CN108648147A - 一种人眼视网膜机理的超分辨率图像获取方法及*** - Google Patents
一种人眼视网膜机理的超分辨率图像获取方法及*** Download PDFInfo
- Publication number
- CN108648147A CN108648147A CN201810430159.5A CN201810430159A CN108648147A CN 108648147 A CN108648147 A CN 108648147A CN 201810430159 A CN201810430159 A CN 201810430159A CN 108648147 A CN108648147 A CN 108648147A
- Authority
- CN
- China
- Prior art keywords
- resolution
- super
- low
- image
- polar
- 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
- 210000001525 retina Anatomy 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007246 mechanism Effects 0.000 title claims abstract description 26
- 238000006073 displacement reaction Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 239000007788 liquid Substances 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Input (AREA)
- Prostheses (AREA)
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
- Studio Devices (AREA)
Abstract
本发明公开的一种人眼视网膜机理的超分辨率图像获取方法及***,属于光电成像技术领域。本发明的方法根据人眼视网膜旋转和尺度不变性能够获得具有水平亚像素位移和竖直亚像素位移的低分辨率对数极坐标图像的特点,通过水平亚像素位移和竖直亚像素位移的组合变换,获取超分辨率重建需要的低分辨率图像,简化图像配准参量,减少超分辨率重建的复杂度;同时由于人眼视网膜空间非均匀采样结构具有中间高分辨率边缘低分辨率成像的特点,减少参与超分辨率重建的数据量,提高超分辨率重建的效率,进一步提高超分辨率重建后目标识别和跟踪的速度。本发明还公开用于实现所述方法的一种人眼视网膜机理的超分辨率图像获取***。
Description
技术领域
本发明涉及一种人眼视网膜机理的超分辨率图像获取方法及***,属于光电成像技术领域。
背景技术
高分辨率图像中的像素密度更高,相同尺寸下比低分辨率图像能够提供更多的图像细节信息,可用于进行精确的目标识别和跟踪,因此在医学数字影像、视频监控、空间遥感和目标定位等领域发挥着日益重要的作用。通过减少成像***中成像器件像元大小和增加成像***中成像器件像元密度的方法能够获得高分辨率图像,但是目前成像器件的生产制造水平尚不成熟,技术工艺复杂,研制成本高。利用超分辨率重建技术,再不改变成像***中成像器件的前提下,通过对多幅具有互补信息的低分辨率图像进行处理,能够提高图像分辨率从而获得高分辨图像。
现有的图像超分辨率重建方法中,成像***获得的是采样均匀的低分辨率图像,即目标和背景的像素分辨率相同,进行超分辨重建后,目标和背景的像素分辨率获得同等程度的提高。但是在目标识别和跟踪的过程中,只需要目标是高分辨,背景高分辨会增加计算的数据量和超分辨率重建的时间。
人眼视网膜采样机理能够实现中间感兴趣区域(目标)的高分辨率成像,用于目标识别和跟踪,同时压缩边缘无关区域(背景)的信息量,减少参与超分辨率重建的数据量。人眼视网膜旋转尺度不变性和空间非均匀采样结构,在目标识别和跟踪等领域具有明显优势。随着传感器技术的飞速发展,仿人眼视网膜机理的传感器制造技术已逐渐趋于成熟,这为人眼视网膜机理的超分辨率图像获取提供可能。
发明内容
本发明公开的一种人眼视网膜机理的超分辨率图像获取方法及***要解决的技术问题为:根据人眼视网膜机理获得具有空间变分辨率的初始低分辨率图像,进而实现超分辨率图像重建,具有***简单、重建复杂度小和数据计算量少等优点。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种人眼视网膜机理的超分辨率图像获取方法,根据人眼视网膜旋转和尺度不变性能够获得具有水平亚像素位移和竖直亚像素位移的低分辨率对数极坐标图像的特点,通过水平亚像素位移和竖直亚像素位移的组合变换,获取超分辨率重建需要的低分辨率图像,简化图像配准参量,减少超分辨率重建的复杂度。同时由于人眼视网膜空间非均匀采样结构具有中间高分辨率边缘低分辨率成像的特点,减少参与超分辨率重建的数据量,提高超分辨率重建的效率,进一步提高超分辨率重建后目标识别和跟踪的速度。
本发明公开的一种人眼视网膜机理的超分辨率图像获取方法,包括如下步骤:
步骤一:根据输入的超分辨率倍率k,获取低分辨率图像。
根据实际要求输入超分辨率倍率k,控制模块根据输入的超分辨率倍率值严格控制液体透镜电流值的变化,从而改变液体透镜的焦距,使得目标能够在景深范围内呈现清晰图像的同时获得视场大小变化的低分辨率图像。视场大小变化得到的低分辨率图像在笛卡尔坐标中显示为采样点径向方向变化,在对数极坐标中显示为竖直方向变化,获得具有竖直亚像素位移的低分辨率对数极坐标图像。控制模块根据输入的超分辨率倍率值精密的控制伺服电机运动,使得仿人眼传感器发生细小的旋转。仿人眼传感器的旋转得到的低分辨率图像在笛卡尔坐标中显示为采样点环向变化,在对数极坐标中显示为水平方向变化,即获得具有水平亚像素位移的低分辨率对数极坐标图像。通过竖直亚像素位移和水平亚像素位移的组合变换,获取低分辨率图像。
步骤一具体实现方法为:
根据输入的超分辨率倍率k,控制模块严格控制液体透镜电流值的变化和伺服电机的运动,液体透镜电流值不变,伺服电机控制仿人眼传感器旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器依次旋转变化k次,仿人眼传感器每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器每次旋转后对图片进行采集,共采集k次低分辨率图像。液体透镜电流值变化使得对数极坐标中所有像素竖直方向变化1/k个像素,伺服电机控制仿人眼传感器旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器依次旋转变化k次,仿人眼传感器每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器每次旋转后对图片进行采集,共采集k次低分辨率图像。以此类推,液体透镜电流值变化使得对数极坐标中所有像素竖直方向变化n/k个像素,伺服电机控制仿人眼传感器旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器依次旋转变化k次,仿人眼传感器每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器每次旋转后对图片进行采集,共采集k次低分辨率图像。直到调整液体透镜电流值的变化使得对数极坐标中所有像素竖直方向变化k-1/k个像素时,共获得k*k个具有水平和竖直亚像素位移变换的低分辨率对数极坐标图像,即通过竖直亚像素位移和水平亚像素位移的组合变换,获取低分辨率图像。
步骤二:对步骤一获取的低分辨率图像进行配准和超分辨率重建。
利用基于特征点的尺度不变特征转换(Scale-invariant feature transform,SIFT)算子对感兴趣点进行识别,识别之后实现低分辨率图像配准,然后利用投影变换矩阵将子图像投影到参考图像空间,组成散射点云,通过插值的方法实现对低分辨率图像的超分辨率重建,得到超分辨率图像。
本发明还公开用于实现上述一种人眼视网膜机理的超分辨率图像获取方法的一种人眼视网膜机理的超分辨率图像获取***,包括液体透镜、仿人眼传感器、伺服电机、控制模块和图像处理模块。液体透镜用于调整***的焦距,使目标在景深范围内呈现清晰像的同时获得视场大小变化的图像。仿人眼传感器用于获取中间高分辨率边缘低分辨率的空间非均匀采样的低分辨率图像。伺服电机用于控制仿人眼传感器的旋转,由于人眼视网膜的旋转不变性,从而能够获得具有水平亚像素位移的低分辨率图像。控制模块用于***的总体控制,根据输入的超分辨倍率控制液体透镜焦距的变化和伺服电机的旋转,低分辨率图片全部获取后控制图像处理模块开始工作。图像处理模块用于将低分辨率图片在人眼视网膜采样的对数极坐标下进行超分辨率重建,获得超分辨率图像。
有益效果:
1、本发明公开的一种人眼视网膜机理的超分辨率图像获取方法及***,利用人眼视网膜的旋转尺度不变性,将图像的旋转和尺度变换转换为对数极坐标中的水平和竖直变换,简化图像配准参量,减少超分辨率重建的复杂度。
2、本发明公开的一种人眼视网膜机理的超分辨率图像获取方法及***,利用人眼视网膜的旋转尺度不变性,有利于对超分辨率重建后目标的识别和跟踪。进一步的,利用人眼视网膜传感器中间高分辨率边缘低分辨率成像的优点,还能够进一步提高对超分辨率重建后目标识别和跟踪的速度。
3、本发明公开的一种人眼视网膜机理的超分辨率图像获取方法及***,利用人眼视网膜传感器中间高分辨率边缘低分辨率成像的优点,压缩边缘无关区域的信息量,能后减少参与超分辨率重建的数据量,提高超分辨率重建的效率。
附图说明
图1是本发明公开的一种人眼视网膜机理的超分辨率图像获取方法的工作流程图;
图2是本发明公开的一种人眼视网膜机理的超分辨率图像获取***的***结构图;
图3视场大小改变后像素位移图,图3(a)为笛卡尔坐标中像素位移图,图3(b)为对数极坐标中像素位移图;
图4仿人眼传感器旋转后像素位移图,图4(a)为笛卡尔坐标中像素位移图,图4(b)为对数极坐标中像素位移图。
其中:1-液体透镜,2-仿人眼传感器,3-伺服电机,4-控制模块,5-图像处理模块。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
本实施例公开一种人眼视网膜机理的超分辨率图像获取方法,工作流程图如图1所示,包括如下步骤:
步骤一:根据输入的超分辨率倍率k,获取低分辨率图像。
根据实际要求输入超分辨率倍率k,控制模块4根据输入的超分辨率倍率值严格控制液体透镜1电流值的变化,从而改变液体透镜1的焦距,使得目标能够在景深范围内呈现清晰图像的同时获得视场大小变化的低分辨率图像。视场大小变化得到的低分辨率图像在笛卡尔坐标中显示为采样点径向方向变化,在对数极坐标中显示为竖直方向变化,获得具有竖直亚像素位移的低分辨率对数极坐标图像,如图3所示。控制模块4根据输入的超分辨率倍率值精密的控制伺服电机3运动,使得仿人眼传感器2发生细小的旋转。仿人眼传感器2的旋转得到的低分辨率图像在笛卡尔坐标中显示为采样点环向变化,在对数极坐标中显示为水平方向变化,即获得具有水平亚像素位移的低分辨率对数极坐标图像,如图4所示。通过竖直亚像素位移和水平亚像素位移的组合变换,获取低分辨率图像。
步骤一具体实现方法为:
根据输入的超分辨率倍率k,控制模块严格控制液体透镜1电流值的变化和伺服电机3的运动,液体透镜1电流值不变,伺服电机3控制仿人眼传感器2旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器2依次旋转变化k次,仿人眼传感器2每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器2每次旋转后对图片进行采集,共采集k次低分辨率图像。液体透镜1电流值变化使得对数极坐标中所有像素竖直方向变化1/k个像素,伺服电机3控制仿人眼传感器2旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器2依次旋转变化k次,仿人眼传感器2每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器2每次旋转后对图片进行采集,共采集k次低分辨率图像。以此类推,液体透镜1电流值变化使得对数极坐标中所有像素竖直方向变化n/k个像素,伺服电机3控制仿人眼传感器2旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器2依次旋转变化k次,仿人眼传感器2每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器2每次旋转后对图片进行采集,共采集k次低分辨率图像。直到调整液体透镜1电流值的变化使得对数极坐标中所有像素竖直方向变化k-1/k个像素时,共获得k*k个具有水平和竖直亚像素位移变换的低分辨率对数极坐标图像,即通过竖直亚像素位移和水平亚像素位移的组合变换,获取低分辨率图像。
步骤二:对步骤一获取的低分辨率图像进行配准和超分辨率重建。
利用基于特征点的尺度不变特征转换(Scale-invariant feature transform,SIFT)算子对感兴趣点进行识别,识别之后实现低分辨率图像配准,然后利用投影变换矩阵将子图像投影到参考图像空间,组成散射点云,通过插值的方法实现对低分辨率图像的超分辨率重建,得到超分辨率图像。
本发明还公开用于实现上述一种人眼视网膜机理的超分辨率图像获取方法的一种人眼视网膜机理的超分辨率图像获取***,如图2所示,包括液体透镜1、仿人眼传感器2、伺服电机3、控制模块4和图像处理模块5。液体透镜1用于调整***的焦距,使目标在景深范围内呈现清晰像的同时获得视场大小变化的图像。仿人眼传感器2用于获取中间高分辨率边缘低分辨率的空间非均匀采样的低分辨率图像。伺服电机3用于控制仿人眼传感器2的旋转,由于人眼视网膜的旋转不变性,从而能够获得具有水平亚像素位移的低分辨率图像。控制模块4用于***的总体控制,根据输入的超分辨倍率控制液体透镜1焦距的变化和伺服电机3的旋转,低分辨率图片全部获取后控制图像处理模块5开始工作。图像处理模块5用于将低分辨率图片在人眼视网膜采样的对数极坐标下进行超分辨率重建,获得超分辨率图像。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种人眼视网膜机理的超分辨率图像获取方法,其特征在于:包括如下步骤,
步骤一:根据输入的超分辨率倍率k,获取低分辨率图像;
根据实际要求输入超分辨率倍率k,控制模块根据输入的超分辨率倍率值严格控制液体透镜电流值的变化,从而改变液体透镜的焦距,使得目标能够在景深范围内呈现清晰图像的同时获得视场大小变化的低分辨率图像;视场大小变化得到的低分辨率图像在笛卡尔坐标中显示为采样点径向方向变化,在对数极坐标中显示为竖直方向变化,获得具有竖直亚像素位移的低分辨率对数极坐标图像;控制模块根据输入的超分辨率倍率值精密的控制伺服电机运动,使得仿人眼传感器发生细小的旋转;仿人眼传感器的旋转得到的低分辨率图像在笛卡尔坐标中显示为采样点环向变化,在对数极坐标中显示为水平方向变化,即获得具有水平亚像素位移的低分辨率对数极坐标图像;通过竖直亚像素位移和水平亚像素位移的组合变换,获取低分辨率图像;
步骤二:对步骤一获取的低分辨率图像进行配准和超分辨率重建;
利用基于特征点的尺度不变特征转换(Scale-invariant feature transform,SIFT)算子对感兴趣点进行识别,识别之后实现低分辨率图像配准,然后利用投影变换矩阵将子图像投影到参考图像空间,组成散射点云,通过插值的方法实现对低分辨率图像的超分辨率重建,得到超分辨率图像。
2.如权利要求1所述的一种人眼视网膜机理的超分辨率图像获取方法,其特征在于:步骤一具体实现方法为:
根据输入的超分辨率倍率k,控制模块严格控制液体透镜电流值的变化和伺服电机的运动,液体透镜电流值不变,伺服电机控制仿人眼传感器旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器依次旋转变化k次,仿人眼传感器每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器每次旋转后对图片进行采集,共采集k次低分辨率图像;液体透镜电流值变化使得对数极坐标中所有像素竖直方向变化1/k个像素,伺服电机控制仿人眼传感器旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器依次旋转变化k次,仿人眼传感器每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器每次旋转后对图片进行采集,共采集k次低分辨率图像;以此类推,液体透镜电流值变化使得对数极坐标中所有像素竖直方向变化n/k个像素,伺服电机控制仿人眼传感器旋转使得对数极坐标中所有像素依次水平方向变化n/k个像素,其中n依次取0,1,2,...,k-1,仿人眼传感器依次旋转变化k次,仿人眼传感器每次旋转对数极坐标中所有像素水平方向变化1/k个像素,仿人眼传感器每次旋转后对图片进行采集,共采集k次低分辨率图像;直到调整液体透镜电流值的变化使得对数极坐标中所有像素竖直方向变化k-1/k个像素时,共获得k*k个具有水平和竖直亚像素位移变换的低分辨率对数极坐标图像,即通过竖直亚像素位移和水平亚像素位移的组合变换,获取低分辨率图像。
3.用于实现如权利要求1或2所述一种人眼视网膜机理的超分辨率图像获取方法的一种人眼视网膜机理的超分辨率图像获取***,其特征在于:包括液体透镜、仿人眼传感器、伺服电机、控制模块和图像处理模块;液体透镜用于调整***的焦距,使目标在景深范围内呈现清晰像的同时获得视场大小变化的图像;仿人眼传感器用于获取中间高分辨率边缘低分辨率的空间非均匀采样的低分辨率图像;伺服电机用于控制仿人眼传感器的旋转,由于人眼视网膜的旋转不变性,从而能够获得具有水平亚像素位移的低分辨率图像;控制模块用于***的总体控制,根据输入的超分辨倍率控制液体透镜焦距的变化和伺服电机的旋转,低分辨率图片全部获取后控制图像处理模块开始工作;图像处理模块用于将低分辨率图片在人眼视网膜采样的对数极坐标下进行超分辨率重建,获得超分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430159.5A CN108648147B (zh) | 2018-05-08 | 2018-05-08 | 一种人眼视网膜机理的超分辨率图像获取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430159.5A CN108648147B (zh) | 2018-05-08 | 2018-05-08 | 一种人眼视网膜机理的超分辨率图像获取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108648147A true CN108648147A (zh) | 2018-10-12 |
CN108648147B CN108648147B (zh) | 2021-04-30 |
Family
ID=63749713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810430159.5A Active CN108648147B (zh) | 2018-05-08 | 2018-05-08 | 一种人眼视网膜机理的超分辨率图像获取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648147B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109683343A (zh) * | 2019-02-25 | 2019-04-26 | 中国科学院光电研究院 | 一种超分辨成像***的设计方法 |
CN110084752A (zh) * | 2019-05-06 | 2019-08-02 | 电子科技大学 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
CN110427951A (zh) * | 2019-07-18 | 2019-11-08 | 北京理工大学 | 一种基于非均匀采样策略的傅里叶单像素成像方法 |
CN112288633A (zh) * | 2020-10-29 | 2021-01-29 | 燕山大学 | 一种新型亚像素分辨率衍射成像方法 |
CN112836821A (zh) * | 2021-02-04 | 2021-05-25 | 武汉极目智能技术有限公司 | 一种用于自动驾驶的卷积神经网络计算量压缩方法 |
CN114630024A (zh) * | 2022-01-21 | 2022-06-14 | 北京航空航天大学 | 一种基于阵列相机***的仿视网膜非均匀成像方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722875A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于视觉注意和质量可变的图像超分辨率重建方法 |
CN103679639A (zh) * | 2012-09-05 | 2014-03-26 | 北京大学 | 基于非局部均值的图像去噪方法和装置 |
CN104361395A (zh) * | 2014-11-17 | 2015-02-18 | 重庆邮电大学 | 基于视觉仿生的超分辨率图像信息获取方法 |
CN107105147A (zh) * | 2017-06-05 | 2017-08-29 | 北京理工大学 | 一种仿生超分辨成像传感器及成像方法 |
-
2018
- 2018-05-08 CN CN201810430159.5A patent/CN108648147B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722875A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于视觉注意和质量可变的图像超分辨率重建方法 |
CN103679639A (zh) * | 2012-09-05 | 2014-03-26 | 北京大学 | 基于非局部均值的图像去噪方法和装置 |
CN104361395A (zh) * | 2014-11-17 | 2015-02-18 | 重庆邮电大学 | 基于视觉仿生的超分辨率图像信息获取方法 |
CN107105147A (zh) * | 2017-06-05 | 2017-08-29 | 北京理工大学 | 一种仿生超分辨成像传感器及成像方法 |
Non-Patent Citations (1)
Title |
---|
QUN HAO 等: "Improving the performances of autofocus based on adaptive retina-like sampling model", 《OPTICS COMMUNICATIONS》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109683343A (zh) * | 2019-02-25 | 2019-04-26 | 中国科学院光电研究院 | 一种超分辨成像***的设计方法 |
CN110084752A (zh) * | 2019-05-06 | 2019-08-02 | 电子科技大学 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
CN110084752B (zh) * | 2019-05-06 | 2023-04-21 | 电子科技大学 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
CN110427951A (zh) * | 2019-07-18 | 2019-11-08 | 北京理工大学 | 一种基于非均匀采样策略的傅里叶单像素成像方法 |
CN110427951B (zh) * | 2019-07-18 | 2021-09-28 | 北京理工大学 | 一种基于非均匀采样策略的傅里叶单像素成像方法 |
CN112288633A (zh) * | 2020-10-29 | 2021-01-29 | 燕山大学 | 一种新型亚像素分辨率衍射成像方法 |
CN112288633B (zh) * | 2020-10-29 | 2022-07-29 | 燕山大学 | 一种新型亚像素分辨率衍射成像方法 |
CN112836821A (zh) * | 2021-02-04 | 2021-05-25 | 武汉极目智能技术有限公司 | 一种用于自动驾驶的卷积神经网络计算量压缩方法 |
CN114630024A (zh) * | 2022-01-21 | 2022-06-14 | 北京航空航天大学 | 一种基于阵列相机***的仿视网膜非均匀成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108648147B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648147A (zh) | 一种人眼视网膜机理的超分辨率图像获取方法及*** | |
CN112894832B (zh) | 三维建模方法、装置、电子设备和存储介质 | |
CN111080724B (zh) | 一种红外和可见光的融合方法 | |
JP4950290B2 (ja) | 撮像装置、方法、システム集積回路、及びプログラム | |
CN107705333B (zh) | 基于双目相机的空间定位方法及装置 | |
CN105698699B (zh) | 一种基于时间转轴约束的双目视觉测量方法 | |
CN106683068B (zh) | 一种三维数字化图像采集方法 | |
CN105164728B (zh) | 用于混合实境的设备和方法 | |
CN105716542B (zh) | 一种基于柔性特征点的三维数据拼接方法 | |
CN103903222B (zh) | 三维感测方法与三维感测装置 | |
CN106485753B (zh) | 用于无人驾驶汽车的摄像机标定的方法和装置 | |
CN111161404A (zh) | 一种环形扫描形貌三维重建方法、装置及*** | |
CN103024281A (zh) | 红外与可见光视频融合*** | |
WO2022100065A1 (zh) | 图像配准方法、装置、电子设备及存储介质 | |
TW201118791A (en) | System and method for obtaining camera parameters from a plurality of images, and computer program products thereof | |
CN114760415B (zh) | 一种镜头调焦方法、***、设备及介质 | |
TW201143352A (en) | Image processor, image processing method, and image processing program | |
CN110322485A (zh) | 一种异构多相机成像***的快速图像配准方法 | |
CN112200854B (zh) | 一种基于视频图像的叶类蔬菜三维表型测量方法 | |
CN106447728A (zh) | 一种调整扫描状态的方法及装置 | |
Popovic et al. | Real-time implementation of Gaussian image blending in a spherical light field camera | |
CN209279885U (zh) | 图像采集设备、3d信息比对及配套物生成装置 | |
CN113643382B (zh) | 一种基于旋转激光融合相机的稠密着色点云获取方法及装置 | |
CN110544278A (zh) | 刚体运动捕捉方法及装置、agv位姿捕捉*** | |
CN116977449B (zh) | 一种基于闪烁棋盘格的复眼事件相机主动标定方法 |
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 |