登录
首页 » Others » 匀速直线运动模糊图像复原的改进算法

匀速直线运动模糊图像复原的改进算法

于 2020-11-27 发布
0 336
下载积分: 1 下载次数: 1

代码说明:

一篇很好的关于模糊图像复原的论文,含详细需要的函数,讲解清楚易懂。闫永存,等匀速直线运动模糊图像复原的改进算法级的概率密度函数P(s)如下式所示:P(s)=P(rdr(6)8对于连续图像,当直方图均衡化(并归一化)后有P(s)即ds=p (r)dr =dT(r)3两边取积分得x=7(=P)h(8)式(8)就是所求的变换函数对于离散图像,假定数字图像中的总像索为N,灰度级总图3最优窗法区域分布图数为L,第k个灰度级的值为r,图像中具有灰度级r的像素Fig 3 Areal distribution of optimal window method数目为n,则该图像中灰度级n的像素出现的概率为取值范围为V-P+1,V1-11;在水平方向上,区域1、2、3的横P(r)="O≤r≤1;h=0,1,…(9)坐标取值范围1O,P1-2],区域4.8、9的横坐标取值范围为P3-1,V1-P3m,区域5、67的横坐标取值范围为[V1-Psn+对其进行均匀化处理的变换函数为:VL-11在图3中,每一个区域都有各白独立的边界,即各个S=7(r)=∑P(n)=2N子窗区域的尺寸不一定相同(10)最优窗计算公式为利用式(10)对图像做灰度变换,即可得到直方图均衡化后的图像。∑∑h(p,g)∑∑h(p.q)∑∑(p,q)D=O 0该方法可以将滤除高频噪声,提高有用信号的嗝度,增加∑h(p∑∑h(P)(12)对比度,同时缩小叠加噪声信号的动态范围,抑制振铃效应有效的结合起来,高文硕等证明了这一点。但不能完全去除振220)2A)铃效应,因此文中在滤波前用最优窗法对图像进行处理最优窗对模樹图像的边界进行加杈处理,以致像素值向3.4最优窗法外逐步过渡到零,其目的是待处理图像的边界结合处不会出在恢复图像过程中,由于图像边缘的像素没有足够的相现灰度的跳变,振铃效应因此得到抑制。邻像素可以利川,所以会导致恢复图像的边缘变差,并且整幅图像有明暗相间的条纹,即振铃效应。为了解决这个问题,早4实验结果及分析期学者常采用边界修正法,但效果不够令人满意。 Aghasi在1996年提出循环边界法,其缺点是图像尺寸变为原来的4文中通过实验验证了改进算法的可行性和有效性,以sadhna模糊图像的复原为例,图4(a)是原始图像,对其进行倍,运算量增加很多。基于循坼边界法的缺点, Bimetal提出了对二维模糊图像四进行恢复的最优窗。其具体实胞过程为:模糊加噪运算,模糊角度为53°,模糊长度为45,高斯噪声为0.0l图4(b)是降质后的模糊图像,采用本文算法估计岀的模恢复窗a,k将图像平面分成9个区域,每个区域编号如图3糊方向为51°,模糊长度为46,图4(c)是普通维纳滤波复原所示。标号为9的中央区域o:=1。图像,图4(d)是人工调整参数为真实值的复原结果。利用本区域1,8、7的纵坐标取值范围为[0,P-2],区城2,6、9文的改进算法得到的复原结果如图4()所示。实验结果如图的纵坐标取值范围为P-1,V4-P,区域3、4.5的纵坐标4所示。(a)原始图像(b)模糠图象(c)普通维纳波复原图象d)取冥际参数值的复原图像(e)太文算法的复原图(a)original image(t)blurred image (c)restored image of ordinary (d)res tored image fcr the (e)restored image ofiner filteringactua l )arameter valles algorithm in this pa per图4运动模糊图像及复原结杲Fig. 4 Motion blurred images and results of restoration147C1994-2012ChinaAcademicJournalElcctronicPublishingHousc.Allrightsrescrvcd.http://www.cnki.net电子设计工程》2012年第3期出实验结果可知,方向徵分法可以很人程度地提高模糊2005,10(5):590-595角度的估计准确性,利用自相关函效负尖峰值可以较准确地「31贺卫国,黎绍发,匀速直线运动模糊长度的精硝估计[鉴别出模糊长度,从而可以提高图像还原质量。最优窗法对振计算机应用,2005,25(6):1316-1320铃效应可以有较好的抑制作用,最后得到了复原效果较为理HIE Wei-guo, LI Shao-fa. Estimating the blurring length of想的图像。uniform linearmotion blurred images[J]. Computer Applications5结束语2005,25(6:1316-1320[4]吴振字.模糊图像复原方法研究[D]长沙:国防科学技术文中对运动模糊图像的退化模型、维纳滤波复原原理、点大学,2009扩散函数的求取过程选行了详细削述,提出了一种改进的模[5]高文硕.郊伟伟,杨磊运动模糊图像复原技术的改进算法糊图像复原算法,并对振铃效应进行处理,以 sadhna图像的中国传媒大学学报自然科学版,2010,7(1):72-76复原为例进行了实验验证结果表明,文中方法可以较准确地GAO Wen-shuo, ZHENG Wei-wei, YANG Lei. Improved估计出运动模糊参数,并且提高了运算速度,振铃效应得到有algorithm for restoration of the imagemotion blur IJ]. Journal效抑制。of Communication L niversity of China Science and Technology参考文献2010,17(1):72-76[1] Cannon M. Blind deconvolution of spatially invariant image [ 6] Aghdasi F, Ward R K. Reduction of boundary artifacts inblurs with phase [ J]. IEEE Trans on Acoustics, Speech andimage restoration[J]. IEEE Trans. Image. Proc. 1996. 5(4)signal Processing, 1976(24): 58-63611-6182]陈前荣,陆启生,成礼智,基于方向微分的迈动模糊方向鬥叶海.基于统计特征加权的模糊聚类方法及其应用鉴别!中国图象图形学报,2005,10(5):590-595现代电子技术,2009(1299-102chen Qiall-rong, LU Qi-sheng, CHENG Li-zhi. IdentificalionYE Hai-jun. Fuzzy clustering method and its applicationof motion blur direction from motion blurred image bybased on statistical characteristics weighting [J]. Moderndirection derivation method [J Journal of Image and GraphicsElectronics Technique, 2009(12): 99-102具ⅢP2优化和DC偏移消除的宽带丨/Q解调器可改善接收器性能加利福尼亚州米尔皮塔斯( MILPITAS,CA)推出超宽带宽直接转換lQ解调器LIC∶5S35,该件具卓越的线性性能(在1.95GIlκ时,ⅢP3-25.7dBm,IP2-60dBm)。LTC585能提供超过530MILz的基带输岀解调带宽,可满足新-代霓带LTE多模式接收器和毅宇预失真(DPD)接收器的带宽需。Q解调器在700WHx至3GHz的宽频率范围内二作,几乎覆盖了所有蜂窝基站频毁。这款器伫的独狩之处是两个内置的校准功能。其一是允许系统设计人员优化接收器IP2性能的高级也路以60dBm标称值提升至前所未有的80dBm或更高。另一个则是用于消除I和Q输出端上的DC偏移电压的片内电路。这两个功能电路均起到了増强接收嚣性能的作用。此外,LTC5585还可提供超卓的16 dBm pldB。为了进一步加强该器件在直接转换接收器应用中的使用,LTC5585捉供非常低的IQ幅度和相位失配ε幅度失配的典型值是0.05dB,而相位误差的典型值是0.7度,两个数值都是在1.95GHz频率上测得的。这两者的结合产生了一个43dB的接收器镜頰抑制能力。因为LTC5585能湜供非常宽的带宽,所以尢其适用于多模式LTE、 W-CDMA和TD- SCDMA基站DPD接收器以及于主收器的应門。尤其是对;DPD,这些最新一代基站正在将解调带宽推进到超过300MHz。LTC5585可以非常方便地配置应对这些带宽的挑战。除了无线基础设施应用,LrC5585还适用于军用接收器、宽蒂通信、点对点微波数据链路、镜频抑制接收器和长距离RFID阅读器。LTC5585内置了一个RF变压器以减少外部组件,再加上24引线4mm×4 mm QFN封装,因而可提供高度紧凑的解决方案。该器件规格在_40-105℃C的外壳工作温度范围。LTC585用单—5Ⅴ电源供电,吸取200mA的总电源电流。该器件提供数竽输λ以启用或停用该芯片。当俘用时,该IC吸取的典型溻电流为11μA。解调器的200ms快谜接通时间和800rs断开时间使该器件能在突发模弌接收器中使用。咨询编号:2012031009心·心;心·心,心·心普心心心·心·心心·心分·心心···心·心心心心·心·心心·心欢迎订阅2012年度《电子设计工程》(半月刊)国内邮发代号:52-142国际发行代号:M2996订价:15.00元/期360.00元/年148C1994-2012ChinaAcademicJournalElcctronicPublishingHousc.Allrightsrescrvcd.http://www.cnki.net

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • JAVA课设计——网络版五子棋
    java swing组件实现五子棋程序,可以单机可以联网,包括服务器端和客户端,可多人在线,可以开设房间与玩家玩。
    2020-12-10下载
    积分:1
  • 视频中背景建模目标检测综述(北京大学)
    基于视频的移动目标检测是一个重要且有挑战性的任务,在许多应用中都起到相当关键的作用。本次论文研读围绕该主题展开,深入阅读了十余篇论文,在本文总结了视频中移动目标检测的一些主要方法及各自的优劣。报告接下来的部分组织如下:第二节介绍一般问题的陈述及典型的应用,第三节与第四节分别介绍基于像素的移动目标检测方法与基于区域的移动目标检测方法,第五节进行简单的讨论与总结。2问题陈述及应用一般而言移动目标检测并不单独地构成应用,而是作为一个组件出现在许多实际的应用之中。故移动目标检测的具体要求随着应用的改变而有很大的不同。例如对足球场上球员及足球的检测与跟踪就和对视频中用户手势的跟踪有所不同,前者的关键在于如何应对复杂的光照变化有效提取运动物体,后者的难点则在于如何从整个躯休大范围的运动背景中将手势的运动识别并提取出来。尽管不同的应用可能提出不同的技术上的要求,但是相当一部分这类问题还是可以在同一的框架下进行探讨和比较的。以下就是本文讨论范围内一般问题的陈述( Figure1):a.高层次的模型一般具有检测、跟踪、识别三个模块,其中识别模块并不必须b.检测模块可细分为移动日标区域检测与移动目标分组,其中前者是这个模块能够顺利工作的保证,其日的是将各帧内移动日标所在的区域标出该模型的输入为连续的视频,输出为跟踪的物体(即轨迹)或分类的物体,DetectioTrackingbackgroundObject detectionMatching usingFramescolor texture andTrackedsubtractionusing contoursmotion featuresobiectsGr。 up handling(merging andlittonFigure1系统框架图中即为一个典型的流程图,其中省略了分类模块并把运动目标区域检测规定为背景差分方法。该模型的典型应用场景是室内外的视频监视分析( Figure2),特别是交通数据的分析。另外体育运动视频(如足球或台球)的分析也能在该模型下解决。Figure2移动目标检测的典型应用:视频监控本文讨论的就是这样一个系统之中移动目标检测部分内容,并且将重点放在了如何判定移动目标区域的部分。这是这样的系统中的最初的处理,对于之后的处理能否获得有效的信息至关重要。该内容主要涉及两个问题:如何提取运动的前景,及如何建立一个良好的背景模型。后者一般并不是应用任务中所要求完成的,但往往是用以提取运动前景很好辅助工具,将新的一帧“减去”背景即可获得移动前景,故同时具有这两个步骤的方法也被称为“背景差分”,是移动目标检测中的一大类主流方法,本报告中涉及的大部分方法即属于这一类3基于像素的移动目标检测31均值-阈限方法均值-阈限( Figure3)的基本思路是计算每个像素的平均值和标准差作为它的背景模型Mean 2*Avg DiffMean”Mean-2*Avg DiffFigure3均值-國限方法4图中为某视频中单个像素在一定时间内不断更新得到的平均值和平均差值3,该像素处在天空的位置,在一段时问后有人的手挥过该区域,可以看到由于前景目标明显不如背景中的天空明亮,所以可以很容易将其分辨出来实际上均值-阈限方法就是赋予视频中每个像素一个统计上的背景模型,例如高斯分布模型4。每个点需要两个参数来衡量:均值与方差。后面将看到,许多更先进的棊于像素的移动目标检测方法其实无非采用了更复杂的分布模型来描述每个像素32阴影去除及三高斯模型简单的帧差值或均值-阈限方法在很多应川中都面临一个很严重的问题:阴影。在某些光照条件下,移动物体产生的阴影相对背景具有非常显著的差别从而被识别成了前景,有时这些阴影比物体本身还人,并且导致原本独立的运动物体连接在一起无法分割。一种简单的思路是放弃使用灰度值进行背景建模,而采用颜色信息从而将阴影的移动去除掉。这类方法需要一条假设:移动目标投射到路面上的阴影主要改变了该位置的亮度而对色度没有大的影响°。部分情况下确实可以承认该假设。在不同的颜色模型下有不同提取亮度信息的方式。在HSV等空间中这个任务尤为简单,因为亮度本身就是一个独立的分量,所以在该分量以外的维度上进行背景建模与差分就能消除一定的阴影。如果在常用的RGB颜色空间中,亮度的提取就稍微复杂倒。Figure4RGB空间中的亮度与色度3类似标准差的作用,但是计算更快捷。C.R. Wren, A Azarbayejani, T. Darrell, and A P Pentland "pfinder Real-Time Tracking of the human body lEEETrans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, July 1997J.M. Alvarez, A Lopez, and r Baldrich, " Illuminant-Invariant Model-Based Road Segmentation",IEEE IntelligentVehicles Symposium, June 20085将一个像素的颜色值在RGB三维空间中表示( Figure4),背景建模就是确定了穿过原点的一条色度直线,所有在该直线上的颜色都认为是背景色。当前颜色相对参考颜色(背景)的亮度分量a1由最小化下式给出:φ(a;)=(l1-c1E)2a2表示该像素当前值相对参考背景色的相对亮度。如果其值为1则代表亮度相同,大于1代表比背景更亮,小于1代表比背景更培当前颜色到色度直线的垂直距离就表小色度的偏离:CD1=‖l2-aE1‖(3)利用色度与亮度的偏离值就可以将新的颜色值分为四个类别Forground: CDi> IcD or ai> Alow, elseM()Back ground:aτa2else(4)ShadowelseHighlightotherwise其中CD2与a分别代表均一化之后的两个偏离分量。这些方强烈依赖于上面提到的假设:阴影仅仅改变背景亮度而不改变色度。但是这个假设实际上并不总是有效,很多时候还需要更复杂的方法达到去除阴影,鉴别真正移动目标的目的。三高斯模型4就是针对去除阴影的考虑提出的。这个模型中采用三个高斯分布相结合( Figure5)对各像素进行建模。三个高斯成分分别为:道路、运动前景及阴影。这三个成分组合成为了完整的混合模型(b)和印甲品f叫intersity valeFigure5三个高斯分布相结合6此方法之后面临的主要问题是如何通过一定时间的学习获得每个高斯分布的参数从而建立有效的模型。相关文献中提出采用EM算法( ExpectationMaximization Algorithm)进行学习。EM算法是一个迭代的算法,通过有限步的迭代就能够获得较好的模型估计。一般而言,为了从一个数据集中获得该数据集满足的混合分布,可以采用最大后验概率估计的方法进行估计,但是这样的方法需要关于每个数据分类的信息(即每个值属于哪个类别)。然而在移动目标检测过程中往往都是无监督的学习从而不可能获得这样的分类信息,而只能自动设定个预先的分类,然后通过迭代不断改进,这就是EM算法的基本思路另外,由于各点的数据是不断改变的,于是采川原始的EM算法对每一帧都进行重复的迭代既不必要也不现实,可以采用EM算法的一个变种:增量EM算法33高斯混合模型(GMM331背景建虞在某些场景之下,采用三个高斯分布的混合模型仍然无法有效地描述复杂的现实环境,于是髙斯混合模型四被提出了。高髙斯混合模型采用类似3.2中三个髙斯模型的思路,希望采用多个高斯分布相结合的方法来描述环境。与前面的模型不同的是,现在高斯分布的个数不是固定的一个或三个了,而是随着各个像素实际的需要动态地进行设定。另外该方法也放弃采用费时的EM算法而采用更快捷的方式进行背景建模与更新。假设已知像素(xo,y)在过去一段时间中的颜色值或灰度值{X1,…,X}={(xo,yo,):1≤i≤t(5)若由K个高斯分布的高斯混合模型对该像素进行建模,则新观察到一个颜色值或灰度值的概率为P(x1)=)o*n(x,,E(6)在RGB等彩色空间中为了简化计算可以采用如下公式k,t7)A Dempster, N. Laird, and D. Rubin, "Maximum Likelihood from Incomplete Data via the EM algorithm", Journalof the Royal Statistical Society, pp. 1-38, 1977这个公式假设了各个颜色分量是相互独立的。尽管事实并不如此,但这样计算在保留充分的精确性的同时大大降低了计算复杂性。这样每个像素就采用κ个峰的髙斯混合模型完成了建模。剩余的问题同样是如何对模型中的各个参数进行估计,以及如何判别前景。3.3.2背景更新背景更新大致有这几个步骤:a.每一个新的值都与所有K个高斯分布进行匹配,直到找到充分吻合的分布(判断方式与均值-阈限方法类似)b.若新的值与所有K个分布都不接近,则将K个分布中权值最小的一个替换成一个新的分布,该分布以新的值为均值,并且具有很高的初始方差和很低的初始权重;C.若新的值与某个分布充分接近,则认为其属于该分布并更新各个分布的权值及参数Ort=(1-aOKt-1+aM(8)=(1-p)ut-1+p·X(9)=(1-p)21+p(X-1)(x-2)(10)here(kok(11)其中(8)式中Mkt对于匹配上的分布唯1,对于其他分布为0α表示适应性的强弱,α越大,给予新的值的权重越大,也就适应得越快;(9)式(10)式仅针对匹配上的分布,而其他分布的参数保持不表3.3.3前景检测运动前景的检测主要有以下几个步骤a.对所有的高斯分布按照ω/σ进行从大到小的排序;b.取前B个高斯分布,满足B= argminkT(12)k=其中T表示背景应该占的比重,如果T取得较小则类似于前面介绍的均值阈限模型,T取得较大则允许背景有更丰富的特性,如随风摆动的树叶或水面的波纹等等。C.如果当前出现的新的值并不符合这B个高斯分布,则认为是运动的前景,否则认为是背景。34非参数模型341背景建模为了能够更快速地适应变化的背景,并且保证对移动物体的敏感性,马里兰大学A. Elgammal等人提岀采用非参数的模型四对各个像素进行建模。该方法并不指定确切模型形式,而釆用核旳数来利用历史薮据建立模型。在釆用高斯核的情况下,一个颜色出现的概率’∑K(x-x∑∏1(13)2这样实际上就是对考虑范围内所有的历史值都建立一个高斯分布,并利用所有这些分布对当前值进行分析。由于高斯分布的假设,故(x1+1-x1)~N(0272),于是可以估计方差(14)0.68V2其中m是|x+1-xl的中位数。号外由于在这种方法下需要大量计算核函数的值,故可以预先计算出一定精度的核函数数据表,通过查表的方法大大加快计算的速度。实验表明这样的方法在一般的PC机上是可以达到实时的计算要求的。34.2减少错误检测为了降低由于局部抖动(如树叶抖动、摄像机抖动)带来的错误检测,该方法利用了一定的区域信息。原先的P(x1)现在改用Pm(x代替PN(t= maxyEN(x)Prix Byy(15)此处N(x)指该像索周围的一个小区域,B指像素y对应的背景模型。这样就充分降低了由于小范围抖动导致的错误检测。7该式成立仍然需要假设各个颜色分量相互独京。9该方法需要维护两个背景模型:长期模型及短期模型。其中短期的模型是为了能够快速适应变化的背景而提出的,仅利用相当短的一段历史值建立模型,另外该模型采用选择更新机制(仅对判定属于背景的值进行更新);长期的模型在相当长的时间内通过盲更新机制(对所有值进行更新)获得。两个模型判定结果的交集能够进一步降低错误的检测,但同时也去除了部分实际上是移动目标的部分。最终采用的策略为:所有由短期模型检测出来,并且与两个模型判定结果交集相邻的像素被视作运动的前景3.4.3去除阴景这个方法同样提到了去除阴影的问题( Figure6)采用RGB颜色模型的一个变种表示颜色:RBR+G+B·9=R+G+Bb=R+G+B′(16)s=RtG+B(17)令A为某个像素在一定时间内的取值,而定义B如下B={x1|x∈A≤≤阝(18)其含义就是该像素过去的背景取值中与当前值亮度接近的值的集合利用B中的值在(r,g)二维空间上进行上述的背景建模及前景检测,就能很有效地消除检测的阴影。Figure6非参数模型下的阴影去除4基于区域的移动目标检测从上面的介绍的方法来看,建立的背景模型越来越复杂:高斯分布的个数从一个到三个,再到K个,再到每个历史值各一个。这样的背景模型已经具有了高度的复杂性,但是在有些应用环境下效果仍然并不理想。反思一下这些方法的特点,仅仅利用各个像素的独立信息而没有考虑像素之间的关联性是键的原因。其实在3.42中采用方法实际上已经开始尝试以局部区域作为考虑问题的范围,
    2020-12-03下载
    积分:1
  • LU分解法的matlab实现
    LU分解是解线性方程一种经典解,而matlab是建立在C的基础之上,这个matlab程序,对于C程序员也是有参考价值的,它给出了最基本的实现过程,用c实现的话,只需要编写的一些在matlab直接调用的函数,这些函数是比容易实现的。这个程序仅是展示了LU分解法最基本的步聚,所以没有采用动态算法。
    2020-11-30下载
    积分:1
  • 来自HMW8卫星的Random-Forest_Rainfall-Estimation:使用随机森林机器学习方法从himawari...
    【实例简介】HMW8卫星的随机森林降雨估算 使用随机森林,从himawari-8卫星多波段数据估算雨量 模型随机森林机器学习 数据未上传是因为数据过大且保密,因为它具有处理数据的低谷。 如果您有兴趣并想查看数据,可以给我发邮件: 使用的数据IR波段Himawari 8空间分辨率:2kmx2km时间分辨率:所有波段的10分钟组合。 9段+ 36分割窗口。 在一年八月2018-七月2019 在ftp://hmwr829gr.cr.chiba-u.ac.jp/gridded/FD/V20151105/免费下载 GPM DPR KuPR空间分辨率:5.2公里x 5.2公里,可从免费下载 假设在相似的大气条件下克服万隆盆地的数据局限性,通过将数据收集扩展到Java岛的一个岛屿来进行数据采样。 该算法使用具有多个阶段的随机森林模型,即 对降雨区域进行分类对降雨回归的类型进行分类以获得降雨值。 万隆盆地有3个
    2021-11-16 00:32:44下载
    积分:1
  • 粒子群算法解决VRP代码(matlab)
    自己做的粒子群算法解决VRP毕业论文用matlab编写的
    2020-11-30下载
    积分:1
  • 系统类辅助工具
    系统类辅助工具
    2014-03-12下载
    积分:1
  • 逆透视变换matlab 代码
    逆透视变换详解 及 代码实现(二) 中的相关代码!!http://blog.csdn.net/yeyang911/article/details/51915348轻松掌握逆透视变换!
    2020-11-28下载
    积分:1
  • 杰里 692X最新SDK
    JL杰里最新AC692X SDK。有需要的同学可以下载。内含官方参考。
    2020-12-11下载
    积分:1
  • Python实现循环神经网络RNN
    基于Python的循环神经网络(RNN)实现
    2020-11-28下载
    积分:1
  • 基于时间轴的视频文件检索
    基于时间轴的视频文件检索,本来已经有个程序了,可以进行反编译查看源代码,有些人不会反编译,所以把源代码也放上来了。
    2020-11-29下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载