-
公开(公告)号：CN108648162B
公开(公告)日：2021-07-09
申请号：CN201810470422.3
申请日：2018-05-16
申请人： 浙江大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种基于噪声水平的梯度相关TV因子图像去噪去模糊方法。日常拍摄所获取的图像都有一定程度的降质，即使是对静态目标的稳定成像，其获取图像也包含有像素级的模糊量，且噪声往往不可避免。对带噪模糊图像进行复原操作可以提升图像质量，然而，抑制噪声和去模糊两者间存在矛盾，图像复原时需兼顾两者的平衡。本发明方法提出一种基于总变分正则化的图像去噪去模糊方法，在对图像进行模糊复原的同时，结合Richardson‑Lucy算法的特点获取初步去模糊图像，通过若干正则化项进行约束，并利用噪声图像梯度的先验分布特性，对正则化权重因子进行梯度相关的分布式调整处理，能有效地抑制噪声同时保持良好的图像边缘特性，获得较高质量的图像。
-
公开(公告)号：CN112985601A
公开(公告)日：2021-06-18
申请号：CN202110157367.4
申请日：2021-02-04
申请人： 浙江大学
摘要： 本发明公开了一种基于衍射的长焦光谱编码成像系统和方法。包括如下步骤：1)利用相长干涉波长排布方式获得编码的衍射元件；2)选择望远系统的放大倍数Γ，计算望远系统的内在参数，获得望远系统；3)搭建标定点扩散函数的成像系统，利用标定点扩散函数的成像系统进行光谱标定实验获得不同波段的点扩散函数；4)搭建长焦光谱编码成像系统，利用长焦光谱编码成像系统进行光谱图像采集实验，获得不同波段的光谱混叠图像；5)利用高光谱图像重建网络算法对光谱混叠图像进行处理获得不同波段下的高光谱图像。本发明有利于重建网络算法的效果以及衍射元件的加工；本发明有利于系统焦距的增长以及对衍射元件的保护；高光谱图像准确清晰，谱段适用范围宽，鲁棒性高。
-
公开(公告)号：CN107437240B
公开(公告)日：2021-06-04
申请号：CN201710575380.5
申请日：2017-07-14
申请人： 浙江大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种抑制高亮区域的低照度图像增强方法，该方法首先将低照度图像进行反转，引入亮通道的概念对高亮区域进行抑制，再利用去雾的方法根据大气散射物理模型对图像进行增强，最后将图像再次反转得到高亮区域抑制的增强效果图。能够自适应地处理低照度图像，有效地抑制了高亮区域同时消除了光晕现象，使增强后的图像具有更加理想的对比度和视觉效果，整体增强效果较现有的增强算法有大幅度提升。全过程可实现自动化与自能化，无需人工干预。
-
公开(公告)号：CN111182179B
公开(公告)日：2021-01-19
申请号：CN201911173508.0
申请日：2019-11-26
申请人： 浙江大学
摘要： 本发明公开了一种奇偶透镜线阵交替分布的分段平面侦察成像系统和方法。微透镜阵列置于光子集成回路芯片上面，微透镜阵列由传统干涉臂和新型干涉臂沿圆周间隔交替均布构成，每个传统/新型干涉臂均沿圆周的半径径向布置；新型干涉臂由奇数个透镜沿圆周的同一半径径向直线紧密排列构成，中间透镜两侧对称两个透镜配对，中间透镜不配对；成像系统转角度多次成像，每次成像的频率信息重构为频谱矩阵，再融合为最终频谱矩阵，傅里叶逆变换得到目标成像结果。本发明解决了传统干涉臂只能采样到奇数倍基频的频率信息的问题，提高系统的频谱径向采样率，大大提高系统的成像质量，同时几乎不增加硬件成本与制造难度、不减小系统成像的视场。
-
公开(公告)号：CN112116539A
公开(公告)日：2020-12-22
申请号：CN202010934616.1
申请日：2020-09-08
申请人： 浙江大学
摘要： 本发明公开了一种基于深度学习的光学像差模糊去除方法。包括以下步骤：1)获得带像差光学系统的点扩散函数；2.1)选择高分辨图像，进行能量域变换，得到能量域图像；2.2)利用计算的修正点扩散矩阵对能量域图像进行分块卷积，得到能量域仿真模糊图；2.3)对能量域仿真模糊图进行数值域变换，得到像差模糊图像，构成像差模糊数据集；3)基于像差模糊数据集，训练像差校正神经网络；4)使用该光学参数研制生产的带像差光学系统拍摄的图像，经步骤3)训练获得的像差校正神经网络进行校正，获得校正后的图像。使用时对相机(摄像头)的光学参数采用本发明方法进行操作，能对于光学系统的像差造成的图像模糊实现很好地予以消除。
-
公开(公告)号：CN111951177A
公开(公告)日：2020-11-17
申请号：CN202010645997.1
申请日：2020-07-07
申请人： 浙江大学
摘要： 本发明公开了一种基于图像超分辨损失函数的红外图像细节增强方法。采用基于深度学习的红外图像超分辨网络对图像的特征进行提取，将提取的特征用来描述红外图像的主要信息，构建损失函数对基于深度学习的红外图像超分辨网络进行训练，然后再利用训练后的红外图像超分辨网络进行图像特征提取，得到红外超分辨图像。本发明能减小超分辨图像与真实红外图像高层特征之间的差异，从而提高图像超分辨的效果。
-
公开(公告)号：CN111340734A
公开(公告)日：2020-06-26
申请号：CN202010135788.2
申请日：2020-03-02
申请人： 浙江大学
摘要： 本发明公开了一种利用卷积神经网络模型的图像紫边校正方法。使用数字成像系统拍摄实拍装置获得各种情况下紫边在图像上的具体分布；将拍摄得到紫边分布根据图像内容的颜色信息加入到高清图像中，得到用于训练卷积神经网络的训练集；以训练集迭代训练初始化后的卷积神经网络模型，直至迭代次数达到预设次数，卷积神经网络模型训练完毕，将数字成像系统拍摄得到的带有紫边的图像输入训练后的卷积神经网络模型，得到消除紫边后的图像。本发明解决了镜头成像弥散斑较大，在图像区域交界处产生紫边问题，校正后图像的紫边区域颜色过渡自然，卷积神经网络模型的鲁棒性强。
-
公开(公告)号：CN107203979B
公开(公告)日：2020-04-24
申请号：CN201710391893.0
申请日：2017-05-27
申请人： 浙江大学
摘要： 本发明公开了一种低照度图像增强的方法，将基于熵率的超像素分割算法用于暗通道先验模型中，得到更加符合人眼视觉效果的增强图。该方法首先将低照度图像进行超像素分割，再将低照度图像反转，根据超像素分割得到的同源块区域利用暗通道先验模型得到更准确的传输透过率图，根据大气散射物理模型对图像进行增强，最后将图像再次反转得到增强效果图。能够自适应地处理低照度图像，使增强后的图像具有更加理想的对比度和视觉效果，整体增强效果较现有的增强算法有大幅度提升。全过程可实现自动化与自能化，无需人工干预。
-
公开(公告)号：CN107451964B
公开(公告)日：2020-04-03
申请号：CN201710576126.7
申请日：2017-07-14
申请人： 浙江大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种基于噪声方差分段估计的图像去噪方法，本发明基于图像小波细节系数的统计特性，用分段函数进行分析处理。首先将原始图像进行小波变换，然后根据Donoho方法得出噪声标准方差的初始估计值，最后将初始估计值进行分段处理，得到噪声标准方差的最终估计值。本发明能提高小波噪声方差估计的准确性，特别是在图像噪声较小和细节较多的图像中。本发明的方法无需复杂的计算，直接对图像的小波细节系数进行分段处理就可以在噪声较小时得到比较准确的估计，提高图像去噪效果，提升峰值信噪比PSNR。
-
公开(公告)号：CN110852947A
公开(公告)日：2020-02-28
申请号：CN201911046112.X
申请日：2019-10-30
申请人： 浙江大学
摘要： 本发明公开了一种基于边缘锐化的红外图像超分辨方法。利用红外摄像机获得红外图像，建立红外超分辨神经网络结构，网络包括图像处理和图像边缘处理两个子网络，针对于输入网络的红外图像，图像处理网络主要用于恢复图像的结构信息，边缘处理网络用于恢复图像的细节边缘信息；其中图像处理网络分为两个阶段，第一阶段实现红外图像去噪并且实现图像的结构信息恢复，第二阶段实现图像超分辨并实现更多的图像细节结构信息恢复。本发明基于数字红外图像超分辨的要求，通过图像结构和边缘信息的分别处理实现了高倍率的红外图像超分辨。
-
-
-
-
-
-
-
-
-
搜索结果
249 条记录 (耗时 0.043 秒)
