CN110349100B - 一种沿模糊路径的比例式像素提取方法 - Google Patents

一种沿模糊路径的比例式像素提取方法 Download PDF

Info

Publication number
CN110349100B
CN110349100B CN201910558377.1A CN201910558377A CN110349100B CN 110349100 B CN110349100 B CN 110349100B CN 201910558377 A CN201910558377 A CN 201910558377A CN 110349100 B CN110349100 B CN 110349100B
Authority
CN
China
Prior art keywords
pixel
arc
sequence
image
fuzzy
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
CN201910558377.1A
Other languages
English (en)
Other versions
CN110349100A (zh
Inventor
贾方秀
李雨辰
许鹏飞
曹阳
郭闯
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and 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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201910558377.1A priority Critical patent/CN110349100B/zh
Publication of CN110349100A publication Critical patent/CN110349100A/zh
Application granted granted Critical
Publication of CN110349100B publication Critical patent/CN110349100B/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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种沿模糊路径的比例式像素提取方法，首先输入一幅模糊图像，在模糊图像上，利用八分之一画圆法，在0≤x≤y的八分之一圆弧上取到八分之一模糊像素序列，获得半径为r的八分之一圆上一系列的M点组成的序列，将一系列的M点组成的序列利用镜像旋转坐标变换得到半径为r的整个圆周上的M点组成的序列，得到所有半径的模糊像素序列，通过一维平移运动模糊复原的方法对模糊像素序列进行图像复原，改变半径r，对所有不同半径的像素序列进行一维图像复原，得到所有半径的复原像素序列，将所有半径的复原像素序列沿上述流程的逆过程得到回填的坐标对应关系，按照该对应关系将复原像素序列进行回填，即可得到复原后的清晰图像。

Description

一种沿模糊路径的比例式像素提取方法
技术领域
本发明属于图像处理技术，具体涉及一种沿模糊路径的比例式像素提取方法。
背景技术
近年来，在人工智能掀起的又一代数字化浪潮下，图像处理领域焕发了新的生命力，在图像的光电转换、传输以及记录显示的过程中，由于实际成像***拍摄时景物和相机可能产生一系列的空间运动，在一次曝光的过程中能量在成像平面上的非正常累积，造成了所获得的图像产生退化模糊，通常我们称之为运动模糊。对模糊图像进行一定的处理，使其尽可能恢复出原始的真实图像的过程，就称为图像复原，又称为图像恢复。
旋转运动模糊图像的复原是图像复原领域的一种特例，但也最为常见，无论多么复杂的运动，总能分解成平移运动和旋转运动。平移运动具有空间不变性，退化机制较为简单，每个像素邻域内的模糊核是基本一致的，因此对模糊核的估计相对容易。但是对于旋转模糊，每个像素点的邻域的模糊核的方向是当前像素在其所在圆周的切线方向，另一方面，模糊核的大小也随着所在圆周的大小而变化，并不具有空间可变性。因此，对于旋转运动模糊的模糊核估计是十分复杂的。
从日常生活的拍照，到实验室对高速运动的目标拍摄，运动模糊图像的复原在光学防抖，机器视觉，视频监控等等很多领域都有着十分广泛的应用。由于运动产生的图像模糊现象会给后期的工作造成困难，因此它也是模式识别，图像配准，视频图像序列稳定等等后继工作的基础，有着十分重要的研究价值。如何找到一种恢复效果理想且实时性好的旋转运动模糊恢复算法是图像处理过程的重要工作，也是十分有意义的课题。
针对旋转运动模糊的空间可变性特征，国内外学者对于如何把旋转运动模糊变为空间不变性模糊展开了深入研究：
在A.A.Sawchuk and M.J.Peyrovian在《Space-Variant Image Restoration byCoordinate Transformations》(J.Opt.Soc.Amer.,64(2),pp.138-144,February,1974.)一文中提出了基于几何变换的解决方案，将图像的直角坐标直接变换到极坐标，然后采用灰度级插补的方法，将其余坐标的灰度值插值出来，从而使得旋转模糊转化为普通的平移运动模糊进行处理，但是算法的效果不佳，而且由于大量的插值算法，大大增加了算法的复杂度和误差，算法的实时性差。
Zhou Jianyang，Yang Yintao，Wu Yiliang在《Fast restoration algorithm forrotational motion blurred images[Y]》(International Conference on MaterialsEngineering for Advanced Technologies，ICMEAT 2011.)一文中，提出了基于Bresenham画圆法沿模糊路径提取像素序列的方法，提高了算法的实时性，但是该算法的存在着画圆取点时，同心圆之间存在遗漏的像素点未被提取，丢失了大量图像的高频信息，恢复效果不佳。
发明内容
本发明的目的在于提供一种沿模糊路径的比例式像素提取方法，具有计算量小、不丢失图像信息的特性，能有效地沿旋转运动模糊路径提取像素点，并复原旋转运动模糊图像。
实现本发明目的的技术解决方案为：一种沿模糊路径的比例式像素提取方法，步骤如下：
步骤1、输入一幅模糊图像，转入步骤2；
步骤2、在模糊图像上，以其中心为圆心，半径为r，X轴为平行于纸面的水平轴，Y轴为平行于纸面的竖直轴，利用八分之一画圆法，在0≤x≤y的八分之一圆弧上取到八分之一模糊像素序列，在八分之一圆弧上选择任意一点Pi(xi，yi)，再选取四个参照点H1(xi+1，yi)、H2(xi+1，yi+1)、L1(xi+1，yi-1)、L2(xi+1，yi-2)，八分之一圆弧必穿过上述四个参照点中相邻的两个参照点之间，计算相邻的两个参照点之间的连线与八分之一圆弧的交点M的像素值，将最靠近八分之一圆弧的参照点更新为Pi点并选取对应的参照点，以此类推，进而获得半径为r的八分之一圆上一系列的M点组成的序列，转入步骤3，
步骤3、将半径为r的八分之一圆弧上一系列的M点组成的序列利用镜像旋转坐标变换得到半径为r的整个圆周上的M点组成的序列，将其称之为图像的模糊像素序列，得到所有半径的模糊像素序列，转入步骤4；
步骤4、通过一维平移运动模糊复原的方法对模糊像素序列进行图像复原，得到复原像素序列，转入步骤5；
步骤5、改变半径r，返回步骤2，对所有不同半径的像素序列进行一维图像复原，得到所有半径的复原像素序列，转入步骤6；
步骤6、将所有半径的复原像素序列按照步骤2和步骤3的沿模糊路径的比例式像素提取方法的逆过程可以得到回填的坐标对应关系，按照该对应关系将复原像素序列进行回填，即可得到复原后的清晰图像。
本发明与现有技术相比，其显著优点在于：
(1)在摄像机与景物之间做相对旋转运动时产生的模糊图像上利用一种沿模糊路径的图像去模糊方法对图像去模糊，克服了传统取圆方法高频信息丢失的缺点，充分利用图像信息，并且不需要进行二次图像灰度级插补。
(2)在较小的计算量情况下显著的提高了复原图像的信噪比，算法将60度旋转模糊图像的峰值信噪比(PSNR)从16.79dB提高到25.02dB。
附图说明
图1为本发明沿模糊路径的比例式像素提取方法流程图。
图2为圆的旋转对称关系示意图。
图3为本发明沿模糊路径的比例式像素提取方法确定i+1点示意图。
图4为本发明曝光时间内旋转60度运动模糊图像。
图5为本发明旋转运动模糊图像使用沿模糊路径的比例式像素提取方法提取的模糊像素序列图。
图6为本发明旋转运动模糊图像使用沿模糊路径的比例式像素提取方法复原的图像。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1，本发明所述的一种沿模糊路径的比例式像素提取方法，步骤如下：
步骤1、输入一幅如图4所示的模糊图像，转入步骤2。
步骤2、结合图2，在模糊图像上，以其中心为圆心，半径为r，X轴为平行于纸面的水平轴，Y轴为平行于纸面的竖直轴，利用八分之一画圆法，在0≤x≤y的八分之一圆弧上取到八分之一模糊像素序列，结合图3，在八分之一圆弧上选择任意一点Pi(xi，yi)，再选取四个参照点H1(xi+1，yi)、H2(xi+1，yi+1)、L1(xi+1，yi-1)、L2(xi+1，yi-2)，八分之一圆弧必穿过上述四个参照点中相邻的两个参照点之间，计算相邻的两个参照点之间的连线与八分之一圆弧的交点M的像素值，将最靠近八分之一圆弧的参照点更新为Pi点并选取对应的参照点，以此类推，进而获得半径为r的八分之一圆上一系列的M点组成的序列，转入步骤3，具体如下：
步骤2-1、利用八分之一画圆法，在0≤x≤y的八分之一圆弧上取到八分之一模糊像素序列，令xi＝0，yi＝r，取Y轴与圆弧的交点为Pi(0，r)，则四个参照点分别为H1(1，r)、H2(1，r+1)、L1(1，r-1)、L2(1，r-2)，转入步骤2-2。
步骤2-2、选取离八分之一圆弧最近的两个参照点并计算M点到这两个参照点之间距离的比例qi，可由下式计算：
Figure BDA0002107522250000041
其中dH为M点到H1点的距离；转入步骤2-3；
步骤2-3、结合图3，当Pi(xi，yi)在0≤x≤y的八分之一圆弧上，由于：y值单调减少，且此时圆的解析式为
Figure BDA0002107522250000042
对其求导可得：
Figure BDA0002107522250000043
可得圆弧的斜率∈[-1,0]，即离圆弧最近的两个参照点必为H1或L1，于是八分之一圆弧在穿过参照点时有以下四种的情况，判断qi的值，得出属于哪种情况：
1)若qi<0(像素)，则八分之一圆弧穿过H1与H2两个参照点，并且离H1最近，转入步骤2-4；
2)若0(像素)≤qi≤0.5(像素)，则八分之一圆弧穿过H1与L1两个参照点，并且离H1最近，转入步骤2-4；
3)若0.5(像素)<qi≤1(像素)，则八分之一圆弧穿过H1与L1两个参照点，并且离L1最近，转入步骤2-4；
4)若1(像素)<qi，则八分之一圆弧穿过L1与L2两个参照点，并且离L1最近，转入步骤2-4。
步骤2-4、将被八分之一圆弧穿过的两个参照点按照比例qi算出M点的像素值，并将最靠近八分之一圆弧的参照点更新为Pi点并选取对应的参照点，重复步骤2-2到2-3，获得半径为r的八分之一圆上一系列的M点组成的序列，转入步骤3。
上述步骤2-3的四种情况中，若圆弧离H1点近，下一个M点的比例qi+1可利用化简公式：
Figure BDA0002107522250000051
计算；若圆弧离L1点近，下一个M点的比例qi+1可利用化简公式：
Figure BDA0002107522250000052
计算，可减少计算量。
步骤3、将步骤2-4得到的半径为r的八分之一圆弧上一系列的M点组成的序列利用镜像旋转坐标变换得到半径为r的整个圆周上的M点组成的序列，将其称之为图像的模糊像素序列，得到所有半径的模糊像素序列如图5所示，转入步骤4。
步骤4、通过一维平移运动模糊复原的方法对模糊像素序列进行图像复原(如维纳滤波)，得到复原像素序列，转入步骤5。
步骤5、改变半径r，返回步骤2，对所有不同半径的像素序列进行一维图像复原，得到所有半径的复原像素序列，转入步骤6。
步骤6、将所有半径的复原像素序列按照步骤2和步骤3的沿模糊路径的比例式像素提取方法的逆过程可以得到回填的坐标对应关系，按照该对应关系将复原像素序列进行回填，即可得到复原后的清晰图像如图6。

Claims (3)

1.一种沿模糊路径的比例式像素提取方法，其特征在于，步骤如下：
步骤1、输入一幅模糊图像，转入步骤2；
步骤2、在模糊图像上，以其中心为圆心，半径为r，X轴为平行于纸面的水平轴，Y轴为平行于纸面的竖直轴，利用八分之一画圆法，在0≤x≤y的八分之一圆弧上取到八分之一模糊像素序列，在八分之一圆弧上选择任意一点Pi(xi，yi)，再选取四个参照点H1(xi+1，yi)、H2(xi+1，yi+1)、L1(xi+1，yi-1)、L2(xi+1，yi-2)，八分之一圆弧必穿过上述四个参照点中相邻的两个参照点之间，计算相邻的两个参照点之间的连线与八分之一圆弧的交点M的像素值，将最靠近八分之一圆弧的参照点更新为Pi点并选取对应的参照点，以此类推，进而获得半径为r的八分之一圆上一系列的M点组成的序列，具体步骤如下：
步骤2-1、利用八分之一画圆法，在0≤x≤y的八分之一圆弧上取到八分之一模糊像素序列，令xi＝0，yi＝r，取Y轴与圆弧的交点为Pi(0，r)，则四个参照点分别为H1(1，r)、H2(1，r+1)、L1(1，r-1)、L2(1，r-2)，转入步骤2-2；
步骤2-2、选取离八分之一圆弧最近的两个参照点并计算M点到这两个参照点之间距离的比例qi，由下式计算：
Figure FDA0003696366910000011
其中dH为M点到H1点的距离；转入步骤2-3；
步骤2-3、当Pi(xi，yi)在0≤x≤y的八分之一圆弧上，由于：y值单调减少，且此时圆的解析式为
Figure FDA0003696366910000012
对其求导得：
Figure FDA0003696366910000013
由此八分之一圆弧的斜率∈[-1,0]，即离八分之一圆弧最近的两个参照点必为H1或L1，于是八分之一圆弧在穿过参照点时有以下四种的情况，判断qi的值，得出属于哪种情况：
1)若qi<0像素，则八分之一圆弧穿过H1与H2两个参照点，并且离H1最近，转入步骤2-4；
2)若0像素≤qi≤0.5像素，则八分之一圆弧穿过H1与L1两个参照点，并且离H1最近，转入步骤2-4；
3)若0.5像素<qi≤1像素，则八分之一圆弧穿过H1与L1两个参照点，并且离L1最近，转入步骤2-4；
4)若1像素<qi，则八分之一圆弧穿过L1与L2两个参照点，并且离L1最近，转入步骤2-4；
步骤2-4、将被八分之一圆弧穿过的两个参照点按照比例qi算出M点的像素值，并将最靠近八分之一圆弧的参照点更新为Pi点并选取对应的参照点，重复步骤2-2到2-3，获得半径为r的八分之一圆上一系列的M点组成的序列；
转入步骤3，
步骤3、将半径为r的八分之一圆弧上一系列的M点组成的序列利用镜像旋转坐标变换得到半径为r的整个圆周上的M点组成的序列，将其称之为图像的模糊像素序列，得到所有半径的模糊像素序列，转入步骤4；
步骤4、通过一维平移运动模糊复原的方法对模糊像素序列进行图像复原，得到复原像素序列，转入步骤5；
步骤5、改变半径r，返回步骤2，对所有不同半径的像素序列进行一维图像复原，得到所有半径的复原像素序列，转入步骤6；
步骤6、将所有半径的复原像素序列按照步骤2和步骤3的逆过程得到回填的坐标对应关系，按照该对应关系将复原像素序列进行回填，即可得到复原后的清晰图像。
2.根据权利要求1所述的沿模糊路径的比例式像素提取方法，其特征在于：上述步骤2-3的四种情况中，若圆弧离H1点近，下一个M点的比例qi+1，利用化简公式：
Figure FDA0003696366910000021
计算。
3.根据权利要求1所述的沿模糊路径的比例式像素提取方法，其特征在于：上述步骤2-3的四种情况中，若圆弧离L1点近，下一个M点的比例qi+1利用化简公式：
Figure FDA0003696366910000031
计算。
CN201910558377.1A 2019-06-26 2019-06-26 一种沿模糊路径的比例式像素提取方法 Active CN110349100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910558377.1A CN110349100B (zh) 2019-06-26 2019-06-26 一种沿模糊路径的比例式像素提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910558377.1A CN110349100B (zh) 2019-06-26 2019-06-26 一种沿模糊路径的比例式像素提取方法

Publications (2)

Publication Number Publication Date
CN110349100A CN110349100A (zh) 2019-10-18
CN110349100B true CN110349100B (zh) 2022-08-12

Family

ID=68183109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910558377.1A Active CN110349100B (zh) 2019-06-26 2019-06-26 一种沿模糊路径的比例式像素提取方法

Country Status (1)

Country Link
CN (1) CN110349100B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976332B (zh) * 2016-05-03 2019-03-01 北京大学深圳研究生院 基于图像中亮条纹信息的图像去模糊方法
CN109272456A (zh) * 2018-07-25 2019-01-25 大连理工大学 基于视觉先验信息的模糊图像高精度还原方法

Also Published As

Publication number Publication date
CN110349100A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN109102462B (zh) 一种基于深度学习的视频超分辨率重建方法
Tian et al. Tdan: Temporally-deformable alignment network for video super-resolution
Zheng et al. Crossnet: An end-to-end reference-based super resolution network using cross-scale warping
Dudhane et al. Burst image restoration and enhancement
Kappeler et al. Video super-resolution with convolutional neural networks
CN111028150B (zh) 一种快速时空残差注意力视频超分辨率重建方法
WO2020015167A1 (zh) 一种基于融合网络的图像超分辨率及去非均匀模糊方法
Guo et al. Building an end-to-end spatial-temporal convolutional network for video super-resolution
CN110599400B (zh) 一种基于epi的光场图像超分辨的方法
CN111915484A (zh) 基于密集匹配与自适应融合的参考图引导超分辨率方法
Dudhane et al. Burstormer: Burst image restoration and enhancement transformer
Song et al. An adaptive l 1–l 2 hybrid error model to super-resolution
CN109767389B (zh) 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法
Tan et al. Crossnet++: Cross-scale large-parallax warping for reference-based super-resolution
CN110852947B (zh) 一种基于边缘锐化的红外图像超分辨方法
Mehta et al. Gated multi-resolution transfer network for burst restoration and enhancement
Shen et al. Spatial temporal video enhancement using alternating exposures
Tseng et al. Depth image super-resolution via multi-frame registration and deep learning
CN110349100B (zh) 一种沿模糊路径的比例式像素提取方法
Chen et al. Guided dual networks for single image super-resolution
Oh et al. Fpanet: Frequency-based video demoireing using frame-level post alignment
Li et al. Spatio-temporal fusion network for video super-resolution
CN112348745B (zh) 一种基于残差卷积网络的视频超分辨率重构方法
Noor et al. Multi-frame super resolution with deep residual learning on flow registered non-integer pixel images
Li et al. Single image deblurring using bi-attention network

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