SCI论文（www.lunwensci.com）:
摘要：湍流图像复原方法以图像退化原因为基础，再加上一定的先验知识，建立起相应的退化模型，最后根据建立的模型进行相反运算，达到回恢复原始图像的目的。针对以上问题，本文提出了新型湍流图像复原方法，在本文的湍流图像复原方法中，对待处理湍流图像进行非均匀B样条插值和细节增强等技术处理，相对于目前对于湍流图像复原方法多是理论层的研究，运算量较小，可以实时地复原湍流图像，且本文在对图像的细节增强部分采用空域滤波将低频分量和高频分量分开进行处理的技术。实验结果得到的复原图像的可辨识度更高，并且图像的稳定性也得到了极大的提高。
关键词：湍流图像复原方法；光流计算；大气湍流；退化模型；实时；稳定性
Design and Realization of a New Method for Restoration of Turbulence Image
HUANG Fei1,SUN Jinze2,JING Changqiang2
(1.Changsha Chaochuang Electronic Technology Co.,Ltd.,Changsha Hunan 410221;2.Linyi University,Linyi Shandong 276000)
【Abstract】：The turbulence image restoration method is based on the causes of image degradation,plus some prior knowledge,finally the reverse operation is carried out according to the established model,the purpose of restoring the original image is achieved.In view of the above problems,this paper proposes a new turbulence image restoration method,in the turbulence image restoration method in this paper,perform non-uniform B-spline interpolation and detail enhancement on the turbulent image to be processed,compared with the current research on turbulence image restoration methods,which are mostly theoretical level,the amount of calculations is small,turbulence images can be restored in real time,and this paper uses spatialfiltering to separate the low-frequency components and high-frequency components for processing in the detail enhancement part of the image.the restored images obtained from the experimental results are more recognizable,and the stability of the image has been greatly improved.
【Key words】：turbulence image restoration method;opticalflow calculation;atmospheric turbulence;degradation model;real time;stability
0概述
湍流图像复原方法的研究已经成为了一个热门的领域，研究者从许多方面对湍流复原方法进行研究和探索。目前对于湍流图像复原方法的研究大多计算量大多比较复杂，实际运用起来比较缓慢，无法满足航空等领域对于远程探测的实时性的需求，并且这些方法都必须建立在图像先验信息的基础上[1]，总体来说还是差强人意；并且由于大气湍流的运动变化以及形态都是随机的，因此传统湍流图像复原方法在实际运用中，不论是其对于图像复原的稳定性，还是对于复原图像的可辨识度均不是很好[2]。针对以上问题，提出了湍流图像复原方法、装置、终端设备及计算机可读介质的发明。
1湍流图像处理方法
1.1获取当前待处理的湍流图像
该部分主要由对湍流图像复原装置中负责实现该功能的图像获取模块的来获取需要的待处理的湍流图像。
1.2确定当前待处理湍流图像的配准点
首先我们需要将获取的待处理湍流图像划分为个一级子区域，并根据下列一级子区域的梯度值计算公式计算划分好的每一个一级子区域的梯度值，将梯度值大于阈值的一级子区域再次划分为二级子区域，将划分好的区域中窗口灰度变化值比阈值大的点确定为角点，将特征分数最高的点作为湍流图像的配准点。上述提到的窗口灰度变化阈值以及梯度值阈值与现有技术相同，在此处不再进行详细描述[3]。
一级子区域梯度值计算公式如公式（1）所示：
式（1）中，G为梯度值，r为梯度值，W、H为图像的宽和高，i，j为图像坐标，pi,j为图像对应坐标的灰度值。
窗口灰度变化的计算公式如公式（2）所示：
式（2）中，E(u,v)为窗口灰度变化值，w(x,y)是窗口权重函数，Ix、Iy分别为相应方向灰度值导数，[u,v]为平移向量。
特征分数R的计算公式如公式（3）所示
式（3）中，R为特征分数，det(M)为方阵函数，trace(M)为迹运算，k为常数。
1.3计算各配准点的运动矢量
在本文中，为了实现多帧信息互补，可以选择待处理的湍流图像的多帧的均值作为参考图像，以提高识别率。同时可通过光流计算法计算出各所述配准点的运动矢量，光流计算采用本领域的通用方法Lucas-Kanade光流法[4]，该方法是一种两帧差分的光流估计算法，有亮度恒定，小运动以及空间一致三个假设条件[5]。L-K光流计算法容易应用到输入图像中的点的子集，成为了稀疏光流算法的重要技术，仅依赖于围绕某个兴趣点的一些小窗口导出的局部信息[6]。
1.4得到相对于参考图像的相对坐标
对经过上述光流计算法计算得到各配准点的运动矢量进行非均匀B样条插值，并根据插值后的运动矢量变换图像中像素的位置，最终得到相对于参考图像的相对坐标。
在进行插值时所用到的B样条插值函数的计算公式
如公式（4）所示：
式（4）中﹐φij为光流运动矢量，Bm分别表示第m个基函数；网络控制点为配准点。
1.5得到融合图像
为了描述相邻帧之间的变化，消除冗余，提高压缩比，对当前待处理的图像相对坐标进行基于亚像素插值的运动补偿得到配准图像之后，可将所述配准图像与场景图像进行叠加融合,得到融合图像[7]。
在进行融合图像时所用到的融合图像公式如公式（5）所示：
其中,fusionk为融合后图像，α为常数，N为帧数，reg为配准图像，regk为配准图像，所述场景图像为前N帧配准图像的平均值。
1.6对融合图像进行处理,得到复原图像
（1）对经过上述图像的叠加融合后得到的融合图像进行空域滤波处理，将融合图像的低频和高频分量进行分离。
（2）将低频分量利用图像直方图对对比度进行直方图均衡处理，在不影响整体的对比度的基础上，增强局部的对比度，对低频滤波进行直方图均衡处理时，数字图像中某灰度级数的像素出现的相对频率计算公式如公
式（6）所示：
P（rk）为相对频率，N为总像素数，nk为k级像素
出现的次数。直方图均衡后的灰度值计算公式如公式（7）所示：
sk为处理后的灰度值，L为灰度级上限，P(rj)为相对频数。
（3）并且对图像的高频分量进行边缘增强处理，将图像亮度值相差较大的边缘处进行强化突出，在此处采用拉普拉斯算子如公式（8）所示：
∇2f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)（8）
f(x,y)为对应坐标位置的灰度值，根据拉普拉斯算子计算的边缘增强公式如公式（9）所示：
g(x,y)=f(x,y)+c[∇2f(x,y)]（9）
g(x,y)为边缘增强后图像，c为常数。
（4）最后把分别经过处理的融合图像进行融合得到待处理湍流图像经过本发明处理后得到的复原图像，融合时使用的融合公式如公式（10）所示：
fusionk=(1-α)HE+αEE（10）
fusion为融合图像，HE为低频分量处理后的图像，EE为高频分量处理后的图像，α为常数。
2实验结果与分析
使用本文中所介绍的湍流图像复原方法进行了测试，实验结果与分析如下。采用所提出来的湍流图像复原方法和设备进行实验，实验中随机选取湍流图像，图1所示均匀性B样条插值中网络控制点的示意图，图中每一个控制点的距离都是相等的，图2所示是在本次实验中提供的非均匀性B样条插值中网络控制点的示意图，控制点的分布式不均匀的。
通过采用本文提出的湍流图像复原方法，实现了对图像的噪声抑制，并且增强了图像的对比度，因此得到可辨识度更高、稳定性更强的图像。
3结语
对传统的湍流图像复原方法进行了改进。由于大气湍流运动和退化模都是随机和未知的，所以很难用数学解析式描述，而且目前对于湍流图像复原方法的研究大多计算量非常复杂，无法满足远程探测的实时性需求，因此主要从提高复原图像的可辨识度和稳定性两个方面进行了优化改进。实验结果表明，提出的湍流图像复原方法使得到的图像复原后的可辨识度更高。
参考文献
[1]甄诚,杨永胜,李元祥,等.基于多尺度生成对抗网络的大气湍流图像复原[J/OL].计算机工程:1-8[2020-12-04].
[2]邹皓.基于大气湍流相关参数的图像复原方法研究[D].长春:长春理工大学,2019.
[3]李俊山,杨亚威,张姣,等.退化图像复原方法研究进展[J].液晶与显示,2018(8):676-689.
[4]周海蓉,田雨,饶长辉.稀疏先验型的大气湍流退化图像盲复原[J].光电工程,2020(7):3-11.
[5]何燕.图像序列光流计算方法概述[J].电脑知识与技术,2019(5):173-175.
[6]张聪炫,周仲凯,陈震,等.深度学习光流计算技术研究进展[J].电子学报,2020(9):1841-1849.
[7]杨婷香.对湍流降质图像复原方法的研究[D].长春:长春理工大学,2019.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/37383.html
