CN110874826A - 应用于离子束精准镀膜的工件图像去雾化方法及装置 - Google Patents

应用于离子束精准镀膜的工件图像去雾化方法及装置 Download PDF

Info

Publication number
CN110874826A
CN110874826A CN201911126984.7A CN201911126984A CN110874826A CN 110874826 A CN110874826 A CN 110874826A CN 201911126984 A CN201911126984 A CN 201911126984A CN 110874826 A CN110874826 A CN 110874826A
Authority
CN
China
Prior art keywords
image
defogged
neural network
defogging
blur kernel
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
Application number
CN201911126984.7A
Other languages
English (en)
Other versions
CN110874826B (zh
Inventor
景晓军
黄海
杨威
刁克明
张芳沛
王雪姝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201911126984.7A priority Critical patent/CN110874826B/zh
Publication of CN110874826A publication Critical patent/CN110874826A/zh
Application granted granted Critical
Publication of CN110874826B publication Critical patent/CN110874826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (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 Processing (AREA)

Abstract

本发明实施例提供了一种图像去雾化方法、装置及电子设备，其中，方法包括：获取待去雾化图像以及盲去雾化模型；将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，其中，所述神经网络的损失函数是根据所述盲去雾化模型得到的，所述盲去雾化模型包括：暗通道先验；将所述模糊核代入盲去雾化模型中，得到非盲去雾化模型；根据所述非盲去雾化模型，对所述待去雾化图像进行去雾化，得到清晰图像。采用本发明实施例提供的技术方案在对图像进行去雾化时，可以提高盲去雾化模型的泛用性，从而提高对图像去雾化的准确性。

Description

应用于离子束精准镀膜的工件图像去雾化方法及装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像去雾化方法、装置及电子设备。
背景技术
在图像拍摄过程中，由于拍摄环境的光线问题或待拍摄物体的问题，很容易使得拍摄出的图像模糊不清。很多情况下，当拍摄出的图像模糊不清时，需要对拍摄出的图像进行去雾化处理，以得到清晰的图像。例如，在离子束溅射镀膜过程中，需要拍摄待加工工件的图像，根据拍摄的图像来对待加工工件进行定位，以便于调整离子源、待加工工件和靶台之间的位置，使溅射离子可以对准待加工工件，但由于离子束溅射镀膜的操作室光线通常较暗，拍摄的待加工工件的图像通常对比度较低且成像较模糊，这种情况下，就需要对拍摄的待加工工件的图像去雾化。对图像去雾化，多数为对图像盲去雾化，即在图像去雾化过程中，图像的模糊核未知。
现有技术在对图像去雾化时，采用的方法通常是：利用模糊核的先验将盲去雾化模型转换为非盲去雾化模型，再用非盲去雾化模型对图像去雾化。
但是，利用现有技术在对图像去雾化时，由于大部分模糊核的先验都是统计得到，这样，就会导致盲去雾化模型的泛用性较差，使得对图像去雾化的准确性也较差。
发明内容
本发明实施例的目的在于提供一种图像去雾化方法、装置及电子设备，以提高盲去雾化模型的泛用性，从而提高对图像去雾化的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种图像去雾化方法，所述方法包括：
获取待去雾化图像以及盲去雾化模型；
将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，其中，所述神经网络的损失函数是根据所述盲去雾化模型得到的，所述盲去雾化模型包括：暗通道先验；
将所述模糊核代入盲去雾化模型中，得到非盲去雾化模型；
根据所述非盲去雾化模型，对所述待去雾化图像进行去雾化，得到清晰图像。
可选的，所述将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，包括：
S1：对所述待去雾化图像进行n次下采样，得到n张下采样图片yn-1～y0，其中，yn-1为对所述待去雾化图像进行第1次下采样后得到的图像，yn-2为对所述待去雾化图像进行第2次下采样后得到的图像，……，y0为对所述待去雾化图像进行第n次下采样后得到的图像，n为大于0的整数；
S2：将预设的模糊核确定为y0对应的初始模糊核k0，将预设的图像确定为y0去雾化后得到的初始潜像x0；
S3：将i的值设置为1；
S4：将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，其中，yi-1为对所述待去雾化图像进行第n-(i-1)次下采样后得到的图像，yi为对所述待去雾化图像进行第n-i次下采样后得到的图像；
S5：判断i的值是否为n；
S6：若i的值为n，则将ki确定为所述待去雾化图像的模糊核；
S7：若i的值不为n，则将i的值更新为i+1，并执行步骤S4～S7。
可选的，所述将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，包括以下步骤：
S401：将yi-1对应的模糊核ki-1进行双线性差值后得到的结果，作为yi对应的初始模糊核ki，0；将yi-1去雾化后得到的潜像xi-1进行上采样得到的图像，作为yi对应的初始潜像xi，0；
S402：将yi、ki，0、xi，0输入所述神经网络，得到yi对应的第1次迭代后的模糊核ki，1以及yi对应的第1次迭代后的潜像xi，1；
S403：将所述ki，1以及所述xi，1代入所述神经网络进行反向传播，得到第1次更新参数后的神经网络；
S404：判断得到的ki，1是否满足收敛条件；
S405：若ki，1满足收敛条件，则将ki，1作为yi对应的模糊核，将xi，1作为yi去雾化后得到的潜像xi；
S406：若ki，1不满足收敛条件，则将t设置为2；
S407：将yi、ki，t-1、xi，t-1输入更新了参数的神经网络，得到yi对应的第t次迭代后的模糊核ki，t以及yi对应的第t次迭代后的潜像xi，t；
S408：将所述ki，t以及所述xi，t代入第t-1次更新参数后的神经网络进行反向传播，得到第t次更新参数后的神经网络；
S409：判断得到的ki，t是否满足收敛条件；
S410：若ki，t满足收敛条件，则将ki，t作为yi对应的模糊核，将xi，t作为yi去雾化后得到的潜像xi；
S411：若ki，t不满足收敛条件，则将t更新为t+1，并执行步骤S407～S411。
可选的，所述神经网络为三层神经网络，所述神经网络的传播过程为：
Figure BDA0002277152390000031
Figure BDA0002277152390000032
Figure BDA0002277152390000033
Figure BDA0002277152390000034
Figure BDA0002277152390000035
Figure BDA0002277152390000036
Figure BDA0002277152390000037
Figure BDA0002277152390000038
Figure BDA0002277152390000041
Figure BDA0002277152390000042
其中，
Figure BDA0002277152390000043
为神经网络第i层的第j个神经元的第k个变量的网络权重参数，
Figure BDA0002277152390000044
为神经网络第i层的第j个神经元，g()为每层神经网络的激活函数，b1、b2、b3分别为神经网络的第一、第二、第三层网络的偏置值，xi，t，yi，ki，t为输入，xi，t+1，ki，t+1为输出。
可选的，所述收敛条件为：
Figure BDA0002277152390000045
其中，
Figure BDA0002277152390000046
为收敛判断值，S为模糊核k的像素数，ki，t为yi对应的第t次迭代出的模糊核结果，ki，t-1为yi对应的第t-1次迭代得到的模糊核结果，e为自然对数的底数。
可选的，所述盲去雾化模型包括：数据保持项、暗通道先验、去雾化后得到的图像的超拉普拉斯先验、模糊核的正则约束项；
所述盲去雾化模型为：
Figure BDA0002277152390000047
上式中，x为待去雾化图像经去雾化后得到的图像，y为待去雾化图像，k为待去雾化图像的模糊核，||*||2为L2范数，D(x)为图像x的暗通道，||*||1为L1范数，α、β、γ均为正则化权重参数，
Figure BDA0002277152390000048
为x的梯度，第一项为数据保持项、第二项为暗通道先验、第三项为去雾化后得到的图像的超拉普拉斯先验、第四项为模糊核的正则约束项。
可选的，所述将所述待去雾化图像输入神经网络中之前，所述方法还包括：
对所述待去雾化图像进行预处理，得到处理过的待去雾化图像；
相应的，所述将所述待去雾化图像输入神经网络中，包括：
将所述处理过的待去雾化图像输入神经网络中；
所述预处理，包括以下至少一项：
将所述待去雾化图像进行中值滤波去噪；
运用sharpen算法对所述待去雾化图像进行锐化；
运用CLAHE算法对所述待去雾化图像进行对比度均衡。
第二方面，本发明实施例提供了一种图像去雾化装置，所述装置包括：
图像及模型获取单元，用于获取待去雾化图像以及盲去雾化模型；
模糊核确定单元，用于将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，其中，所述神经网络的损失函数是根据所述盲去雾化模型得到的，所述盲去雾化模型包括：暗通道先验；
模型确定单元，用于将所述模糊核代入盲去雾化模型中，得到非盲去雾化模型；
图像去雾化单元，用于根据所述非盲去雾化模型，对所述待去雾化图像进行去雾化，得到清晰图像。
可选的，所述模糊核确定单元，包括：
下采样子单元，用于对所述待去雾化图像进行n次下采样，得到n张下采样图片yn-1～y0，其中，yn-1为对所述待去雾化图像进行第1次下采样后得到的图像，yn-2为对所述待去雾化图像进行第2次下采样后得到的图像，……，y0为对所述待去雾化图像进行第n次下采样后得到的图像，n为大于0的整数；
初始信息确定子单元，用于将预设的模糊核确定为y0对应的初始模糊核k0，将预设的图像确定为y0去雾化后得到的初始潜像x0；
赋值子单元，用于将i的值设置为1；
中间信息确定子单元，用于将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，其中，yi-1为对所述待去雾化图像进行第n-(i-1)次下采样后得到的图像，yi为对所述待去雾化图像进行第n-i次下采样后得到的图像；
判断子单元，用于判断i的值是否为n；
模糊核确定子单元，用于当所述判断子单元的判定结果为是时，将ki确定为所述待去雾化图像的模糊核；
赋值更新子单元，用于当所述判断子单元的判定结果为否时，将i的值更新为i+1，并触发所述中间信息确定子单元执行任务。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信，
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现第一方面提供的任一项所述的图像去雾化方法。
本发明实施例提供的图像去雾化方法，是将待去雾化图像输入神经网络中得到待去雾化图像的模糊核，由于神经网络的损失函数是根据盲去雾化模型得到的，而盲去雾化模型又包括暗通道先验，由于暗通道先验是由图像模糊的内在属性得出的，暗通道先验具有普遍的泛用性，这样，就会使得盲去雾化模型具有更好的泛用性，由于神经网络的损失函数是根据盲去雾化模型得到的，所以，由神经网络得到的模糊核也更准确，从而，得到的清晰图像也更准确。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像去雾化方法的一种流程示意图；
图2为本发明实施例提供的图像去雾化装置的一种结构示意图；
图3为本发明实施例提供的电子设备的一种结构示意图。
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做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。
为了提高盲去雾化模型的泛用性，从而提高对图像去雾化的准确性，本发明实施例提供了一种图像去雾化方法、装置及电子设备。
下面首先对本发明实施例所提供的图像去雾化方法进行介绍。
需要说明的是，本发明实施例所提供的图像去雾化方法可以应用于图像处理行业。
本发明实施例提供的图像去雾化方法的执行主体可以是电子设备，该电子设备例如可以是台式电脑、笔记本电脑、移动终端等设备，也可以是其他电子设备。
图1为本发明实施例提供的图像去雾化方法的一种流程示意图，也就是本发明实施例提供的应用于离子束精准镀膜的工件图像去雾化方法的一种流程示意图。如图1所示，本发明实施例提供的图像去雾化方法包括以下步骤：
S110：获取待去雾化图像以及盲去雾化模型。
其中，上述盲去雾化模型包括：暗通道先验。
暗通道是指，在图像中，某些像素总会有至少一个色彩通道具有很小的值。对于图像x，其暗通道可以用下式表达：
Figure BDA0002277152390000071
上式(1)中，u与v表示图像x中的像素坐标，D(x)u表示图像x的暗通道，N(u)为以像素u为中心的一个窗口，c表示图像的色彩通道，
Figure BDA0002277152390000073
表示图像x的c通道的v像素，r、g、b分别为红、绿、蓝三个色彩通道。
在本发明实施例中，盲去雾化模型可以为：
Figure BDA0002277152390000072
上式(2)中，x为待去雾化图像经去雾化后得到的图像，y为待去雾化图像，k为待去雾化图像的模糊核，||*||2为L2范数，α为正则化权重参数，D(x)为图像x的暗通道，第一项为数据保持项、第二项为暗通道先验。
在本发明实施例中，盲去雾化模型可以包括：数据保持项、暗通道先验、去雾化后得到的图像的超拉普拉斯先验、模糊核的正则约束项；
具体的，盲去雾化模型可以为：
Figure BDA0002277152390000081
上式(3)中，x为待去雾化图像经去雾化后得到的图像，y为待去雾化图像，k为待去雾化图像的模糊核，||*||2为L2范数，||*||1为L1范数，D(x)为图像x的暗通道，α、β、γ均为正则化权重参数，
Figure BDA0002277152390000082
为x的梯度，第一项为数据保持项、第二项为暗通道先验、第三项为去雾化后得到的图像的超拉普拉斯先验、第四项为模糊核的正则约束项。
当盲去雾化模型为上述式(3)时，可以减小盲去雾化模型的过拟合现象。
在一种具体实施方式中，可以按以下步骤S111～S113得到盲去雾化模型：
S111：构建盲去雾化初步模型。
上述盲去雾化初步模型可以为：
Figure BDA0002277152390000083
上式(4)中，x为待去雾化图像经去雾化后得到的图像，y为待去雾化图像，k为待去雾化图像的模糊核，β、λ均为正则化权重参数，第一项为数据保持项，此项越小，说明重建的雾化图像和实际雾化图像差距越小，去雾化效果更好，P(x)为清晰图像的先验分布约束，Q(k)为模糊核的先验分布约束。
S112：确定暗通道先验。
步骤S112中，确定出的暗通道先验可以用式(1)表示。
S113：根据上述盲去雾化初步模型和暗通道先验，确定盲去雾化模型。
步骤S113中，确定出的盲去雾化模型可以用式(3)表示。
S120：将待去雾化图像输入神经网络中，得到待去雾化图像的模糊核，其中，神经网络的损失函数是根据盲去雾化模型得到的。
在本发明实施例中，神经网络的隐层可以为两层，也可以为其他层数，例如，三层或四层，神经网络各隐层的神经元数量可以是四个，也可以是其他数量个，例如，三个、五个或六个，本发明实施例不具体限定隐层的层数和各隐层的神经元数量。
在一种实施方式中，当盲去雾化模型为上式(3)时，神经网络的损失函数可以为：
Figure BDA0002277152390000091
当盲去雾化模型为上式(2)时，神经网络的损失函数可以为：
Figure BDA0002277152390000092
神经网络的目标是最小化损失函数。即神经网络的目的是求解盲去雾化模型。
在本发明实施例中，可以按以下方式得到待去雾化图像的模糊核：将待去雾化图像输入神经网络中，通过随机梯度下降(Stochastic gradient descent，简称SGD)反向传播迭代优化神经网络的参数，使用参数更新后的神经网络得到待去雾化图像的模糊核。
S130：将模糊核代入盲去雾化模型中，得到非盲去雾化模型。
在本发明实施例中，当盲去雾化模型为式(3)时，非盲去雾化模型可以为：
Figure BDA0002277152390000093
式(5)中，i表示图像x的像素，h与v表示图像x中的像素坐标，*是对模糊核k的索引，第一项是数据拟合项，第二项为惩罚项，第二项的目的是使得去雾化后的图像的梯度尽可能稀疏。
S140：根据非盲去雾化模型，对待去雾化图像进行去雾化，得到清晰图像。
在本发明实施例中，可以根据待去雾化图像，用神经网络来求解非盲去雾化模型，从而得到清晰图像，具体的求解过程可以参考上述求解模糊核的过程。本领域技术人员也可以使用其他方法来根据非盲去雾化模型对待去雾化图像进行去雾化本发明实施例不具体限定。
本发明实施例提供的图像去雾化方法，是将待去雾化图像输入神经网络中得到待去雾化图像的模糊核，由于神经网络的损失函数是根据盲去雾化模型得到的，而盲去雾化模型又包括暗通道先验，由于暗通道先验是由图像模糊的内在属性得出的，暗通道先验具有普遍的泛用性，这样，就会使得盲去雾化模型具有更好的泛用性，由于神经网络的损失函数是根据盲去雾化模型得到的，所以，由神经网络得到的模糊核也更准确，从而，得到的清晰图像也更准确。
在一个具体实施例中，待去雾化图像可以为离子束溅射镀膜过程中所使用的待镀膜工件图像，当将本发明实施例用于对离子束溅射镀膜过程中的待镀膜工件图像进行去雾化时，可以更准确地对待镀膜工件图像进行去雾化，得到的清晰图像的准确度更高，从而可以更准确地对待镀膜工件进行定位，提高了镀膜的准确性，减少了材料浪费与污染。
在一种具体实施方式中，步骤S120，可以按以下步骤S1～S7实现：
S1：对待去雾化图像进行n次下采样，得到n张下采样图片yn-1～y0，其中，yn为待去雾化图像，yi为对待去雾化图像进行第n-i次下采样后得到的图像，yi-1是对yi进行下采样后得到的图像，n为正整数，i为不大于n的正整数，yn-(i+1)是对yn-i进行下采样后得到的图像。
S2：将预设的模糊核确定为y0对应的初始模糊核k0，将预设的图像确定为y0去雾化后得到的初始潜像x0。
预设的模糊核例如可以是尺寸为7*7的模糊核，也可以是其他的具体模糊核，预设的图像可以为各个像素的值为0的图像，本领域技术人员可以根据实际情况设定预设的模糊核和预设的图像，本发明实施例不具体限定。
S3：将i的值设置为1；
S4：将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，其中，yi-1为对所述待去雾化图像进行第n-(i-1)次下采样后得到的图像，yi为对所述待去雾化图像进行第n-i次下采样后得到的图像；
S5：判断i的值是否为n；
S6：若i的值为n，则将ki确定为所述待去雾化图像的模糊核；
S7：若i的值不为n，则将i的值更新为i+1，并执行步骤S4～S7。
本实施方式通过将待去雾化图像进行多次下采样得到n张下采样图片yn-1～y0，从y0至yn-1逐个确定模糊核，可以结合待去雾化图像多层次的信息来确定模糊核，可以使得确定的模糊核更准确，从而可以降低待去雾化图像去雾化后的失真率，另外，多层次迭代更新模糊核，可以加快求出模糊核的速度。
在一种实施方式中，上述步骤S4，可以按以下步骤S401～S411实现：
S401：将yi-1对应的模糊核ki-1进行双线性差值后得到的结果，作为yi对应的初始模糊核ki，0；将yi-1去雾化后得到的潜像xi-1进行上采样得到的图像，作为yi对应的初始潜像xi，0；
S402：将yi、ki，0、xi，0输入上述神经网络，得到yi对应的第1次迭代后的模糊核ki，1以及yi对应的第1次迭代后的潜像xi，1；
S403：将上述ki，1以及上述xi，1代入上述神经网络进行反向传播，得到第1次更新参数后的神经网络；
S404：判断得到的ki，1是否满足收敛条件；
S405：若ki，1满足收敛条件，则将ki，1作为yi对应的模糊核，将xi，1作为yi去雾化后得到的潜像xi；
S406：若ki，1不满足收敛条件，则将t设置为2；
S407：将yi、ki，t-1、xi，t-1输入更新了参数的神经网络，得到yi对应的第t次迭代后的模糊核ki，t以及yi对应的第t次迭代后的潜像xi，t；
S408：将上述ki，t以及上述xi，t代入第t-1次更新参数后的神经网络进行反向传播，得到第t次更新参数后的神经网络；
S409：判断得到的ki，t是否满足收敛条件；
S410：若ki，t满足收敛条件，则将ki，t作为yi对应的模糊核，将xi，t作为yi去雾化后得到的潜像xi；
S411：若ki，t不满足收敛条件，则将t更新为t+1，并执行步骤S407～S411。
在一种具体实施方式中，步骤S409中的收敛条件可以为：
Figure BDA0002277152390000121
其中，
Figure BDA0002277152390000122
为收敛判断值，S为模糊核k的像素数，ki，t为yi对应的第t次迭代出的模糊核结果，ki，t-1为yi对应的第t-1次迭代得到的模糊核结果，e为自然对数的底数。收敛条件也可以为其他具体形式，本发明实施例不具体限定。
本实施方式通过多次迭代的方式，不仅可以更快速地更新神经网络的参数，还可以更快速地得到模糊核。
在一种实施方式中，上述神经网络可以为三层神经网络，上述神经网络的传播过程可以为：
Figure BDA0002277152390000123
Figure BDA0002277152390000124
Figure BDA0002277152390000125
Figure BDA0002277152390000126
Figure BDA0002277152390000127
Figure BDA0002277152390000128
Figure BDA0002277152390000129
Figure BDA00022771523900001210
Figure BDA00022771523900001211
其中，
Figure BDA00022771523900001212
为神经网络第i层的第j个神经元的第k个变量的网络权重参数，
Figure BDA0002277152390000131
为神经网络第i层的第j个神经元，g()为每层神经网络的激活函数，b1、b2、b3分别为神经网络的第一、第二、第三层网络的偏置值，xi，t，yi，ki，t为输入，xi，t+1，ki，t+1为输出。神经网络的传播过程也可以是其他形式，本发明实施例不具体限定。
在一种实施方式中，步骤S120之前，上述方法还可以包括以下步骤：对待去雾化图像进行预处理，得到处理过的待去雾化图像；
相应的，步骤S120中的将所述待去雾化图像输入神经网络中，可以按以下步骤实现：将所述处理过的待去雾化图像输入神经网络中。
将待去雾化图像进行预处理后，可以提高待去雾化图像的清晰度和对比度，从而更便于对待去雾化图像进行去雾化处理。
在一种具体实施方式中，上述预处理，可以包括以下至少一项：
将待去雾化图像进行中值滤波去噪；
运用sharpen算法对待去雾化图像进行锐化；
运用CLAHE算法对待去雾化图像进行对比度均衡。
上述将待去雾化图像进行中值滤波去噪，可以包括以下步骤：遍历待去雾化图像每个像素点，将以当前像素为中心的的3×3窗格内的像素的强度按从大到小的顺序排列，将排序结果的中位数作为中心像素的像素值。
上述运用sharpen算法对待去雾化图像进行锐化，可以按以下步骤实现：用lalcian算子提取待去雾化图像的高频信息，并将提取的信息叠加到待去雾化图像上。
上述运用CLAHE算法对待去雾化图像进行对比度均衡，可以按以下步骤实现：将待去雾化图像划分区域，以区域为单位得出直方图，修剪直方图后进行像素均衡；遍历各个区域进行区域间线性插值，得到插值后的图像；将插值后的图像与待去雾化图像做图层滤色混合；图层滤色混合的公式可以为：f(a，b)＝1-(1-a)*(1-b)，该式中，a为待去雾化图像，b为区域间线性插值之后得到的图像，f(a，b)为待去雾化图像经对比度均衡处理后得到的图像。
相应于上面的图像去雾化方法，本发明实施例还提供了一种图像去雾化装置。图2为本发明实施例提供的图像去雾化装置的一种结构示意图，也就是本发明实施例提供的应用于离子束精准镀膜的工件图像去雾化装置的一种结构示意图。如图2所示，本发明实施例提供的图像去雾化装置包括：
图像及模型获取单元210，用于获取待去雾化图像以及盲去雾化模型；
模糊核确定单元220，用于将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，其中，所述神经网络的损失函数是根据所述盲去雾化模型得到的，所述盲去雾化模型包括：暗通道先验；
模型确定单元230，用于将所述模糊核代入盲去雾化模型中，得到非盲去雾化模型；
图像去雾化单元240，用于根据所述非盲去雾化模型，对所述待去雾化图像进行去雾化，得到清晰图像。
本发明实施例提供的图像去雾化装置，是将待去雾化图像输入神经网络中得到待去雾化图像的模糊核，由于神经网络的损失函数是根据盲去雾化模型得到的，而盲去雾化模型又包括暗通道先验，由于暗通道先验是由图像模糊的内在属性得出的，暗通道先验具有普遍的泛用性，这样，就会使得盲去雾化模型具有更好的泛用性，由于神经网络的损失函数是根据盲去雾化模型得到的，所以，由神经网络得到的模糊核也更准确，从而，得到的清晰图像也更准确。
在一种实施方式中，所述模糊核确定单元220，可以包括：
下采样子单元，用于对所述待去雾化图像进行n次下采样，得到n张下采样图片yn-1～y0，其中yn-1为对所述待去雾化图像进行第1次下采样后得到的图像，yn-2为对所述待去雾化图像进行第2次下采样后得到的图像，……，y0为对所述待去雾化图像进行第n次下采样后得到的图像，n为大于0的整数；
初始信息确定子单元，用于将预设的模糊核确定为y0对应的初始模糊核k0，将预设的图像确定为y0去雾化后得到的初始潜像x0；
赋值子单元，用于将i的值设置为1；
中间信息确定子单元，用于将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，其中，yi-1为对所述待去雾化图像进行第n-(i-1)次下采样后得到的图像，yi为对所述待去雾化图像进行第n-i次下采样后得到的图像；
判断子单元，用于判断i的值是否为n；
模糊核确定子单元，用于当所述判断子单元的判定结果为是时，将ki确定为所述待去雾化图像的模糊核；
赋值更新子单元，用于当所述判断子单元的判定结果为否时，将i的值更新为i+1，并触发所述中间信息确定子单元执行任务。
在一种实施方式中，中间信息确定子单元，具体可以用于执行以下S401～S411步骤：
S401：将yi-1对应的模糊核ki-1进行双线性差值后得到的结果，作为yi对应的初始模糊核ki，0；将yi-1去雾化后得到的潜像xi-1进行上采样得到的图像，作为yi对应的初始潜像xi，0；
S402：将yi、ki，0、xi，0输入所述神经网络，得到yi对应的第1次迭代后的模糊核ki，1以及yi对应的第1次迭代后的潜像xi，1；
S403：将所述ki，1以及所述xi，1代入所述神经网络进行反向传播，得到第1次更新参数后的神经网络；
S404：判断得到的ki，1是否满足收敛条件；
S405：若ki，1满足收敛条件，则将ki，1作为yi对应的模糊核，将xi，1作为yi去雾化后得到的潜像xi；
S406：若ki，1不满足收敛条件，则将t设置为2；
S407：将yi、ki，t-1、xi，t-1输入更新了参数的神经网络，得到yi对应的第t次迭代后的模糊核ki，t以及yi对应的第t次迭代后的潜像xi，t；
S408：将所述ki，t以及所述xi，t代入第t-1次更新参数后的神经网络进行反向传播，得到第t次更新参数后的神经网络；
S409：判断得到的ki，t是否满足收敛条件；
S410：若ki，t满足收敛条件，则将ki，t作为yi对应的模糊核，将xi，t作为yi去雾化后得到的潜像xi；
S411：若ki，t不满足收敛条件，则将t更新为t+1，并执行步骤S407～S411。
在一种实施方式中，所述神经网络可以为三层神经网络，所述神经网络的传播过程可以为：
Figure BDA0002277152390000161
Figure BDA0002277152390000162
Figure BDA0002277152390000163
Figure BDA0002277152390000164
Figure BDA0002277152390000165
Figure BDA0002277152390000166
Figure BDA0002277152390000167
Figure BDA0002277152390000168
Figure BDA0002277152390000169
Figure BDA00022771523900001610
其中，
Figure BDA00022771523900001611
为神经网络第i层的第j个神经元的第k个变量的网络权重参数，
Figure BDA00022771523900001612
为神经网络第i层的第j个神经元，g()为每层神经网络的激活函数，b1、b2、b3分别为神经网络的第一、第二、第三层网络的偏置值，xi，t，yi，ki，t为输入，xi，t+1，ki，t+1为输出。
在一种实施方式中，所述收敛条件可以为：
Figure BDA00022771523900001613
其中，
Figure BDA00022771523900001614
为收敛判断值，S为模糊核k的像素数，ki，t为yi对应的第t次迭代出的模糊核结果，ki，t-1为yi对应的第t-1次迭代得到的模糊核结果，e为自然对数的底数。
在一种实施方式中，所述盲去雾化模型可以包括：数据保持项、暗通道先验、去雾化后得到的图像的超拉普拉斯先验、模糊核的正则约束项；
所述盲去雾化模型为：
Figure BDA0002277152390000171
上式中，x为待去雾化图像经去雾化后得到的图像，y为待去雾化图像，k为待去雾化图像的模糊核，||*||2为L2范数，||*||1为L1范数，D(x)为图像x的暗通道，α、β、γ均为正则化权重参数，
Figure BDA0002277152390000172
为x的梯度，第一项为数据保持项、第二项为暗通道先验、第三项为去雾化后得到的图像的超拉普拉斯先验、第四项为模糊核的正则约束项。
在一种实施方式中，所述装置还可以包括：
预处理单元，用于对所述待去雾化图像进行预处理，得到处理过的待去雾化图像；
相应的，所述模糊核确定单元，具体用于：
将所述处理过的待去雾化图像输入神经网络中；
所述预处理，包括以下至少一项：
将所述待去雾化图像进行中值滤波去噪；
运用sharpen算法对所述待去雾化图像进行锐化；
运用CLAHE算法对所述待去雾化图像进行对比度均衡。
本发明实施例还提供了一种电子设备，如图3所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301、通信接口302、存储器303通过通信总线304完成相互间的通信，存储器303，用于存放计算机程序；处理器301，用于执行存储器303上所存放的程序时，实现上述任一项的图像去雾化方法。
上述电子设备中提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项的图像去雾化方法。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一项的图像去雾化方法。
对于装置/电子设备/存储介质/程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备/存储介质/程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种图像去雾化方法，其特征在于，所述方法包括：
获取待去雾化图像以及盲去雾化模型；
将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，其中，所述神经网络的损失函数是根据所述盲去雾化模型得到的，所述盲去雾化模型包括：暗通道先验；
将所述模糊核代入盲去雾化模型中，得到非盲去雾化模型；
根据所述非盲去雾化模型，对所述待去雾化图像进行去雾化，得到清晰图像。
2.根据权利要求1所述的方法，其特征在于，所述将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，包括：
S1：对所述待去雾化图像进行n次下采样，得到n张下采样图片yn-1～y0，其中，yn-1为对所述待去雾化图像进行第1次下采样后得到的图像，yn-2为对所述待去雾化图像进行第2次下采样后得到的图像，……，y0为对所述待去雾化图像进行第n次下采样后得到的图像，n为大于0的整数；
S2：将预设的模糊核确定为y0对应的初始模糊核k0，将预设的图像确定为y0去雾化后得到的初始潜像x0；
S3：将i的值设置为1；
S4：将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，其中，yi-1为对所述待去雾化图像进行第n-(i-1)次下采样后得到的图像，yi为对所述待去雾化图像进行第n-i次下采样后得到的图像；
S5：判断i的值是否为n；
S6：若i的值为n，则将kj确定为所述待去雾化图像的模糊核；
S7：若i的值不为n，则将i的值更新为i+1，并执行步骤S4～S7。
3.根据权利要求2所述的方法，其特征在于，所述将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，包括以下步骤：
S401：将yi-1对应的模糊核ki-1进行双线性差值后得到的结果，作为yi对应的初始模糊核ki，0；将yi-1去雾化后得到的潜像xi-1进行上采样得到的图像，作为yi对应的初始潜像xi，0；
S402：将yi、ki，0、xi，0输入所述神经网络，得到yi对应的第1次迭代后的模糊核ki，1以及yi对应的第1次迭代后的潜像xi，1；
S403：将所述ki，1以及所述xi，1代入所述神经网络进行反向传播，得到第1次更新参数后的神经网络；
S404：判断得到的ki，1是否满足收敛条件；
S405：若ki，1满足收敛条件，则将ki，1作为yi对应的模糊核，将xi，1作为yi去雾化后得到的潜像xi；
S406：若ki，1不满足收敛条件，则将t设置为2；
S407：将yi、ki，t-1、xi，t-1输入更新了参数的神经网络，得到yi对应的第t次迭代后的模糊核ki，t以及yi对应的第t次迭代后的潜像xi，t；
S408：将所述ki，t以及所述xi，t代入第t-1次更新参数后的神经网络进行反向传播，得到第t次更新参数后的神经网络；
S409：判断得到的ki，t是否满足收敛条件；
S410：若ki，t满足收敛条件，则将ki，t作为yi对应的模糊核，将xi，t作为yi去雾化后得到的潜像xi；
S411：若ki，t不满足收敛条件，则将t更新为t+1，并执行步骤S407～S411。
4.根据权利要求3所述的方法，其特征在于，所述神经网络为三层神经网络，所述神经网络的传播过程为：
Figure FDA0002277152380000031
Figure FDA0002277152380000032
Figure FDA0002277152380000033
Figure FDA0002277152380000034
Figure FDA0002277152380000035
Figure FDA0002277152380000036
Figure FDA0002277152380000037
Figure FDA0002277152380000038
Figure FDA0002277152380000039
Figure FDA00022771523800000310
其中，
Figure FDA00022771523800000311
为神经网络第i层的第j个神经元的第k个变量的网络权重参数，
Figure FDA00022771523800000312
为神经网络第i层的第j个神经元，g()为每层神经网络的激活函数，b1、b2、b3分别为神经网络的第一、第二、第三层网络的偏置值，xi，t，yi，ki，t为输入，xi，t+1，ki，t+1为输出。
5.根据权利要求3所述的方法，其特征在于，所述收敛条件为：
Figure FDA00022771523800000313
其中，
Figure FDA00022771523800000314
为收敛判断值，S为模糊核k的像素数，ki，t为yi对应的第t次迭代出的模糊核结果，ki，t-1为yi对应的第t-1次迭代得到的模糊核结果，e为自然对数的底数。
6.根据权利要求1所述的方法，其特征在于，所述盲去雾化模型包括：数据保持项、暗通道先验、去雾化后得到的图像的超拉普拉斯先验、模糊核的正则约束项；
所述盲去雾化模型为：
Figure FDA00022771523800000315
上式中，x为待去雾化图像经去雾化后得到的图像，y为待去雾化图像，k为待去雾化图像的模糊核，||*||2为L2范数，||*||1为L1范数，D(x)为图像x的暗通道，α、β、γ均为正则化权重参数，
Figure FDA0002277152380000041
为x的梯度，第一项为数据保持项、第二项为暗通道先验、第三项为去雾化后得到的图像的超拉普拉斯先验、第四项为模糊核的正则约束项。
7.根据权利要求1所述的方法，其特征在于，所述将所述待去雾化图像输入神经网络中之前，所述方法还包括：
对所述待去雾化图像进行预处理，得到处理过的待去雾化图像；
相应的，所述将所述待去雾化图像输入神经网络中，包括：
将所述处理过的待去雾化图像输入神经网络中；
所述预处理，包括以下至少一项：
将所述待去雾化图像进行中值滤波去噪；
运用sharpen算法对所述待去雾化图像进行锐化；
运用CLAHE算法对所述待去雾化图像进行对比度均衡。
8.一种图像去雾化装置，其特征在于，所述装置包括：
图像及模型获取单元，用于获取待去雾化图像以及盲去雾化模型；
模糊核确定单元，用于将所述待去雾化图像输入神经网络中，得到所述待去雾化图像的模糊核，其中，所述神经网络的损失函数是根据所述盲去雾化模型得到的，所述盲去雾化模型包括：暗通道先验；
模型确定单元，用于将所述模糊核代入盲去雾化模型中，得到非盲去雾化模型；
图像去雾化单元，用于根据所述非盲去雾化模型，对所述待去雾化图像进行去雾化，得到清晰图像。
9.根据权利要求8所述的装置，其特征在于，所述模糊核确定单元，包括：
下采样子单元，用于对所述待去雾化图像进行n次下采样，得到n张下采样图片yn-1～y0，其中，yn-1为对所述待去雾化图像进行第1次下采样后得到的图像，yn-2为对所述待去雾化图像进行第2次下采样后得到的图像，……，y0为对所述待去雾化图像进行第n次下采样后得到的图像，n为大于0的整数；
初始信息确定子单元，用于将预设的模糊核确定为y0对应的初始模糊核k0，将预设的图像确定为y0去雾化后得到的初始潜像x0；
赋值子单元，用于将i的值设置为1；
中间信息确定子单元，用于将yi-1对应的模糊核ki-1进行双线性差值后得到的结果、yi-1去雾化后得到的潜像xi-1以及yi输入所述神经网络中，得到yi对应的模糊核ki和yi去雾化后得到的潜像xi，其中，yi-1为对所述待去雾化图像进行第n-(i-1)次下采样后得到的图像，yi为对所述待去雾化图像进行第n-i次下采样后得到的图像；
判断子单元，用于判断i的值是否为n；
模糊核确定子单元，用于当所述判断子单元的判定结果为是时，将kj确定为所述待去雾化图像的模糊核；
赋值更新子单元，用于当所述判断子单元的判定结果为否时，将i的值更新为i+1，并触发所述中间信息确定子单元执行任务。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信，
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现权利要求1至7任一项所述的图像去雾化方法。
CN201911126984.7A 2019-11-18 2019-11-18 应用于离子束精准镀膜的工件图像去雾化方法及装置 Active CN110874826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911126984.7A CN110874826B (zh) 2019-11-18 2019-11-18 应用于离子束精准镀膜的工件图像去雾化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911126984.7A CN110874826B (zh) 2019-11-18 2019-11-18 应用于离子束精准镀膜的工件图像去雾化方法及装置

Publications (2)

Publication Number Publication Date
CN110874826A true CN110874826A (zh) 2020-03-10
CN110874826B CN110874826B (zh) 2020-07-31

Family

ID=69718015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911126984.7A Active CN110874826B (zh) 2019-11-18 2019-11-18 应用于离子束精准镀膜的工件图像去雾化方法及装置

Country Status (1)

Country Link
CN (1) CN110874826B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724223A (zh) * 2021-08-27 2021-11-30 江南大学 基于光学显微镜的YOLOv3数据集制作方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100166332A1 (en) * 2008-12-31 2010-07-01 Postech Academy - Industry Foundation Methods of deblurring image and recording mediums having the same recorded thereon
CN102132319A (zh) * 2008-06-26 2011-07-20 微软公司 使用色彩先验的图像解卷积
CN105701783A (zh) * 2016-01-14 2016-06-22 浙江大学 一种基于环境光模型的单幅图像去雾方法及装置
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
CN107680053A (zh) * 2017-09-20 2018-02-09 长沙全度影像科技有限公司 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
CN108665417A (zh) * 2017-03-30 2018-10-16 杭州海康威视数字技术股份有限公司 一种车牌图像去模糊方法、装置及系统
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
CN109492554A (zh) * 2018-10-25 2019-03-19 烟台市奥境数字科技有限公司 一种智能交通监控图像的穿雾识别方法
CN109727201A (zh) * 2017-10-30 2019-05-07 富士通株式会社 信息处理设备、图像处理方法以及存储介质
US20190220746A1 (en) * 2017-08-29 2019-07-18 Boe Technology Group Co., Ltd. Image processing method, image processing device, and training method of neural network

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102132319A (zh) * 2008-06-26 2011-07-20 微软公司 使用色彩先验的图像解卷积
US20100166332A1 (en) * 2008-12-31 2010-07-01 Postech Academy - Industry Foundation Methods of deblurring image and recording mediums having the same recorded thereon
CN105701783A (zh) * 2016-01-14 2016-06-22 浙江大学 一种基于环境光模型的单幅图像去雾方法及装置
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
CN108665417A (zh) * 2017-03-30 2018-10-16 杭州海康威视数字技术股份有限公司 一种车牌图像去模糊方法、装置及系统
US20190220746A1 (en) * 2017-08-29 2019-07-18 Boe Technology Group Co., Ltd. Image processing method, image processing device, and training method of neural network
CN107680053A (zh) * 2017-09-20 2018-02-09 长沙全度影像科技有限公司 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
CN109727201A (zh) * 2017-10-30 2019-05-07 富士通株式会社 信息处理设备、图像处理方法以及存储介质
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
CN109492554A (zh) * 2018-10-25 2019-03-19 烟台市奥境数字科技有限公司 一种智能交通监控图像的穿雾识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GAN BASED IMAGE DEBLURRING USING DARK CHANNEL PRIOR: "Shuang Zhang等", 《ELECTRONIC IMAGING》 *
任静静: "基于卷积神经网络的图像模糊去除", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王永超: "基于暗通道先验的图像去雾算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724223A (zh) * 2021-08-27 2021-11-30 江南大学 基于光学显微镜的YOLOv3数据集制作方法及系统

Also Published As

Publication number Publication date
CN110874826B (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
Chen et al. Blind image deblurring with local maximum gradient prior
CN108549892B (zh) 一种基于卷积神经网络的车牌图像清晰化方法
CN110766632A (zh) 基于通道注意力机制和特征金字塔的图像去噪方法
CN105657402B (zh) 一种深度图恢复方法
Aslam Removal of the Noise & Blurriness using Global & Local Image Enhancement Equalization Techniques
CN110706174B (zh) 一种图像增强方法、终端设备及存储介质
Li et al. Detail-preserving multi-exposure fusion with edge-preserving structural patch decomposition
CN106952222A (zh) 一种交互式图像虚化方法及装置
CN110148088B (zh) 图像处理方法、图像去雨方法、装置、终端及介质
CN102132554A (zh) 用于高效视频处理的方法和系统
CN110458789B (zh) 一种图像清晰度评测方法、装置及电子设备
Singh et al. A comparative analysis of illumination estimation based Image Enhancement techniques
Lim et al. Robust contrast enhancement of noisy low-light images: Denoising-enhancement-completion
CN110874826B (zh) 应用于离子束精准镀膜的工件图像去雾化方法及装置
CN111325671B (zh) 网络训练方法、装置、图像处理方法及电子设备
Motohashi et al. A study on blind image restoration of blurred images using R-map
CN109635809A (zh) 一种面向视觉退化图像的超像素分割方法
CN112801890B (zh) 一种视频处理方法、装置及设备
Kamble et al. No reference noise estimation in digital images using random conditional selection and sampling theory
Wong et al. Application of evolutionary programming to adaptive regularization in image restoration
CN107945137A (zh) 人脸检测方法、电子设备及存储介质
CN109376782B (zh) 基于眼部影像特征的支持向量机白内障分级方法及装置
Baboshina et al. Combined use of a bilateral and median filter to suppress gaussian noise in images
CN115689947A (zh) 一种图像锐化的方法、系统、电子装置和存储介质
Choi et al. Fast, trainable, multiscale denoising

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