CN107680053A - 一种基于深度学习分类的模糊核优化迭代初始值估计方法 - Google Patents
一种基于深度学习分类的模糊核优化迭代初始值估计方法 Download PDFInfo
- Publication number
- CN107680053A CN107680053A CN201710854230.8A CN201710854230A CN107680053A CN 107680053 A CN107680053 A CN 107680053A CN 201710854230 A CN201710854230 A CN 201710854230A CN 107680053 A CN107680053 A CN 107680053A
- Authority
- CN
- China
- Prior art keywords
- fuzzy core
- core
- deep learning
- fuzzy
- initial value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims 1
- 238000003475 lamination Methods 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract 1
- 230000004075 alteration Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009738 saturating Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习分类的模糊核优化迭代初始值估计方法。首先根据简单透镜模糊核呈圆环磁盘状的先验知识，用高斯函数构造出五种不同模糊程度的模糊核，并将所构造的模糊核与清晰图像卷积得到模糊图像，作为深度学习训练的数据集。然后构造用于分类的卷积神经网络CNN结构模型，将CNN模型在数据集上训练，得到深度学习分类的数学模型。用简单透镜拍摄模糊图像，通过训练好的深度学习模型找出与简单透镜模糊图像最接近的模糊核，以此作为简单透镜模糊核估计的初始值，再进行快速迭代优化估计出最终模糊核。本发明方法可以减少迭代次数和优化计算时间，避免局部最优解，提高简单透镜模糊核估计精度。
Description
技术领域
本发明主要涉及到数字图像处理领域，特指一种基于深度学习分类的模糊核优化迭代初始值估计方法。
背景技术
目前，单反相机在人们的日常生活中发挥着越来越重要的作用。然而，为弥补单反镜头中镜片的几何畸变和像差，进一步提高成像质量，单反镜头的设计日益复杂，甚至包含数十个独立的光学器件。复杂镜头在提高成像质量的同时，也会增加镜头的体积和重量，导致镜头成本大大提高。近年来，随着计算摄影技术的发展，简单镜头结合后期图像复原算法正逐渐成为相机设计领域以及图像处理领域一个新的研究方向。
简单镜头只包含一个镜片，在成像过程中受镜头像差和色散的影响，由简单镜头直接拍摄的图像是模糊的，图像质量不高，所以不能直接应用，需要首先对图像进行适当的复原处理。简单透镜图像复原的关键在于首先准确估计出简单透镜的模糊核，模糊核又称为点扩散函数PSF(Point Spread Functoin)，然后基于得到的模糊核，采用一定的图像复原算法得到清晰图像。
简单透镜的模糊核估计一般是通过盲卷积图像复原算法得到，模糊核估计通常在尺度空间中进行，如图2所示，在尺度空间中，一般选取3×3的高斯函数或者delta函数作为模糊核的初始值，通过依次在不同层次尺度空间中的迭代逐步求得最终的理想模糊核。而且在每一层的尺度空间，首先将上一层次尺度空间中所求得的模糊核作为初始值，结合模糊图像求得潜在的清晰图像，然后再把清晰图像和模糊核作为已知项，再求出清晰图像。这个过程也需要经过多次迭代才能得到本层次尺度空间中较为理想的模糊核。因为现有的模糊核初始值如3×3的高斯函数或者delta函数与真实的简单透镜模糊核相差很远，所以估计模糊核的迭代优化算法往往需要迭代很多次才能得到最优解，计算时间很长。而且在优化过程中，如果得到局部最优解，算法也会停止，而局部最优解并不是最终的模糊核，这会影响简单透镜模糊核的估计精度。
在中国专利申请号ZL201410064041.7中介绍了一种单透镜成像的快速PSF标定算法，这种方法提出可以制作一批同样的简单透镜，然后分别估计出每个简单透镜的PSF，并将这些PSF的平均值作为PSF估计迭代优化算法的初始值。这种方法虽然在一定程度上可以得到更加接近真实PSF的初始值，但这种方法存在的主要问题在于：为了估计出一个简单透镜的PSF，需要制作一批同样的简单透镜，在实际应用中不易实现，而且即使是同种类型的简单透镜，在制作过程中也存在误差。因此，提出一个更加合理并且容易实现的简单透镜PSF迭代优化初始值是需要考虑的问题。
目前深度学习正成为计算机视觉领域的研究热点，深度学习是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合。深度学习的核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。卷积神经网络CNN(Convolutional Neural Network)是深度学习算法最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。卷积神经网络CNN在图像分类领域已经取得很好的效果，本发明尝试利用卷积神经网络的分类功能来解决简单透镜模糊核估计中模糊核迭代优化初始值的问题。
发明内容
本发明为克服上述情况不足，旨在提出一种基于深度学习分类的模糊核优化迭代初始值估计方法。
一种基于深度学习分类的模糊核优化迭代初始值估计方法，其特征在于包括以下几个步骤：
步骤一：由于简单透镜的模糊核呈磁盘圆环状，与高斯模糊核近似，根据此先验知识，构造深度学习分类的数据集。仿真构造出五种不同模糊程度的高斯模糊核K1、K2、K3、K4、K5，并将清晰图像分别与五种高斯模糊核作卷积，得到与模糊核对应的模糊图像；
步骤二：设计深度学习网络结构，构造用于分类的卷积神经网络CNN结构模型，并将该CNN模型在步骤一中所构造的数据集上进行训练，得到深度学习分类的数学模型；
步骤三：给出待估计模糊核的简单透镜所拍摄的模糊图像，利用步骤二所训练的数学模型识别出与简单透镜模糊图像对应的模糊核；
步骤四：将步骤三中所确定的模糊核作为简单透镜模糊核估计迭代优化算法的初始值，再利用现有模糊核估计算法即可快速估计出最终的理想模糊核。
进一步的，所述步骤一中高斯模糊核可由matlab自带函数生成；
进一步的，所述步骤二中用于分类的卷积神经网络CNN的具体模型包括七层，分别是输入层、卷积层、子采样层、卷积层、子采样层、全连接层和输出层，输入是数据集中的模糊图像，并将对应的模糊核作为标签，输出是不同的模糊核对应的概率值。利用数据集中的测试图像进行训练，训练结束后，卷积神经网络CNN各层之间的关系已确定，即不同层之间的关系权重矩阵W1、W2、W3、W4、W5、W6。如果有新的模糊图像，可直接利用该数学模型进行计算，输出的模糊核概率值中，概率值最大的模糊核即为与新输入模糊图像最接近的模糊核；
进一步的，所述步骤三中的识别过程是指，将待估计模糊核的简单透镜所拍摄的模糊图像作为步骤二中数学模型的输入值，所计算出概率值最大的模糊核Kmax即为所需要的模糊核；
进一步的，所述步骤四中现有的模糊核估计算法可采用盲卷积图像复原算法，将步骤三中估计出的模糊核作为初始值，则目标函数可写为：
其中，Kopt表示要估计的最终模糊核，K0表示模糊核初始值，Kmax表示步骤三中所估计出的模糊核，min表示求最小值操作，B表示模糊图像，X表示潜在清晰图像，表示模糊核的梯度，公式(1)中表示数据融合项，表示模糊核梯度的全变分先验，表示能量约束项，即所估计的模糊核必须满足∑x,yK(x,y)＝1，其中x和y表示图像中像素坐标，λ和μ分别表示模糊核先验和能量约束项的权重。
采用优化算法求公式(1)的最小值，在优化迭代过程中，将Kmax作为迭代优化过程的初始值，相比于现有算法中3×3的模糊核初始值，Kmax与最终模糊核已经很接近了，只需要少量迭代即可得到最终模糊核。
与现有技术相比，本发明的有益效果是：通过深度学习分类算法从构造的数据集中挑选一个与真实模糊核最接近的仿真模糊核作为迭代优化算法的初始值，与现有算法中常用的3×3大小模糊核相比，所挑选的仿真模糊核与真实模糊核更接近，可减少迭代次数，缩短算法计算时间，同时避免出现局部最优解。深度学习分类的数学模型一旦训练完成，利用该模型测试新的模糊图像所对应的模糊核所需的计算时间很短，而且不同类型的简单透镜都可以该模型来测试。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述方法的流程图；
图2为尺度空间中估计模糊核的迭代优化过程示意图；
图3为构造的深度学习识别的数据集；
图4为卷积神经网络CNN的结构示意图；
图5为待估计模糊核的简单透镜所拍摄的模糊图像；
图6为最终所估计的简单透镜模糊核。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供的一种基于深度学习识别的模糊核优化迭代初始值估计方法，包括如下步骤：
步骤一：由于简单透镜的模糊核呈磁盘圆环状，与高斯模糊核近似，根据此先验知识，构造深度学习分类的数据集。仿真构造出五种不同模糊程度的高斯模糊核K1、K2、K3、K4、K5，并将清晰图像分别与五种高斯模糊核作卷积，得到与模糊核对应的模糊图像，如图3所示；其中高斯模糊核可由matlab自带函数生成；
在具体实施过程中，高斯模糊核的模糊程度由大小控制，五个高斯模糊核的大小依次为5×5、15×15、25×25、35×35和45×45，其他参数使用matlab的默认设置。选用100张800×800大小的清晰图像分别与五个高斯模糊核做卷积得到对应的模糊图像。深度学习分类的数据集是从所得到的模糊图像中截取64×64大小的图像块，并将对应的模糊核作为其标签。步骤二：设计深度学习网络结构，构造用于分类的卷积神经网络CNN结构模型，并将所构造的CNN网络在步骤一中所构造的数据集上进行训练，从而得到深度学习分类的数学模型；卷积神经网络CNN的具体模型包括七层，分别是输入层、卷积层、子采样层、卷积层、子采样层、全连接层和输出层，如图4所示，输入是数据集中的模糊图像，并将对应的模糊核作为标签，输出是不同的模糊核对应的概率值。利用数据集中的测试图像进行训练，训练结束后，卷积神经网络CNN各层之间的关系已确定，即不同层之间的关系权重矩阵W1、W2、W3、W4、W5、W6。如果有新的模糊图像，可直接利用该数学模型进行计算，输出的模糊核概率值中，概率值最大的模糊核即为与新输入模糊图像最接近的模糊核；
在具体实施过程中，步骤一所构造的数据集中用于训练的图像数量为12880张，用于测试模型的图像数量为1288张，将训练次数设为2000次。采用深度学习的常规训练方法，训练完成后，得到深度学习分类的数学模型。
步骤三：用简单透镜拍摄图像，得到的模糊图像如图5所示，从中截取64×64大小图像块，利用步骤二所训练的数学模型判断与简单透镜模糊程度最接近的模糊核。在具体实施过程中，与图5的模糊程度最接近的模糊核是K3。
步骤四：将步骤三中所确定的模糊核作为简单透镜模糊核估计迭代优化算法的初始值，采用盲卷积图像复原算法来估计简单透镜的模糊核，目标函数可写为：
其中，Kopt表示要估计的最终模糊核，K0表示模糊核初始值，Kmax表示步骤三中所估计出的模糊核，min表示求最小值操作，B表示模糊图像，X表示潜在清晰图像，表示模糊核的梯度，公式(1)中表示数据融合项，表示模糊核梯度的全变分先验，表示能量约束项，即所估计的模糊核必须满足∑x,yK(x,y)＝1，其中x和y表示图像中像素坐标，λ和μ分别表示模糊核先验和能量约束项的权重。
在具体实施过程中，取模糊核初始值K0＝K3，权重取λ＝0.55，μ＝0.45。采用常用的优化算法求解公式(1)，可得到简单透镜的实际模糊核如图6所示。
本发明的方法通过深度学习分类算法从构造的数据集中挑选一个与真实模糊核最接近的仿真模糊核作为迭代优化算法的初始值，与现有算法中常用的3×3大小模糊核相比，所挑选的仿真模糊核与真实模糊核更接近，可减少迭代次数，缩短算法计算时间，同时避免出现局部最优解。深度学习分类的数学模型一旦训练完成，利用该模型测试新的模糊图像所对应的模糊核所需的计算时间很短，而且不同类型的简单透镜都可以该模型来测试。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (5)
1.一种基于深度学习分类的模糊核优化迭代初始值估计方法，其特征在于，包括如下步骤：
步骤一：由于简单透镜的模糊核呈磁盘圆环状，与高斯模糊核近似，根据此先验知识，构造深度学习分类的数据集。仿真构造出五种不同模糊程度的高斯模糊核K1、K2、K3、K4、K5，并将清晰图像分别与这五种高斯模糊核作卷积，得到与模糊核对应的模糊图像；
步骤二：设计深度学习网络结构，构造用于分类的卷积神经网络CNN结构模型，并将该CNN模型在步骤一中所构造的数据集上进行训练，得到深度学习分类的数学模型；
步骤三：给出待估计模糊核的简单透镜所拍摄的模糊图像，利用步骤二所训练的数学模型识别出与简单透镜模糊图像对应的模糊核；
步骤四：将步骤三中所确定的模糊核作为简单透镜模糊核估计迭代优化算法的初始值，再利用现有模糊核估计算法即可快速估计出最终的理想模糊核。
2.根据权利要求1所述基于深度学习分类的模糊核优化迭代初始值估计方法，其特征在于，所述步骤一中的高斯模糊核可由matlab自带函数生成。
3.根据权利要求1所述基于深度学习分类的模糊核优化迭代初始值估计方法，其特征在于，所述步骤二中用于分类的卷积神经网络CNN的具体模型包括七层，分别是输入层、卷积层、子采样层、卷积层、子采样层、全连接层和输出层，输入是数据集中的模糊图像，并将对应的模糊核作为标签，输出是不同的模糊核对应的概率值。利用数据集中的测试图像进行训练，训练结束后，卷积神经网络CNN各层之间的关系已确定，即不同层之间的关系权重矩阵W1、W2、W3、W4、W5、W6。如果有新的模糊图像，可直接利用该数学模型进行计算，输出的模糊核概率值中，概率值最大的模糊核即为与新输入模糊图像最接近的模糊核。
4.根据权利要求1所述基于深度学习分类的模糊核优化迭代初始值估计方法，其特征在于，所述步骤三中的识别过程是指，将待估计模糊核的简单透镜所拍摄的模糊图像作为步骤二中数学模型的输入值，所计算出概率值最大的模糊核Kmax即为所需要的模糊核。
5.根据权利要求1所述基于深度学习分类的模糊核优化迭代初始值估计方法，其特征在于，所述步骤四中现有的模糊核估计算法可采用盲卷积图像复原算法，将步骤三中估计出的模糊核作为初始值，则目标函数可写为：
其中，Kopt表示要估计的最终模糊核，K0表示模糊核初始值，Kmax表示步骤三中所估计出的模糊核，min表示求最小值操作，B表示模糊图像，X表示潜在清晰图像，表示模糊核的梯度，公式(1)中表示数据融合项，表示模糊核梯度的全变分先验，表示能量约束项，即所估计的模糊核必须满足∑x,yK(x,y)＝1，其中x和y表示图像中像素坐标，λ和μ分别表示模糊核先验和能量约束项的权重。
采用优化算法求公式(1)的最小值，在优化迭代过程中，将Kmax作为迭代优化过程的初始值，相比于现有算法中3×3的模糊核初始值，Kmax与最终模糊核已经很接近，只需要少量迭代即可得到最终模糊核。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710854230.8A CN107680053A (zh) | 2017-09-20 | 2017-09-20 | 一种基于深度学习分类的模糊核优化迭代初始值估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710854230.8A CN107680053A (zh) | 2017-09-20 | 2017-09-20 | 一种基于深度学习分类的模糊核优化迭代初始值估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107680053A true CN107680053A (zh) | 2018-02-09 |
Family
ID=61135950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710854230.8A Withdrawn CN107680053A (zh) | 2017-09-20 | 2017-09-20 | 一种基于深度学习分类的模糊核优化迭代初始值估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107680053A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550125A (zh) * | 2018-04-17 | 2018-09-18 | 南京大学 | 一种基于深度学习的光学畸变修正方法 |
| CN109509159A (zh) * | 2018-11-20 | 2019-03-22 | 湖南湖工电气有限公司 | 一种基于深度学习的无人机模糊图像端到端复原方法 |
| WO2019218140A1 (zh) * | 2018-05-15 | 2019-11-21 | 合刃科技（武汉）有限公司 | 物体识别方法及计算机可读存储介质 |
| CN110874826A (zh) * | 2019-11-18 | 2020-03-10 | 北京邮电大学 | 应用于离子束精准镀膜的工件图像去雾化方法及装置 |
| CN110996082A (zh) * | 2019-12-17 | 2020-04-10 | 成都极米科技股份有限公司 | 投影调节方法、装置、投影仪及可读存储介质 |
| CN111316321A (zh) * | 2018-05-15 | 2020-06-19 | 合刃科技（武汉）有限公司 | 物体识别装置 |
| CN112184586A (zh) * | 2020-09-29 | 2021-01-05 | 中科方寸知微(南京)科技有限公司 | 基于深度感知的单目视觉图像背景快速虚化的方法及系统 |
| CN113034407A (zh) * | 2021-04-27 | 2021-06-25 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| US20220036513A1 (en) * | 2020-07-28 | 2022-02-03 | Samsung Electronics Co., Ltd. | System and method for generating bokeh image for dslr quality depth-of-field rendering and refinement and training method for the same |
| US20220174207A1 (en) * | 2020-11-30 | 2022-06-02 | Canon Kabushiki Kaisha | Lens apparatus, image pickup apparatus, camera apparatus, controlling method, and computer-readable storage medium |
| WO2022227108A1 (zh) * | 2021-04-25 | 2022-11-03 | 华中科技大学 | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103856723A (zh) * | 2014-02-25 | 2014-06-11 | 中国人民解放军国防科学技术大学 | 一种单透镜成像的psf快速标定方法 |
| CN104599254A (zh) * | 2015-02-03 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 基于组合模糊核结构先验的单透镜计算成像方法 |
| CN106447626A (zh) * | 2016-09-07 | 2017-02-22 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
-
2017
- 2017-09-20 CN CN201710854230.8A patent/CN107680053A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103856723A (zh) * | 2014-02-25 | 2014-06-11 | 中国人民解放军国防科学技术大学 | 一种单透镜成像的psf快速标定方法 |
| CN104599254A (zh) * | 2015-02-03 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 基于组合模糊核结构先验的单透镜计算成像方法 |
| CN106447626A (zh) * | 2016-09-07 | 2017-02-22 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550125B (zh) * | 2018-04-17 | 2021-07-30 | 南京大学 | 一种基于深度学习的光学畸变修正方法 |
| CN108550125A (zh) * | 2018-04-17 | 2018-09-18 | 南京大学 | 一种基于深度学习的光学畸变修正方法 |
| WO2019218140A1 (zh) * | 2018-05-15 | 2019-11-21 | 合刃科技（武汉）有限公司 | 物体识别方法及计算机可读存储介质 |
| CN111263946A (zh) * | 2018-05-15 | 2020-06-09 | 合刃科技（武汉）有限公司 | 物体识别方法及计算机可读存储介质 |
| CN111316321A (zh) * | 2018-05-15 | 2020-06-19 | 合刃科技（武汉）有限公司 | 物体识别装置 |
| CN109509159A (zh) * | 2018-11-20 | 2019-03-22 | 湖南湖工电气有限公司 | 一种基于深度学习的无人机模糊图像端到端复原方法 |
| CN110874826A (zh) * | 2019-11-18 | 2020-03-10 | 北京邮电大学 | 应用于离子束精准镀膜的工件图像去雾化方法及装置 |
| CN110874826B (zh) * | 2019-11-18 | 2020-07-31 | 北京邮电大学 | 应用于离子束精准镀膜的工件图像去雾化方法及装置 |
| CN110996082A (zh) * | 2019-12-17 | 2020-04-10 | 成都极米科技股份有限公司 | 投影调节方法、装置、投影仪及可读存储介质 |
| CN110996082B (zh) * | 2019-12-17 | 2021-11-09 | 成都极米科技股份有限公司 | 投影调节方法、装置、投影仪及可读存储介质 |
| US20220036513A1 (en) * | 2020-07-28 | 2022-02-03 | Samsung Electronics Co., Ltd. | System and method for generating bokeh image for dslr quality depth-of-field rendering and refinement and training method for the same |
| US11823353B2 (en) * | 2020-07-28 | 2023-11-21 | Samsung Electronics Co., Ltd. | System and method for generating bokeh image for DSLR quality depth-of-field rendering and refinement and training method for the same |
| CN112184586A (zh) * | 2020-09-29 | 2021-01-05 | 中科方寸知微(南京)科技有限公司 | 基于深度感知的单目视觉图像背景快速虚化的方法及系统 |
| US20220174207A1 (en) * | 2020-11-30 | 2022-06-02 | Canon Kabushiki Kaisha | Lens apparatus, image pickup apparatus, camera apparatus, controlling method, and computer-readable storage medium |
| US11849218B2 (en) * | 2020-11-30 | 2023-12-19 | Canon Kabushiki Kaisha | Lens apparatus, image pickup apparatus, camera apparatus, controlling method, and computer-readable storage medium |
| WO2022227108A1 (zh) * | 2021-04-25 | 2022-11-03 | 华中科技大学 | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 |
| CN113034407A (zh) * | 2021-04-27 | 2021-06-25 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN113034407B (zh) * | 2021-04-27 | 2022-07-05 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107680053A (zh) | 一种基于深度学习分类的模糊核优化迭代初始值估计方法 | |
| CN108537746B (zh) | 一种基于深度卷积网络的模糊可变图像盲复原方法 | |
| CN108932693B (zh) | 基于人脸几何信息的人脸编辑补全方法及装置 | |
| US11610289B2 (en) | Image processing method and apparatus, storage medium, and terminal | |
| CN108681752B (zh) | 一种基于深度学习的图像场景标注方法 | |
| CN109614921B (zh) | 一种基于对抗生成网络的半监督学习的细胞分割方法 | |
| WO2020015330A1 (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
| CN114782691A (zh) | 基于深度学习的机器人目标识别与运动检测方法、存储介质及设备 | |
| CN108549892A (zh) | 一种基于卷积神经网络的车牌图像清晰化方法 | |
| CN105760836A (zh) | 基于深度学习的多角度人脸对齐方法、系统及拍摄终端 | |
| CN104217404A (zh) | 雾霾天视频图像清晰化处理方法及其装置 | |
| CN110458791B (zh) | 质量缺陷检测方法和检测设备 | |
| CN111832484A (zh) | 一种基于卷积感知哈希算法的回环检测方法 | |
| CN107948586A (zh) | 基于视频拼接的跨区域运动目标检测方法和装置 | |
| CN110910322A (zh) | 图片处理方法、装置、电子设备及计算机可读存储介质 | |
| CN112418235A (zh) | 一种基于膨胀最近邻特征增强的点云语义分割方法 | |
| US11783454B2 (en) | Saliency map generation method and image processing system using the same | |
| CN114298923A (zh) | 一种用于机器视觉测量系统的镜头评估及图像恢复方法 | |
| CN113436220B (zh) | 一种基于深度图分割的图像背景估计方法 | |
| CN113936047A (zh) | 稠密深度图生成方法及系统 | |
| CN116630367B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN109325405A (zh) | 一种镜头类型的标注方法、装置及设备 | |
| CN111160262A (zh) | 一种融合人体关键点检测的人像分割方法 | |
| CN108810319A (zh) | 图像处理装置和图像处理方法 | |
| CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180209 |