下载文档原格式
![一种基于边界感知对抗学习的大气湍流退化图像复原方法[发明专利]](https://uimg.taocdn.com/3627b5e4c0c708a1284ac850ad02de80d4d80624.webp)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010583739.5(22)申请日 2020.06.24(71)申请人 北京航空航天大学地址 100191 北京市海淀区学院路37号(72)发明人 崔林艳 姜鸿翔 (74)专利代理机构 北京科迪生专利代理有限责任公司 11251代理人 张乾桢 贾玉忠(51)Int.Cl.G06T 5/00(2006.01)G06T 7/00(2017.01)G06N 3/04(2006.01)(54)发明名称一种基于边界感知对抗学习的大气湍流退化图像复原方法(57)摘要本发明涉及一种基于边界感知对抗学习的大气湍流退化图像复原方法，包括以下步骤：(1)基于大气湍流中成像退化机理，构建大气湍流退化图像数据集。
(2))以DeblurGANv2作为基础网络模型，利用构建的大气湍流退化图像数据集对其进行模型微调，初步实现基于对抗学习的用于大气湍流退化图像复原的网络模型。
(3)针对DeblurGANv2无法有效处理大气湍流所引起的图像畸变问题，通过增加边界辅助监督模块，作为边界信息的监督指引，构建边界感知DeblurGANv2网络模型，进一步修复大气湍流所引起的图像边缘扭曲现象。
(4)在构建的大气湍流退化图像数据集上对构建的边界感知DeblurGANv2网络模型进行训练，获得训练后的模型。
(5)利用训练后的网络模型，复原单帧大气湍流退化图像，并对复原效果进行定量评估。
权利要求书3页 说明书7页 附图2页CN 111738953 A 2020.10.02C N 111738953A1.一种基于边界感知对抗学习的大气湍流退化图像复原方法，其特征在于，包括以下步骤：(1)基于大气湍流中成像退化机理，构建大气湍流退化图像数据集；(2)以DeblurGANv2作为基础网络模型，利用步骤(1)构建的大气湍流退化图像数据集对其进行模型微调，初步实现基于对抗学习的用于大气湍流退化图像复原的网络模型；(3)增加边界辅助监督模块，作为边界信息的监督指引，构建用于大气湍流退化图像复原的边界感知DeblurGANv2网络模型，进一步修复大气湍流所引起的图像边缘扭曲现象；(4)针对步骤(3)构建的用于大气湍流退化图像复原的边界感知DeblurGANv2网络模型，在步骤(1)获得的大气湍流退化图像数据集上对其进行模型训练，获得训练后的边界感知DeblurGANv2模型；(5)利用步骤(4)训练得到的边界感知DeblurGANv2模型，分别对仿真的和真实获取的单帧大气湍流退化图像进行复原，并对复原结果进行定量评估。
低光照增强算法【实用版】目录一、引言二、低光照增强算法的原理与应用1.算法原理2.应用领域三、低光照增强算法存在的问题及改进方向1.存在的问题2.改进方向四、未来发展趋势五、结论正文一、引言在计算机视觉领域，低光照增强算法一直是研究的热点问题。
在夜间或者光线不足的场景下，由于光照强度较低，摄像头采集的图像往往会出现亮度不足、细节丢失、颜色失真等问题。
低光照增强算法的目的就是提高图像的亮度、对比度和清晰度，使图像在低光照条件下也能呈现出良好的视觉效果。
二、低光照增强算法的原理与应用（1）算法原理低光照增强算法主要基于 Retinex 理论，该理论认为一幅图像可以分为反射分量和照射分量。
在低光照条件下，由于光照不足，反射分量和照射分量之间的比例失衡，导致图像质量下降。
增强算法的主要目的是通过调整反射分量和照射分量的比例关系，使图像在低光照条件下也能呈现出良好的视觉效果。
（2）应用领域低光照增强算法在许多领域都有广泛的应用，如安防监控、自动驾驶、医学影像等。
在这些领域中，图像的质量往往受到光照条件的影响，低光照增强算法可以有效地提高图像质量，从而为后续的图像处理和分析提供更为准确的依据。
三、低光照增强算法存在的问题及改进方向（1）存在的问题目前，低光照增强算法在实际应用中仍然存在一些问题，如过曝光或欠曝光、噪声增强、颜色失真等。
这些问题严重影响了图像的质量和视觉效果，限制了低光照增强算法的广泛应用。
（2）改进方向为了解决上述问题，研究者们提出了许多改进方向，如基于深度学习的低光照增强算法、融合多尺度 Retinex 算法、基于遗传算法的多域值分块低光照图像增强算法等。
这些方法在一定程度上都取得了较好的效果，但仍然有待进一步研究和改进。
四、未来发展趋势随着计算机视觉技术的不断发展，低光照增强算法在未来仍具有较大的研究价值和发展空间。
未来的发展趋势主要体现在以下几个方面：1.深度学习算法的进一步研究和应用，如卷积神经网络、生成对抗网络等。
图像质量评价的研究现状及其展望[摘要] 符合人眼视觉系统特性的图像质量评价方法,不仅可以更好地评价图像处理算法的优劣,而且能够指导图像处理的思路和方法。
近年来,图像质量评价的研究发展迅速。
本文重点阐述模拟人眼视觉系统的两类客观评价方法,并介绍以这两类方法为基本框架的各种改进方法。
然后针对图像融合、复原、压缩三个主要的处理领域的质量评价的特殊性进行分析。
总结认为该领域的发展方向是对视觉感知生理心理学及HVS模型进一步研究,建立计算更简便、评价更准确的通用评价方法,并发展无参考的质量评价方法。
[关键词]图像质量评价HVS CSF SSIM1 引言图像质量评价一直是图像处理领域研究的基础和重点。
图像质量评价方法包括:主观评价(MOS: Mean Opinion Score)方法和客观评价方法。
因为人眼是图像处理系统的终端,所以主观评价方法是最合理的图像质量评价方法。
但是该方法需要组织观察者对失真图像进行评分,难以用数学模型表达加以应用[1]。
所以MOS 方法一般用来验证客观评价方法的有效性。
目前应用最广泛的客观质量评价方法包括:均方差(Mean Squared Error,MSE)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)方法。
试验证明MSE/PSNR对于单纯的噪声图像质量评价比较准确,但是对失真降质图像的评价是不可靠的,所以需要研究符合人眼视觉的评价方法。
自从60年代大量的视觉感知生理心理学试验[2]得到了人类视觉系统(Human Visual System,HVS)模型,图像质量评价的研究得到迅速发展。
不但建立了各种模拟人眼视觉系统特性的数学模型,而且在此基础上提出了各种适用于特定图像处理领域的评价方法。
但是,至今没有形成一些公认的、通用的评价方法,以至于目前图像各研究领域仍然停留在利用MSE/PSNR评价算法优劣的阶段。
本文讨论模拟人眼视觉系统特性的图像质量评价方法,分析各种方法的思路及应用特点,总结其发展脉络及研究趋势。
利用图像细化算法检测地震反射同相轴杨微;陈可洋【期刊名称】《复杂油气藏》【年(卷),期】2011(004)002【摘要】将图像细化算法引入到地震资料数字处理中,用于有效检测地震剖面的同相轴。
先对地震剖面进行预处理：动平衡、归一化和二值化,接着进行地震图像细化处理,通过设置阈值大小和细化极性实现了地震同相轴的检测,并消除或削弱随机噪声对拾取算法的影响。
通过对图像数据和实际地震数据的计算结果表明,细化算法可以将较厚条带状同相轴细化并居中化,实现同相轴的自动提取,从而可以有效指导地震资料的数字处理与解释工作。
%The image processing operation is introduced into seismic data numerical processing to effectively check the cophasal axes of seismic sections.The seismic section is preprocessed firstly：dynamic balancing,normalization,and binarization,and then image thin【总页数】4页(P31-34)【作者】杨微;陈可洋【作者单位】中国石油大庆油田有限责任公司第六采油厂,黑龙江大庆163114;中国石油大庆油田有限责任公司勘探开发研究院,黑龙江大庆163712【正文语种】中文【中图分类】P631.4【相关文献】1.利用"同相轴下拉"地震反射特征预测苏里格气田气层 [J], 杜新江;任春玲2.利用边缘检测法检测地震反射同相轴 [J], 高美娟;田景文;高兴友;余杰3.Zhang快速并行细化算法检测地震反射同相轴 [J], 程金浪4.基于图像边缘检测方法提取地震剖面同相轴 [J], 熊会军;管业鹏;于蕴杰;严军5.图像边缘检测方法在地震剖面同相轴自动检测中的应用研究 [J], 李红星;刘财;陶春辉因版权原因，仅展示原文概要，查看原文内容请购买。
原文地址：地震分辨率及薄层反射率反演（译文）Seismic Resolution and Thin-Bed Reflectivity Inversion Satinder Chopra, John Castagna, Oleg Portniaguine 著曹鉴华译引言自从上世纪30 年代地震方法引入石油勘探后，石油地球物理学家一直在要求拓宽地震资料的频带宽度以便获得较高的分辨率。
事实上，地震分辨率是从地震资料中获取更多地层信息的关键，而且在过去的十年左右变得越来越重要。
地震分辨率包括两部分：纵向分辨率和横向分辨率。
纵向分辨率指的是分辨两个相近反射界面对应地层厚度的能力，而横向或者空间分辨率则是区分和识别两个相邻反射轴对应地质体边界的能力。
在利用地震资料解释局部细微特征时两种分辨率都显得很重要。
考虑到在地震资料处理过程中可以采用偏移手段来减小菲涅尔带半径从而提高横向分辨能力，所以这里我们重点探讨一下纵向分辨率。
纵向分辨率通常情况下，如果地震子波主频在30HZ左右，25米厚的储层在地震剖面上是不会有对应的顶底反射界面的。
采用这种地震资料对于构造类目标识别可能不会有太大影响，但地质目标大部分都在10 米以下或者更薄。
为了分析这类目标体，由此提出了很多提高地震资料频率的方法。
传统的经验大多来源于30 年前Widess（1973 ）年提出来的观点。
Widness 认为入/8为分辨率的极限，其中入为波长。
如果存在噪音或者是随着子波在地下传播范围增大，这个结论变为入/4直到现在地球物理学家还引为真理。
由此可见，波长是分辨率的决定性因素，而波长又与速度和频率有关。
对于速度我们是无法改变，它还是随深度增加而增大，那在Widess 模型中关键因素就是频率了。
因此，为了从地震数据中获取更丰富的反射信息，我们做了很多工作，首先从地震数据采集阶段开始，如对现场参数、地震震源和信号记录质量等进行优化，然后在处理阶段尝试拓宽频谱宽度。
基于边缘和梯度分布先验模型的运动消模糊寇杰;韩维强;傅景能【摘要】基于模糊核估计的运动模糊图像盲复原一直是图像处理中较难的问题,尤其是模糊核的精确估计和复原效果控制.本文采用模糊图像中的强边缘信息作为模糊核估计的依据,首先应用双边滤波和冲击滤波保持增强模糊图中的边缘信息,再利用梯度算子提取有效清晰的显著边缘并加以控制,最后对利用正则约束的方法求解到的模糊核进行修正和优化.在图像复原阶段,针对模糊核估计的偏差和复原过程产生的降质,提出一种基于引导滤波和自然梯度先验分布的图像约束复原算法.通过复原仿真及对比实验证明,该算法能复原出高质量的清晰图像,并能有效抑制振铃效应和图像噪声.%Fuzzy image restoration based on blur kernel estimation has been a difficult problem in the field of image processing, especially the accurate estimation of the blur kernel. This paper propose to consider the strong fuzzy image edge information as the basis for estimation of a blur kernel. Firstly, to hold and enhance the edge information in a blurring image, the proposed method utilizes the Bilateral filter and Shock filter. And the effective clear significant edge which should be control to become more effective, can be extracted by using gradient operator easily. Then to constraint and optimize the blur kernel which is obtained by solving the constraint regularization objective function is the most important prerequisite for recovery process. For the bad effect from the not very accurate blur kernel and processing of restoration,this paper propose a constrained restoration algorithm that use natural gradient prior distribution model and guide filter to relieve bad effect. Experimentalresults show that the algorithm can obtain a sharp image with high quality, and can effectively suppress the ringing effect and image noise.【期刊名称】《电子设计工程》【年(卷),期】2017(025)006【总页数】6页(P66-70,74)【关键词】图像复原;模糊核;边缘信息;梯度先验;引导滤波【作者】寇杰;韩维强;傅景能【作者单位】中国科学院大学北京 100049;中国科学院光电技术研究所四川成都610209;中国科学院光电技术研究所四川成都 610209;中国科学院光电技术研究所四川成都 610209【正文语种】中文【中图分类】TN911.7图像采集设备在采集图像过程中，与目标发生相对位移，使得图像会产生一定程度的模糊，其过程表现为图像退化。
基于大气散射模型的实时视频去雾方法研究摘要：近年来，我国空气质量大幅下降，导致雾霾天气日渐频繁。
在雾霾天气情况下，大气中存在着很多混浊介质（如，颗粒、水滴等），户外场景的视频图像出现了退化和降质，表现为清晰度和对比度低、色彩失真、细节特征模糊不清等特点。
视频图像的降质退化使得户外视觉系统不能正常发挥效用，降低了工作效率及其可靠性。
例如，在雾霾天气情况下，能见度降低，航拍视频中目标不可见，且色彩及对比度等特征严重衰减，无法满足航拍工作系统的灾害监测预警等后续要求。
因而，在计算机视觉这一领域内，有雾视频的清晰化是一个重要的问题。
本文对雾天视频图像的退化和降质进行了详细的分析，阐述了雾天视频图像降质的原因，研究了国内外研究人员在视频图像去雾方面的成果，分析了各研究人员去雾方法的理论基础和核心技术，在此基础上，详细研究了基于大气散射模型的暗通道先验去雾方法，并且进行改进和完善，作出创新。
本文建立基于大气散射原理的视频图像去雾模型，以暗通道先验去雾方法为基础，用导向滤波进行改进，采用VS2013和Opencv编写去雾算法程序，实现单幅图像去雾，然后进行CUDA加速，使对常用的1920×1080大小的视频图像进行去雾处理的运算速率达到每秒15帧以上，实现实时视频去雾。
最后，将本文的去雾算法与其他算法进行比较，对比不同去雾方法得到的恢复图的效果，以及不同方法的利弊，完善细节，将该算法应用于实际待去雾的视频中。
关键词：图像降质；图像去雾；暗通道先验；大气散射模型第1章绪论1.1 课题研究背景和意义一般情况下，获得清晰的视频图像是户外视觉系统正常工作和发挥效用的前提，因此，它对于天气情况非常敏感。
然而，近年来，我国空气质量大幅下降，多地频繁出现雾霾天气。
雾天条件下，户外场景的视频图像受到严重影响，这是由于大气中存在着许多混浊介质，包括颗粒、水滴等，这些介质会吸收和散射部分可见光，使成像设备接收到的光的强度产生衰减，这导致获取的视频图像产生退化和降质。
基于超分辨率重建的红外图像处理研究一、研究背景与意义红外图像具有光学成像无法替代的优势，但由于其相应器件等硬件限制，成像质量相对受限。
如何利用算法优化红外图像的信息提取效率，使得红外图像能够更好地为工业监控、医学诊断等领域提供服务，成为当前的研究热点。
超分辨率重建技术是利用多帧低分辨率图像姓名官队高分辨率图像的一种算法。
其技术特点在于能够通过低分辨率图像获得更有细节明显、轮廓更加鲜明的高分辨率图像，从而实现对图像的全面分析和应用。
二、红外图像处理研究的现状1. 红外图像成像质量方面的限制红外图像成像质量的限制主要来自于两方面：其一是红外探测器器的分辨率受限，其二是复杂环境下红外图像环境噪声严重。
2. 红外图像降噪算法为了消除红外图像的环境噪声，减少影响图像质量的因素，科研工作者提出了许多基于信号处理、图像滤波等方面的降噪算法。
然而这些算法的优劣性并未被充分测试，且在使用效果上具有更多的局限性。
3. 超分辨率重建算法的应用超分辨率重建算法能够更好地衍生出画面明细更加清晰的高分辨率图像，因此也受到了科研工作者的重视。
然而超分辨率重建算法在红外图像处理方面应用尚处在起步阶段，存在较多的技术难点和待解决的问题。
三、基于超分辨率重建的红外图像处理的研究内容1. 红外图像的超分辨率重建算法分析红外图像超分辨率重建算法基于多图像滤波算法（MBF）和重叠数据块算法（ODA）相结合。
其中，MBF算法主要通过图像滤波的方式提取图像细节信息，ODA算法则是通过工程技术和计算机软硬件方面的完善平台，提高处理效率和生成质量。
2. 基于人工神经网络的红外图像超分辨率重建人工神经网络（ANN）在红外图像处理方面也有着广泛的应用。
科学家通过ANN网络对多帧低分辨率图像进行分析与学习，并输出高分辨率图像。
尤其是在图像处理的细节和清晰度提升方面，ANN算法具有较高的优势。
3. 红外图像超分辨率重建实验研究实验结果表明，基于超分辨率重建的红外图像处理技术能够有效提高红外图像处理的信息提取效率，使得图像的图文一致度更高，对于红外监控、医学诊断等领域均有着重要的应用价值。
基于学习的光学区域图像超分辨率重建算法的改进高晗; 李炘蔚; 蒋爱平【期刊名称】《《黑龙江大学自然科学学报》》【年(卷),期】2019(036)005【总页数】7页(P611-617)【关键词】超分辨率重建; 图像分解; 马尔科夫随机场【作者】高晗; 李炘蔚; 蒋爱平【作者单位】黑龙江大学电子工程学院哈尔滨150080【正文语种】中文【中图分类】Q939.970 引言人类常通过图像得到一些信息来了解外界，为了获取更加充分的图像信息，图像分辨率就显得尤为重要。
在信息技术迅猛发展的当下，人们对图像分辨率要求也在提高，但是受到成像系统、图形采集等多个环节因素的影响，许多图像分辨率始终无法满足人们的要求，因此，人们不断探究进一步提高图像分辨率的各类方法。
图像的超分辨率重建就是有效方法之一，具备非常好的实用性，在图像处理的许多领域得到了广泛的应用。
图像超分辨率重建就是把低分辨率图像恢复成高分辨率图像的重建技术，Tsai［1］等提出图像超分辨的概念。
现在常见的主要有两类重建方法，一类是基于重构的图像超分辨率重建［2－4］，另外一种是基于学习的图像超分辨率重建［6－7］。
近年来，提出的基于学习的重建方法，大大改善了重建的图像效果，主要包括Freeman 在低阶视觉问题的基础上提出的基于例子的重建方法［8］，Yang 等提出的用图像块稀疏表示进行的重建方法［9］。
本文在Freeman 算法重建基础上进行了改进，依靠低分辨率图像与其对应的高分辨率图像之间的关系来估计低分辨率图像所丢失的高频细节，随机选取训练的图像块，在训练阶段把获得的分块图像当作训练数据库，将低分辨率图像块与高分辨率图像块用马尔科夫网络模拟，在重建阶段采用插值方法放大图像结构部分和颜色信息，将最终的重建图像和插值放大的图像合并，得到更高空间分辨率的超分辨图像。
图1 MRF 网络模型Fig．1 MRF network model1 马尔科夫随机场基于MRF(Markov random field)的图像超分辨率重建方法的基本原理是把图像进行分块，MRF 网络建模的方式主要是将高分辨率和低分辨率图像块之间、以及高分辨率图像块和它的邻近块之间的相互联系体现出来，网络模型如图1 所示［10］。
