申请/专利权人：重庆邮电大学

申请日：2020-12-03

公开（公告）日：2024-04-09

公开（公告）号：CN112488946B

主分类号：G06T5/73

分类号：G06T5/73;G06T5/70

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.03.30#实质审查的生效;2021.03.12#公开

摘要：本发明涉及图像处理技术领域，具体涉及一种针对驾驶室环境的单尺度运动模糊图像帧复原方法，包括：对恢复模型进行迭代训练，得到训练好的恢复模型；将运动模糊图像帧和最优模糊核输入到训练好的恢复模型中，恢复模型对运动模糊图像进行复原，输出复原后的图像。本发明方法可以比多尺度方法更好地恢复出模糊图像的整体结构，并且本发明方法能够明显缩减运行时间增加图像帧恢复的效率。

主权项：1.一种针对驾驶室环境的单尺度运动模糊图像帧复原方法，其特征在于，包括以下步骤：S1、获取运动模糊图像帧B1、B2，对运动模糊图像帧进行有效边缘的增强和提取，得到运动模糊图像帧B1的有效边缘；S2、根据模糊原理构建连续双帧模糊图像帧B1、B2的模糊模型，将二者联合求解连续双帧图像模糊核k1、k2；双帧模糊图像帧B1、B2的模糊模型包括： 其中，B1和B2为已知的连续双帧模糊图像，B1表示连续双帧模糊图像中的第一帧模糊图像，B2表示连续双帧模糊图像中的第二帧模糊图像，I表示二者共同的清晰图像，k1、k2分别表示连续双帧图像中两张模糊图片需要求解的模糊核，ε1、ε2分别表示I到B1和B2两个模糊过程中的不同噪声；S3、根据连续双帧图像模糊核k1、k2之间的线性关系计算噪声误差，通过最小化噪声误差和高斯先验约束计算得到粗糙初始模糊核k0；粗糙初始模糊核k0的计算方式如下：k1、k2之间的线性关系为：k1*k0＝k2根据k1、k2之间的线性关系计算噪声误差，噪声误差计算公式为：εest＝B1*k0-B2＝-ε1*k0+ε2通过最小化噪声误差和高斯先验约束模型得到粗糙初始模糊核k0，计算表达式如下： 其中表示L2正则范数约束项，也是图像去模糊方法中高效的高斯先验约束，式中η表示核稀疏性正则项的参数；S4、利用步骤S1得到的有效边缘和步骤S3估计的粗糙初始模糊核k0建立恢复模型，将模糊图像帧B1、粗糙初始模糊核k0、L2正则范数约束项输入恢复模型中，得到模糊图像帧B1的过渡图；S5、基于模糊图像帧B1的过渡图计算模糊图像帧B1的初始模糊核根据模糊核优化模型迭代计算模糊图像帧B1的模糊核，得到模糊图像帧B1的最优模糊核根据最优模糊核更新恢复模型，得到训练好的恢复模型；S51、得到模糊图像帧B1的过渡图B1′后，利用步骤S1的方法求出模糊图像帧B1的过渡图B1′的有效边缘根据过渡图B1′的有效边缘计算模糊图像帧B1的初始模糊核计算表达式： 其中，表示B1的梯度值，表示B1水平方向的Sobel算子，表示B1垂直方向的Sobel算子，||||0表示L0正则范数约束项，式中α表示核正则项的参数，式中β表示核正则项的参数；S52、根据模糊核优化模型迭代优化模糊核得到模糊图像帧B1的最优模糊核，根据最优模糊核更新恢复模型公式，得到训练好的恢复模型；模糊核优化模型表达式如下： 其中，表示本次迭代优化的模糊核结果，表示上一次迭代优化的模糊核结果，M·表示一个选取函数，Mk1j表示保留中大于固定阈值的数据，为迭代计算形成部分支持；μ表示控制收敛的参数；A和AT分别表示过渡图像I的矩阵形式和矩阵形式的转置；b1和b2分别表示输入图像B1和B2的向量形式；k0和表示自身的向量形式，αE表示数量矩阵E的正标量参数，E表示和A矩阵尺寸一致的数量矩阵；S6、将运动模糊图像帧B1、步骤S5得到的最优模糊核输入到训练好的恢复模型中，恢复模型对运动模糊图像进行复原，输出复原后的图像。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种针对驾驶室环境的单尺度运动模糊图像帧复原方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD