CN111681188B - 基于结合图像像素先验和图像梯度先验的图像去模糊方法 - Google Patents
基于结合图像像素先验和图像梯度先验的图像去模糊方法 Download PDFInfo
- Publication number
- CN111681188B CN111681188B CN202010543543.3A CN202010543543A CN111681188B CN 111681188 B CN111681188 B CN 111681188B CN 202010543543 A CN202010543543 A CN 202010543543A CN 111681188 B CN111681188 B CN 111681188B
- Authority
- CN
- China
- Prior art keywords
- image
- loss function
- pixel
- label
- gradient
- 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 40
- 230000006870 function Effects 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- 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]
Abstract
本发明公开了一种基于结合图像像素先验和图像梯度先验的图像去模糊方法,包括以下步骤:准备数据;搭建生成对抗网络模型,包括两个子网分别记做DNet和GNet。DNet从图像像素域对图像的内容进行恢复,GNet从图像梯度域对图像的梯度进行恢复;设置目标损失函数:包括约束DNet子网的目标损失函数包括:图像内容目标损失函数Lcontent、图像像素级重建目标损失函数Lpixel;另一方面,GNet子网的目标损失函数由LGradientNet构成,LGradientNet的作用是缩小标签图像的梯度强度图和生成的模糊图像梯度强度图之间的差距;判别器中的目标损失函数Ladv,Ladv用于对生成图像与标签图像的真假进行判别,驱使生成器生成图像接近标签图像。
Description
技术领域
本发明属于图像处理、计算机视觉技术领域,具体涉及一种基于结合图像像素先验和图像梯度先验的图像去模糊方法。
背景技术
作为外界客观世界信息记录和传递的载体,图像一直是人类获取和辨别客观世界信息的主要来源和手段。然而,在图像的拍摄过程中会经常发生由相机抖动或物体运动引发的图像模糊问题。由于模糊的图像失去了清晰的边缘和丰富的纹理信息,使得人们很难从中获取清晰的内容和精细的信息。因此,如何清晰化运动模糊图像,使其可以更好的应用于高级图像处理(图像检测、图像识别)等领域已经成为了一个研究热点。
针对图像去模糊这个问题,现有的技术方法可以概括以下两个方面:基于传统的图像先验的图像去模糊方法和基于深度学习的图像去模糊方法。基于传统方法的图像去模糊方法依靠于从图像中手动提取先验或图像的统计信息,并在此基础上建模优化方程,通过迭代求解优化方程得到恢复后的图像。由于传统方法仅在有限的图像上提取先验,因此这类方法只在特定模糊图像上获得较好的去模糊结果,而在其他模糊图像上泛化性较低。此外,迭代求解优化函数需要耗费大量的时间,因而这类方法并不能很好的满足算法对实时性的要求。基于深度学习的图像去模糊问题通过在大量的数据集上提取特征,并在网络模型训练的过程中不断迭代选取更适合图像恢复的权值,从而恢复潜在的标签图像。虽然图像去模糊问题已经取得了一些成绩,但恢复得到的图像并不十分令人满意。例如,一些基于深度学习的方法中存在网络参数过多、网络模型过大的问题,而这无疑对网络训练在硬件配置方面提出了更高的要求;另外一些方法仅适用于合成的模糊图像,在实际的模糊图像中泛化性和鲁棒性较弱。
发明内容
本发明的目的是为了克服现有图像去模糊技术中的不足,联合利用图像梯度先验和对抗生成模型,研究一种能够有效提升图像去模糊性能,恢复图像的细节以及结构的图像去模糊方法。
本发明的目的是通过以下技术方案实现的:
基于结合图像像素先验和图像梯度先验的图像去模糊方法,包括以下步骤:
(1)准备实验数据,具体包括模糊图像和标签图像;
(2)设置生成器和判别器的网络结构框架;生成器由DNet和GNet两个独立的子网组成,每个子网均采用U型网络结构,U型网络结构包括编码器和解码器两部分;将模糊图像输入到判别器中,所述编码器用于下采样并提取模糊图像中的细节特征进行编码,解码器用于上采样并得到生成图像(在网络的训练过程中,经过生成器学习得到的图像);其中,DNet从图像像素域的层面对模糊图像的内容进行恢复,GNet从图像梯度域的层面对模糊图像的梯度进行恢复;
判别器采用PatchGAN作为判别器的网络结构,具体包括一个平卷积层、三个下采样卷积层、以及一个经过Sigmoid激活函数激活的卷积层;将生成图像和标签图像输入到判别器中,所述下采样卷积层用于下采样并编码用于表征分类响应的生成图像和标签图像的局部特征;经过Sigmoid激活函数激活的卷积层用于得到最终的分类响应;判别器内每个卷积层后面都添加有Instance Normalization样本标准化层和Leaky ReLU激活函数,且每个卷积层的卷积核大小为4×4;
(3)设置生成对抗网络模型的目标损失函数;生成器的目标损失函数由DNet子网和GNet子网两部分的目标损失函数组成;其中,DNet子网的目标损失函数包括图像内容目标损失函数Lcontent、图像像素级重建目标损失函数Lpixel;其中,Lcontent确保生成图像和标签图像能保持相同的语义信息,Lpixel用于减少生成图像和对应的标签图像像素之间的差异;另一方面,GNet子网的目标损失函数由LGradientNet构成,LGradientNet的作用是缩小标签图像的梯度强度图和生成的模糊图像梯度强度图之间的差距;判别器中的目标损失函数为Ladv,Ladv用于对生成图像与标签图像的真假进行判别,驱使生成器学习得到的生成图像接近标签图像;
(4)将模糊图像以及标签图像输入到生成器中进行图像去模糊学习,与此同时判别器用以判别生成图像和标签图像的真假;判别器将判别的真假概率反馈给生成器,并驱使生成器将生成图像向着标签图像逼近,据此生成器更新网络的权值参数并进入下一次迭代的训练;在生成对抗网络训练期间,生成器和判别器之间相互竞争学习,直到网络训练收敛。
进一步的,步骤(3)中,生成对抗网络模型的目标损失函数能够加权地表示为:
L(G,D)=βLcontent+βLpixel+βLGradientNet+αLadv
其中,β和α分别是Lcontent,Lpixel,LGradientNet和Ladv的权重系数;各约束项的权重系数约束如下:β=10,α=1。
进一步的,所述DNet子网将三通道的模糊图像通过一个平卷积层将模糊图像维度映射到64×64;然后,利用三个下采样层用于下采样并编码模糊图像,每一个下采样层后面分别添加三个稠密块,模糊图像的分辨率由256×256递减至64×64;对应的,解码器包括三个上采样层用于上采样并解码得到生成图像,每一个上采样层前分别添加三个稠密块,生成图像分辨率由64×64递增至256×256;最终,生成图像由一个Tanh层和一个卷积核为3×3的卷积层重建得到;GNet子网具有和DNet子网相同的网络结构。
进一步的,所述生成对抗网络模型搭载在配置为一块Intel(R)Core(TM)i7CPU(16GBRAM)3.60GHz的CPU和1块NVIDIA GeForce GTX 1080Ti GPU的台式工作站上运行;其中batch size(批量训练图像的个数)是2,G和D学习率是0.0001;激活函数Leaky ReLU的坡度是0.2;网络使用Adam优化器,其动量参数分别是β1=0.5和β2=0.999。
与现有技术相比,本发明的技术方案所带来的有益效果是:
(1)本发明提出了一种基于结合图像像素先验和图像梯度先验二分支网络。相较与以往的从图像中手动提取图像梯度先验的方法,本发明通过生成对抗网络的框架将图像像素域先验和梯度域先验以数据驱动的方式进行深度融合。图像的梯度域特征随着训练的过程不断的被优化。此外,在网络的训练过程中,图像域和梯度域的特征映射之间相互指引,从而有利于图像结构和纹理信息的恢复;
(2)本发明提出了一种利于图像梯度分支网络优化训练的目标损失函数。相较与以往的依赖图像语义目标损失函数以及图像像素目标损失函数进行网络优化训练的图像去模糊方法,本发明利用发明的梯度强度目标损失函数,对从模糊图像梯度强度向标签图像梯度强度学习的过程进行约束;
(3)与现有的图像去模糊算法相比,本发明生成得到的图像具有更显著的结构以及更好的视觉效果,从而显著提升图像去模糊的性能;
附图说明
图1为本发明方法的流程框架示意图;
图2为生成器的网络布局和参数图;
图3为判别器的网络布局和参数图;
图4为网络稠密块(Dense Residual Block)的网络结构图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合算法流程框图对本发明进行详细的描述。
如图1所示,本实施例提供一种基于结合图像像素先验和图像梯度先验的图像去模糊方法,其包括以下步骤:
步骤1:搭建生成器和判别器的网络结构
如图2和图3所示,其中生成器用于学习图像清晰化的过程,而判别器则对生成器学习得到的生成图像加以判别和反馈;
步骤1.1:构建生成器G网络结构
本发明采用基于U型结构的网络作为生成器的网络结构,如图2所示;生成器由两个子网组成,分别记做DNet和GNet,并且这两个子网采用相同的网络结构;DNet包括编码器和解码器,所述编码器用于下采样并提取模糊图像中的细节特征进行编码。编码器通过一个平卷积层将三通道的模糊图像映射到维度为64×64的映射图;然后,利用三个下采样层用于下采样模糊图像的分辨率,每一个下采样层后面分别添加三个稠密块,模糊图像分辨率由256×256递减至64×64;对应的,解码器包括三个上采样层用于上采样并得到生成图像,每一个上采样层前面分别添加三个稠密块,生成图像分辨率由64×64递增至256×256;另一方面,GNet子网具有和DNet子网相同的网络结构;需要说明的是输入GNet子网的是三通道的模糊图像的梯度强度图,GNet子网和DNet子网在上采样层和下采样层处完成通道的连接并实现特征映射维度的转换,然后通过稠密块进行梯度域和像素域特征的融合;最终,生成图像由一个Tanh函数激活的卷积核是7×7的卷积层重建得到;此外,在同尺度的上采样层和下采样层之间建立跳变连接,将低维度的巨象特征与高维度的抽象特征进行关联,这对图像的结构和细节的学习非常重要;
步骤1.2:构建判别器D网络结构
为了对真实的标签图像与生成图像进行区分,本发明采用如图3所示PatchGAN作为判别器的网络结构。具体包括一个平卷积层、三个下采样卷积层、以及一个经过Sigmoid激活函数激活的卷积层将特征维度映射到64×64;将生成图像和标签图像输入到判别器中,所述下采样卷积层用于下采样并编码用于表征分类响应的生成图像和标签图像的局部特征,并且生成图像与标签图像的分辨率由256×256递减至32×32;经过Sigmoid激活函数激活的卷积层用于得到最终的分类响应;判别器内每个卷积层后面都添加有InstanceNormalization样本标准化层和Leaky ReLU激活函数,且每个卷积层的卷积核大小为4×4;
生成器期望生成图像能够骗过判别器,使得判别器无法对生成图像的真假进行判别;而判别器则是要完成生成图像与标签图像的判别,判别器将判别的结果反馈给生成器,驱使生成器将模糊图像转换成接近标签图像的清晰图像,生成器根据判别器的反馈更新网络的参数进入下一次的迭代训练,生成器和判别器以上述描述的方式不断竞争训练,最终达到动态平衡,从而使生成网络重建出具有显著结构的生成图像;
步骤2:构建生成对抗网络模型的目标损失函数
由于生成器由DNet和GNet两个子网组成,因此生成器的目标损失函数由DNet和GNet两部分的目标损失函数组成;其中,DNet子网的目标损失函数包括:图像内容目标损失函数Lcontent、图像像素级重建目标损失函数Lpixel;其中,Lcontent确保生成图像和标签图像能保持相同的语义信息,Lpixel减少生成图像和对应的标签图像像素之间的差异;另一方面,GNet子网的目标损失函数由LGradientNet构成,LGradientNet的作用是缩小标签图像的梯度强度图和生成的模糊图像梯度强度图之间的差距;判别器中的目标损失函数为Ladv,Ladv用于对生成图像与标签图像的真假进行判别,驱使生成器生成图像接近标签图像;生成对抗网络模型的目标损失函数可加权地表示为:
L(G,D)=βLcontent+βLpixel+βLGradientNet+αLadv
其中,β和α分别是Lcontent,Lpixel,LGradientNet和Ladv的权重系数;各约束项的权重系数约束如下:β=10,α=1,权重系数的取值取决于实验和经验;
步骤2.1:图像内容目标损失函数Lcontent
图像去模糊方法需要实现的是生成图像和标签图像能保持相同的感知信息;本实施中采用在ImageNet数据集上预训练好的VGG19模型,通过抽取生成图像和标签图像的高阶特征,并通过求解二范数L2缩小它们之间的差距,图像内容目标损失函数表示如下:
其中,H和W分别表示输入图像的高度和宽度,φi,j代表从预训练好的VGG19模型中的第i个池化层和第j个卷基层激活之后抽取得到的特征,G表示生成网络及全部参数,si表示标签图像,G(bi)表示生成图像;φi,j(si)表示标签图像的语义内容,φi,j(G(bi))表示生成图像的语义内容。本实施采用预训练好的VGG19模型的“Conv3-2”层提取图像的感知特征;
步骤2.2:图像像素级重建目标损失函数Lpixel
Lpixel可以减少生成图像和标签图像之间的平均像素差异,以往的方法采用二范数L2进行优化,但结果过于平滑,无法保持稀疏的视觉效果。然而,这种目标损失函数仍然被广泛地用于加速收敛和提高图像去模糊的性能。因此,本实施通过求解一范数L1对图像像素级重建过程加以约束,Lpixel目标约束函数的表示如下:
其中,H和W分别表示输入图像的高度和宽度,si表示标签图像,G(bi)表示生成图像;
步骤2.3:约束图像梯度强度的目标损失函数LGradientNet
为了更好的以数据驱动的方式利用图像的梯度域先验,本发明提出了GNet子网;而LGradientNet目标约束函数可以使模糊图像的梯度强度图,经过网络优化训练后逼近标签图像的梯度强度图。本实施通过求解一范数L1,降低标签图像梯度强度图和生成的梯度强度图之间的差异加以约束,LGradientNet目标约束函数的表示如下:
其中,H和W分别表示输入图像的高度和宽度,Gra(si)表示标签图像的梯度强度图,G(Gra(bi))表示生成的梯度强度图;
步骤2.4:构建判别器的目标损失函数Ladv。
在本发明方法中,训练判别器D的作用是最大限度地生成图像G(bi)和标签图像si区分开来,并以概率值的形式将判别的结果反馈给生成器,使得生成器将生成图像向着标签图像逼近。此外,本发明采用基于推土机距离和梯度惩罚项(WGAN-GP)作为判别器的优化架构。因此,网络判别器的目标损失函数表示如下:
其中,项是判别器判别标签图像si为真的期望值,项是判别器判别生成图像G(bi)为假的期望值,表示梯度惩罚项,λ为系数项,表示在标签图像si和生成数据G(bi)之间随机取值的连线上进行均匀采样得到的样本分布;
步骤3:生成对抗网络模型的训练与测试
本实施例中选取GOPRO数据集中的2013对标签图像/模糊图像的训练集作为本发明的训练集。在网络的训练过程中,模糊图像bi和标签图像si被随机裁剪成256×256大小的图像块。网络的优化由目标损失函数Lcontent、Lpixel、LGradientNet和Ladv进行约束。判别器需要完成生成图像G(bi)和标签图像si的判别。生成器和判别器在整个训练过程中相互竞争,直到网络训练收敛;当测试时,只需要将模糊图像输入到已经训练收敛的生成器中,即可得到结构显著的生成图像;
本实施例中将生成对抗网络模型搭载在配置为一块Intel(R)Core(TM)i7CPU(16GBRAM)3.60GHz的CPU和1块NVIDIA GeForce GTX 1080Ti GPU的台式工作站上运行。其中batch size(批量训练图像的个数)是2,G和D学习率是0.0001。激活函数Leaky ReLU的坡度是0.2。网络使用Adam优化器,其动量参数分别是β1=0.5和β2=0.999。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (4)
1.基于结合图像像素先验和图像梯度先验的图像去模糊方法,其特征在于,包括以下步骤:
(1)准备实验数据,具体包括模糊图像和标签图像;
(2)设置生成器和判别器的网络结构框架;生成器由DNet和GNet两个独立的子网组成,每个子网均采用U型网络结构,U型网络结构包括编码器和解码器两部分;将模糊图像输入到判别器中,所述编码器用于下采样并提取模糊图像中的细节特征进行编码,解码器用于上采样并得到生成图像;其中,DNet从图像像素域的层面对模糊图像的内容进行恢复,GNet从图像梯度域的层面对模糊图像的梯度进行恢复;
判别器采用PatchGAN作为判别器的网络结构,具体包括一个平卷积层、三个下采样卷积层、以及一个经过Sigmoid激活函数激活的卷积层;将生成图像和标签图像输入到判别器中,所述下采样卷积层用于下采样并编码用于表征分类响应的生成图像和标签图像的局部特征;经过Sigmoid激活函数激活的卷积层用于得到最终的分类响应;判别器内每个卷积层后面都添加有Instance Normalization样本标准化层和Leaky ReLU激活函数,且每个卷积层的卷积核大小为4×4;
(3)设置生成对抗网络模型的目标损失函数;生成器的目标损失函数由DNet子网和GNet子网两部分的目标损失函数组成;其中,DNet子网的目标损失函数包括图像内容目标损失函数Lcontent、图像像素级重建目标损失函数Lpixel;其中,Lcontent确保生成图像和标签图像能保持相同的语义信息,Lpixel用于减少生成图像和对应的标签图像像素之间的差异;另一方面,GNet子网的目标损失函数由LGradientNet构成,LGradientNet的作用是缩小标签图像的梯度强度图和生成的模糊图像梯度强度图之间的差距;判别器中的目标损失函数为Ladv,Ladv用于对生成图像与标签图像的真假进行判别,驱使生成器学习得到的生成图像接近标签图像;
(4)将模糊图像以及标签图像输入到生成器中进行图像去模糊学习,与此同时判别器用以判别生成图像和标签图像的真假;判别器将判别的真假概率反馈给生成器,并驱使生成器将生成图像向着标签图像逼近,据此生成器更新网络的权值参数并进入下一次迭代的训练;在生成对抗网络训练期间,生成器和判别器之间相互竞争学习,直到网络训练收敛。
2.根据权利要求1所述基于结合图像像素先验和图像梯度先验的图像去模糊方法,其特征在于,步骤(3)中,生成对抗网络模型的目标损失函数能够加权地表示为:
L(G,D)=βLcontent+βLpixel+βLGradientNet+αLadv
其中,β和α分别是Lcontent,Lpixel,LGradientNet和Ladv的权重系数;各约束项的权重系数约束如下:β=10,α=1。
3.根据权利要求1所述基于结合图像像素先验和图像梯度先验的图像去模糊方法,其特征在于,所述DNet子网将三通道的模糊图像通过一个平卷积层将模糊图像维度映射到64×64;然后,利用三个下采样层用于下采样并编码模糊图像,每一个下采样层后面分别添加三个稠密块,模糊图像的分辨率由256×256递减至64×64;对应的,解码器包括三个上采样层用于上采样并解码得到生成图像,每一个上采样层前分别添加三个稠密块,生成图像分辨率由64×64递增至256×256;最终,生成图像由一个Tanh层和一个卷积核为3×3的卷积层重建得到;GNet子网具有和DNet子网相同的网络结构。
4.根据权利要求1所述基于结合图像像素先验和图像梯度先验的图像去模糊方法,其特征在于,所述生成对抗网络模型搭载在配置为一块Intel(R)Core(TM)i7 CPU(16GB RAM)3.60GHz的CPU和1块NVIDIA GeForce GTX 1080Ti GPU的台式工作站上运行;其中batchsize(批量训练图像的个数)是2,G和D学习率是0.0001;激活函数Leaky ReLU的坡度是0.2;网络使用Adam优化器,其动量参数分别是β1=0.5和β2=0.999。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543543.3A CN111681188B (zh) | 2020-06-15 | 2020-06-15 | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543543.3A CN111681188B (zh) | 2020-06-15 | 2020-06-15 | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681188A CN111681188A (zh) | 2020-09-18 |
CN111681188B true CN111681188B (zh) | 2022-06-17 |
Family
ID=72435812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543543.3A Active CN111681188B (zh) | 2020-06-15 | 2020-06-15 | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681188B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419200B (zh) * | 2020-12-04 | 2024-01-19 | 宁波舜宇仪器有限公司 | 一种图像质量优化方法及显示方法 |
CN112597887B (zh) * | 2020-12-22 | 2024-05-07 | 深圳集智数字科技有限公司 | 一种目标识别方法及装置 |
CN112614072B (zh) * | 2020-12-29 | 2022-05-17 | 北京航空航天大学合肥创新研究院 | 一种图像复原方法、装置、图像复原设备及存储介质 |
CN112837232B (zh) * | 2021-01-13 | 2022-10-04 | 山东省科学院海洋仪器仪表研究所 | 一种水下图像增强及细节恢复的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9342869B2 (en) * | 2014-04-29 | 2016-05-17 | Adobe Systems Incorporated | Discriminative indexing for patch-based image enhancement |
CN109035149A (zh) * | 2018-03-13 | 2018-12-18 | 杭州电子科技大学 | 一种基于深度学习的车牌图像去运动模糊方法 |
CN109859111A (zh) * | 2018-11-20 | 2019-06-07 | 昆明理工大学 | 一种基于map方法的单幅图像盲去模糊方法 |
CN110378844A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 |
CN110610458A (zh) * | 2019-04-30 | 2019-12-24 | 北京联合大学 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
-
2020
- 2020-06-15 CN CN202010543543.3A patent/CN111681188B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9342869B2 (en) * | 2014-04-29 | 2016-05-17 | Adobe Systems Incorporated | Discriminative indexing for patch-based image enhancement |
CN109035149A (zh) * | 2018-03-13 | 2018-12-18 | 杭州电子科技大学 | 一种基于深度学习的车牌图像去运动模糊方法 |
CN109859111A (zh) * | 2018-11-20 | 2019-06-07 | 昆明理工大学 | 一种基于map方法的单幅图像盲去模糊方法 |
CN110610458A (zh) * | 2019-04-30 | 2019-12-24 | 北京联合大学 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
CN110378844A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 |
Non-Patent Citations (3)
Title |
---|
Qi Qing 等."Attention Network for Non-Uniform Deblurring".《IEEE Access》.2020,第8卷100044 - 100057. * |
孙涛 等."基于非凸的全变分和低秩混合正则化的图像去模糊模型和算法".《计算机学报》.2020,第43卷(第4期), * |
陈赛健 等."基于生成对抗网络的文本图像联合超分辨率与去模糊方法".《计算机应用》.2019,第40卷(第3期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111681188A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681188B (zh) | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 | |
US11645835B2 (en) | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications | |
CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
CN109816593B (zh) | 一种基于注意力机制的生成对抗网络的超分辨率图像重建方法 | |
CN111241958B (zh) | 一种基于残差-胶囊网络的视频图像鉴别方法 | |
CN110348330B (zh) | 基于vae-acgan的人脸姿态虚拟视图生成方法 | |
CN111489304B (zh) | 一种基于注意机制的图像去模糊方法 | |
CN111429355A (zh) | 一种基于生成对抗网络的图像超分辨率重建方法 | |
CN111275637A (zh) | 一种基于注意力模型的非均匀运动模糊图像自适应复原方法 | |
CN110473142B (zh) | 基于深度学习的单幅图像超分辨率重建方法 | |
CN111046900A (zh) | 基于局部流形正则化的半监督生成对抗网络图像分类方法 | |
CN111932529B (zh) | 一种图像分类分割方法、装置及系统 | |
CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
CN115457568B (zh) | 一种基于生成对抗网络的历史文档图像降噪方法及系统 | |
CN110599411A (zh) | 一种基于条件生成对抗网络的图像修复方法及系统 | |
CN112651917A (zh) | 一种基于生成对抗网络的空间卫星低照度图像增强方法 | |
CN115131218A (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
CN115293966A (zh) | 一种人脸图像重建方法、装置以及存储介质 | |
CN114202473A (zh) | 一种基于多尺度特征和注意力机制的图像复原方法及装置 | |
Fu | Digital Image Art Style Transfer Algorithm Based on CycleGAN | |
CN116681960A (zh) | 一种基于K8s的中尺度涡旋智能识别方法及系统 | |
CN113129237B (zh) | 基于多尺度融合编码网络的深度图像去模糊方法 | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
Tunc et al. | Age group and gender classification using convolutional neural networks with a fuzzy logic-based filter method for noise reduction | |
CN115601257A (zh) | 一种基于局部特征和非局部特征的图像去模糊方法 |
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 |