CN111862026A - 一种基于深度学习的内窥医学图片去模糊方法 - Google Patents
一种基于深度学习的内窥医学图片去模糊方法 Download PDFInfo
- Publication number
- CN111862026A CN111862026A CN202010677842.6A CN202010677842A CN111862026A CN 111862026 A CN111862026 A CN 111862026A CN 202010677842 A CN202010677842 A CN 202010677842A CN 111862026 A CN111862026 A CN 111862026A
- Authority
- CN
- China
- Prior art keywords
- picture
- endoscopic medical
- medical image
- scale
- deblurring
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008485 antagonism Effects 0.000 claims description 5
- 241001465754 Metazoa Species 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 4
- 208000008918 voyeurism Diseases 0.000 abstract description 2
- 238000009792 diffusion process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002674 endoscopic surgery Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 210000001835 viscera Anatomy 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的内窥医学图片去模糊方法，包括获取内窥医学影像；根据内窥医学影像筛选真实场景下清晰图片和模糊图片，清晰图片作为正样本，模糊图片作为负样本，构成样本数据集；构建多尺度卷积神经网络；利用样本数据集训练步骤(3)构建的多尺度卷积神经网络，得到内窥医学图片去模糊模型；利用内窥医学图片去模糊模型对内窥医学模糊图片去模糊。对模糊图片的处理速度更快，对内窥医学模糊图片的去模糊效果更好。
Description
技术领域
本发明属于医疗内窥镜手术中的内窥图片处理技术领域，具体涉及一种基于深度学习的 内窥医学图片去模糊方法。
背景技术
内窥镜是一种常用的医疗器械，由可弯曲部分、光源及一组镜头组成。在医生使用内窥 镜进行医疗诊断时，内窥镜的视频图片可能会产生模糊，包括内窥镜的光学属性导致的中间 清晰、四周模糊的光学模糊，以及内窥镜在移动时产生的运动模糊。图片去模糊就是采取一 定的数学手段,根据图片的质变原理和统计特征构建数学模型,通过对模型的求解将目标图片 从质变图片中恢复出来,从而达到稳像目的。通过去模糊算法将图片恢复，确保医疗图片准确， 对患者的安全有更稳定的保证。
将噪声图片的模型公式设为
其中n(t)为简易噪声，是线性相加， 模糊图片是由清晰图片卷积一个模糊核得到的。这个模糊核就被成为点扩散函数(point spread function，PSF)。在去模糊领域分别有非盲去模糊(NBID)和盲去模糊(BID)两个 方向，两者的区别在于模糊核是否已知。现在主流研究方向为盲去模糊。去运动模糊传统算 法如下：
(1)非盲去模糊(Lucy-Richardson(LR)迭代去卷积)
迭代模型如下：
其中f(x,y)为每次迭代的清晰图片，h为点扩散函数，g为模糊图片。
在模糊核已知的情况下，理论上迭代次数越多则图片越清晰，但是在实际实验中会发现 迭代次数增多到一定程度时图片会产生阻尼效应，图片中的噪声点更加集中和明显，除此之 外图片边缘处会产生震荡效应。
为了解决这些问题，LR算法的优化加入了权重机制来防止图片过拟合导致的阻尼效应， 并且对边缘进行了一定的弱化处理保证图片的效果。
(2)盲去模糊
盲区模糊中的点扩散函数未知，在APEX算法中，假设点扩散函数为高斯(G)类且对称 的点扩散函数，这样点扩散函数可以表示为Levy概率密度函数，其模糊核为：
H(u，v)＝exp[-α(u2+v2)β]，α＞0，0＜β＜1
将上式中的α，β估计出后就可以获得点扩散函数。
通过非线性二次拟合方法将α，β计算出来
ln|G(u，0)|≈-α(u2)β-A，A＞0
将模糊核估算出后，盲区模糊问题变成了非盲去模糊问题。最后再使用SECB算法将图片 恢复为清晰图片。
传统盲去模糊算法都是基于优化的方法去模糊。因此在实现去模糊之前需要一定的图片 先验或者用户监督来简易的判断图片运动方向或者估算模糊程度和选择模糊区域，判断图片 中心。这些算法在一定程度上可以改善图片清晰度，但是运算时间比较长，同时对图片的模 糊类别要求比较高。
一般动态场景的非均匀模糊是真实场景下的计算机视觉问题，因为模糊是由相机抖动， 场景深度和多个目标运动引起，因此是复杂的运动模糊问题。传统的基于优化的方法仅依赖 于简单假设，使模糊核部分均匀或局部线性。这使得传统的去模糊方法不能去除模糊核难以 近似或参数化(例如物体运动边界)的模糊。
近来，卷积神经网络已经应用于许多计算机视觉问题，其中在去模糊问题中有良好的效 果，但是由于没有成对的真实模糊图片和对应的清晰图片可用于监督学习，他们通常使用由 清晰图片卷积模糊核产生的模糊图片。但是由于数据集的限制，基于卷积神经网络的模型仅 适用于几种特殊类型的模糊，并且对空间变换模糊具有一定的限制。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的内窥 医学图片去模糊方法，图片恢复效果更好。
为实现上述技术目的，本发明采取的技术方案为：
一种基于深度学习的内窥医学图片去模糊方法，包括：
(1)获取内窥医学影像；
(2)根据内窥医学影像筛选真实场景下清晰图片和模糊图片，清晰图片作为正样本，模 糊图片作为负样本，构成样本数据集；
(3)构建多尺度卷积神经网络；
(4)利用样本数据集训练步骤(3)构建的多尺度卷积神经网络，得到内窥医学图片去 模糊模型；
(5)利用内窥医学图片去模糊模型对内窥医学模糊图片去模糊。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤(1)所述获取内窥医学影像为获取人体内窥医学影像和动物内窥医学影像。
上述的步骤(2)所述根据内窥医学影像筛选真实场景下清晰图片和模糊图片，清晰图片 作为正样本，模糊图片作为负样本，构成样本数据集，具体为：
逐帧获取内窥医学影像中的图片，通过校验确定模糊图片，确定模糊图片后将模糊图片 前后若干帧图片依次进行比较选出最清晰的图片作为清晰图片，清晰图片作为正样本，模糊 图片作为负样本，构成样本数据集。
上述的步骤(3)所述多尺度卷积神经网络基于修改后的残差网络，所述修改后的残差网 络去除批标准化和线性修正单元；
所述多尺度卷积神经网络使用尺度为3的卷积网络，所述卷积网络输入和输出采用高斯 金字塔块的模式，将三层卷积层分辨率设置为256×256,128×128,64×64；在卷积网络输入 中图片采用降采样的方法将图片适应为相应的分辨率；将最底层图片的结果通过上卷积和第 二层的输入图片一起作为输入。
上述的步骤(3)所述多尺度卷积神经网络的损失函数包括多尺度内容损失和对抗性损失；
所述损失函数为：
式中，
为内容损失，
为对抗性损失,λ＝1×10-4；
上述的所述内容损失为：
式中，Lk，Sk分别代表高斯金字塔中第k层的模型输出和ground truth；ck，wk和 hk分别为每一层的损失函数归一化时采用的通道数，宽度和高度。
上述的对抗性损失为：
其中，G和D分别表示发生器,即多尺度去模糊网络和鉴别器，鉴别器将最佳尺度或真实 图像的输出作为输入，并分类是否是网络输出。
上述的当步骤(1)获取的内窥医学影像包括不同拍摄情况下的内窥医学影像时，步骤(4) 利用样本数据集训练步骤(3)构建的多尺度卷积神经网络时，对样本数据集中不同拍摄情况 下的数据进行分类，确保数据类别大于批大小。
本发明具有以下有益效果：
1、除在真实内窥镜场景下的影像外，由于内窥镜场景相对单一，还采用鲜动物肌肉组织 和内脏作为辅助影像样本，例如猪肝和鸡肉。将这些样本和上述内窥镜场景下的真实样本分 类作为我们不同场景下的样本数据集；
2、采用修改后的残差网络，修改后的残差网络将残差网络中的批标准化(BatchNormalization)和线性修正单元(ReLU)去除。在训练的网络中由于批大小(mini-batchsize) 为2，远小于批标准化时的批大小，所以将残差网络中的批标准化去除。同时在训练中将残 差网络连接后的非线性单元(ReLU)去除后收敛速度大大加快；
3、提出一种多尺度卷积神经网络直接恢复清晰图片，不考虑任何限制模糊核模型，与其 他方法不同的地方在于不显式的估计模糊核，因此没有从核估计误差中产生振铃。特别地， 多尺度架构被设计为模拟常规的由粗到细的优化方法，对模糊图片的处理速度更快，对内窥 医学模糊图片的取模糊效果更好。
附图说明
图1是本发明的原理图；
图2是本发明的流程示意图；
图3是对抗生成网络中的鉴别器；
图4是模糊图片；
图5是模糊图片去模糊后的图片。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1和图2，本发明的一种基于深度学习的内窥医学图片去模糊方法，包括：
(1)获取内窥医学影像；
(2)根据内窥医学影像筛选真实场景下清晰图片和模糊图片，清晰图片作为正样本，模 糊图片作为负样本，构成样本数据集；
(3)构建多尺度卷积神经网络；
(4)利用样本数据集训练步骤(3)构建的多尺度卷积神经网络，得到内窥医学图片去 模糊模型；
(5)利用内窥医学图片去模糊模型对内窥医学模糊图片去模糊。
实施例中，步骤(1)所述获取内窥医学影像为获取人体内窥医学影像和动物内窥医学影 像。
实施例中，步骤(2)所述根据内窥医学影像筛选真实场景下清晰图片和模糊图片，清晰 图片作为正样本，模糊图片作为负样本，构成样本数据集，具体为：
获得的真实内窥医学影像中为每秒30帧图片，逐帧获取内窥医学影像中的图片，通过校 验确定模糊图片，确定模糊图片后将模糊图片前后15帧图片依次进行比较选出最清晰的图片 作为清晰图片，清晰图片作为正样本，模糊图片作为负样本，构成样本数据集。
实施例中，步骤(3)所述多尺度卷积神经网络基于修改后的残差网络，所述修改后的残 差网络去除批标准化和线性修正单元；
采用端到端的方法实现网络。在模型中，更细微的尺度图像去模糊是由更粗糙的尺度特 征所辅助的。所述多尺度卷积神经网络使用尺度为3的卷积网络，为了在同时保留精细级别 信息的同时利用粗中级信息，卷积网络输入和输出采用高斯金字塔块的模式，为了一致性， 按照降低分辨率的顺序定义比例级别，在训练时将三层卷积层分辨率设置为256×256,128× 128,64×64，连续尺度之间的比例为0.5；对于所有卷积层，滤波器的大小设置为5×5，在 卷积网络输入中图片采用降采样的方法将图片适应为相应的分辨率；将最底层图片的结果通 过上卷积和第二层的输入图片一起作为输入。
最粗糙的网络：最粗糙的网络位于网络的前端，第一个卷积层将
分辨率，64×64尺 寸输入转换为64个特征图，然后堆叠19个ResBlock，最后卷积层将特征图转换为输入维数。 总共40个卷积层。确定每个尺度的卷积层数，使总模型具有120个卷积层。在最后阶段，产 生最粗糙的前在清晰图片。将最粗糙层数的输出清晰图片传递到下一层时，通过一个上卷积 层将其尺度扩大。由于清晰和模糊的图像块共享低频信息，学习上卷积的合适特征有助于消 除冗余。
更精细的网络块：更精细的网络基本上与最粗规模网络结构相同。然而，第一个卷积层 采用串联的方式将前一阶段获得的清晰特征作为其输入的模糊图像。每个卷积滤波器尺寸为5×5，与最粗尺度具有相同数量的特征图。除了最后一个最优尺寸，在下一阶段之前还有一 个上卷积层。在最佳尺度，恢复原始分辨率的清晰图像。
实施例中，步骤(3)所述多尺度卷积神经网络的损失函数包括多尺度内容损失和对抗性 损失；
从粗到精的方法希望每个中间层的输出都是相应尺度的清晰图像。训练网络时，使得每 个中间的清晰图像形成清晰的高斯金字塔。MSE标准适用于每个级别的金字塔。
所述损失函数为：
式中，
为内容损失，
为对抗性损失,λ＝1×10-4；
实施例中，所述内容损失为：
式中，Lk，Sk分别代表高斯金字塔中第k层的模型输出和ground truth；ck，wk和hk分别为每一层的损失函数归一化时采用的通道数，宽度和高度，归一化即除以图中所有像素点个数。
实施例中，所述对抗性损失为：
其中，G和D分别表示发生器,即多尺度去模糊网络和鉴别器(分类器)，鉴别器将最佳 尺度或真实图像的输出作为输入，并分类是否是网络输出。鉴别器参见图3。
实施例中，当步骤(1)获取的内窥医学影像包括不同拍摄情况下的内窥医学影像时，步 骤(4)利用样本数据集训练步骤(3)构建的多尺度卷积神经网络时，将样本数据集按照2： 1的比例分为训练集和测试集，存于测试目录和训练目录之下，除此之外，对训练集和测试 集中不同拍摄情况下的数据进行分类，确保数据类别大于批大小即可。
实施例中，步骤(5)具体为：将训练好的内窥医学图片去模糊模型存于model目录之下， 将模糊图片存于数据目录中的实验目录下，通过内窥医学图片去模糊模型来获取清晰图片。
为了验证本发明的效果，由于现存并没有公认的内窥医学图像数据集，本实施例通过随 机抽取的模糊图片在基于优化的盲去模糊算法(快速去除运动模糊算法)和非盲去模糊算法 (LR算法-人工监督)同本发明比较，本发明方法在峰值信噪比和运行速度上有很快的提升， 对内窥医学模糊图片清晰化有重要意义，本实施例的模糊图片清晰化前后图片参见图4和图5。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于 本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种基于深度学习的内窥医学图片去模糊方法，其特征在于，包括：
(1)获取内窥医学影像；
(2)根据内窥医学影像筛选真实场景下清晰图片和模糊图片，清晰图片作为正样本，模糊图片作为负样本，构成样本数据集；
(3)构建多尺度卷积神经网络；
(4)利用样本数据集训练步骤(3)构建的多尺度卷积神经网络，得到内窥医学图片去模糊模型；
(5)利用内窥医学图片去模糊模型对内窥医学模糊图片去模糊。
2.根据权利要求1所述的一种基于深度学习的内窥医学图片去模糊方法，其特征在于，步骤(1)所述获取内窥医学影像为获取人体内窥医学影像和动物内窥医学影像。
3.根据权利要求1所述的一种基于深度学习的内窥医学图片去模糊方法，其特征在于，步骤(2)所述根据内窥医学影像筛选真实场景下清晰图片和模糊图片，清晰图片作为正样本，模糊图片作为负样本，构成样本数据集，具体为：
逐帧获取内窥医学影像中的图片，通过校验确定模糊图片，确定模糊图片后将模糊图片前后若干帧图片依次进行比较选出最清晰的图片作为清晰图片，清晰图片作为正样本，模糊图片作为负样本，构成样本数据集。
4.根据权利要求1所述的一种基于深度学习的内窥医学图片去模糊方法，其特征在于，步骤(3)所述多尺度卷积神经网络基于修改后的残差网络，所述修改后的残差网络去除批标准化和线性修正单元；
所述多尺度卷积神经网络使用尺度为3的卷积网络，所述卷积网络输入和输出采用高斯金字塔块的模式，将三层卷积层分辨率设置为256×256,128×128,64×64；在卷积网络输入中图片采用降采样的方法将图片适应为相应的分辨率；将最底层图片的结果通过上卷积和第二层的输入图片一起作为输入。
5.根据权利要求1所述的一种基于深度学习的内窥医学图片去模糊方法，其特征在于，步骤(3)所述多尺度卷积神经网络的损失函数包括多尺度内容损失和对抗性损失；
所述损失函数为：
式中，
为内容损失，
为对抗性损失,λ＝1×10-4。
6.根据权利要求5所述的一种基于深度学习的内窥医学图片去模糊方法，其特征在于，所述内容损失为：
式中，Lk，Sk分别代表高斯金字塔中第k层的模型输出和ground truth；ck，wk和hk分别为每一层的损失函数归一化时采用的通道数，宽度和高度。
7.根据权利要求6所述的一种基于深度学习的内窥医学图片去模糊方法，其特征在于，所述对抗性损失为：
其中，G和D分别表示发生器,即多尺度去模糊网络和鉴别器，鉴别器将最佳尺度或真实图像的输出作为输入，并分类是否是网络输出。
8.根据权利要求1所述的一种基于深度学习的内窥医学图片去模糊方法，其特征在于，当步骤(1)获取的内窥医学影像包括不同拍摄情况下的内窥医学影像时，步骤(4)利用样本数据集训练步骤(3)构建的多尺度卷积神经网络时，对样本数据集中不同拍摄情况下的数据进行分类，确保数据类别大于批大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677842.6A CN111862026A (zh) | 2020-07-15 | 2020-07-15 | 一种基于深度学习的内窥医学图片去模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677842.6A CN111862026A (zh) | 2020-07-15 | 2020-07-15 | 一种基于深度学习的内窥医学图片去模糊方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111862026A true CN111862026A (zh) | 2020-10-30 |
Family
ID=72983405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010677842.6A Pending CN111862026A (zh) | 2020-07-15 | 2020-07-15 | 一种基于深度学习的内窥医学图片去模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862026A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112614072A (zh) * | 2020-12-29 | 2021-04-06 | 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 |
| CN112819724A (zh) * | 2021-02-05 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种基于cnn的扫描文档图像增强方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
-
2020
- 2020-07-15 CN CN202010677842.6A patent/CN111862026A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘鹏飞等: "多尺度卷积神经网络的噪声模糊图像盲复原", 《红外与激光工程》 * |
| 叶晨，关玮: "生成式对抗网络的应用综述", 《同济大学学报（自然科学版）》 * |
| 安祺等: "基于生成对抗网络去除车辆图像运动模糊模型", 《天津师范大学学报(自然科学版)》 * |
| 程鼎刚等: "一种基于条件生成对抗网络的图像盲去模糊模型", 《计算机应用研究》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112614072A (zh) * | 2020-12-29 | 2021-04-06 | 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 |
| 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 |
| CN112819724A (zh) * | 2021-02-05 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种基于cnn的扫描文档图像增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Claus et al. | Videnn: Deep blind video denoising | |
| Chen et al. | Reblur2deblur: Deblurring videos via self-supervised learning | |
| Nah et al. | Deep multi-scale convolutional neural network for dynamic scene deblurring | |
| CN102576454B (zh) | 利用空间图像先验的图像去模糊法 | |
| Sroubek et al. | Robust multichannel blind deconvolution via fast alternating minimization | |
| Chak et al. | Subsampled turbulence removal network | |
| 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 | |
| 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 | |
| Wang et al. | Training very deep CNNs for general non-blind deconvolution | |
| Sahu et al. | Blind deblurring using deep learning: A survey | |
| CN111862026A (zh) | 一种基于深度学习的内窥医学图片去模糊方法 | |
| Carbajal et al. | Non-uniform blur kernel estimation via adaptive basis decomposition | |
| US20230325974A1 (en) | Image processing method, apparatus, and non-transitory computer-readable medium | |
| Nah et al. | Clean images are hard to reblur: Exploiting the ill-posed inverse task for dynamic scene deblurring | |
| Zhao et al. | Deep pyramid generative adversarial network with local and nonlocal similarity features for natural motion image deblurring | |
| CN111640077A (zh) | 一种简单高效的模糊文本图片清晰化处理方法 | |
| Chang et al. | Beyond camera motion blur removing: How to handle outliers in deblurring | |
| CN100377176C (zh) | 一种改进的nas-rif盲图像复原方法 | |
| Liu et al. | Joint hdr denoising and fusion: A real-world mobile hdr image dataset | |
| Zhang et al. | Self-supervised image restoration with blurry and noisy pairs | |
| CN112907467A (zh) | 彩虹纹去除方法、装置及电子设备 | |
| CN113935910A (zh) | 一种基于深度学习的图像模糊长度测量方法 | |
| CN110121016B (zh) | 一种基于双重曝光先验的视频去模糊方法及装置 | |
| Zhang et al. | Deep residual network based medical image reconstruction | |
| Carbajal et al. | Single image non-uniform blur kernel estimation via adaptive basis decomposition |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |