CN108376392A - 一种基于卷积神经网络的图像运动模糊去除方法 - Google Patents
一种基于卷积神经网络的图像运动模糊去除方法 Download PDFInfo
- Publication number
- CN108376392A CN108376392A CN201810087339.8A CN201810087339A CN108376392A CN 108376392 A CN108376392 A CN 108376392A CN 201810087339 A CN201810087339 A CN 201810087339A CN 108376392 A CN108376392 A CN 108376392A
- Authority
- CN
- China
- Prior art keywords
- residual block
- convolutional layer
- empty
- convolution
- mixing
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000010410 layer Substances 0.000 claims description 84
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 69
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000003628 erosive effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000003707 image sharpening Methods 0.000 abstract 1
- 108091006146 Channels Proteins 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于数字图像处理技术领域,具体为一种基于卷积神经网络的图像运动模糊去除方法。图像运动模糊去除技术用于图像清晰化与增强,消除在拍摄过程中,由于相机或物体相对运动所产生的图像重影、模糊、扭曲等现象,从而重建清晰的图片。本发明首先运用新型的卷积运算,空洞卷积,构建一个多尺度深度信息融合的深度神经网络系统;其次,进行数据准备与模型训练,当误差降低至某阈值,可认为网络收敛;最后,在应用阶段,将模糊图像输入系统,直接得到清晰图像。实验结果表明,给定一张运动模糊图片,本发明既能够清除越过边缘侵蚀的模糊模式,又能够合理的还原图像细节,得到与其对应的清晰图片。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及图像运动模糊去除方法。
背景技术
近年来,随着手持移动终端的普及,数字图片越来越多的来自于移动终端的拍摄。由于手持设备容易晃动,加之拍摄物体快速运动,运动模糊极易被引入,导致图像质量降低。图像运动模糊去除作为图像增强的一个研究分支,有着较高的科学研究价值与广泛的现实应用需要。
图片模糊是由相机或是拍摄物体在曝光时间内的相对运动所造成的。其成因可以概括为公式如下:IB=K*IS+N,其中,IB为已知模糊的图像,IS为待求的清晰图像,K为运动模糊核,“*”表示卷积运算,N表示随机噪声。传统的算法,如Szeliski等人的工作,往往对卷积核K有着过多的假设,例如假定运动模式、假设全局统一运动等等,应用Weiner滤波,Richardson-Lucy算法等技术还原清晰图像。由于该类算法对运动核的约束过于强,导致传统算法在人工生成的模糊图片集上性能优良,但对于真实模糊图片的效果不好。接下来,例如Schuler等人、Chakrabarti等人的工作,集中于弱化、取消对于K的假设,从模糊图像IB中求得模糊核K,再定义能量函数并对其进行优化,实现模糊图像去卷积的过程,产生清晰的图片。虽然改进算法相比传统算法,在自然模糊图片下具有更强的泛化能力,但是自然照片模糊核K十分复杂,无法做到精准的估计,成为了该类算法的瓶颈。
最近随着卷积神经网络(CNNs)的发展,CNN的架构逐渐应用到解决图像去模糊的问题上。Sun等人提出了基于CNN估计模糊核、马尔科夫随机场建立稠密运动场的估计,优化能量函数的算法,缺点是预先给定了模糊核的集合(相当于对K进行约束),使得模糊核离散化,估计的精度有限。Nah等人提出了端到端去模糊的CNN模型,但是其引入了过多的不同尺度分支,导致运行效率降低,将低分辨率的特征映射插值拉大,损失了细节信息。
发明内容
本发明的目的在于提出一种泛化能力强、运行效率高的图像运动模糊去除方法。
本发明提出的图像运动模糊去除方法,是基于卷积神经网络的,其中,首次提出“空洞卷积”这种特殊卷积运算,扩大了感受野的范围;通过累加使用可代替池化层,使得感受野进一步扩展而不必缩放特征映射;并通过引入混合残差块,加深网络深度;本发明进一步提高了模型拟合能力;将低层次特征映射聚合至高层次,使得小尺度局部信息与大尺度全局信息相融合,从而使图片中不同尺度的模糊被模型感知而去除。
本发明提出的基于卷积神经网络的图像运动模糊去除方法,包括深度神经网络模型的构建、训练数据的准备与模型训练、深度神经网络模型的使用三个阶段;具体步骤如下:
(1)深度神经网络模型的构建
本发明首先构建一个多尺度深度信息融合的深度神经网络模型,用以生成清晰图片。该模型由3个卷积层、7个空洞卷积层、9个混合残差块构成。其拓扑结构为:卷积层0→混合残差块0→空洞卷积层0→混合残差块1→空洞卷积层1→混合残差块2→空洞卷积层2→混合残差块3→空洞卷积层3→混合残差块4(+3)→空洞卷积层4→混合残差块5(+2)→空洞卷积层5→混合残差块6(+1)→空洞卷积层6→混合残差块7(+0)→卷积层1→混合残差块8→卷积层2→残差与输入融合→输出结果。
其中,“→”符号表示神经网络层间连接,例如“A→B”表示A层输出数据作为B层输入。“混合残差块a(+b)”表示将“混合残差块b”的结果聚合到“混合残差块a”的结果中,二者一齐作为下一层的输入内容,例如,“混合残差块6(+1)”表示将“混合残差块1”的结果聚合到“混合残差块6”的结果中,二者一齐作为下一层的输入内容,其他同理。
(2)训练数据的准备与模型训练
假设数据集含有n组清晰-模糊图像对,即S={(ISi,IBi)},i=1,2,…n。ISi表示第i张清晰图像,IBi表示第i张模糊图像。将每张图片裁剪出数个96×96的子图,得到子图集合T={(IS′ij,IB′ij)},i=1,2,…n,j=1,2,…m,m为每张图片裁得子图数量。再将T的每一个子图进行左右对称,旋转90度,颜色通道混排,下采样1、1/2、1/3、1/4。最终得到规模扩大96倍的子图集合T′,作为深度神经网络的训练集合,T={(IS″ij,IB″ij)},i=1,2,…n,j=1,2,…96×m。以此数据集作为监督信息训练网络。
(3)深度神经网络模型的使用
对于一张待处理的模糊图像IB,直接将其输入经过训练的深度神经网络,得到的网络输出IS,即为清晰结果。
本发明步骤(1)中,所述空洞卷积层中的空洞卷积为新定义的一种卷积运算,如公式(1)所示:
其中,Ωi,j是图像中被滤波器覆盖的、以(i,j)为中心的边长为K的区域。K为奇数,表示空洞卷积的尺寸,空洞卷积的半径用l表示,卷积核是一个以(i,j)为中心,K为边长的正方形框以及中心;在公式(1)中,H为该卷积核系数展开的向量,左上角位置的参数记为H1,沿顺时针分别记作H1、H2…H4K-4,中心点参数记为H0。空洞卷积作为创新的卷积形式,相比于普通卷积,扩大了感受野的范围,减少了参数的数量。其经过多次堆叠使用可以代替池化层提取全局信息,使得特征映射不必缩小再扩大,进而避免细节信息的丢失。
本发明步骤(1)中,一共有四处特征映射的聚合。分别为:
1)混合残差块3与混合残差块4聚合,送入空洞卷积层4;
2)混合残差块2与混合残差块5聚合,送入空洞卷积层5;
3)混合残差块1与混合残差块6聚合,送入空洞卷积层6;
4)混合残差块0与混合残差块7聚合,送入卷积层1。
聚合使得浅层残差块与深层残差块结果相融合,将小尺度的局部精细的信息融合到大尺度的全局抽象的信息中,不同尺度的信息结合在一起,共同为产生结果发挥作用。
本发明步骤(1)中,混合残差块的结构具体为:残差块包含输入信号、两个运算分支以及输出分支。第一分支经过一个Dropout层、四个卷积层,第二分支直接保留输入信号。两分支共同进入Sigmoid层,由神经网络学习出系数,将二者的信号混合得到最终的输出。公式为下式(2)所示:
O(X)=V(X,H(X))⊙H(X)+(1-V(X,H(X)))⊙X (2)
其中,X代表输入信号,O(X)代表输出信号。H代表第一分支得到的卷积结果。V(X,H(X))代表根据由Sigmoid层学到的两个分支混合的比例。⊙代表各个维度均相同的矩阵对应位置进行点乘运算。该混合残差块加深了网络层数,提高拟合复杂函数的能力,同时由于保留了输入信号,缓解了梯度弥散、爆炸等问题。
本发明实施例中,步骤(1)中,卷积层0输入为三通道,输出为64通道,卷积层2输入为64通道,输出为3通道,其他所有层或块,输出均为64通道。
本发明实施例中,步骤(1)中,各个空洞卷积层的参数K分别为:在空洞卷积0中,K=7,在空洞卷积1中,K=11,在空洞卷积2中,K=19,在空洞卷积3中,K=27,在空洞卷积4中,K=19,在空洞卷积5中,K=11,在空洞卷积6中,K=7。
实验结果表明,给定一张运动模糊图片,本发明既能够清除越过边缘侵蚀的模糊模式,又能够合理的还原图像细节,得到与其对应的清晰图片。
附图说明
图1为本发明的流程图(整体网络)。
图2为空洞卷积示意图。
图3为混合残差块示意图。
图4为本发明的处理结果对比图。其中,(a)清晰图片,(b)模糊图片,(c)本发明处理结果。
具体实施方式
基于卷积神经网络的图像运动模糊去除方法,流程如图1所示,其具体步骤如下:
(1)模型构建
首先构建一个多尺度深度信息融合的深度神经网络模型,用以生成清晰图片。该网络拓扑结构为:卷积层0→混合残差块0→空洞卷积层0→混合残差块1→空洞卷积层1→混合残差块2→空洞卷积层2→混合残差块3→空洞卷积层3→混合残差块4(+3)→空洞卷积层4→混合残差块5(+2)→空洞卷积层5→混合残差块6(+1)→空洞卷积层6→混合残差块7(+0)→卷积层1→混合残差块8→卷积层2→残差与输入融合→输出结果。其中,“→”符号表示神经网络层间连接,例如“A→B”表示A层输出数据作为B层输入。“混合残差块6(+1)”表示将“混合残差块1”的结果聚合到“混合残差块6”的结果中,二者一齐作为下一层的输入内容,其他同理。各卷积层通道数如下:卷积层0输入为三通道,输出为64通道,卷积层2输入为64通道,输出为3通道,其他所有层或块,输出均为64通道。各个空洞卷积层的参数K分别如下:在空洞卷积0中,K=7,在空洞卷积1中,K=11,在空洞卷积2中,K=19,在空洞卷积3中,K=27,在空洞卷积4中,K=19,在空洞卷积5中,K=11,在空洞卷积6中,K=7。
(2)训练数据的准备与模型训练
假设数据集含有n组清晰-模糊图像对,即S={(ISi,IBi)},i=1,2,…n。ISi表示第i张清晰图像,IBi表示第i张模糊图像。将每张图片裁剪出数个96×96的子图,得到子图集合T={(IS′ij,IB′ij)},i=1,2,…n,j=1,2,…m,m为每张图片裁得子图数量。再将T的每一个子图进行左右对称,旋转90度,颜色通道混排,下采样1、1/2、1/3、1/4。最终得到规模扩大96倍的子图集合T′,作为深度神经网络的训练集合,T={(IS″ij,IB″ij)},i=1,2,…n,j=1,2,…96×m。以此数据集作为监督信息训练网络。
(3)模型使用
输入一张待处理的模糊图像IB,直接将其输入网络,得到的网络输出IS,即为清晰结果。
图2是空洞卷积示意图,具体步骤为:
其中,Ωi,j是图像中被滤波器覆盖的、以(i,j)为中心的边长为K的区域。K为奇数,表示空洞卷积的尺寸,则空洞卷积的半径用l表示,卷积核是一个以(i,j)为中心,K为边长的正方形框以及中心;在公式(1)中,H为该卷积核系数展开的向量,左上角位置的参数记为H1,沿顺时针分别记作H1、H2…H4K-4,中心点参数记为H0。空洞卷积作为创新的卷积形式,相比于普通卷积,扩大了感受野的范围,减少了参数的数量。其经过多次堆叠使用可以代替池化层提取全局信息,使得特征映射不必缩小再扩大,进而避免细节信息的丢失。
图3是混合残差块示意图,具体步骤为:
残差块包含输入信号、两个运算分支以及输出分支。第一分支经过一个Dropout层、四个卷积层,第二分支直接保留输入信号。两分支共同进入Sigmoid层,由神经网络学习出系数,将二者的信号混合得到最终的输出。公式为:
其中,X代表输入信号,O(X)代表输出信号。H代表第一分支得到的卷积结果。V(X,H(X))代表根据由Sigmoid层学到的两个分支混合的比例。⊙代表各个维度均相同的矩阵对应位置进行点乘运算。该混合残差块加深了网络层数,提高拟合复杂函数的能力,同时由于保留了输入信号,缓解了梯度弥散、爆炸等问题。
图4是本发明处理结果与清晰图、模糊图之间的对比。组图从上到下分别为:(a)清晰图片,(b)模糊图片,(c)本发明处理结果。可以看出,本发明既能够清除越过边缘侵蚀的模糊模式,又能够合理的还原图像细节,得到与其对应的清晰图片。
参考文献
[1]Kaiming He,Xiangyu Zhang,Shaoqing Ren,and Jian Sun.Deep residuallearning for image recognition.In Computer Vision and Pattern Recognition,pages770–778,2016.
[2]OrestKupyn,VolodymyrBudzan,MykolaMykhailych,DmytroMishkin,and JiriMatas.Deblurgan:Blind motion deblurring using conditional adversarialnetworks.2017.
[3]Seungjun Nah,Tae Hyun Kim,and Kyoung Mu Lee.Deep multi-scaleconvolutional neural network for dynamic scene deblurring.In The IEEEConference on Computer Vision and Pattern Recognition(CVPR),July 2017.
[4]Jinshan Pan,Zhe Hu,Zhixun Su,and Ming Hsuan Yang.Deblurring textimages vial0-regularized intensity and gradient prior.In IEEE Conference onComputer Vision and Pattern Recognition,pages2901–2908,2014.
[5]Jian Sun,Wenfei Cao,Zongben Xu,and Jean Ponce.Learning aconvolutional neural network for non-uniform motion blur removal.(CVPR):769–777,2015.。
Claims (5)
1.一种基于卷积神经网络的图像运动模糊去除方法,其特征在于,包括深度神经网络模型的构建、训练数据的准备与模型训练、深度神经网络模型的使用三个阶段;具体步骤如下:
(1)深度神经网络模型的构建
构建一个多尺度深度信息融合的深度神经网络模型,用以生成清晰图片;
该模型由3个卷积层、7个空洞卷积层、9个混合残差块构成;其拓扑结构为:第一卷积层0→第一混合残差块0→第一空洞卷积层0→第二混合残差块1→第二空洞卷积层1→第三混合残差块2→第三空洞卷积层2→第四混合残差块3→第四空洞卷积层3→第五混合残差块4(+3)→第五空洞卷积层4→第六混合残差块5(+2)→第六空洞卷积层5→第七混合残差块6(+1)→第七空洞卷积层6→第八混合残差块7(+0)→第二卷积层1→第九混合残差块8→第三卷积层2→残差与输入融合→输出结果;
其中,“→”符号表示神经网络层间连接,“A→B”表示A层输出数据作为B层输入;“混合残差块a(+b)”表示将“混合残差块b”的结果聚合到“混合残差块a”的结果中,二者一齐作为下一层的输入内容;
(2)训练数据的准备与模型训练
假设数据集含有n组清晰-模糊图像对,即S={(ISi,IBi)},i=1,2,…n;ISi表示第i张清晰图像,IBi表示第i张模糊图像;将每张图片裁剪出数个96×96的子图,得到子图集合T={(IS′ij,IB′ij)},i=1,2,…n,j=1,2,…m,m为每张图片裁得子图数量;再将T的每一个子图进行左右对称,旋转90度,颜色通道混排,下采样1、1/2、1/3、1/4;最终得到规模扩大96倍的子图集合T′,作为深度神经网络的训练集合,T={(IS″ij,IB″ij)},i=1,2,…n,j=1,2,…96×m;以此数据集作为监督信息训练网络;
(3)深度神经网络模型的使用
对于一张待处理的模糊图像IB,直接将其输入经过训练的深度神经网络,得到的网络输出IS,即为清晰结果;
步骤(1)中,所述空洞卷积层中的空洞卷积的定义如公式(1)所示:
其中,Ωi,j是图像中被滤波器覆盖的、以(i,j)为中心的边长为K的区域,K为奇数,表示空洞卷积的尺寸,空洞卷积的半径用l表示,卷积核是一个以(i,j)为中心,K为边长的正方形框以及中心;H为该卷积核系数展开的向量,左上角位置的参数记为H1,沿顺时针分别记作H1、H2…H4K-4,中心点参数记为H0。
2.根据权利要求1所述的基于卷积神经网络的图像运动模糊去除方法,其特征在于,步骤(1)中,一共有四处特征映射的聚合,分别为:
1)第四混合残差块3与第五混合残差块4聚合,送入第五空洞卷积层4;
2)第三混合残差块2与第六混合残差块5聚合,送入第六空洞卷积层5;
3)第二混合残差块1与第七混合残差块6聚合,送入第七空洞卷积层6;
4)第一混合残差块0与第八混合残差块7聚合,送入第二卷积层1。
3.根据权利要求1所述的基于卷积神经网络的图像运动模糊去除方法,其特征在于,步骤(1)中,所述混合残差块的结构为:残差块包含输入信号、两个运算分支以及输出分支;第一分支经过一个Dropout层、四个卷积层,第二分支直接保留输入信号;两分支共同进入Sigmoid层,由神经网络学习出系数,将二者的信号混合得到最终的输出,计算公式为下式(2)所示:
O(X)=V(X,H(X))⊙H(X)+(1-V(X,H(X)))⊙X (2)
其中,X代表输入信号,O(X)代表输出信号,H代表第一分支得到的卷积结果,V(X,H(X))代表根据由Sigmoid层学到的两个分支混合的比例,⊙代表各个维度均相同的矩阵对应位置进行点乘运算。
4.根据权利要求1所述的基于卷积神经网络的图像运动模糊去除方法,其特征在于,步骤(1)中,卷积层0输入为三通道,输出为64通道,卷积层2输入为64通道,输出为3通道,其他所有层或块,输出均为64通道。
5.根据权利要求1-4之一所述的基于卷积神经网络的图像运动模糊去除方法,其特征在于,步骤(1)中,各个空洞卷积层的参数K分别为:在第一空洞卷积0中,K=7,在第二空洞卷积1中,K=11,在第三空洞卷积2中,K=19,在第四空洞卷积3中,K=27,在第五空洞卷积4中,K=19,在第六空洞卷积5中,K=11,在第七空洞卷积6中,K=7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087339.8A CN108376392B (zh) | 2018-01-30 | 2018-01-30 | 一种基于卷积神经网络的图像运动模糊去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087339.8A CN108376392B (zh) | 2018-01-30 | 2018-01-30 | 一种基于卷积神经网络的图像运动模糊去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108376392A true CN108376392A (zh) | 2018-08-07 |
CN108376392B CN108376392B (zh) | 2021-06-22 |
Family
ID=63016995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810087339.8A Active CN108376392B (zh) | 2018-01-30 | 2018-01-30 | 一种基于卷积神经网络的图像运动模糊去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108376392B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191472A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胸腺细胞图像分割方法 |
CN109242015A (zh) * | 2018-08-29 | 2019-01-18 | 北京航空航天大学 | 基于空基平台视觉监视的水域面积检测方法与装置 |
CN109254814A (zh) * | 2018-08-20 | 2019-01-22 | 中国平安人寿保险股份有限公司 | 基于神经网络的投保信息配置方法、装置、计算机设备及存储介质 |
CN109583496A (zh) * | 2018-11-28 | 2019-04-05 | 武汉精立电子技术有限公司 | 一种用于显示面板大面积缺陷分类的网络模型及方法 |
CN109862253A (zh) * | 2018-12-06 | 2019-06-07 | 中国人民解放军陆军工程大学 | 一种基于深度学习的数字视频稳像方法 |
CN110022393A (zh) * | 2019-04-10 | 2019-07-16 | 北京易诚高科科技发展有限公司 | 一种自适应评估手机防抖功能的方法 |
CN110060215A (zh) * | 2019-04-16 | 2019-07-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110782399A (zh) * | 2019-08-22 | 2020-02-11 | 天津大学 | 一种基于多任务cnn的图像去模糊方法 |
CN111091503A (zh) * | 2019-11-09 | 2020-05-01 | 复旦大学 | 基于深度学习的图像去失焦模糊方法 |
CN111105357A (zh) * | 2018-10-25 | 2020-05-05 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
CN111127336A (zh) * | 2019-11-18 | 2020-05-08 | 复旦大学 | 一种基于自适应选择模块的图像信号处理方法 |
CN111815536A (zh) * | 2020-07-15 | 2020-10-23 | 电子科技大学 | 一种基于轮廓加强策略的运动模糊修复方法 |
CN112085674A (zh) * | 2020-08-27 | 2020-12-15 | 河海大学 | 基于神经网络的航拍图像去模糊算法 |
CN112348766A (zh) * | 2020-11-06 | 2021-02-09 | 天津大学 | 一种用于监控视频增强的渐进式特征流深度融合网络 |
CN114359082A (zh) * | 2021-12-24 | 2022-04-15 | 复旦大学 | 一种基于自建数据对的胃镜图像去模糊算法 |
CN114723630A (zh) * | 2022-03-31 | 2022-07-08 | 福州大学 | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 |
CN116233626A (zh) * | 2023-05-05 | 2023-06-06 | 荣耀终端有限公司 | 图像处理方法、装置及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
-
2018
- 2018-01-30 CN CN201810087339.8A patent/CN108376392B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
Non-Patent Citations (2)
Title |
---|
QIAO ZHANG 等: "Image Segmentation with Pyramid Dilated Convolution Based on ResNet and U-Net", 《NEURAL INFORMATION PROCESSING》 * |
SEUNGJUN NAH 等: "Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109254814A (zh) * | 2018-08-20 | 2019-01-22 | 中国平安人寿保险股份有限公司 | 基于神经网络的投保信息配置方法、装置、计算机设备及存储介质 |
CN109191472A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胸腺细胞图像分割方法 |
CN109242015B (zh) * | 2018-08-29 | 2020-04-10 | 北京航空航天大学 | 基于空基平台视觉监视的水域面积检测方法与装置 |
CN109242015A (zh) * | 2018-08-29 | 2019-01-18 | 北京航空航天大学 | 基于空基平台视觉监视的水域面积检测方法与装置 |
CN111105357B (zh) * | 2018-10-25 | 2023-05-02 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
CN111105357A (zh) * | 2018-10-25 | 2020-05-05 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
CN109583496A (zh) * | 2018-11-28 | 2019-04-05 | 武汉精立电子技术有限公司 | 一种用于显示面板大面积缺陷分类的网络模型及方法 |
CN109862253A (zh) * | 2018-12-06 | 2019-06-07 | 中国人民解放军陆军工程大学 | 一种基于深度学习的数字视频稳像方法 |
CN110022393A (zh) * | 2019-04-10 | 2019-07-16 | 北京易诚高科科技发展有限公司 | 一种自适应评估手机防抖功能的方法 |
CN110060215A (zh) * | 2019-04-16 | 2019-07-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110060215B (zh) * | 2019-04-16 | 2021-09-10 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110782399A (zh) * | 2019-08-22 | 2020-02-11 | 天津大学 | 一种基于多任务cnn的图像去模糊方法 |
CN110782399B (zh) * | 2019-08-22 | 2023-05-12 | 天津大学 | 一种基于多任务cnn的图像去模糊方法 |
CN111091503A (zh) * | 2019-11-09 | 2020-05-01 | 复旦大学 | 基于深度学习的图像去失焦模糊方法 |
CN111091503B (zh) * | 2019-11-09 | 2023-05-02 | 复旦大学 | 基于深度学习的图像去失焦模糊方法 |
CN111127336A (zh) * | 2019-11-18 | 2020-05-08 | 复旦大学 | 一种基于自适应选择模块的图像信号处理方法 |
CN111127336B (zh) * | 2019-11-18 | 2023-05-02 | 复旦大学 | 一种基于自适应选择模块的图像信号处理方法 |
CN111815536A (zh) * | 2020-07-15 | 2020-10-23 | 电子科技大学 | 一种基于轮廓加强策略的运动模糊修复方法 |
CN111815536B (zh) * | 2020-07-15 | 2022-10-14 | 电子科技大学 | 一种基于轮廓加强策略的运动模糊修复方法 |
CN112085674A (zh) * | 2020-08-27 | 2020-12-15 | 河海大学 | 基于神经网络的航拍图像去模糊算法 |
CN112085674B (zh) * | 2020-08-27 | 2022-08-26 | 河海大学 | 基于神经网络的航拍图像去模糊算法 |
CN112348766A (zh) * | 2020-11-06 | 2021-02-09 | 天津大学 | 一种用于监控视频增强的渐进式特征流深度融合网络 |
CN112348766B (zh) * | 2020-11-06 | 2023-04-18 | 天津大学 | 一种用于监控视频增强的渐进式特征流深度融合网络 |
CN114359082B (zh) * | 2021-12-24 | 2023-01-06 | 复旦大学 | 一种基于自建数据对的胃镜图像去模糊算法 |
CN114359082A (zh) * | 2021-12-24 | 2022-04-15 | 复旦大学 | 一种基于自建数据对的胃镜图像去模糊算法 |
CN114723630A (zh) * | 2022-03-31 | 2022-07-08 | 福州大学 | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 |
CN114723630B (zh) * | 2022-03-31 | 2024-09-06 | 福州大学 | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 |
CN116233626A (zh) * | 2023-05-05 | 2023-06-06 | 荣耀终端有限公司 | 图像处理方法、装置及电子设备 |
CN116233626B (zh) * | 2023-05-05 | 2023-09-15 | 荣耀终端有限公司 | 图像处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108376392B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108376392A (zh) | 一种基于卷积神经网络的图像运动模糊去除方法 | |
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN105701508B (zh) | 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法 | |
CN109756690B (zh) | 基于特征级别光流的轻量级视频插值方法 | |
CN113033570B (zh) | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 | |
CN111429347A (zh) | 图像超分辨率重建方法、装置及计算机可读存储介质 | |
CN111696148A (zh) | 基于卷积神经网络的端到端立体匹配方法 | |
CN109102462A (zh) | 一种基于深度学习的视频超分辨率重建方法 | |
CN111476249B (zh) | 多尺度大感受野卷积神经网络的构建方法 | |
CN109493300B (zh) | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 | |
CN111127331B (zh) | 基于像素级全局噪声估计编解码网络的图像去噪方法 | |
CN112508960A (zh) | 一种基于改进注意力机制的低精度图像语义分割方法 | |
CN110163801A (zh) | 一种图像超分辨和着色方法、系统及电子设备 | |
CN112767466A (zh) | 一种基于多模态信息的光场深度估计方法 | |
CN110570522A (zh) | 一种多视图三维重建方法 | |
CN113870335A (zh) | 一种基于多尺度特征融合的单目深度估计方法 | |
CN111508013A (zh) | 立体匹配方法 | |
CN112241939B (zh) | 一种基于多尺度和非局部的轻量去雨方法 | |
CN112489050A (zh) | 一种基于特征迁移的半监督实例分割算法 | |
CN112634163A (zh) | 基于改进型循环生成对抗网络去图像运动模糊方法 | |
CN113449612B (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
CN108924528A (zh) | 一种基于深度学习的双目风格化实时渲染方法 | |
CN114049251A (zh) | 一种用于ai视频分析的模糊图像超分辨率重建方法及装置 | |
CN115330620A (zh) | 一种基于循环生成对抗网络的图像去雾方法 | |
CN110189262A (zh) | 基于神经网络以及直方图匹配的图像去雾算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |