买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于特征融合与自适应滤波的图像去湍流方法和系统，包括：S1：对获取的图像进行局部块划分，计算每个局部块的均值和方差，然后计算自适应滤波器的权重并进行加权平均滤波，获得去噪后的图像；S2：提取去噪后的图像的多尺度图像，对多尺度图像进行归一化，获得归一化多尺度图像；S3：计算归一化多尺度图像的局部方差，基于局部方差计算权重并融合多尺度图像，得到融合后的图像；S4：将融合后的图像进行低秩与稀疏分解，构建低秩与稀疏分解优化目标并进行优化，获得优化后的低秩图像；S5：使用基于梯度幅值的自适应权重提升优化后的低秩图像的细节，获得去湍流后的图像。本发明能够目的在于在不同的场景和气象条件下提供高质量的去湍流图像。

主权项：1.一种基于特征融合与自适应滤波的图像去湍流方法，其特征在于，包括以下步骤：S1：对获取的图像进行局部块划分，计算每个局部块的均值和方差，然后计算自适应滤波器的权重并进行加权平均滤波，获得去噪后的图像；S2：提取去噪后的图像的多尺度图像，对多尺度图像进行归一化，获得归一化多尺度图像；S3：计算归一化多尺度图像的局部方差，基于局部方差计算权重并融合多尺度图像，得到融合后的图像；S4：将融合后的图像进行低秩与稀疏分解，构建低秩与稀疏分解优化目标并进行优化，获得优化后的低秩图像；S5：使用基于梯度幅值的自适应权重提升优化后的低秩图像的细节，获得去湍流后的图像；所述步骤S5中，包括以下步骤：S51：构建细节增强滤波器：使用拉普拉斯算子对优化后的低秩图像进行卷积，提取细节信息图像，具体为： ；其中，为细节信息图像在像素位置处的像素值；为卷积操作；S52：计算基于优化后的低秩图像的梯度幅值的自适应权重；所述步骤S52中，包括以下步骤：S521：计算梯度幅值：使用Sobel算子来计算优化后的低秩图像在水平和垂直方向的梯度： ； ；其中，和分别是水平方向的梯度和垂直方向的梯度在像素位置处的幅值；和分别是水平和垂直方向的Sobel算子；计算梯度幅值： ；其中，为梯度幅值在像素位置处的幅值；S522：计算自适应权重：基于梯度幅值计算自适应权重，具体为： ；其中，为陡峭参数；为阈值参数；S53：提升优化后的低秩图像的细节：利用自适应权重提升优化后的低秩图像的细节，获得去湍流后的图像： ；其中，为去湍流后的图像在像素位置处的像素值；为优化后的低秩图像在像素位置处的像素值；为自适应权重在像素位置处的权重值。

全文数据：

权利要求：

百度查询： 长沙超创电子科技有限公司 一种基于特征融合与自适应滤波的图像去湍流方法和系统