图像重构方法、装置、计算机设备和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种图像重构方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着图像处理技术的发展，出现了图像重构技术，这个技术可以对一幅低分辨率图像进行图像处理，然后重构得到一幅高分辨率图像，进而提高图像的分辨率。
3.传统的图像重构技术通常对初始光斑图像中的光斑进行高斯拟合分析或者高密度分析，得到该光斑的极大值点。然后，基于各光斑的极大值点来进行图像重构，得到目标图像。
4.然而，目前的图像重构技术，需要对每个光斑都进行高斯拟合分析或者高密度分析，图像重构效率降低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提供图像重构效率的图像重构方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种图像重构方法。所述方法包括：
7.获取待分解的光斑特征图像；
8.基于预设的分解次数，对所述待分解的光斑特征图像进行图像信号分解，得到所述待分解的光斑特征图像的分量图像；
9.基于各所述分量图像确定待重构图像；
10.对所述待重构图像进行上采样处理，得到上采样图像，并基于所述上采样图像中的局部极大值点、以及预设的目标图像尺寸进行图像重构，得到目标图像。
11.在其中一个实施例中，所述基于预设的分解次数，对所述待分解的光斑特征图像进行图像信号分解，得到所述待分解的光斑特征图像的分量图像包括：
12.根据所述待分解的光斑特征图像，确定所述待分解的光斑特征图像的平均包络面；
13.基于所述平均包络面，对所述待分解的光斑特征图像进行图像信号分解，得到所述待分解的光斑特征图像的本征模图像；
14.将所述平均包络面作为新的待分解的光斑特征图像，返回执行所述根据所述待分解的光斑特征图像的步骤，直到分解的次数达到预设的分解次数；
15.将各所述本征模图像作为所述待分解的光斑特征图像的分量图像。
16.在其中一个实施例中，所述根据所述待分解的光斑特征图像，确定所述待分解的光斑特征图像的平均包络面包括：
17.获取所述待分解的光斑特征图像的局部极大值点集和局部极小值点集；
18.根据所述局部极大值点集，确定上包络面；
19.根据所述局部极小值点集，确定下包络面；
20.根据所述上包络面和所述下包络面，确定所述待分解的光斑特征图像的平均包络面；
21.所述基于所述平均包络面，对所述待分解的光斑特征图像进行图像信号分解，得到所述待分解的光斑特征图像的本征模图像包括：
22.将所述待分解的光斑特征图像中的光斑数据与所述平均包络面上的光斑数据进行对位相减，得到所述待分解的光斑特征图像的本征模图像。
23.在其中一个实施例中，所述获取待分解的光斑特征图像包括：
24.获取光斑特征图；
25.对所述光斑特征图进行图像增强处理，得到待分解的光斑特征图像。
26.在其中一个实施例中，所述获取光斑特征图包括：
27.基于第一高斯核函数对初始光斑图进行滤波，得到第一光斑图；
28.基于第二高斯核函数对所述初始光斑图进行滤波，得到第二光斑图；其中，所述第一高斯核函数的标准差小于所述第二高斯核函数的标准差；
29.将所述第一光斑图中的第一光斑数据与所述第二光斑图中的第二光斑数据进行对位相减，得到光斑特征图。
30.在其中一个实施例中，所述基于各所述分量图像确定待重构图像包括：
31.将最后一次图像信号分解得到的分量图像作为待重构图像；或者，
32.获取各所述分量图像的灰度梯度，在小于或者等于预设梯度阈值的灰度梯度中，确定最大的目标灰度梯度，并将所述最大的目标灰度梯度所属的分量图像作为待重构图像。
33.第二方面，本技术还提供了一种图像重构装置。所述装置包括：
34.获取模块，用于获取待分解的光斑特征图像；
35.分解模块，用于基于预设的分解次数，对所述待分解的光斑特征图像进行图像信号分解，得到所述待分解的光斑特征图像的分量图像；
36.确定模块，用于基于各所述分量图像确定待重构图像；
37.重构模块，用于对所述待重构图像进行上采样处理，得到上采样图像，并基于所述上采样图像中的局部极大值点、以及预设的目标图像尺寸进行图像重构，得到目标图像。
38.在其中一个实施例中，所述分解模块具体用于：
39.根据所述待分解的光斑特征图像，确定所述待分解的光斑特征图像的平均包络面；
40.基于所述平均包络面，对所述待分解的光斑特征图像进行图像信号分解，得到所述待分解的光斑特征图像的本征模图像；
41.将所述平均包络面作为新的待分解的光斑特征图像，返回执行所述根据所述待分解的光斑特征图像的步骤，直到分解的次数达到预设的分解次数；
42.将各所述本征模图像作为所述待分解的光斑特征图像的分量图像。
43.在其中一个实施例中，所述分解模块具体用于：
44.获取所述待分解的光斑特征图像的局部极大值点集和局部极小值点集；
45.根据所述局部极大值点集，确定上包络面；
46.根据所述局部极小值点集，确定下包络面；
47.根据所述上包络面和所述下包络面，确定所述待分解的光斑特征图像的平均包络面；
48.所述基于所述平均包络面，对所述待分解的光斑特征图像进行图像信号分解，得到所述待分解的光斑特征图像的本征模图像包括：
49.将所述待分解的光斑特征图像中的光斑数据与所述平均包络面上的光斑数据进行对位相减，得到所述待分解的光斑特征图像的本征模图像。
50.在其中一个实施例中，所述获取模块具体用于：
51.获取光斑特征图；
52.对所述光斑特征图进行图像增强处理，得到待分解的光斑特征图像。
53.在其中一个实施例中，所述获取模块具体用于：
54.基于第一高斯核函数对初始光斑图进行滤波，得到第一光斑图；
55.基于第二高斯核函数对所述初始光斑图进行滤波，得到第二光斑图；其中，所述第一高斯核函数的标准差小于所述第二高斯核函数的标准差；
56.将所述第一光斑图中的第一光斑数据与所述第二光斑图中的第二光斑数据进行对位相减，得到光斑特征图。
57.在其中一个实施例中，所述确定模块具体用于：
58.将最后一次图像信号分解得到的分量图像作为待重构图像；或者，
59.获取各所述分量图像的灰度梯度，在小于或者等于预设梯度阈值的灰度梯度中，确定最大的目标灰度梯度，并将所述最大的目标灰度梯度所属的分量图像作为待重构图像。
60.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以第一方面所述的步骤。
61.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以第一方面所述的步骤。
62.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时以第一方面所述的步骤。
63.上述图像重构方法、装置、计算机设备、存储介质和计算机程序产品，通过获取待分解的光斑特征图像；基于预设的分解次数，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的分量图像；基于各分量图像确定待重构图像；对待重构图像进行上采样处理，得到上采样图像，并基于上采样图像中的局部极大值点、以及预设的目标图像尺寸进行图像重构，得到目标图像。上述方案中，通过对待分解的光斑特征图像进行图像信号分解，得到分量图像，并从各分量图像中，确定待重构图像。基于待重构图像对应的上采样图像中的局部极大值点进行图像重构，得到目标图像。因此，本方案的图像处理对象都是整张图像，并不需要对图像中的每个光斑都进行单独的处理，进而提高图像重构的效率。
附图说明
64.图1为一个实施例中图像重构方法的流程示意图；
65.图2为一个实施例中分量图像的确定方法的流程示意图；
66.图3为一个实施例中图像重构装置的结构框图；
67.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
68.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
69.在一个实施例中，如图1所示，提供了一种图像重构方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
70.步骤102，获取待分解的光斑特征图像。
71.本技术实施例中，终端获取待分解的光斑特征图像。其中，光斑特征图像是基于初始光斑图像确定的，待分解的光斑特征图像是基于光斑特征图像确定的。可以理解，待分解的光斑特征图像的数目等于初始光斑图像的数目，二初始光斑图像的数目是需要进行图像重构的图像数目。
72.步骤104，基于预设的分解次数，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的分量图像。
73.本技术实施例中，终端基于预设的分解次数，对每张待分解的光斑特征图像分别进行图像信号分解，得到待分解光斑特征图像的分量图像。其中，待分解光斑特征图像包含至少一个光斑，光斑有对应的光斑数据包括图像位置数据、以及光斑灰度值。图像位置数据包括光斑在图像(包括各方法实施例中提到的图像)上的横坐标和纵坐标。具体的，针对每张待分解的光斑特征图像，终端基于预设的分解次数，对由各光斑对应的光斑数据组成的图像信号进行图像信号分解，得到待分解光斑特征图像的分量图像。在一个实施例中，图像信号分解的方法是经验模态分解(empirical mode decomposition，emd)。
74.步骤106，基于各分量图像确定待重构图像。
75.本技术实施例中，针对同一待分解的光斑特征图像的各分量图像，终端基于预设的图像筛选策略，从各分量图像中，筛选得到待重构图像。可选的，预设的图像筛选策略可以是将最后一次图像信号分解得到的分量图像作为待重构图像，也可以是将最大的目标灰度梯度所属的分量图像作为待重构图像。其中，目标灰度梯度是小于或者等于预设梯度阈值的分量图像的灰度梯度。
76.步骤108，对待重构图像进行上采样处理，得到上采样图像，并基于上采样图像中的局部极大值点、以及预设的目标图像尺寸进行图像重构，得到目标图像。
77.本技术实施例中，终端对待重构图像进行上采样处理，得到上采样图像。具体的，终端对待重构图像在水平方向、以及垂直方向上进行双线性插值，得到上采样图像。终端识别并获取上采样图像中的各局部极大值点，并记录各局部极大值点对应的光斑数据。终端根据各局部极大值点对应的光斑数据，对各局部极大值点进行重构，得到对应的重构点，并
将各重构点重构在预设的目标图像尺寸的图像上，得到目标图像。具体的，终端根据上采样图像的图像尺寸、以及预设的目标图像尺寸，计算得到数据变换比例，并基于数据变换比例、以及各局部极大值点对应的光斑数据，计算得到各局部极大值点的光斑数据对应的重构点的重构光斑数据。终端数据根据各重构点的重构光斑数据，将各重构点重构在预设的目标图像尺寸的图像上，得到目标图像。
78.上述图像重构方法中，通过对待分解的光斑特征图像进行图像信号分解，得到分量图像，并从各分量图像中，确定待重构图像。基于待重构图像对应的上采样图像中的局部极大值点进行图像重构，得到目标图像。因此，本方案的图像处理对象都是整张图像，并不需要对图像中的每个光斑都进行单独的处理，进而提高图像重构的效率。
79.在一个实施例中，如图2所示，基于预设的分解次数，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的分量图像包括：
80.步骤202，根据待分解的光斑特征图像，确定待分解的光斑特征图像的平均包络面。
81.本技术实施例中，终端基于待分解的光斑特征图像中各光斑的光斑数据，识别得到各局部极大值点、以及各局部极小值点，并基于各局部极大值点的光斑数据、以及各局部极小值点的光斑数据，计算得到平均包络面。其中，平均包络面是由各局部均值点构成的面，局部均值点是基于局部极大值点、以及局部极小值点确定的。
82.步骤204，基于平均包络面，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的本征模图像。
83.本技术实施例中，终端基于平均包络面，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的本征模图像。具体的，针对每张待分解的光斑特征图像，终端基于平均包络面，对由各光斑对应的光斑数据组成的图像信号进行图像信号分解，得到待分解光斑特征图像的本征模图像。
84.步骤206，将平均包络面作为新的待分解的光斑特征图像，返回执行根据待分解的光斑特征图像的步骤，直到分解的次数达到预设的分解次数。
85.本技术实施例中，终端将平均包络面作为新的待分解的光斑特征图像。返回执行步骤202，直到分解的次数达到预设的分解次数，停止进行图像信号分解，得到各本征模图像、以及残差图像。在一个实施例中，预设的分解次数为4。
86.步骤208，将各本征模图像作为待分解的光斑特征图像的分量图像。
87.本技术实施例中，终端将各本征模图像作为待分解的光斑特征图像的分量图像。
88.本实施例中，基于待分解的光斑特征图像的平均包络面，对该待分解的光斑特征图像进行图像信号分解，得到该待分解的光斑特征图像的本征模图像，并将平均包络面作为新的待分解的光斑特征图像来再次进行图像信号分解，直到分解的次数达到预设的分解次数，得到各本征模图像。因此，本方案可以将待分解的光斑特征图像分解成各本征模图像、以及残差图像，进而为后续从各本征模图像中筛选待重构图像提供前提。
89.在一个实施例中，根据待分解的光斑特征图像，确定待分解的光斑特征图像的平均包络面包括：
90.获取待分解的光斑特征图像的局部极大值点集和局部极小值点集；根据局部极大值点集，确定上包络面；根据局部极小值点集，确定下包络面；根据上包络面和下包络面，确
定待分解的光斑特征图像的平均包络面。
91.本技术实施例中，终端获取待分解的光斑特征图像的局部极大值点集合局部极小值点集。终端基于局部极大值点集中各局部极大值点构成上包络面。终端基于局部极小值点集中各局部极小值点构成下包络面。具体的，终端基于局部极大值点集中各局部极大值点的位置数据，利用delaunay三角剖分算法(delaunay triangulation algorithm)对各局部极大值点进行三角剖分，得到上包络面。终端基于局部极小值点集中各局部极小值点的位置数据，利用delaunay三角剖分算法(delaunay triangulation algorithm)对各局部极小值点进行三角剖分，得到下包络面。终端将上包络面上的上包络点的光斑数据、与下包络面上的下包络点的光斑数据进行对位求均值，得到待分解的光斑特征图像的平均包络面。可以理解，上包络面上的点都是上包络点，其中，组成上包络面的各个小三角面的顶点是局部极大值点。也就是说，局部极大值点是上包络面上的特殊的上包络点。同样的，下包络面上的点都是下包络点，其中，组成下包络面的各个小三角面的顶点是局部极小值点。也就是说，局部极小值点是下包络面上的特殊的下包络点。
92.本实施例中，根据待分解的光斑特征图像的局部极大值点集和局部极小值点集，确定上包络面和下包络面，并基于上包络面和下包络面，确定平均包络面。因此，本方案可以基于待分解的光斑特征图像确定平均包络面，进而为后续基于平均包络面来对待分解的光斑特征图像进行图像信号分解提供前提。
93.在一个实施例中，基于平均包络面，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的本征模图像包括：
94.将待分解的光斑特征图像中的光斑数据与平均包络面上的光斑数据进行对位相减，得到待分解的光斑特征图像的本征模图像。
95.本技术实施例中，终端将待分解的光斑特征图像中各光斑的光斑数据与平均包络面上的平均包络点的光斑数据进行对位相减，得到待分解的光斑特征图像的本征模图像。其中，平均包络面上的点都是平均包络点，组成平均包络面的各个小三角面的顶点是局部均值点。也就是说，局部均值点是平均包络面上的特殊的平均包络点。平均包络点的光斑数据是对应的上包络点的光斑数据与对应的下包络点的光斑数据的均值。具体的，针对同一图像位置数据，在该图像位置数据上的平均包络点的光斑灰度值是在该图像位置数据上的上包络点的光斑灰度值与在该图像位置数据上的下包络点的光斑灰度值的均值。
96.本实施例中，根据平均包络面和待分解的光斑特征图像，确定本征模图像，实现了对待分解的光斑特征图像的图像信号分解，进而将待分解的光斑特征图像分解成包含各图像频率成分的本征模图像，为后续基于本征模图像确定待重构图像提供前提。
97.在一个实施例中，获取待分解的光斑特征图像包括：
98.获取光斑特征图；对光斑特征图进行图像增强处理，得到待分解的光斑特征图像。
99.本技术实施例中，终端获取光斑特征图，并对光斑特征图进行图像增强处理，得到图像增强处理后的光斑特征图即待分解的光斑特征图像。在一个实施例中，图像增强处理的方法是同态滤波，也就是说，终端对光斑特征图进行同态滤波，得到待分解的光斑特征图像。具体的，终端对光斑特征图进行对数变换，得到对数图像；再对对数图像进行傅里叶变换，得到频谱图；然后，将该频谱图输入至高斯滤波器，得到滤波图像；接着，将滤波图像进行反傅里叶变换，得到空域对数图像；最后，对该空域对数图像取指数，得到待分解的光斑
特征图像。
100.本实施例中，对光斑特征图进行图像增强处理，得到待分解的光斑特征图像，这样，可以对待分解的光斑特征图像的光斑灰度梯度进行梯度拉伸，从而提高了后续进行图像信号分解的分解精度。另外，由于图像增强了，可以更好地识别出容易被忽略的局部极值点，从而提高保留更多的图像信息。
101.在一个实施例中，获取光斑特征图包括：
102.基于第一高斯核函数对初始光斑图进行滤波，得到第一光斑图；基于第二高斯核函数对初始光斑图进行滤波，得到第二光斑图；将第一光斑图中的第一光斑数据与第二光斑图中的第二光斑数据进行对位相减，得到光斑特征图。
103.其中，第一高斯核函数的标准差小于第二高斯核函数的标准差。
104.本技术实施例中，终端获取初始光斑图，并基于第一高斯核函数对初始光斑图进行滤波，得到第一光斑图。具体的，如下公式(1)所示，终端采用第一高斯核函数对初始光斑图进行卷积，得到第一光斑图。
105.i1＝*g1(1)
106.其中，i1是第一光斑图，i是初始光斑图，*是卷积符号，g1是第一高斯核函数。
107.终端获取初始光斑图，并基于第二高斯核函数对初始光斑图进行滤波，得到第二光斑图。具体的，如下公式(2)所示，终端采用第二高斯核函数对初始光斑图进行卷积，得到第二光斑图。
108.i2＝*g2(2)
109.其中，i2是第二光斑图，i是初始光斑图，*是卷积符号，g2是第二高斯核函数。第一高斯核函数g1的标准差σ1小于第二高斯核函数g2的标准差σ2。在一个实施例中，
110.第一高斯核函数g1和第二高斯核函数g2的函数表达式如下公式(3)所示。
[0111][0112]
其中，gn是第n高斯核函数，n为1或者2，σn为gn的标准差，x是图像位置数据中的横坐标，y是图像位置数据中的纵坐标。
[0113]
终端将第一光斑图中的第一光斑数据与第二光斑图中的第二光斑数据进行对位相减，得到光斑特征图。具体的，如下公式(4)所示。
[0114]i′
＝
1-2
ꢀꢀ
(4)
[0115]
其中，i
′
是光斑特征图，i1是第一光斑图，i2是第二光斑图。
[0116]
本实施例中，利用第一高斯核函数和第二高斯核函数分别对初始光斑图进行滤波，分别得到对应的第一光斑图和第二光斑图，进而基于第一光斑图和第二光斑图确定光斑特征图。通过不同高斯核函数对初始光斑图进行滤波，可以对初始光斑图中的光斑进行不同程度的抑制。然后，基于不同程度抑制得到的一光斑图和第二光斑图来确定光斑特征图，相当于带通滤波，可以将初始光斑图中的噪音去除，从而提高光斑特征图的精度。
[0117]
在一个实施例中，基于各分量图像确定待重构图像包括：
[0118]
将最后一次图像信号分解得到的分量图像作为待重构图像；或者，获取各分量图像的灰度梯度，在小于或者等于预设梯度阈值的灰度梯度中，确定最大的目标灰度梯度，并将最大的目标灰度梯度所属的分量图像作为待重构图像。
[0119]
本技术实施例中，终端将最后一次图像信号分解得到的分量图像作为待重构图像。或者，终端获取各分量图像的灰度梯度，并比较灰度梯度与预设梯度阈值的大小。在一个实施例中，分量图像的灰度梯度是分量图像的平均灰度梯度。终端将小于或者等于预设梯度阈值的灰度梯度作为目标灰度梯度，并将最大的目标灰度梯度所属的分量图像作为待重构图像。
[0120]
本实施例中，将最后一次图像信号分解得到的分量图像，或者最大的目标灰度梯度所属的分量图像作为待重构图像。这样，待重构图像都是待分解的光斑特征图像中的低频图像，而低频图像既保留了光斑的光斑数据，又去除了噪声以及光斑之间的干扰，进而提高了待重构图像的精度。
[0121]
在一个实施例中，还提供了一种图像重构方法示例，该方法包括以下步骤：
[0122]
s1，获取初始光斑图。
[0123]
s2，基于第一高斯核函数对初始光斑图进行滤波，得到第一光斑图。
[0124]
s3，基于第二高斯核函数对初始光斑图进行滤波，得到第二光斑图；其中，第一高斯核函数的标准差小于第二高斯核函数的标准差。
[0125]
s4，将第一光斑图中的第一光斑数据与第二光斑图中的第二光斑数据进行对位相减，得到光斑特征图。
[0126]
s5，对光斑特征图进行图像增强处理，得到待分解的光斑特征图像。
[0127]
s6，基于预设的分解次数，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的分量图像。
[0128]
s7，基于各分量图像确定待重构图像。
[0129]
s8，对待重构图像进行上采样处理，得到上采样图像，并基于上采样图像中的局部极大值点、以及预设的目标图像尺寸进行图像重构，得到目标图像。
[0130]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0131]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的图像重构方法的图像重构装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像重构装置实施例中的具体限定可以参见上文中对于图像重构方法的限定，在此不再赘述。
[0132]
在一个实施例中，如图3所示，提供了一种图像重构装置，包括：获取模块，用于获取待分解的光斑特征图像；
[0133]
分解模块302，用于基于预设的分解次数，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的分量图像；
[0134]
确定模块304，用于基于各分量图像确定待重构图像；
[0135]
重构模块306，用于对待重构图像进行上采样处理，得到上采样图像，并基于上采
样图像中的局部极大值点、以及预设的目标图像尺寸进行图像重构，得到目标图像。
[0136]
在一个实施例中，分解模块302具体用于：
[0137]
根据待分解的光斑特征图像，确定待分解的光斑特征图像的平均包络面；
[0138]
基于平均包络面，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的本征模图像；
[0139]
将平均包络面作为新的待分解的光斑特征图像，返回执行根据待分解的光斑特征图像的步骤，直到分解的次数达到预设的分解次数；
[0140]
将各本征模图像作为待分解的光斑特征图像的分量图像。
[0141]
在一个实施例中，分解模块302具体用于：
[0142]
获取待分解的光斑特征图像的局部极大值点集和局部极小值点集；
[0143]
根据局部极大值点集，确定上包络面；
[0144]
根据局部极小值点集，确定下包络面；
[0145]
根据上包络面和下包络面，确定待分解的光斑特征图像的平均包络面；
[0146]
基于平均包络面，对待分解的光斑特征图像进行图像信号分解，得到待分解的光斑特征图像的本征模图像包括：
[0147]
将待分解的光斑特征图像中的光斑数据与平均包络面上的光斑数据进行对位相减，得到待分解的光斑特征图像的本征模图像。
[0148]
在一个实施例中，获取模块具体用于：
[0149]
获取光斑特征图；
[0150]
对光斑特征图进行图像增强处理，得到待分解的光斑特征图像。
[0151]
在一个实施例中，获取模块具体用于：
[0152]
基于第一高斯核函数对初始光斑图进行滤波，得到第一光斑图；
[0153]
基于第二高斯核函数对初始光斑图进行滤波，得到第二光斑图；其中，第一高斯核函数的标准差小于第二高斯核函数的标准差；
[0154]
将第一光斑图中的第一光斑数据与第二光斑图中的第二光斑数据进行对位相减，得到光斑特征图。
[0155]
在一个实施例中，确定模块304具体用于：
[0156]
将最后一次图像信号分解得到的分量图像作为待重构图像；或者，
[0157]
获取各分量图像的灰度梯度，在小于或者等于预设梯度阈值的灰度梯度中，确定最大的目标灰度梯度，并将最大的目标灰度梯度所属的分量图像作为待重构图像。
[0158]
上述图像重构装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0159]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和
计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像重构方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0160]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0161]
在一个实施例中，在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0162]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0163]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0164]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0165]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0166]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0167]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。