CN108376392B - 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
- CN108376392B CN108376392B CN201810087339.8A CN201810087339A CN108376392B CN 108376392 B CN108376392 B CN 108376392B CN 201810087339 A CN201810087339 A CN 201810087339A CN 108376392 B CN108376392 B CN 108376392B
- Authority
- CN
- China
- Prior art keywords
- residual block
- convolution
- layer
- neural network
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 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 55
- 238000003062 neural network model Methods 0.000 claims description 11
- 239000011800 void material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000003628 erosive effect Effects 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000003707 image sharpening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000000379 polymerizing effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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 CN108376392A (zh) | 2018-08-07 |
| CN108376392B true 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) |
Families Citing this family (16)
| 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 |
| 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 |
| 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 |
| 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 |
| CN109862253B (zh) * | 2018-12-06 | 2020-12-25 | 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
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 |
|---|
| Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring;Seungjun Nah 等;《2017 IEEE Conference on Computer Vision and Pattern Recognition》;20171231;第3节，图3-4 * |
| Image Segmentation with Pyramid Dilated Convolution Based on ResNet and U-Net;Qiao Zhang 等;《Neural Information Processing》;20171118;第2节，图1-2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108376392A (zh) | 2018-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108376392B (zh) | 一种基于卷积神经网络的图像运动模糊去除方法 | |
| CN108376387B (zh) | 基于聚合膨胀卷积网络的图像去模糊方法 | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| CN110782399B (zh) | 一种基于多任务cnn的图像去模糊方法 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| Chen et al. | Haze removal using radial basis function networks for visibility restoration applications | |
| WO2017106998A1 (en) | A method and a system for image processing | |
| CN113592736B (zh) | 一种基于融合注意力机制的半监督图像去模糊方法 | |
| CN116071243B (zh) | 一种基于边缘增强的红外图像超分辨率重建方法 | |
| CN111028150A (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
| CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
| CN112419191B (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
| CN111340718B (zh) | 一种基于渐进式导向强监督神经网络的图像去雾方法 | |
| CN111508013A (zh) | 立体匹配方法 | |
| CN109345609B (zh) | 基于卷积神经网络进行壁画图像去噪和线描画生成的方法 | |
| CN116847209B (zh) | 一种基于Log-Gabor与小波的光场全聚焦影像生成方法及系统 | |
| CN114004754A (zh) | 一种基于深度学习的场景深度补全系统及方法 | |
| CN114627034A (zh) | 一种图像增强方法、图像增强模型的训练方法及相关设备 | |
| Esmaeilzehi et al. | UPDResNN: A deep light-weight image upsampling and deblurring residual neural network | |
| Yang et al. | Joint image dehazing and super-resolution: Closed shared source residual attention fusion network | |
| CN112085674B (zh) | 基于神经网络的航拍图像去模糊算法 | |
| CN111489300B (zh) | 基于无监督学习的屏幕图像去摩尔纹方法 | |
| CN113096032A (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
| CN112489103A (zh) | 一种高分辨率深度图获取方法及系统 | |
| CN115170921A (zh) | 一种基于双边网格学习和边缘损失的双目立体匹配方法 |
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 |