻域外立体曲面高度值最小的一对共轭劈尖;
立体曲面图中心邻域是指在所述立体曲面图底平面上,以坐标原点为圆心,一定长度为半径的邻域;所述立体曲面图中心邻域的半径不超过5个像素点,所述立体曲面图中心邻域的半径与所述面向高速在线检测的退化图像大小有关。
2.根据权利要求1所述的面向高速在线检测的退化图像模糊核双参数直接估算方法,其特征在于,所述面向高速在线检测的退化图像指高速在线检测中静止的相机拍摄的在线被检产品的图像。
3.根据权利要求1所述的面向高速在线检测的退化图像模糊核双参数直接估算方法,其特征在于,所述退化图像模糊核双参数是指退化图像的模糊角度和模糊长度,所述模糊角度和所述模糊长度的估算过程互不影响互不依赖。
4.根据权利要求1所述的面向高速在线检测的退化图像模糊核双参数直接估算方法,其特征在于,所述步骤A中,所述退化图像的边缘锐化预处理是指将退化图像与边缘检测算子做卷积运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220034.XA CN108389204B (zh) | 2018-03-16 | 2018-03-16 | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220034.XA CN108389204B (zh) | 2018-03-16 | 2018-03-16 | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389204A CN108389204A (zh) | 2018-08-10 |
CN108389204B true CN108389204B (zh) | 2021-08-27 |
Family
ID=63068101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220034.XA Active CN108389204B (zh) | 2018-03-16 | 2018-03-16 | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389204B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360158A (zh) * | 2018-08-23 | 2019-02-19 | 中国电子科技集团公司第二十八研究所 | 一种基于梯度稀疏性与非局部相似性信息的图像复原方法 |
CN110517197B (zh) * | 2019-08-16 | 2022-09-09 | 西北工业大学 | 基于参数模型的单幅图像去模糊方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097267A (zh) * | 2016-06-08 | 2016-11-09 | 浙江传媒学院 | 一种基于傅里叶变换的图像去模糊方法 |
CN106600559A (zh) * | 2016-12-21 | 2017-04-26 | 东方网力科技股份有限公司 | 模糊核获取以及图像去模糊方法及装置 |
CN107369134A (zh) * | 2017-06-12 | 2017-11-21 | 上海斐讯数据通信技术有限公司 | 一种模糊图像的图像复原方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6259165B2 (ja) * | 2015-04-16 | 2018-01-10 | 富士フイルム株式会社 | 撮像装置、画像処理装置、画像処理方法、プログラム及び記録媒体 |
-
2018
- 2018-03-16 CN CN201810220034.XA patent/CN108389204B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097267A (zh) * | 2016-06-08 | 2016-11-09 | 浙江传媒学院 | 一种基于傅里叶变换的图像去模糊方法 |
CN106600559A (zh) * | 2016-12-21 | 2017-04-26 | 东方网力科技股份有限公司 | 模糊核获取以及图像去模糊方法及装置 |
CN107369134A (zh) * | 2017-06-12 | 2017-11-21 | 上海斐讯数据通信技术有限公司 | 一种模糊图像的图像复原方法 |
Non-Patent Citations (1)
Title |
---|
Blind Image Deblurring with Outlier Handling;Jiangxin Dong et al.;《2017 IEEE International Conference on Computer Vision》;20171115;第2497-2505页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108389204A (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | R-msfm: Recurrent multi-scale feature modulation for monocular depth estimating | |
KR20190028794A (ko) | GPU 기반 TFT-LCD Mura 결함 탐지 방법 | |
JP6899189B2 (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN113592955B (zh) | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 | |
CN108663026B (zh) | 一种振动测量方法 | |
Zou et al. | Point cloud reduction and denoising based on optimized downsampling and bilateral filtering | |
CN103528571A (zh) | 单目立体视觉相对位姿测量方法 | |
CN105894521A (zh) | 基于高斯拟合的亚像素边缘检测方法 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
CN105447828B (zh) | 沿运动模糊路径进行一维反卷积的单视点图像去模糊方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN108376393B (zh) | 一种面向高速直线运动对象的模糊图像盲复原方法 | |
CN108389204B (zh) | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及*** | |
CN103119609A (zh) | 一种确定视频前景主体图像区域的方法和装置 | |
Zhang et al. | Point Cloud Denoising With Principal Component Analysis and a Novel Bilateral Filter. | |
CN112629409A (zh) | 一种线结构光条纹中心提取方法 | |
CN116222381A (zh) | 电极涂层尺寸测量方法和装置 | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN108122209B (zh) | 一种基于对抗生成网络的车牌去模糊方法 | |
CN113223074A (zh) | 一种水下激光条纹中心提取方法 | |
Bartolini et al. | Multiwindow least-squares approach to the estimation of optical flow with discontinuities | |
Ranipa et al. | A practical approach for depth estimation and image restoration using defocus cue |
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 |