一种基于Retinex算法的图像去模糊方法

    公开(公告)号:CN110033415A

    公开(公告)日:2019-07-19

    申请号:CN201910212674.0

    申请日:2019-03-20

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于Retinex算法的图像去模糊方法,包括以下步骤:S1:利用Retinex算法对原始模糊图像进行处理,得到图像边缘被增强的模糊图像,将图像边缘被增强的模糊图像作为步骤S2的输入;S2:进行解卷积操作,以获得初始复原图像;S3:计算步骤S2中初始复原图像的梯度映射,消除初始复原图像中的噪声;S4:利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计;S5:判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果:如果是,直接进行步骤S6;否则,将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入,返回步骤S2;S6:利用步骤S5中得到的最佳模糊核,对原始模糊图像进行最终的解卷积,以获得最终的复原图像。

    一种基于改进迭代容积粒子滤波算法的定位方法

    公开(公告)号:CN109253727B

    公开(公告)日:2022-03-08

    申请号:CN201810650040.9

    申请日:2018-06-22

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于改进迭代容积粒子滤波算法的定位方法,该方法首先产生由多个粒子组成的粒子集,然后基于在已知环境中观测到一个或多个路标来对粒子集进行多次迭代更新,每次迭代过程进行多次状态均值的更新,但状态协方差只在对一个路标的最后一次迭代后更新一次,最后基于得到的经更新的状态均值估计值和状态协方差估计值来完成每个粒子的重要性采样,并实现所述移动机器人的定位。该算法利用容积数值积分原则估计出高斯先验的非线性转移密度,使得粒子集较为集中的分布于观测似然函数的尾部,克服了传统粒子滤波定位算法中粒子集退化的问题,使用较少的粒子即可实现对移动机器人高精度高效率的定姿、定位。

    一种基于改进RL反卷积算法的星图去模糊方法

    公开(公告)号:CN108198151A

    公开(公告)日:2018-06-22

    申请号:CN201810117470.4

    申请日:2018-02-06

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于改进RL反卷积算法的星图去模糊方法,包括:(1)在星图模拟器中设置基本模拟参数,使用基本模拟参数模拟出清晰星图及对应的模糊星图;(2)根据惯性传感器元件数据计算各个所述模糊星图的点扩散函数;(3)采用RL反卷积算法完成星图去模糊化,并记录去模糊效果最优迭代次数和迭代步长;(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练,训练完成后得到预测模型,输出为迭代次数和迭代步长。本发明克服了传统RL反卷积去模糊算法需要人为手动试探迭代次数、迭代步长来完成星图去模糊的缺点,提高了算法的实时性并且还显著提高了星图去模糊的效果。

    一种基于Retinex算法的图像去模糊方法

    公开(公告)号:CN110033415B

    公开(公告)日:2023-03-21

    申请号:CN201910212674.0

    申请日:2019-03-20

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于Retinex算法的图像去模糊方法,包括以下步骤:S1:利用Retinex算法对原始模糊图像进行处理,得到图像边缘被增强的模糊图像,将图像边缘被增强的模糊图像作为步骤S2的输入;S2:进行解卷积操作,以获得初始复原图像;S3:计算步骤S2中初始复原图像的梯度映射,消除初始复原图像中的噪声;S4:利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计;S5:判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果:如果是,直接进行步骤S6;否则,将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入,返回步骤S2;S6:利用步骤S5中得到的最佳模糊核,对原始模糊图像进行最终的解卷积,以获得最终的复原图像。

    一种基于改进迭代容积粒子滤波算法的定位方法

    公开(公告)号:CN109253727A

    公开(公告)日:2019-01-22

    申请号:CN201810650040.9

    申请日:2018-06-22

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于改进迭代容积粒子滤波算法的定位方法,该方法首先产生由多个粒子组成的粒子集,然后基于在已知环境中观测到一个或多个路标来对粒子集进行多次迭代更新,每次迭代过程进行多次状态均值的更新,但状态协方差只在对一个路标的最后一次迭代后更新一次,最后基于得到的经更新的状态均值估计值和状态协方差估计值来完成每个粒子的重要性采样,并实现所述移动机器人的定位。该算法利用容积数值积分原则估计出高斯先验的非线性转移密度,使得粒子集较为集中的分布于观测似然函数的尾部,克服了传统粒子滤波定位算法中粒子集退化的问题,使用较少的粒子即可实现对移动机器人高精度高效率的定姿、定位。

    针对运动模糊图像复原的模糊核计算方法

    公开(公告)号:CN109003234A

    公开(公告)日:2018-12-14

    申请号:CN201810649846.6

    申请日:2018-06-21

    Applicant: 东南大学

    Abstract: 本发明公开了一种针对运动模糊图像复原的模糊核计算方法,本发明是基于稀疏特性、超拉普拉斯先验和集成BP神经网络的模糊核参数估计算法,首先,在图像灰度梯度符合超拉普拉斯分布的约束条件下,通过分析模糊图像的稀疏表示系数确定模糊图像的模糊角度;然后,将模糊图像傅里叶变换后获取的傅里叶系数幅值和作为输入,通过训练基于Bagging方法的集成BP神经网络模型,完成对模糊长度的估计;最后,通过一步已知模糊核的去模糊算法得到去模糊图像。本发明估计模糊核参数准确,运算速度快,耗时短,去模糊效果好,通过本发明恢复运动模糊图像,可以使恢复出的图像边缘更加清晰,振铃效应更少。

    一种基于改进RL反卷积算法的星图去模糊方法

    公开(公告)号:CN108198151B

    公开(公告)日:2022-02-11

    申请号:CN201810117470.4

    申请日:2018-02-06

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于改进RL反卷积算法的星图去模糊方法,包括:(1)在星图模拟器中设置基本模拟参数,使用基本模拟参数模拟出清晰星图及对应的模糊星图;(2)根据惯性传感器元件数据计算各个所述模糊星图的点扩散函数;(3)采用RL反卷积算法完成星图去模糊化,并记录去模糊效果最优迭代次数和迭代步长;(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练,训练完成后得到预测模型,输出为迭代次数和迭代步长。本发明克服了传统RL反卷积去模糊算法需要人为手动试探迭代次数、迭代步长来完成星图去模糊的缺点,提高了算法的实时性并且还显著提高了星图去模糊的效果。

    一种基于随机森林的视觉SLAM回环检测方法

    公开(公告)号:CN108108764B

    公开(公告)日:2021-12-24

    申请号:CN201711433144.6

    申请日:2017-12-26

    Applicant: 东南大学

    Abstract: 本发明公开一种基于随机森林的视觉SLAM回环检测方法,面向室内环境下移动机器人视觉SLAM定位,基于随机森林的视觉SLAM回环检测方法,主要特点是:(1)利用卷积神经网络的局部感知域,对输入视觉图像进行处理,得到多维的特征矩阵。(2)将特征矩阵转化为一个多维的特征列向量,输入随机森林进行训练,得到新的特征向量。(3)利用标准化欧式距离对当前帧的视觉图像训练得到的特征向量与关键帧的特征向量进行相似度测量,当距离小于设定的阈值则判定当前帧为回环。本发明克服了利用人工设定的特征进行回环检测准确率低、计算量大,实时性差等问题,提高了移动机器人视觉SLAM的定位精度。

    针对运动模糊图像复原的模糊核计算方法

    公开(公告)号:CN109003234B

    公开(公告)日:2019-11-12

    申请号:CN201810649846.6

    申请日:2018-06-21

    Applicant: 东南大学

    Abstract: 本发明公开了一种针对运动模糊图像复原的模糊核计算方法,本发明是基于稀疏特性、超拉普拉斯先验和集成BP神经网络的模糊核参数估计算法,首先,在图像灰度梯度符合超拉普拉斯分布的约束条件下,通过分析模糊图像的稀疏表示系数确定模糊图像的模糊角度;然后,将模糊图像傅里叶变换后获取的傅里叶系数幅值和作为输入,通过训练基于Bagging方法的集成BP神经网络模型,完成对模糊长度的估计;最后,通过一步已知模糊核的去模糊算法得到去模糊图像。本发明估计模糊核参数准确,运算速度快,耗时短,去模糊效果好,通过本发明恢复运动模糊图像,可以使恢复出的图像边缘更加清晰,振铃效应更少。

    一种基于随机森林的视觉SLAM回环检测方法

    公开(公告)号:CN108108764A

    公开(公告)日:2018-06-01

    申请号:CN201711433144.6

    申请日:2017-12-26

    Applicant: 东南大学

    Abstract: 本发明公开一种基于随机森林的视觉SLAM回环检测方法,面向室内环境下移动机器人视觉SLAM定位,基于随机森林的视觉SLAM回环检测方法,主要特点是:(1)利用卷积神经网络的局部感知域,对输入视觉图像进行处理,得到多维的特征矩阵。(2)将特征矩阵转化为一个多维的特征列向量,输入随机森林进行训练,得到新的特征向量。(3)利用标准化欧式距离对当前帧的视觉图像训练得到的特征向量与关键帧的特征向量进行相似度测量,当距离小于设定的阈值则判定当前帧为回环。本发明克服了利用人工设定的特征进行回环检测准确率低、计算量大,实时性差等问题,提高了移动机器人视觉SLAM的定位精度。

Patent Agency Ranking