CN108510453A - 基于视觉注意机制的智能交通监控图像去模糊方法 - Google Patents
基于视觉注意机制的智能交通监控图像去模糊方法 Download PDFInfo
- Publication number
- CN108510453A CN108510453A CN201810188142.3A CN201810188142A CN108510453A CN 108510453 A CN108510453 A CN 108510453A CN 201810188142 A CN201810188142 A CN 201810188142A CN 108510453 A CN108510453 A CN 108510453A
- Authority
- CN
- China
- Prior art keywords
- image
- notable
- traffic monitoring
- deblurring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012880 independent component analysis Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000004438 eyesight Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000016776 visual perception 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉注意机制的智能交通监控图像去模糊方法,步骤包括:步骤1、生成原始交通监控图像的显著图,将一幅模糊的原始交通监控图像由RGB色彩空间转换到HSI色彩空间;然后根据图像的场景信息,最大化场景信息得到显著图;步骤2、利用显著图的轮廓特征和纹理特征进行图像分割,得到显著图的分割图;步骤3、对分割图像进行去模糊处理,采用结构信息扩散函数对显著图的分割图像进行去模糊处理,最终得到一副去模糊后的清晰图像。本发明的方法,步骤简单,占用内存空间少,去模糊后的效果显著。
Description
技术领域
本发明属于图像去模糊处理技术领域,涉及一种基于视觉注意机制的智能交通监控图像去模糊方法。
背景技术
随着交通监控和交通管理的智能化水平不断提高,以交通监控图像处理、分析、理解为基础的智能视频监控技术越来越多地引起人们的重视。然而,交通监控图像在实际拍摄、传输和存储等过程中,都会受到成像设备、环境、噪声等因素的影响,造成图像模糊,其中,最常见的是交通监控相机在曝光时由于相机与拍摄物体之间的相对运动造成的图像运动模糊,以及拍摄物体与相机光心距离的不合适造成图像散焦模糊,这些模糊均会导致交通监控图像重要细节信息丢失,严重影响交通监控和管理智能化水平。
随着全球汽车保有量的急剧增加和人们安全意识的提高,智能交通监管***无时无刻不在发挥着重要的作用,被用来保障道路安全通行和预防突发状况。交通监控图像的处理在智能交通监管***中具有非常重要的作用,然而,随着图像数据规模变得越来越庞大,人类能够获取空前丰富资源的同时针对海量交通监控图像信息的筛选与处理逐渐变得较为困难,传统的图像去模糊处理方法已难以达到理想的效果。因此,如何快速地筛选并去除图像模糊提供高质量的交通监控图像成为亟待研究和解决的问题。
人眼作为视觉图像信息的感知终端,经过长期进化而形成的高级视觉信息处理***,能高效、精准地处理输入的图像信息,对输入的视觉信息具有天生的选择能力,能在***的场景中迅速而准确地作出判断,并将目光集中到感兴趣的重要信息上,进而加以细致的分析与解读,人类视觉***能够有效的完成这一过程主要依赖于视觉注意机制,这种包含选择性和主动性的视觉注意机制有助于大脑并行处理视觉场中的各种信息,视觉显著性作为视觉注意机制重要内容,有效地协助视觉注意机制实现对目标的自动实时选择。因此,借助于人类视觉注意机制来研究智能交通监控图像去模糊方法及提高图像质量具有重要的实际意义。
发明内容
本发明的目的是提供一种基于视觉注意机制的智能交通监控图像去模糊方法,解决了现有技术中针对海量交通监控图像信息的筛选与处理困难的缺陷,难以快速筛选并去除图像模糊提供高质量的交通监控图像,导致交通监控和管理的智能化水平低的问题。
本发明所采用的技术方案是,一种基于视觉注意机制的智能交通监控图像去模糊方法,按照以下步骤实施:
步骤1、生成原始交通监控图像的显著图,
将一幅模糊的原始交通监控图像由RGB色彩空间转换到HSI色彩空间;然后根据图像的场景信息,最大化场景信息得到显著图;
步骤2、利用显著图的轮廓特征和纹理特征进行图像分割,得到显著图的分割图;
步骤3、对分割图像进行去模糊处理,
采用结构信息扩散函数对显著图的分割图像进行去模糊处理,最终得到一副去模糊后的清晰图像。
本发明的有益效果是,采用最大化场景信息求得原始交通监控图像的显著图,利用该显著图的轮廓特征和纹理特征进行图像分割,采用结构信息扩散函数进行去模糊处理,最后输出去模糊后的图像。本发明具有方法简单、借助于人类视觉注意机制去除交通监控图像模糊等优点,可用于对一般模糊的彩色图像进行处理。
附图说明
图1是本发明方法的流程图;
图2a是采用本发明去除交通监控图像模糊前的图像;
图2b是采用本发明去除交通监控图像模糊前的显著图;
图3a是采用本发明进行图像分割得到的分割图;
图3b是采用本发明进行图像分割得到的边缘图;
图3c是采用本发明进行图像分割得到的能量图;
图4a是采用本发明去除交通监控图像模糊后的图像;
图4b是采用本发明去除交通监控图像模糊后的显著图;
图5a是采用本发明去除一般彩色图像模糊前的图像;
图5b是采用本发明去除一般彩色图像模糊前的显著图;
图6a是采用本发明进行图像分割得到的分割图;
图6b是采用本发明进行图像分割得到的边缘图;
图6c是采用本发明进行图像分割得到的能量图;
图7a是采用本发明去除一般彩色图像模糊后的图像;
图7b是采用本发明去除一般彩色图像模糊后的显著图;
图8是本发明实施例1的图像去模糊转换主要过程分步图。
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。
本发明基于视觉注意机制的智能交通监控图像去模糊方法,按照以下步骤实施:
步骤1、生成原始交通监控图像的显著图,将一幅模糊的原始交通监控图像由RGB色彩空间转换到更符合人类视觉感知***的HSI色彩空间;然后根据图像的场景信息,最大化场景信息得到显著图,
原始交通监控图像由RGB色彩空间转换为HSI色彩空间的计算式为:
最大化场景信息求得图像的显著图,具体过程如下:
1.1)针对原始交通监控图像采用独立分量分析方法计算基向量,提取转换色彩空间后图像X的内部特征,
独立分量分析方法的计算式为X=AS,其中,图像X由独立成分S与混合矩阵A混合而成,X={x1(t),x2(t),…,xn(t)}T,t为时间样本,S={s1,s2,…,sn}T,A=(m×n)为混合矩阵;进一步计算矩阵A的逆矩阵A-1,解逆矩阵将局部区域像素矩阵的分量分离为独立分量;再将图像进行分块处理,局部区域像素矩阵与解逆矩阵相乘后得到局部区域像素矩阵的基向量W={w1,w2,…,wn};
1.2)利用高斯核密度估计对基向量W的各分量进行似然估计,针对局部区域像素块的计算式如下:
计算式(1)中,p函数是指局部图像块的高斯核密度估计值,
其中,σ是尺度因子,局部区域像素块大小为j×k,此处取值为5×5;ψ表示整幅处理的图像,由于向量W的各分量wi之间相互独立,其中分量wi的值为vi;ω(s,t)为核密度函数中高斯函数的权值,该权值由当前局部图像的基系数概率估计,计算式如下:
1.3)通过计算局部区域像素块自信息量得到显著图,局部区域像素块自信息量的计算式如下:
其中,I(x)是局部区域像素块自信息量,p(x)是步骤1.2)中局部图像块的高斯核密度估计值;
步骤2、利用显著图的轮廓特征和纹理特征进行图像分割,得到显著图的分割图,具体步骤如下:
2.1)针对步骤1中提取出的显著图,随机选取K个对象作为聚类初始点v1,v2,...vk,计算每个对象与各个聚类中心之间的距离,选择距离最近者分给离它最近的聚类中心,分配全部的对象,每个聚类中心则根据现有的对象不断重复计算聚类,计算式为:
其中,xi(ki+1)为第i个对象,ki表示第i个对象所在的聚类对象总数;
2.2)利用K均值聚类方法进行递归运算,将整幅图像分割成小而连续的k个图像块区域;
2.3)将步骤2.2)中得到的图像块区域转变为无向带权图Gc=(Vc,Ec;Wc),然后计算图像块区域的权值矩阵W,计算式如下:
其中,Wij表示无向带权图G中节点i与节点j之间的权值,在图像中表示区域i与j之间的关系;F(i)与F(j)分别表示第i区域vi与第j个区域vj的灰度值;σI和σV为调节参数;||V(i)-V(j)||2为曼哈顿距离,r是数据和质心的距离,通过自适应计算得到;
2.4)计算特征方程(Dc-Wc)yc=λDcyc,中的特征值和特征向量,
其中,Dc-Wc为拉普拉斯矩阵,Wc(i,j)=wc(i,j),Dc(i,j)=∑jwc(i,j);
yc为指示向量,表示yc中的每一个元素表示一个区域;
2.5)分割图像,使用步骤2.4)中的第二最小特征向量将图像分割为两部分,将Yc中大于0区域的元素分为一个组,将Yc中小于0区域的元素分为另一个组;
2.6)递归调用步骤2.4)、步骤2.5)得到分割后的图像。
步骤3、对分割图像进行去模糊处理,
采用结构信息扩散函数对显著图的分割图像进行去模糊处理,计算式为:
其中,i,j分别为图像像素点的位置坐标,截断误差为O(τ+h2),上式中时间离散步长τ优选值为5,空间离散步长h优选值为400,迭代次数n优选值为10,
另外,(Ix)i,j=(2(Ii+1,j-Ii-1,j)+Ii+1,j+1-Ii-1,j+1+Ii+1,j-1-Ii-1,j-1)/4,
(Iy)i,j=(2(Ii,j+1-Ii,j-1)+Ii+1,j+1-Ii+1,j-1+Ii-1,j+1-Ii-1,j-1)/4;
Gα为高斯核函数,计算式是:
其中,α为尺度参数,优选取值为1;
扩散函数g(|t|)的计算式是:
其中,计算式如下:
其中,反应项f(I)中量化参数k的优选取值为2,μ为均值,μ1取值为13,v1取值为45,μ2取值为68,v2取值为125,μ3取值为205;
SFij为结构信息函数,计算式如下:
其中,为图像g中任一像素点的梯度,
通过上述的计算,最终得到一副去模糊后的清晰图像,即成。
以下实施例均采用Matlab R2017a编程实现本发明所描述的方法。实验平台配置:操作***为Windows10,CPU为Intel Core i7 5600U,RAM为8G。
实施例1
参照图8,以去除交通监控图像模糊为例,具体步骤如下:
步骤1、生成原始交通监控图像的显著图。
如图2所示是一幅模糊的交通监控原始图像,首先,将该原始图像的RGB色彩空间转换为HSI色彩空间,计算式如下:
其次,提取转换色彩空间后图像X的内部特征,计算式X=AS中矩阵A的逆矩阵A-1,解逆矩阵将局部区域像素矩阵的分量分离为独立分量。将图像进行分块处理,局部区域像素矩阵与解逆矩阵相乘后得到局部区域像素矩阵的基向量W={w1,w2,…,wn}。利用高斯核密度估计对基向量W的各分量进行似然估计,计算式为:
其中,局部区域像素块大小为j×k,此处取值为5×5;ψ表示整幅处理的图像,由于向量W的各分量wi之间相互独立,其中分量wi的值为vi,ω(s,t)为核密度函数中高斯函数的权值,该权值由当前局部图像的基系数概率估计,计算式如下:
最后,计算局部区域像素块自信息量获取显著图,计算式为:
步骤2、利用显著图的轮廓特征和纹理特征进行图像分割,
首先,利用K均值聚类方法进行递归运算,将整幅图像分割成小而连续的k个图像块区域,计算公式为:
其中,xi(ki+1)为第i个对象,ki表示第i个对象所在的聚类对象总数;
其次,分割图像,计算上一步骤中分割出的图像块区域无向带权图Gc=(Vc,Ec;Wc)中的权值矩阵W,计算式如下:
其中,Wij表示无向带权图G中节点i与节点j之间的权值,在图像中表示区域i与j之间的关系;F(i)与F(j)分别表示第i区域vi与第j个区域vj的灰度值,||V(i)-V(j)||2为曼哈顿距离,σI和σV为调节参数,分别为58,128;
计算特征方程(Dc-Wc)yc=λDcyc,的特征值和特征向量,
其中,Wc(i,j)=wc(i,j),Dc(i,j)=∑jwc(i,j);yc为指示向量,表示yc中的每一个元素表示一个区域;Dc-Wc为拉普拉斯矩阵;计算得到Yc中大于0区域的元素分为一个组,Yc中小于0区域的元素分为另一个组进行图像分割。
步骤3、对分割图像去模糊处理,计算式为:
i,j分别为图像像素点的位置坐标;截断误差为O(τ+h2),时间离散步长τ优选值为5,空间离散步长h优选值为400,迭代次数n优选值为10,
另外,(Ix)i,j=(2(Ii+1,j-Ii-1,j)+Ii+1,j+1-Ii-1,j+1+Ii+1,j-1-Ii-1,j-1)/4,
(Iy)i,j=(2(Ii,j+1-Ii,j-1)+Ii+1,j+1-Ii+1,j-1+Ii-1,j+1-Ii-1,j-1)/4,
Gα为高斯核函数,计算式如下:
其中,α为尺度参数,在此取值为1,扩散函数g(|t|)由如下计算式得到:
其中,由如下计算式得到:
上式中,反应项f(I)中量化参数k取值为2,μ为均值,μ1取值为13,μ2取值为68,μ3取值为205,v1取值为45,v2取值为125;
SFij为结构信息函数,由如下计算式得到:
其中,为图像g中任一像素点的梯度,得到去除模糊后的图像,
输出去除模糊后的图像,见图4所示,其中的图4a图像中汽车的车牌号边缘信息突出,图像质量明显提高;其中的图4b图像中的显著性区域比图2b中更加显著,视觉效果较好。
实施例2
对一般彩色图像去除模糊为例,具体步骤如下:
本实施例中,图5是采用本发明去除彩色图像模糊前的图像。模糊的彩色图像计算显著图步骤1与实施例1相同,去除模糊前的图像与其显著图分别见图5a与图5b。
在步骤2中,利用显著图的轮廓特征和纹理特征进行图像分割的参数取值与实施例1相同,图像分割得到的分割图、边缘图和能量图分别见图6a、图6b与图6c。
在步骤3中,对分割图像去除模糊处理,该步骤3中的过程与实施例1相同,去除模糊后的图像与其显著图结果见图7a与图7b,图7a中图像边缘信息突出,图像质量明显提高,图7b中的显著性区域比图5b中更加显著,视觉效果较好。
Claims (5)
1.一种基于视觉注意机制的智能交通监控图像去模糊方法,其特征在于,按照以下步骤实施:
步骤1、生成原始交通监控图像的显著图,
将一幅模糊的原始交通监控图像由RGB色彩空间转换到HSI色彩空间;然后根据图像的场景信息,最大化场景信息得到显著图;
步骤2、利用显著图的轮廓特征和纹理特征进行图像分割,得到显著图的分割图;
步骤3、对分割图像进行去模糊处理,
采用结构信息扩散函数对显著图的分割图像进行去模糊处理,最终得到一副去模糊后的清晰图像。
2.根据权利要求1所述的基于视觉注意机制的智能交通监控图像去模糊方法,其特征在于,所述的步骤1中,最大化场景信息求得图像的显著图,具体过程如下:
1.1)针对原始交通监控图像采用独立分量分析方法计算基向量,提取转换色彩空间后图像X的内部特征,
独立分量分析方法的计算式为X=AS,其中,图像X由独立成分S与混合矩阵A混合而成,X={x1(t),x2(t),…,xn(t)}T,t为时间样本,S={s1,s2,…,sn}T,A=(m×n)为混合矩阵;进一步计算矩阵A的逆矩阵A-1,解逆矩阵将局部区域像素矩阵的分量分离为独立分量;再将图像进行分块处理,局部区域像素矩阵与解逆矩阵相乘后得到局部区域像素矩阵的基向量W={w1,w2,…,wn};
1.2)利用高斯核密度估计对基向量W的各分量进行似然估计,针对局部区域像素块的计算式如下:
计算式(1)中,p函数是指局部图像块的高斯核密度估计值,
其中,σ是尺度因子,局部区域像素块大小为j×k;ψ表示整幅处理的图像,由于向量W的各分量wi之间相互独立,其中分量wi的值为vi;ω(s,t)为核密度函数中高斯函数的权值,该权值由当前局部图像的基系数概率估计,计算式如下:
1.3)通过计算局部区域像素块自信息量得到显著图,局部区域像素块自信息量的计算式如下:
其中,I(x)是局部区域像素块自信息量,p(x)是步骤1.2)中局部图像块的高斯核密度估计值。
3.根据权利要求2所述的基于视觉注意机制的智能交通监控图像去模糊方法,其特征在于,所述的步骤2中,具体过程是:
2.1)针对步骤1中提取出的显著图,随机选取K个对象作为聚类初始点v1,v2,...vk,计算每个对象与各个聚类中心之间的距离,选择距离最近者分给离它最近的聚类中心,分配全部的对象,每个聚类中心则根据现有的对象不断重复计算聚类,计算式为:
其中,xi(ki+1)为第i个对象,ki表示第i个对象所在的聚类对象总数;
2.2)利用K均值聚类方法进行递归运算,将整幅图像分割成小而连续的k个图像块区域;
2.3)将步骤2.2)中得到的图像块区域转变为无向带权图Gc=(Vc,Ec;Wc),然后计算图像块区域的权值矩阵W,计算式如下:
其中,Wij表示无向带权图G中节点i与节点j之间的权值,在图像中表示区域i与j之间的关系;F(i)与F(j)分别表示第i区域vi与第j个区域vj的灰度值;σI和σV为调节参数;||V(i)-V(j)||2为曼哈顿距离,r是数据和质心的距离,通过自适应计算得到;
2.4)计算特征方程(Dc-Wc)yc=λDcyc,中的特征值和特征向量,
其中,Dc-Wc为拉普拉斯矩阵,Wc(i,j)=wc(i,j),Dc(i,j)=∑jwc(i,j);
yc为指示向量,表示yc中的每一个元素表示一个区域;
2.5)分割图像,使用步骤2.4)中的第二最小特征向量将图像分割为两部分,将Yc中大于0区域的元素分为一个组,将Yc中小于0区域的元素分为另一个组;
2.6)递归调用步骤2.4)、步骤2.5)得到分割后的图像。
4.根据权利要求3所述的基于视觉注意机制的智能交通监控图像去模糊方法,其特征在于,所述的步骤3中,具体过程是:
去模糊处理的计算式为:
其中,i,j分别为图像像素点的位置坐标,截断误差为O(τ+h2),上式中时间离散步长为τ,空间离散步长为h,迭代次数为n,
另外,(Ix)i,j=(2(Ii+1,j-Ii-1,j)+Ii+1,j+1-Ii-1,j+1+Ii+1,j-1-Ii-1,j-1)/4,
(Iy)i,j=(2(Ii,j+1-Ii,j-1)+Ii+1,j+1-Ii+1,j-1+Ii-1,j+1-Ii-1,j-1)/4;
Gα为高斯核函数,计算式是:
其中,α为尺度参数;
扩散函数g(|t|)的计算式是:
其中,计算式如下:
其中,反应项f(I)中k为量化参数,μ为均值,μ1、μ2、μ3、v1、v2均为参数;
SFij为结构信息函数,计算式如下:
其中,为图像g中任一像素点的梯度。
5.根据权利要求4所述的基于视觉注意机制的智能交通监控图像去模糊方法,其特征在于,所述的时间离散步长τ取值为5,空间离散步长h取值为400,迭代次数n取值为10;
尺度参数α取值为1,量化参数k取值为2,μ1取值为13,μ2取值为68,μ3取值为205,v1取值为45,v2取值为125。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810188142.3A CN108510453B (zh) | 2018-03-07 | 2018-03-07 | 基于视觉注意机制的智能交通监控图像去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810188142.3A CN108510453B (zh) | 2018-03-07 | 2018-03-07 | 基于视觉注意机制的智能交通监控图像去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510453A true CN108510453A (zh) | 2018-09-07 |
CN108510453B CN108510453B (zh) | 2021-06-29 |
Family
ID=63377096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810188142.3A Expired - Fee Related CN108510453B (zh) | 2018-03-07 | 2018-03-07 | 基于视觉注意机制的智能交通监控图像去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472086A (zh) * | 2019-08-02 | 2019-11-19 | 西安工程大学 | 一种基于视网膜关键特征提取的骨架图像检索方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142370A1 (en) * | 2009-12-10 | 2011-06-16 | Microsoft Corporation | Generating a composite image from video frames |
CN103514582A (zh) * | 2012-06-27 | 2014-01-15 | 郑州大学 | 基于视觉显著的图像去模糊方法 |
CN103884431A (zh) * | 2013-12-31 | 2014-06-25 | 华中科技大学 | 平面地表环境中地下建筑的红外成像探测定位方法 |
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 |
CN106097256A (zh) * | 2016-05-31 | 2016-11-09 | 南京邮电大学 | 一种基于图像盲去模糊的视频图像模糊度检测方法 |
CN107194927A (zh) * | 2017-06-13 | 2017-09-22 | 天津大学 | 基于显著性区域的立体图像舒适度色度范围的测量方法 |
CN107240119A (zh) * | 2017-04-19 | 2017-10-10 | 北京航空航天大学 | 利用改进模糊聚类算法提取灰度不均匀红外行人的方法 |
-
2018
- 2018-03-07 CN CN201810188142.3A patent/CN108510453B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142370A1 (en) * | 2009-12-10 | 2011-06-16 | Microsoft Corporation | Generating a composite image from video frames |
CN103514582A (zh) * | 2012-06-27 | 2014-01-15 | 郑州大学 | 基于视觉显著的图像去模糊方法 |
CN103884431A (zh) * | 2013-12-31 | 2014-06-25 | 华中科技大学 | 平面地表环境中地下建筑的红外成像探测定位方法 |
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 |
CN106097256A (zh) * | 2016-05-31 | 2016-11-09 | 南京邮电大学 | 一种基于图像盲去模糊的视频图像模糊度检测方法 |
CN107240119A (zh) * | 2017-04-19 | 2017-10-10 | 北京航空航天大学 | 利用改进模糊聚类算法提取灰度不均匀红外行人的方法 |
CN107194927A (zh) * | 2017-06-13 | 2017-09-22 | 天津大学 | 基于显著性区域的立体图像舒适度色度范围的测量方法 |
Non-Patent Citations (5)
Title |
---|
BING ZHOU 等: "Image Deblurring Based On Visual Saliency", 《2012 INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS (ICSAI 2012)》 * |
吴晓旭等: "局部加权全变差下的盲去模糊", 《计算机辅助设计与图形学学报》 * |
王维哲等: "基于视觉显著性的运动图像去模糊研究", 《计算机工程与设计》 * |
郑杨帆: "基于图论的谱聚类算法研究和实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
韩鹏: "视觉注意力计算模型的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472086A (zh) * | 2019-08-02 | 2019-11-19 | 西安工程大学 | 一种基于视网膜关键特征提取的骨架图像检索方法 |
CN110472086B (zh) * | 2019-08-02 | 2023-01-31 | 西安工程大学 | 一种基于视网膜关键特征提取的骨架图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108510453B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753903B (zh) | 一种基于深度学习的无人机检测方法 | |
Bahrami et al. | A fast approach for no-reference image sharpness assessment based on maximum local variation | |
Li | On incremental and robust subspace learning | |
JP6884517B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN111861925B (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
CN112767711B (zh) | 一种多类别多尺度多目标抓拍方法及*** | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN110490252B (zh) | 一种基于深度学习的室内人数检测方法及*** | |
CN111783589B (zh) | 基于场景分类和多尺度特征融合的复杂场景人群计数方法 | |
CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
Marana et al. | Real-time crowd density estimation using images | |
CN111241924A (zh) | 基于尺度估计的人脸检测及对齐方法、装置、存储介质 | |
CN110533632A (zh) | 图像模糊篡改检测方法、装置、计算机设备和存储介质 | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
CN111091093A (zh) | 一种高密度人群的数量估测方法、***及相关装置 | |
CN111753671A (zh) | 一种现实场景的人群计数方法 | |
CN115861799A (zh) | 基于注意力梯度的轻量化空对地目标检测方法 | |
CN111683221A (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及*** | |
CN109271864B (zh) | 一种基于小波变换和支持向量机的人群密度估计方法 | |
CN108510453A (zh) | 基于视觉注意机制的智能交通监控图像去模糊方法 | |
CN112907972A (zh) | 基于无人机的道路车流量检测方法、***及计算机可读存储介质 | |
CN109657083B (zh) | 纺织品图片特征库的建立方法和装置 | |
CN115861595B (zh) | 一种基于深度学习的多尺度域自适应异源图像匹配方法 | |
CN105139422B (zh) | 一种自解释目标跟踪方法及装置 | |
CN116071374A (zh) | 一种车道线实例分割方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210629 |
|
CF01 | Termination of patent right due to non-payment of annual fee |