本发明涉及去湍流的，尤其涉及一种基于图像修复的去湍流方法和系统。
背景技术：
1、在图像处理领域，去湍流技术至关重要，它旨在改善由于大气湍流引起的图像退化问题。大气湍流会使得图像出现动态模糊和失真，这对于需要高清晰度和稳定性的成像系统来说是一个严峻挑战。传统的去湍流方法主要依赖于频域分析，如傅里叶变换，以及时域分析，如小波变换。这些方法虽然在某些情况下有效，但它们存在一些固有的局限性。例如，傅里叶变换对噪声较为敏感，且难以处理非线性和各向异性的湍流效应；而小波变换虽然能够提供多尺度信息，却可能在下采样过程中丢失重要细节，并且对局部特征的响应不够灵活。此外，现有技术在特征提取和图像修复方面往往缺乏针对性和自适应性，导致在复杂环境下的性能受限。特别是在湍流区域的精确检测和特征增强方面，现有方法往往难以达到令人满意的效果，修复后的图像可能无法有效融合进原始图像，造成视觉上的不自然。
技术实现思路
1、有鉴于此，本发明提供一种基于图像修复的去湍流方法，该方法能够精确地检测和修复受湍流影响的图像区域，以恢复图像的清晰度和质量。
2、为实现上述目的，本发明提供了一种基于图像修复的去湍流方法，包括以下步骤：
3、s1：使用非下采样小波变换分解受湍流影响的图像并提取分解后图像的特征；
4、s2：基于自适应阈值分割进行湍流检测，获得受湍流影响的图像中的湍流区域；
5、s3：计算受湍流影响的图像的灰度特征并进行映射，针对步骤s2中获得的湍流区域进行特征增强，获得湍流区域增强特征；
6、s4：基于步骤s3中获得的湍流区域增强特征，计算自适应权重和局部相似性度量，并用于修复受湍流影响的图像，获得修复后的图像；
7、s5：将修复后的图像中的湍流区域与原始图像中的非湍流区域结合，得到最终的去湍流图像；
8、作为本发明的进一步改进方法：
9、可选地，所述s1步骤中使用非下采样小波变换分解受湍流影响的图像并提取分解后图像的特征，包括：
10、s11：非下采样小波变换：
11、对受湍流影响的图像p进行非下采样小波变换，获取不同方向和尺度的图像特征，具体为：
12、
13、
14、
15、
16、其中，pll、plh、phl和phh分别是近似分量和水平方向的详细分量、垂直方向的详细分量、对角方向的详细分量；k＝0,1,2,3；hll(k)、hlh(k)、hhl(k)和hhh(k)是小波系数分别是近似分量、水平方向的详细分量、垂直方向的详细分量和对角方向的详细分量的小波系数；(x,y)为像素位置；p(2x-k,2y-k)、p(2x-k,2y-1-k)、p(2x-1-k,2y-k)和p(2x-1-k,2y-1-k)分别为p在(2x-k,2y-k)、(2x-k,2y-1-k)、(2x-1-k,2y-k)和(2x-1-k,2y-1-k)位置的值；
17、s12：特征提取：
18、基于步骤s11中获取的不同方向和尺度的图像特征计算受湍流影响的图像的局部对比度clocal，具体为：
19、
20、其中，clocal(x,y)为clocal在(x,y)处的值；r为窗口尺寸；br(x,y)为以(x,y)为中心，r×r范围内的像素位置；(u,v)为br(x,y)中的元素；为在点(u,v)处的差异值，计算方式为：
21、
22、其中，pll(u,v)、plh(u,v)、phl(u,v)和phh(u,v)分别是pll、plh、phl和phh在(u,v)处的值。
23、可选地，所述s2步骤中，基于自适应阈值分割进行湍流检测，获得受湍流影响的图像中的湍流区域，包括：
24、基于自适应阈值分割进行湍流检测，自适应阈值tadapt基于局部对比度clocal的中值来确定，具体为：
25、tadapt(x,y)＝α·median5×5(clocal(x,y))
26、其中，α为缩放因子；median5×5(clocal(x,y))为以(x,y)为中心，5×5范围内的clocal的中值；tadapt(x,y)为tadapt在(x,y)处的值；
27、湍流区域检测结果s的确定方式为：
28、
29、其中，s(x,y)为s在(x,y)处的值，1为湍流区域，0为非湍流区域；
30、可选地，所述s3步骤中，计算受湍流影响的图像的灰度特征并进行映射，针对步骤s2中获得的湍流区域进行特征增强，包括：
31、s31：局部灰度差分统计：
32、计算局部区域内灰度差分统计量lidsp，具体为：
33、
34、其中，lidsp(x,y)是以(x,y)为中心，边长为p的正方形邻域内的lidsp；p(x+i,y+j)和p(x-i,y-j)分别为p在(x+i,y+j)和(x-i,y-j)处的值；i和j为-(p-1)/2到(p-1)/2范围内的整数；
35、s32：局部灰度中心性：
36、计算局部区域内中心位置与邻域位置像素差分统计量licp：
37、
38、其中，licp(x,y)是以(x,y)为中心，边长为p的正方形邻域内的licp；p(x,y)为p在(x,y)处的值；
39、s33：特征映射与增强：
40、结合lidsp和licp建立特征映射trfmp，具体为：
41、trfmp(x,y)＝lidsp(x,y)+β·lidsp(x,y)
42、其中，trfmp(x,y)是以(x,y)为中心，边长为p的正方形邻域内的trfmp；β为平衡参数；
43、利用步骤s2中得到的湍流区域检测结果s来增强湍流区域特征，获得湍流区域增强特征fenhanced，具体为：
44、
45、其中，fenhanced(x,y)为fenhanced在(x,y)处的值；λ为增强因子；
46、可选地，所述s4步骤中，基于步骤s3中获得的湍流区域增强特征，计算自适应权重和局部相似性度量，并用于修复受湍流影响的图像，获得修复后的图像，包括：
47、s41：计算自适应权重：
48、根据步骤s3中获得的湍流区域增强特征fenhanced计算自适应权重w，具体为：
49、
50、其中，w(x,y)为w在(x,y)处的值；sum(fenhanced)为对fenhanced求和；
51、s42：计算局部相似性度量：
52、局部相似性度量ψ用于量化待修复像素与参考像素之间的相似性，具体为：
53、
54、其中，ψ(x,y,x′,y′)为像素(x,y)和(x′,y′)之间的局部相似性；d(x,y,x′,y′)为像素(x,y)和(x′,y′)之间的欧式距离；(x′,y′)为以(x,y)为中心3×3范围内的像素位置；σ1为空间相似性参数；σ2为强度相似性参数；e为自然常数；p(x′,y′)为p在(x′,y′)处的值；是以(x,y)为中心3×3范围内的平均像素值；
55、s43：自适应图像修复：
56、利用自适应权重和局部相似性度量，进行自适应图像修复，具体为：
57、
58、其中，prestored(x,y)为修复后的p在(x,y)处的值；w(x′,y′)为w在(x′,y′)处的值；
59、可选地，所述s5步骤中，将修复后的图像中的湍流区域与原始图像中的非湍流区域结合，得到最终的去湍流图像，包括：
60、将修复后的图像中的湍流区域与原始图像中的非湍流区域结合，得到最终的去湍流图像pfinal，具体为：
61、
62、其中，pfinal(x,y)为pfinal在(x,y)处的值；
63、本发明还公开了一种基于图像修复的去湍流系统，包括：
64、特征提取模块：使用非下采样小波变换分解受湍流影响的图像并提取分解后图像的特征；
65、湍流检测模块：基于自适应阈值分割进行湍流检测；
66、特征增强模块：计算受湍流影响的图像的灰度特征并进行映射，针对湍流检测模块中获得的湍流区域进行特征增强；
67、修复模块：计算自适应权重和局部相似性度量，用于修复受湍流影响的图像；
68、融合模块：将修复后的图像中的湍流区域与原始图像中的非湍流区域结合。
69、有益效果：
70、本发明采用非下采样小波变换对受湍流影响的图像进行多尺度和多方向的特征提取，有效地捕捉了不同层次的图像细节。结合自适应阈值分割技术，实现了对湍流区域的精确检测和定位，为后续的图像修复提供了准确的目标区域，显著提升了去湍流处理的准确性和效率。
71、通过计算局部灰度差分统计和局部灰度中心性，本发明对湍流区域内的图像特征进行了创新性的增强。这种增强不仅提升了湍流区域的纹理对比度，还增强了图像的局部边缘信息，从而为图像修复提供了更为丰富和精确的指导信息。
72、本发明提出了一种基于自适应权重的智能图像修复算法，该算法能够根据湍流区域的特征强度动态调整修复权重。这种自适应的修复策略确保了修复过程既能够针对性地强化受损区域，又能够保持与周围非湍流区域的自然过渡和一致性。
1.一种基于图像修复的去湍流方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像修复的去湍流方法，其特征在于，所述步骤s1中，包括以下步骤：
3.根据权利要求2所述的基于图像修复的去湍流方法，其特征在于，所述步骤s2中，包括以下步骤：
4.根据权利要求3所述的基于图像修复的去湍流方法，其特征在于，所述步骤s3中，包括以下步骤：
5.根据权利要求4所述的基于图像修复的去湍流方法，其特征在于，所述步骤s4中，包括以下步骤：
6.根据权利要求5所述的基于图像修复的去湍流方法，其特征在于，所述步骤s5中，包括以下步骤：
7.一种基于图像修复的去湍流系统，其特征在于，包括：
