2018年认证杯SPSSPRO杯数学建模B题(第一阶段)动态模糊图像全过程文档及程序

2018年认证杯SPSSPRO杯数学建模

B题 动态模糊图像

原题再现:

  人眼由于存在视觉暂留效应,所以看运动的物体时,看到的每一帧画面都包含了一段时间内 (大约 1/24 秒) 的运动过程,所以这帧画面事实上是模糊的。对电影的截图来说,动态画面的每一帧也都是模糊的,例如图 1 为某部电影截图,展现的是在高速飞行中的拍摄效果,所以俯拍到的路面字迹是模糊的。但是一般来说,电脑游戏的每一帧画面都是以清晰的静态方式绘制出的,所以需要较高的帧率才能感觉到平滑,否则感觉会不够流畅。为了以较低的帧率能够取得较流畅的感受,在计算机视觉技术中,人们开发出了能够模拟动态模糊效果的算法。
  第一阶段问题: 当我们给出一张动态模糊的图片时,很难看清被摄景观的细节。请设计合理的数学模型,以恢复出尽可能清晰的画面。为简单起见,我们可以假设摄像机的运动导致了模糊,也就是图中的全部景观都以一个相同的速度运动。在论文中可以使用图 1,也可以另行选用动态模糊的图像作为算例。
在这里插入图片描述

整体求解过程概述(摘要)

  为了以较低的帧率能够取得较流畅的感受,在计算机视觉技术中,人们开发出了能够模拟动态模糊效果的算法。在此我们假设摄像机的运动导致了模糊,也就是图中的全部景观都以一个相同的速度运动,利用模糊图像复原算法复原出高清晰、高分辨率的图像。
  针对问题一建立 PSF 点扩散函数:通过采取傅里叶变换得到图片每点处的梯度大小,用来反映三维图像中的第三个量,然后灰度化处理频谱图S(𝑢, 𝑣)。以 R、G、B 为轴建立空间直角坐标系,结合 Radon 变换计算图像矩阵在某一特定方向的积分,较准确的得出运动模糊图像运动方向𝜃。
  针对问题二同样建立 PSF 点扩散函数:利用得到二维模糊图像𝑔的一维频谱图像S,将二维问题降维成一维问题并结合估计出的运动方向角度𝜃,将频谱图像反向旋转𝜃。对旋转后的一维频谱图像S进行 SPF 滤波与二值化处理,按列累加进行微分运算计算出自相关图像,估计出拍摄的物体与实际物体的位移差L。
  针对问题三建立点扩展函数:利用问题一、二所求的模糊方向和模糊尺度,建立相应的运动模糊图像点扩展函数。用 Lucy-Richardson 滤波算法建立基于MATLAB 平台的仿真对附件图片 1 进行复原。引入 PSNR 的定义将图像的清晰度与其相关联,分析清晰度与迭代次数的相关性,进而转化为分析迭代次数与 PSNR 的大小之间的关系,简化了模型。
  针对问题四将小波变换理论与 Lucy-Richardson 算法相结合:选取适当的阀值将图片进行多级分解,并将每一级的高低频部分单独分离:将低频部分与 L-R 算法结合利用 Lucy-Richardson 算法恢复图像;高频部分进行阀值降噪后,将噪声分离出去,最大可能地降低噪声对 Lucy-Richardson 算法的影响。在多次分级运算后,高低频的不同频域采取不同的复原方法,完成对模糊图片的复原。

问题分析:

  问题一的分析
  为了减少所拍图片的还原难度,我们需要得出拍摄相机与物体之间的模糊角度,通过这个角度我们可以更好的沿着指定方向进行还原。首先我们要创建出图片退化的线性数学模型,接着选择准则函数,并以适当的数学形式表达,然后进行数学推演。推演过程中通常要进行表达形式(即空域形式、频域形式、矩阵-矢量形式或变换域形式)的相互转换,最后得到图像复原的公式。
在这里插入图片描述
  就一张单纯图片而言,我们无法得知这张图片的频率大小,因为所拍摄的物体是空间的,而图片是平面的。因此需要引入第三个量,使图片能够反映出三维的信息。通过查阅相关资料,我们可以用梯度来反映第三个量,而我们可以通过采取傅里叶变换得到图片每点处的梯度大小。即将一些看似紊乱的函数,用很多条正弦波组合表现出来。从图片表示上,可以说是把图片上的信息用频率的方式给表示出来。表现出来的频率用灰度梯度的形式显示到电脑屏幕上。比如说,在一个温度变化不大,空间变化不大的区域如沙漠,其表现出来的灰度梯度就会比较平稳;而对于像大陆表面温度,变化是相对明显的,因此表现出来的灰度会呈现较为剧烈的现象。
  所以首先我们应该先把图形进行灰度化处理。以 R、G、B 为轴建立空间直角坐标系,则RGB图的每个象素的颜色可以用该三维空间的一个点来表示,而Gray 图的每个象素的颜色可以用直线R = G = B上的一个点来表示。于是rgb转gray 图的本质就是寻找一个三维空间到一维空间的映射,最容易想到的就是射影(即过rgb空间的一个点向直线R = G = B做垂线),事实上Matlab也是这样做的,并且有Gray = 0.29900 ∗ R + 0.58700 ∗ G + 0.11400 ∗ B。
  我们可以用matlab求出已知图像的傅里叶频谱图,其会表现出来明暗不一的亮点,这种现象就是梯度,就是这个点的频率与相邻点的频率差异大小(这里我们可以理解成空间上的高矮程度)。那么空间上的三维向量全给表现出来了。在亮度较大的地方,它的梯度也就较大;在亮度较小的地方,其梯度也就相对较小。同时,我们也能够看出能量的分布大小。如果变换后的图像亮点很多,说明原图片很多点与相邻点的梯度差异较大,说明原图像比较刺眼,比较尖锐。如果变换后的图像暗点很多,说明很多点与相邻点的梯度差异较小,说明原图像比较平稳,比较柔和。
  因为所拍图像可能含有很多外界因素的干扰。我们可以将傅里叶频谱图放在原点,这样图像就是以原点为中心对称分布。如果出现还有其他的对称点,那么这个就是干扰因素,可能受到了其他正弦函数的干扰。从图像上就可以很直观的看出图像是否收到干扰。当然这种方式只能较为粗略的观察图像的干扰情况,因此精度不高,但是也能满足实验要求了。设暗纹与x轴正向夹角为φ,运动模糊方向与x轴夹角为θ,图像尺寸为M × N,根据傅里叶变换的时频特性可以知道,可通过公式tan 𝜃 = tan(𝜑 − 90°) × M/N 得到模糊角度 θ ,因此只要通过 Radon 变换检测出频谱暗条纹与水平方向的夹角即可到运动模糊方向。

  问题二的分析
  在多数情况下,导致运动模糊是因为拍摄的设备与场景之间的相对运动造成的,例如无人机低空侦察,抓拍高速汽车等等。这类的运动模糊都具有速度较大、曝光时间较短的特点,因而在拍摄时间内,运动看成是匀速直线运动是再合适不过了。
  本文依据运动模糊图像和原始图像在频谱上的对应关系。我们可以直接在二维方向进行考虑,但 x,y 坐标下都会有位移,不方便考虑。我们可以结合估计出的运动方向角度,对图像进行旋转变换,运用微分自相关方法,将二维问题降维成一维问题,之后应用一维频谱的方法估计出拍摄的物体与实际物体的位移差(即模糊尺度)。
  问题三的分析
  问题三在前两问的基础上,考虑到利用 Lucy-Richardson 滤波法会和点扩散函数的两个参数有关,所以基于问题一和问题二的求解结果,得到附件图片 1的模糊尺度和模糊长度,利用模糊图像的运动模糊角度和运动模糊长度,可以得到相应图片的点扩散函数。同时基于matlab软件,设计相应的程序,利用Lucy-Richardson 滤波算法对该图片进行图片复原,在复原的同时,还要考虑迭代次数对于复原图形的影响,不同的迭代次数的图片会呈现出怎么的清晰度,同时引入一个关于 PSNR 的定义,将图像的清晰度与其相关联,分析清晰度与迭代次数的相关性,也就进而转化为分析迭代次数与 PSNR 的大小之间的关系,简化了模型,使问题三进而得以解决。
  问题四的分析
  由于附录图片 1 是有噪音的运动模糊图像,在考虑该条件的同时,我们采取与问题三不同的解决方法。我们采用小波变换理论与 Lucy-Richardson 算法相结合的算法,将图片进行多级分解,并将每一级的高低频部分单独分离,对于低频的这部分,利用 Lucy-Richardson 算法恢复图像,对于高频的部分,我们进行阀值降噪,将噪声分离出去,尽最大的可能性降低噪声对 Lucy-Richardson 算法的影响,在进行多次分级运算后,高低频的不同频域采取不同的复原方法,从而在多次分级运算后,完成对模糊图片的复原。

模型假设:

  1、假设摄像机的运动导致了模糊,也就是图中的全部景观都以一个相同的速度运动。
  2、摄像机的运动是匀速的。
  3、天气晴朗照片轮廓清晰。
  4、摄像机运作正常,数据保存完整。
  5、模糊图像像素在可傅里叶变换、radon 范围内。

论文缩略图:

在这里插入图片描述
在这里插入图片描述

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

部分程序代码:(代码和文档not free)

filename = 'C:\Users\hasee\Desktop\图片.jpg';
I = imread(filename);
7 
8 figure
9 imshow(uint8(I));
10 title('原图');
11 
12 %% 生成运动模糊图像
13 PSF = fspecial('motion',80, 150);
14 g = imfilter(I, PSF, 'circular');
15 figure 
16 imshow(uint8(g));
17 title('运动模糊图');
18 
19 %% 对运动模糊图像进行灰度化,并进行二维快速傅里叶变换,生成其
频谱图
20 gb = rgb2gray(g);
21 figure
22 imshow(uint8(gb));
23 PQ = paddedsize(size(gb));
24 F = fft2(gb, PQ(1), PQ(2));
25 figure
26 imshow(uint8(F));
27 
28 %% 作出倒频谱
29 F1 = log(1+abs(F));
30 F2 = abs(F1).^2;
31 F3 = real(ifft2(F2));
32 figure
33 imshow(uint8(F3));
34 
35 
36 %% 将倒频谱压缩,居中
37 H = log(1+abs(F3)); % 将倒频谱动态范围进行压缩
38 Hc = fftshift(H); % 将压缩结果进行循环移位,使低频成分居中
39 figure
40 imshow(uint8(Hc));
41 
42 %% 通过阈值处理,边缘检测“canny”算子二值化倒频谱
43 T = graythresh(Hc);
44 bw=edge(Hc, 'canny', T);

45 figure
46 imshow(bw);
47 
48 %% 对倒频谱从 1°到 180°作 radon 变换,以求出模糊角度
49 theta = 1:180;
50 R = radon(bw, theta);
51 figure
52 imshow(R);
53 
54 %% 计算出通过倒频谱 radon 变换估计出的模糊角度
55 MAX = max(max(R));
56 [m, n] = find(R == MAX);
57 if 90 < n <= 180
58 beita = n - 90;
59 else if 0 < n < 90
60 beita = n + 90;
61 else if n == [90;90] | n == [180;180]
62 beita = n(1);
63 end;
clc;
I=imread('C:\Users\lenovo\Desktop\图 1.png');
PSF1=fspecial('motion',40,100);
MF=imfilter(I,PSF1,'circular');
gb=rgb2gray(MF);
f1=im2double(gb);
h=fspecial('Sobel'); 
J=conv2(f1,h,'same'); 
IP=abs(fft2(J)); 
%图像能量谱密度
s=fftshift(real(ifft2(IP))); 
figure,plot(s);
title('自相关图');
m=size(s,1);
S=sum(s);
mid=floor(m/2);
len=0;
ru=0;l=0; p =0;q =0;
for i=mid-10:-1:2
 if (S(i+5)>S(i))&&(S(i+2)>S(i))&&(S(i-2)>S(i))&&(S(i5)>S(i))&&(S(i+10)>S(i))&&(S(i10)>S(i))&&(S(i+1)>S(i))&&(S(i+3)>S(i))&&(S(i+4)>S(i))&&(S(i-3)>S(i))&&(S(i-
4)>S(i))
 ru=i; p=p+1;
 if p==2
 break;
 end
 end
end
for i=mid+10:1:m-2
 if 
(S(i+2)>S(i))&&(S(i+1)>S(i))&&(S(i+3)>S(i))&&(S(i+4)>S(i))&&(S(i+5)>S(i))&&(
S(i-2)>S(i))&&(S(i-1)>S(i))&&(S(i-3)>S(i))&&(S(i4)>S(i))&&(S(i+10)>S(i))&&(S(i-10)>S(i))
 l=i;q = q+1;
 if q ==2
 break;
 end
 end
end
len=(l-ru)/2
j=imread('图片.jpg');
figure(1),imshow(j); 
title('原图像');
len=40;
theta=83;
PSF = fspecial('motion',len,theta);
lucy=deconvlucy(j,PSF,i);%i 为迭代次数
figure,imshow(lucy); 
title(' Lucy richardson 图像复原');
function PSNR = psnr(f1, f2)%计算两幅图像的峰值信噪比
k = 8; %k 为图像是表示每个像素点所用的二进制位数,即位深。
fmax = 2.^k - 1;
a = fmax.^2;
e = im2uint8(f1) - im2uint8(f2);
[m, n] = size(e);
b = mean(mean(e));
PSNR = 10*log10(a/(b*m*n));
全部论文及程序请见下方“ 只会建模 QQ名片” 点击QQ名片即可

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/330373.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

量化研究员!你应该如何写一手好代码

即使是Quant Researcher&#xff0c; 写一手高质量的代码也是非常重要的。再好的思路&#xff0c;如果不能正确地实现&#xff0c;都是没有意义的。 写一手高质量的代码的意义&#xff0c;对Quant developer来讲就更是自不待言了。这篇笔记就介绍一些python best practice。 始…

Unity Shader 的模板测试效果

模板测试是渲染管线中逐片元操作的一环&#xff0c;它的作用是筛选出指定模板的片元&#xff0c;而不符合模板的片元会被舍弃&#xff0c;从而做到一个遮罩的效果。 以下是Unity中实践的一个效果&#xff1a; 场景中可以看出&#xff0c;熊模型和茶壶模型都在差不多的位置&am…

idea社区版 MybatisCodeHelperPro插件使用介绍

文章目录 一、插件介绍二、idea社区版安装MybatisCodeHelperPro插件三、问题记录1. DatabaseHelper插件 加载不了部分数据库链接的列信息2. DatabaseHelper插件 数据库列显示顺序错乱3. MybatisCodeHelperPro插件 数据库字段不提示4. MybatisCodeHelperPro插件 特殊字段增加反引…

SpringBoot 统计API接口用时该使用过滤器还是拦截器?

统计请求的处理时间&#xff08;用时&#xff09;既可以使用 Servlet 过滤器&#xff08;Filter&#xff09;&#xff0c;也可以使用 Spring 拦截器&#xff08;Interceptor&#xff09;。两者都可以在请求处理前后插入自定义逻辑&#xff0c;从而实现对请求响应时间的统计。 …

汽车芯片「新变量」

编者按&#xff1a;汽车行业的格局重构和技术革新&#xff0c;也在推动芯片赛道进入变革周期。不同商业模式的博弈&#xff0c;持续升温。 对于智能汽车来说&#xff0c;过去几年经历了多轮硬件和软件的性能迭代&#xff0c;甚至是革新&#xff0c;如今&#xff0c;市场正在进…

张驰咨询:六西格玛工具企业如何实现资源优化与效率最大化

在这个百年未有之大变局的时期&#xff0c;我们面临着前所未有的挑战与机遇。我一直在寻找提升效率&#xff0c;减少资源浪费的方法。而六西格玛培训提供了一个系统化的解决方案&#xff0c;它不仅是一套工具&#xff0c;更是一种精益思维。 让我们一起思考一个问题&#xff1a…

VMware workstation安装SUSE Linux Enterprise Server 12 SP5虚拟机并配置网络

VMware workstation安装SUSE Linux Enterprise Server 12 SP5虚拟机并配置网络 SUSE Linux Enterprise Server是企业级Linux系统&#xff0c;适合企业应用。该文档适用于在VMware workstation平台安装SUSE Linux Enterprise Server虚拟机。 1.安装准备 1.1安装平台 Windows…

设计一个网页爬虫

定义 User Case 和 约束 注意&#xff1a;没有一个面试官会阐述清楚问题&#xff0c;我们需要定义Use case和约束 Use cases 我们的作用域只是处理以下Use Case&#xff1a; Service 爬取一批 url 生成包含搜索词的单词到页面的反向索引给页面生成标题和片段– 标题和片段是…

【机器学习】机器学习变量分析第02课

当我们谈论用机器学习来预测咖啡店的销售额时&#xff0c;我们实际上是在处理一系列与咖啡销售相关的变量。这些变量就像是我们用来理解销售情况的“线索”或“指标”。那么&#xff0c;让我们用通俗易懂的方式来聊聊这些变量是怎么工作的。 特征变量&#xff1a;咖啡店的“档…

Spring MVC学习之——自定义日期转化器

日期转换器 在数据库中的日期数据是date类型&#xff0c;而如何我们想在页面自己添加数据&#xff0c;一般是使用年-月-日的形式&#xff0c;这种形式不仅date类型接收不到&#xff0c;而且传来的是String类型&#xff0c;此时&#xff0c;我们就可以自定义日期转换器来接收数…

JVM知识总结

1.概述 JVM指的是Java虚拟机&#xff0c;本质上是一个运行在计算机上的程序&#xff0c;他的职责是运行Java字节码文件&#xff0c;作用是为了支持跨平台特性。 功能&#xff1a; 装载字节码&#xff0c;解释/编译为机器码 管理数据存储和垃圾回收 优化热点代码提升效率 …

【数学建模】2024年华数杯国际赛B题-光伏发电Photovoltaic Power 思路、代码、参考论文

1 问题背景 中国电力构成包括传统能源(如煤炭、石油、天然气)、可再生能源(如水电、风能、太阳能、核能)和其他形式的电力。这些发电模式在满足中国巨大的电力需求方面发挥着至关重要的作用。据最新数据显示&#xff0c;中国总发电量超过20万亿千瓦时&#xff0c;居世界第一。…

【征服redis8】Redis的AOF持久化

Redis 支持多种持久化方式来保证数据的可靠性和持久性。前面我们介绍了RDB方式。我们我们介绍第二种方式——AOF&#xff08;Append Only File&#xff09;机制是一种常用的持久化方式&#xff0c;它记录了所有对 Redis 数据库进行修改的命令&#xff0c;在 Redis 重启时可以使…

echarts X轴数据过多导致重叠展示不全问题(已解决)

问题 x轴数据过多导致坐标轴数据重叠 修改后 List item interval为0代表每个标签都显示&#xff0c;即间隔为0&#xff01; 将其设置为我们想要的数值即可。 xAxis: {type: "time",splitLine: {show: false,},axisLine: {show: false,lineStyle: {color: &qu…

Spring MVC学习——解决请求参数中文乱码

解决请求参数中文乱码问题 1.POST请求方式解决乱码问题 在web.xml里面设置编码过滤器 <filter><filter-name>CharacterEncodingFilter</filter-name><filter-class>org.springframework.web.filter.CharacterEncodingFilter</filter-class><…

lua使用resty.http做nginx反向代理(https请求,docker容器化部署集群),一个域名多项目转发

下载使用 链接&#xff1a;https://pan.baidu.com/s/1uQ7yCzQsPWsF6xavFTpbZg 提取码&#xff1a;htay –来自百度网盘超级会员V5的分享 在根目录下执行: # 从 github 上下载文件 git clone https://github.com/ledgetech/lua-resty-http.git # 将 lua-resty-http/lib/ 下的 r…

客户案例 | 思腾合力助力某能源公司地质数据智能化计算平台建设

助力某能源公司 地质数据智能化计算平台建设 石油行业是全球最大的行业之一&#xff0c;涉及到从地下或海底开采原油和天然气的勘探、开发、生产、运输、精炼和销售的全过程。石油不仅是世界上最主要的能源之一&#xff0c;还是化工产品的主要原料。石油行业的运作对全球经济有…

Java多线程并发篇----第二十篇

系列文章目录 文章目录 系列文章目录前言一、拒绝策略二、Java 线程池工作过程三、JAVA 阻塞队列原理前言 前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站,这篇文章男女通用,看懂了就去分享给你的码吧。 一、拒绝策略…

VS代码生成工具ReSharper v2023.3正式发布——支持C# 12

实质上&#xff0c;ReSharper特征可用于C#&#xff0c;VB.net&#xff0c;XML&#xff0c;Asp.net&#xff0c;XAML&#xff0c;和构建脚本。 使用ReSharper&#xff0c;你可以进行深度代码分析&#xff0c;智能代码协助&#xff0c;实时错误代码高亮显示&#xff0c;解决方案范…

AI-数学-高中-6-求分式函数值域(y的取值范围)

原作者视频&#xff1a;函数】4分式函数的值域&#xff08;易&#xff09;_哔哩哔哩_bilibili 1.一次比一次&#xff1a;分数函数&#xff0c;分子与分母都是1次。 1.1 画xy轴图&#xff0c;计算垂直渐近线移动数值、画出渐近线&#xff1a;用分母不能为0来计算&#xff0c;如…