CN110648291A - 一种基于深度学习的无人机运动模糊图像的复原方法 - Google Patents
一种基于深度学习的无人机运动模糊图像的复原方法 Download PDFInfo
- Publication number
- CN110648291A CN110648291A CN201910853466.9A CN201910853466A CN110648291A CN 110648291 A CN110648291 A CN 110648291A CN 201910853466 A CN201910853466 A CN 201910853466A CN 110648291 A CN110648291 A CN 110648291A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- aerial vehicle
- unmanned aerial
- blurred
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 5
- 230000017105 transposition Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于深度学习的无人机运动模糊图像的复原方法,在像素递归超分辨率网络的基础上,对其进行改进,将沙漏网络的优点引入进来,形成一种新的网络模型。网络模型分为优先网络和调节网络两个支路。优先网络是一个pixelCNN,其接收清晰图像作为输入,用于描述模糊图像的轮廓。调节网络为一个沙漏模块堆叠的沙漏网络,其接收模糊图像作为输入,通过最大池化层进行下采样,通过残差模块加深网络的深度,学习图像的细节特征,通过转置卷积进行上采样,综合学习不同尺度下的特征,从而实现了对运动模糊图像的超强复原能力。
Description
技术领域
本发明涉及计算机图像处理领域,具体涉及一种基于深度学习的运动模糊图像的复原方法。
背景技术
运动模糊图像的复原一直以来都是一个比较具有挑战性的问题,对其进行研究具有重要的实用价值和意义。
传统的去运动模糊方法有快速傅立叶变换去模糊法、Wiener滤波器去模糊法、Lucy-Richardson去模糊法。这些传统方法对运动模糊的复原能力非常有限。目前,深层卷积神经网络在运动模糊图像补偿领域内取得了较好的效果。相比传统的方法,基于深层卷积神经网络的运动模糊补偿方法不仅适合相机直线运动情形,也适合非线性运动的情形。然而,现有的基于卷积神经网络的去运动模糊方法不适合高速运动情形。因为方法主要基于至底向上的数据驱动原理,虽然针对所有的运动模糊的像素都有一定的效果,但是很难将形态极度扭曲的模糊图像进行复原。
像素递归超分辨率网络是一种基于残差网络和PixelCNN的超分辨率网络,它能够将低分辨率图像重建为高分辨率图像。这种至顶向下的像素生成能力非常强大。堆叠沙漏网络是一个由单个或多个沙漏模块组成的全卷积神经网络,它是为了解决人体姿势估计问题而被设计出来的。沙漏网络的优点在于:通过一个统一的结构便可同时捕获全局特征和局部特征,且当多个沙漏模块堆叠在网络中时,沙漏模块可以对这些特征进行多次处理以捕获更高级别的语义信息。
发明内容
本发明解决的技术问题在于针对高速运动的物体产生形态极度扭曲的模糊情形,提出一种具有超强复原能力的像素生成的深层神经网络对运动模糊的图像进行运动模糊复原。
为解决上述问题,本发明采用了如下技术方案:
一种基于深度学习的无人机运动模糊图像的复原方法,包括如下步骤:
S1、收集无人机图片,制作数据集,所述数据集包括训练集和测试集,所述训练集和测试集分别包含清晰的无人机图像和对应的运动模糊的无人机图像;
S2、建立网络模型,所述网络模型包括优先网络和调节网络,所述优先网络为一个PixelCNN,所述调节网络为由沙漏模块堆叠而成的沙漏网络;
S3、将训练集中的数据导入到所述网络模型中进行训练,将清晰图像输入所述优先网络,运动模糊图像输入调节网络,通过优化输出图像与输入的清晰图像的误差,不断迭代,得到训练好的网络模型;
S4、使用测试集对所述训练好的网络模型进行测试,通过对比测试集中清晰的无人机图像与训练好的网络模型生成的无人机图像,得到清晰图像和生成的结果图像的对比参数,满足预设阈值后完成测试;
S5、使用完成测试的网络模型复原无人机运动模糊图像。
进一步的,步骤S1中,通过对清晰的图像进行旋转、线性模糊或高斯噪声处理或生成对应的运动模糊的无人机图像。
进一步的,步骤S2中,所述调节网络由两层沙漏模块堆叠而成,沙漏模块的下采样为最大池化操作,上采样为转置卷积操作。
进一步的,步骤S3具体包括:
S31、将训练集中的清晰图像输入所述优先网络,对应的运动模糊图像输入调节网络;
S32、分别通过优先网络和调节网络计算出输入图像的条件对数概率矩阵,相加后得到输出结果的条件对数概率矩阵;
S33、计算输出结果的条件对数概率矩阵与输入的清晰图像之间的误差,通过反向传播,优化误差;
S34、重复上述步骤,将误差优化到预设阈值之下后,得到训练好的网络模型。
进一步的,步骤S4中,网络模型生成无人机图像具体包括:
S41、优先网络首先将与清晰图像形状相同的零矩阵O0作为输入,调节网络将模糊图像作为输入;
S42、在得到所述网络模型生成的图像后,将生成图像的第一个像素的值储存到O0,得到新的矩阵O1;
S43、优先网络再将O1作为新的输入,然后同样的方式,得到网络模型生成的矩阵,再将生成矩阵的第二个像素的值储存到O1,得到新的矩阵O2;
S44、重复上述过程,递归地生成零矩阵的每一个像素的值,最终得到生成的完整的清晰图像。
进一步的,步骤S4中,所述清晰图像和生成的结果图像的对比参数包括:峰值信噪比、均方误差和结构相似性。
本发明的有益效果如下:
本发明的无人机运动模糊图像的复原方法,在像素递归超分辨率网络的基础上,对其进行改进,将沙漏网络的优点引入进来,形成一种新的网络模型。网络模型分为优先网络和调节网络两个支路。优先网络是一个pixelCNN,其接收清晰图像作为输入,用于描述模糊图像的轮廓。调节网络为一个沙漏模块堆叠的沙漏网络,其接收模糊图像作为输入,通过最大池化层进行下采样,通过残差模块加深网络的深度,学习图像的细节特征,通过转置卷积进行上采样,综合学习不同尺度下的特征,从而实现了对运动模糊图像的超强复原能力。
附图说明
图1为本发明实施例中涉及的网络模型的示意图图。
图2为本发明实施例中涉及的沙漏模块的示意图。
图3为本发明实施例中涉及的残差模块的示意图。
图4为本发明实施例中涉及的训练集和测试集的图像。
图5为本发明实施例中网络模型的训练过程示意图。
图6为本发明实施例中生成结果图像的过程示意图。
图7为本发明实施例的运动模糊复原结果图。
具体实施方式
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
本发明实施例提供了一种基于深度学习的无人机运动模糊图像的复原方法,在像素递归超分辨率网络的基础上,对其进行改进,将沙漏网络的优点引入进来,形成一种新的网络模型,其架构如图1所示,它包含了一个调节网络和一个优先网络。其中调节网络是一个由沙漏模块堆叠而成的沙漏网络,其接收模糊图像作为输入并且输出生成的清晰图像每个像素的条件对数概率。优先网络是一个PixelCNN。
调节网络中的沙漏模块如图2所示。图2是一个二阶沙漏模块,它通过两次下采样缩小特征图尺度,再通过上采样恢复原特征图尺度,再结合残差模块,能从不同尺度学习深层次的特征。图2中的白色方块表示的都是类似于残差网络中的残差模块,其作用是在进一步提取更深层次的特征的同时保留原始特征信息,同时也能使得网络变得更深而又不至于梯度消失而无法训练。上一层沙漏模块的预测结果也可以作为下一层沙漏模块的输入,从而更好的帮助下层沙漏模块进行预测,因此预测结果也可以通过1×1的卷积重新加入到原来的特征中,进行由粗糙到细致的估计。
本实施例的网络模型中的调节网络是由两层沙漏模块堆叠而成,沙漏模块的下采样为最大池化操作,上采样为转置卷积操作,沙漏模块中的残差模块结构如图3所示。
本实施例的无人机运动模糊图像的复原方法包括如下步骤:
首先收集无人机图片,制作数据集。数据集包含训练集与测试集。其中训练集与测试集包含清晰的无人机图像和对应的运动模糊的无人机图像。本实施例中,通过对清晰的图像进行模糊处理(旋转,线性模糊,高斯噪声等处理),得到高速运动极度扭曲模糊的图像。数据集的部分图像如图4所示。其中奇数行是清晰的无人机图像,偶数行是与清晰无人机图像对应的模糊的无人机图像。
在得到数据集之后,将训练集中的数据导入到本发明的网络模型中进行训练,通过优化输出图像与输入的清晰图像的误差,不断迭代,得到一个训练好的模型。训练过程如图5所示。输入清晰图像与模糊图像,分别通过优先网络和调节网络计算出它们的条件对数概率(Logits),相加后得到输出结果的条件对数概率。再计算输出结果的条件对数概率与输入的清晰图像之间的误差,通过反向传播,优化误差,得到最终训练好的模型。
在一个具体实施例中,图像的尺寸大小为32﹡32﹡3。在训练时,先将无人机图像转换为矩阵。将清晰的无人机图像和对应的运动模糊的无人机图像的矩阵作为网络的输入。清晰图像的矩阵通过优先网络得到一个条件概率矩阵,运动模糊图像的矩阵通过调节网络也得到一个条件概率矩阵,然后将两个矩阵对应元素相加得到一个32﹡32﹡3﹡256的条件概率矩阵。得到的矩阵可以看成一张32﹡32个像素的图像,每个像素包含三个通道,每个通道有256个值。通过Softmax交叉熵,将每个通道的256个值计算成为一个像素的值,这样就得到与原来图像大小一致的32﹡32﹡3的矩阵。通过降低矩阵与清晰图像的矩阵的误差,不断迭代,得到一个模型。
最后使用测试集对训练的得到的模型进行测试。在测试时,先将模糊的无人机图像转换为矩阵。将一个零矩阵和模糊的无人机图像的矩阵作为模型的输入。零矩阵输入到模型中的优先网络,模糊的无人机图像的矩阵输入到模型中的调节网络。将模型输出的矩阵更新零矩阵,使更新后的零矩阵作为优先网络新的输入。这样递归的更新零矩阵,最后将得到的矩阵转换为图片。
在一个具体实施例中,在使用模型生成图像时,优先网络首先将与清晰图像形状相同的零矩阵O0作为输入,调节网络将模糊图像作为输入,在得到模型生成的图像后,将生成图像的第一个像素的值储存到O0,得到新的矩阵O1;优先网络再将O1作为新的输入,然后同样的方式,得到模型生成的矩阵,再将生成矩阵的第二个像素的值储存到O1,得到新的矩阵O2;……这样递归地生成零矩阵的每一个像素的值,最终得到生成的完整的清晰图像。一张模糊图像生成清晰图像的过程如图6所示。
其中,图6(a)为图像生成的过程,每次循环会计算出一个像素的值,然后将值更新到零矩阵之后,使用新的零矩阵进行下一次循环。图6(b)为零矩阵更新过程中产生的图像,每次循环会依次更新图像的一个像素值,知道整个零矩阵全部被更新,成为一张清晰的结果图。经过3072(32﹡32﹡3)次循环,最终生成清晰的结果图像。
将测试集中的模糊图像经过网络模型生成结果图像后,得到如图7所示的结果。
图7包含测试集中的模糊图像、清晰图像和模型生成结果的图像。图7中每部分的第一行为运动模糊的无人机图像,第二行为清晰的无人机图像,第三行为本发明提出方法所生成的无人机图像。图中每一列分别是一张模糊无人机图像和与之对应的清晰无人机图像和生成的无人机图像。
通过对比测试集中清晰的无人机图像与本发明生成的无人机图像,得到清晰图片和生成的结果图像的pSNR(峰值信噪比),MSE(均方误差),SSIM(结构相似性)分别平均为34.90,24.73,0.9408。
本发明的方法可以应用在反无人机装置上。目前已有的反无人机装置在视频监控摄像头的基础上,开发自动检测、跟踪无人机的算法。由于无人机在空中快速飞行,拍摄的无人机图片往往伴随运动模糊,难以精准判断无人机的具体型号。本发明可以在监控摄像头检测到无人机的基础上对图片进行模糊复原,在复原的图像基础上更容易判断无人机的类型。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (6)
1.一种基于深度学习的无人机运动模糊图像的复原方法,其特征在于,包括如下步骤:
S1、收集无人机图片,制作数据集,所述数据集包括训练集和测试集,所述训练集和测试集分别包含清晰的无人机图像和对应的运动模糊的无人机图像;
S2、建立网络模型,所述网络模型包括优先网络和调节网络,所述优先网络为一个PixelCNN,所述调节网络为由沙漏模块堆叠而成的沙漏网络;
S3、将训练集中的数据导入到所述网络模型中进行训练,将清晰图像输入所述优先网络,运动模糊图像输入调节网络,通过优化输出图像与输入的清晰图像的误差,不断迭代,得到训练好的网络模型;
S4、使用测试集对所述训练好的网络模型进行测试,通过对比测试集中清晰的无人机图像与训练好的网络模型生成的无人机图像,得到清晰图像和生成的结果图像的对比参数,满足预设阈值后完成测试;
S5、使用完成测试的网络模型复原无人机运动模糊图像。
2.如权利要求1所述的基于深度学习的无人机运动模糊图像的复原方法,其特征在于,步骤S1中,通过对清晰的图像进行旋转、线性模糊或高斯噪声处理或生成对应的运动模糊的无人机图像。
3.如权利要求1所述的基于深度学习的无人机运动模糊图像的复原方法,其特征在于,步骤S2中,所述调节网络由两层沙漏模块堆叠而成,沙漏模块的下采样为最大池化操作,上采样为转置卷积操作。
4.如权利要求1所述的基于深度学习的无人机运动模糊图像的复原方法,其特征在于,步骤S3具体包括:
S31、将训练集中的清晰图像输入所述优先网络,对应的运动模糊图像输入调节网络;
S32、分别通过优先网络和调节网络计算出输入图像的条件对数概率矩阵,相加后得到输出结果的条件对数概率矩阵;
S33、计算输出结果的条件对数概率矩阵与输入的清晰图像之间的误差,通过反向传播,优化误差;
S34、重复上述步骤,将误差优化到预设阈值之下后,得到训练好的网络模型。
5.如权利要求4所述的基于深度学习的无人机运动模糊图像的复原方法,其特征在于,步骤S4中,网络模型生成无人机图像具体包括:
S41、优先网络首先将与清晰图像形状相同的零矩阵O0作为输入,调节网络将模糊图像作为输入;
S42、在得到所述网络模型生成的图像后,将生成图像的第一个像素的值储存到O0,得到新的矩阵O1;
S43、优先网络再将O1作为新的输入,然后同样的方式,得到网络模型生成的矩阵,再将生成矩阵的第二个像素的值储存到O1,得到新的矩阵O2;
S44、重复上述过程,递归地生成零矩阵的每一个像素的值,最终得到生成的完整的清晰图像。
6.如权利要求4所述的基于深度学习的无人机运动模糊图像的复原方法,其特征在于,步骤S4中,所述清晰图像和生成的结果图像的对比参数包括:峰值信噪比、均方误差和结构相似性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853466.9A CN110648291B (zh) | 2019-09-10 | 2019-09-10 | 一种基于深度学习的无人机运动模糊图像的复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853466.9A CN110648291B (zh) | 2019-09-10 | 2019-09-10 | 一种基于深度学习的无人机运动模糊图像的复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648291A true CN110648291A (zh) | 2020-01-03 |
CN110648291B CN110648291B (zh) | 2023-03-03 |
Family
ID=69010413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853466.9A Active CN110648291B (zh) | 2019-09-10 | 2019-09-10 | 一种基于深度学习的无人机运动模糊图像的复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648291B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401282A (zh) * | 2020-03-23 | 2020-07-10 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960415A (zh) * | 2017-03-17 | 2017-07-18 | 深圳市唯特视科技有限公司 | 一种基于像素递归超分辨率模型恢复图像的方法 |
CN108229490A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 关键点检测方法、神经网络训练方法、装置和电子设备 |
CN108765325A (zh) * | 2018-05-17 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种小型无人机模糊图像复原方法 |
CN109146820A (zh) * | 2018-08-29 | 2019-01-04 | 合肥工业大学 | 实时腔镜视像增强处理方法和系统、存储介质 |
CN109271895A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 基于多尺度特征学习和特征分割的行人重识别方法 |
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 |
CN110349093A (zh) * | 2019-06-11 | 2019-10-18 | 西安电子科技大学 | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 |
-
2019
- 2019-09-10 CN CN201910853466.9A patent/CN110648291B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229490A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 关键点检测方法、神经网络训练方法、装置和电子设备 |
CN106960415A (zh) * | 2017-03-17 | 2017-07-18 | 深圳市唯特视科技有限公司 | 一种基于像素递归超分辨率模型恢复图像的方法 |
CN108765325A (zh) * | 2018-05-17 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种小型无人机模糊图像复原方法 |
CN109146820A (zh) * | 2018-08-29 | 2019-01-04 | 合肥工业大学 | 实时腔镜视像增强处理方法和系统、存储介质 |
CN109271895A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 基于多尺度特征学习和特征分割的行人重识别方法 |
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 |
CN110349093A (zh) * | 2019-06-11 | 2019-10-18 | 西安电子科技大学 | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 |
Non-Patent Citations (3)
Title |
---|
CHAO MIN等: "Blind Deblurring via a Novel Recursive Deep CNN Improved by Wavelet Transform", 《IEEE ACCESS》 * |
RYAN DAHL ET AL: "Pixel Recursive Super Resolution", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION(ICCV)》 * |
陈展鸿: "基于深度学习的图像超分辨率方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401282A (zh) * | 2020-03-23 | 2020-07-10 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110648291B (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
Liang et al. | Vrt: A video restoration transformer | |
CN110969577B (zh) | 一种基于深度双重注意力网络的视频超分辨率重建方法 | |
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN108122197B (zh) | 一种基于深度学习的图像超分辨率重建方法 | |
CN111709895A (zh) | 基于注意力机制的图像盲去模糊方法及系统 | |
CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
Wen et al. | VIDOSAT: High-dimensional sparsifying transform learning for online video denoising | |
CN110796622B (zh) | 一种基于串联神经网络多层特征的图像比特增强方法 | |
CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
Min et al. | Blind deblurring via a novel recursive deep CNN improved by wavelet transform | |
Sahu et al. | Blind deblurring using deep learning: A survey | |
CN112699844A (zh) | 一种基于多尺度残差层级密连接网络的图像超分辨率方法 | |
Chen et al. | Image denoising via deep network based on edge enhancement | |
CN114998099A (zh) | 一种基于图像预训练策略的图像超分辨率方法 | |
CN115345791A (zh) | 一种基于注意力机制残差网络模型的红外图像去模糊算法 | |
CN115526777A (zh) | 一种盲超分网络建立方法、盲超分方法及存储介质 | |
CN117274059A (zh) | 基于图像编码-解码的低分辨率图像重构方法及其系统 | |
CN114926336A (zh) | 视频超分辨率重建方法、装置、计算机设备及存储介质 | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
CN110648291B (zh) | 一种基于深度学习的无人机运动模糊图像的复原方法 | |
Zheng et al. | Depth image super-resolution using multi-dictionary sparse representation | |
CN112200752B (zh) | 一种基于er网络多帧图像去模糊系统及其方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200103 Assignee: Zhongke testing group ecological monitoring Wuhan Co.,Ltd. Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980053944 Denomination of invention: A deep learning based restoration method for motion blurred images of unmanned aerial vehicles Granted publication date: 20230303 License type: Common License Record date: 20231225 |
|
EE01 | Entry into force of recordation of patent licensing contract |