CN113284068A - 一种基于通道共享时空网络的自适应光学图像盲复原方法 - Google Patents

一种基于通道共享时空网络的自适应光学图像盲复原方法 Download PDF

Info

Publication number
CN113284068A
CN113284068A CN202110627414.7A CN202110627414A CN113284068A CN 113284068 A CN113284068 A CN 113284068A CN 202110627414 A CN202110627414 A CN 202110627414A CN 113284068 A CN113284068 A CN 113284068A
Authority
CN
China
Prior art keywords
network
channel
adaptive
convolutional
super
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
Application number
CN202110627414.7A
Other languages
English (en)
Inventor
王帅
陈青青
饶长辉
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.)
Institute of Optics and Electronics of CAS
University of Electronic Science and Technology of China
Original Assignee
Institute of Optics and Electronics of CAS
University of Electronic Science and Technology of China
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 Institute of Optics and Electronics of CAS, University of Electronic Science and Technology of China filed Critical Institute of Optics and Electronics of CAS
Priority to CN202110627414.7A priority Critical patent/CN113284068A/zh
Publication of CN113284068A publication Critical patent/CN113284068A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20004—Adaptive image processing
    • 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)
  • 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

本发明公开了一种基于通道共享时空网络的自适应光学图像盲复原方法，具体按照如下步骤实施：制作自适应光学图像与对应理想清晰图像的训练集；构建用于训练的通道共享时空网络模型，此网络包含特征提取网络、通道共享时空滤波自适应网络和重建网络三个子网络；将自适应光学图像与对应理想清晰图像的训练集输入到建立的通道共享时空网络模型中，得到训练好的通道共享时空网络模型；将待复原的自适应光学图像输入到训练好的通道共享时空网络模型中，得到复原后的潜在清晰图像。本发明能够显著提高自适应光学图像的视觉效果和对比度，复原效果好，速度快，泛化性能强。

Description

一种基于通道共享时空网络的自适应光学图像盲复原方法
技术领域
本发明属于自适应光学图像处理技术领域，涉及一种基于通道共享时空网络的自适应光学图像盲复原方法。
背景技术
大气湍流的存在会引起光波的波前严重畸变，影响地基望远镜对目标的观测。因此，地基望远镜对目标的成像分辨率远低于预期的理论衍射极限，严重影响成像质量。
为了缓解这些问题，地基望远镜通常使用自适应光学技术来补偿大气湍流的影响。它通过一个波前传感器实时测量大气扰动，并通过一个变形镜实时补偿大气湍流引起的波前畸变。自适应光学技术可以显著降低低阶像差，有效地改善光学系统的成像质量。
但是，由于自适应光学系统自身硬件的限制,自适应光学系统对波前畸变的校正是部分的、不完全的，目标的高频信息大量丢失。为了进一步提高自适应光学图像的质量，必须对自适应光学图像进行后处理。
在图像处理领域，图像退化过程一般可以表示为：
g(x,y)＝f(x,y)*h(x,y)+n(x,y)
其中，g(x,y)为输出图像，f(x,y)为输入图像，h(x,y)为点扩散函数，n(x,y)为加性噪声，“*”是二维循环卷积，根据退化图像g(x,y)估计潜在清晰图像的过程称为图像解卷积或复原；如果点扩散函数未知，则称为图像盲解卷积或图像盲复原。
目前主要有四种用于自适应光学图像后处理的方法，斑点成像技术、相位差法、盲解卷积算法、基于深度学习的方法。斑点成像技术利用大气湍流的统计信息重建大气湍流的相位和振幅，通常需要上百帧的短曝光图像才能完成一次重建；相位差法利用一组聚焦图像和一组离焦图像的图像强度来建立误差度量，通过最小化误差度量，重建出目标和点扩散函数，它需要额外的成像设备，且算法对系统参数敏感，在实际应用中还存在一些技术难点；盲解卷积算法直接从单帧或几帧模糊图像中同时重建目标和点扩散函数，然而盲解卷积问题通常是一个病态逆问题，因此需要大量先验信息对算法的求解加以约束，否则难以获得理想的处理结果；基于深度学习的方法利用大量的模糊-清晰图像对，对深度神经网络进行训练，从而学习到模糊图像和清晰图像之间的非线性映射关系，最终利用训练好的网络，复原出清晰的图像。现有的基于深度学习的自适应光学图像盲复原方法有用于人眼视网膜图像去模糊的Retinal-CNN(参见Fei X,Zhao J,Zhao H,et al.Deblurringadaptive optics retinal images using deep convolutional neural networks[J].BiomedOpt Express,2017,8(12):5675-5687.)，用于太阳自适应光学图像去模糊的Encoder-DNN和Recurent-DNN(参见Ramos AA,De La Cruz Rodríguez J,YabarAP.Real-time multiframeblinddeconvolution ofsolar images[J].Astronomy&Astrophysics,2018,620:A73.)，Retinal-CNN只有五个卷积层；Encoder-DNN是加了对称跳跃连接的标准的编解码器网络结构；Recurent-DNN是循环神经网络结构。
现有的基于深度学习的自适应光学图像盲复原方法都假设输入图像是空不变的，因此当点扩散函数是空变时，它们都不能很好地复原出潜在清晰图像，且用于训练的损失函数只有均方误差损失函数，复原的结果严重失真。因此需要构造一个可以用于处理空变点扩散函数的网络。
发明内容
针对上述研究的问题，本发明提出了一种基于通道共享时空网络的自适应光学图像盲复原方法，能够显著提高自适应光学图像的对比度和视觉效果，复原效果好，速度快，泛化性能强。
为了达到上述目的，本发明采用如下技术方案：
本发明公开了一种基于通道共享时空网络的自适应光学图像盲复原方法，包括以下步骤：
A1，首先通过地基望远镜得到自适应光学图像，然后通过斑点重建技术得到自适应光学图像对应的理想清晰图像；
A2，构建用于训练的通道共享时空网络模型，该网络包括特征提取网络、通道共享时空滤波自适应网络和重建网络，特征提取网络包含三个超级块，每个超级块都包含一个卷积层和三个残差块，第一个超级块中卷积层的卷积核大小为5×5，步长为1，其它超级块中卷积层的卷积核大小为5×5，步长为2；重建网络包含三个超级块，第一个超级块和第二个超级块都包含三个残差块和一个解卷积层，每个解卷积层卷积核大小为3×3，步长为2，第三个超级块包含三个残差块和一个卷积层，卷积层卷积核大小为5×5，步长为1；所述的残差块都包含两个3×3卷积层，以上卷积层都以LeakyReLU为激活函数，特征提取网络和重建网络之间有对称跳跃连接；
通道共享时空滤波自适应网络的结构为：包含7个超级块和2个通道共享滤波自适应卷积层，第一、二、三个超级块都包含一个卷积层和三个残差块，第一个超级块中卷积层的卷积核大小为5×5，步长为1，其它超级块中卷积层的卷积核大小为5×5，步长为2；第四、六个超级块都包含两个卷积层和两个残差块，卷积层卷积核大小都为3×3，步长为1；第五个超级块卷积核大小为1×1，步长为1；第七个超级块包含一个卷积层，卷积核大小为3×3，步长为1；通道共享滤波自适应卷积层应用通道共享时空滤波自适应网络生成的空变滤波器到所述特征提取网络所提取的特征的每个通道。
A3，将由步骤A1获得的自适应光学图像与对应理想清晰图像的训练集输入到由步骤A2建立的通道共享时空网络模型中，通道共享时空网络的损失函数由均方误差损失函数Lmse与感知损失函数Lperceptual加权和组成：
L＝Lmse+λLperceptual
这里λ为均方误差损失和感知损失的平衡因子，均方误差损失函数定义为：
Figure BDA0003102129880000031
这里C、H、W为图像的维数，R和G分别为复原图像和训练清晰图像，感知损失函数定义为：
Figure BDA0003102129880000032
这里Φj为预先训练好的Vgg19网络结构中第j个特征图，Cj、Hj、Wj为第j特征图的维数，在此发明中我们用第3、8、15特征图输出的加权平均(即conv1_2、conv2_2、conv3_3卷积层输出的加权平均)；网络在训练过程中权重初始化采用He初始化方法；用Adam优化器最小化损失函数，最终得到训练好的通道共享时空网络模型；
A4，将待复原的自适应光学图像输入到由步骤A3训练好的通道共享时空网络模型中，得到复原后的潜在清晰图像。
与现有技术相比，本发明的有益效果表现在于：通过本发明的复原方法，可以解决现有的基于深度学习的自适应光学图像盲复原方法不能很好地去除空变模糊的问题，能够显著提高自适应光学图像的对比度和视觉效果，复原效果好，速度快，泛化性能强。
附图说明
图1是本发明实施例的基于通道共享时空网络的自适应光学图像盲复原方法的流程图；
图2是本发明实施例的通道共享时空网络的结构示意图；
图3是图2中通道共享时空滤波自适应网络的结构示意图；
图4是本发明的一个实施例，其中(a)是1792×1792的自适应光学校正图像；(b)是本发明的复原结果。
具体实施方式
下面将结合附图及具体实施方式对本发明进行详细的说明。
本发明公开了一种基于通道共享时空网络的自适应光学图像盲复原方法，其流程如图1所示，具体按照如下步骤实施：
A1，首先通过地基望远镜得到6700帧自适应光学图像，然后通过斑点重建技术得到自适应光学图像对应的理想清晰图像；
A2，构建用于训练的通道共享时空网络模型，如图2所示，该网络包括特征提取网络、通道共享时空滤波自适应网络和重建网络，特征提取网络包含三个超级块，每个超级块都包含一个卷积层和三个残差块，第一个超级块中卷积层的卷积核大小为5×5，步长为1，其它超级块中卷积层的卷积核大小为5×5，步长为2；重建网络包含三个超级块，第一个超级块和第二个超级块都包含三个残差块和一个解卷积层，每个解卷积层卷积核大小为3×3，步长为2，第三个超级块包含三个残差块和一个卷积层，卷积层卷积核大小为5×5，步长为1；所述的残差块都包含两个3×3卷积层，以上卷积层都以LeakyReLU为激活函数，特征提取网络和重建网络之间有对称跳跃连接；
如图3所示，通道共享时空滤波自适应网络的结构为：包含7个超级块和2个通道共享滤波自适应卷积层，第一、二、三个超级块都包含一个卷积层和三个残差块，第一个超级块中卷积层的卷积核大小为5×5，步长为1，其它超级块中卷积层的卷积核大小为5×5，步长为2；第四、六个超级块都包含两个卷积层和两个残差块，卷积层卷积核大小都为3×3，步长为1；第五个超级块卷积核大小为1×1，步长为1；第七个超级块包含一个卷积层，卷积核大小为3×3，步长为1；通道共享滤波自适应卷积层应用通道共享时空滤波自适应网络生成的空变滤波器到特征的每个通道。
A3，将A1得到的自适应光学图像和相应的理想清晰图像随机裁剪到128×128大小，并对数据进行随机水平翻转和垂直翻转，将训练集输入到A2建立的通道共享时空网络模型中，通道共享时空网络的损失函数由均方误差损失函数Lmse与感知损失函数Lperceptual加权和组成：
L＝Lmse+λLperceptual
这里λ为均方误差损失和感知损失的平衡因子，均方误差损失函数定义为：
Figure BDA0003102129880000051
这里C、H、W为图像的维数，R和G分别为复原图像和训练清晰图像，感知损失函数定义为：
Figure BDA0003102129880000052
这里Φj为预先训练好的Vgg19网络结构中第j个特征图，Cj、Hj、Wj为第j特征图的维数，在此发明中我们用第3、8、15特征图输出的加权平均(即conv1_2、conv2_2、conv3_3卷积层输出的加权平均)；通道共享时空网络在训练过程中权重初始化采用He初始化方法；用Adam优化器最小化损失函数；初始化学习率设置为10-5，当训练次数为[80,160,250]时学习率衰减为原来的0.1倍，250次之后保持不变，直到训练结束，最终得到训练好的通道共享时空网络模型；
A4，将待复原的自适应光学图像输入到由步骤A3训练好的通道共享时空网络模型中，得到复原后的潜在清晰图像。
在一个实例中，将一张大小为1792×1792的太阳自适应光学图像，经过训练好的网络后，如图4所示，图像视觉效果得到了很大的提升，一个米粒区子图对比度也从2.50提高到了5.89；根据本发明的复原方法，可以提前训练好目标神经网络，由于目标神经网络是端到端的由输入模糊图像到输出潜在清晰图像的映射，一旦训练好网络，在内存为16G的Intel i7-8700KCPU和显存为12G的NVIDIATitanXp GPU上只需要0.38s就可以完成对1792×1792大小图像的复原，有很强的实用价值；本发明不仅速度快、复原效果好，也有很好的泛化性能。
以上仅是结合本发明众多具体应用范围中的一个实施例对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于采用若干等同替代或明显变形，而且性能或用途相同，均落在本发明权利保护范围之内。

Claims (2)

1.一种基于通道共享时空网络的自适应光学图像盲复原方法，其特征在于，该方法包括以下步骤：
A1，首先通过地基望远镜得到自适应光学图像，然后通过斑点重建技术得到自适应光学图像对应的理想清晰图像；
A2，构建用于训练的通道共享时空网络模型，该网络模型包括特征提取网络、通道共享时空滤波自适应网络和重建网络，所述特征提取网络包含三个超级块，每个超级块都包含一个卷积层和三个残差块，所述特征提取网络中的第一个超级块中卷积层的卷积核大小为5×5，步长为1，其它超级块中卷积层的卷积核大小为5×5，步长为2；所述重建网络包含三个超级块，所述重建网络中的第一个超级块和第二个超级块都包含三个残差块和一个解卷积层，每个解卷积层卷积核大小为3×3，步长为2，第三个超级块包含三个残差块和一个卷积层，该卷积层卷积核大小为5×5，步长为1；所述的残差块都包含两个3×3卷积层，以上卷积层都以LeakyReLU为激活函数，特征提取网络和重建网络之间有对称跳跃连接；
A3，将所述自适应光学图像与对应理想清晰图像的训练集输入到由步骤A2建立的通道共享时空网络模型中，通道共享时空网络的损失函数由均方误差损失函数Lmse与感知损失函数Lperceptual加权和组成：
L＝Lmse+λLperceptual
这里λ为均方误差损失和感知损失的平衡因子，均方误差损失函数定义为：
Figure FDA0003102129870000011
这里C、H、W为图像的维数，R和G分别为复原图像和训练清晰图像，感知损失函数定义为：
Figure FDA0003102129870000012
这里Φj为预先训练好的Vgg19网络结构中第j个特征图，Cj、Hj、Wj为第j特征图的维数，在此取第3、8、15特征图输出的加权平均；所述通道共享时空网络模型在训练过程中权重初始化采用He初始化方法；用Adam优化器最小化损失函数，最终得到训练好的通道共享时空网络模型；
A4，将待复原的自适应光学图像输入到由步骤A3训练好的通道共享时空网络模型中，得到复原后的潜在清晰图像。
2.根据权利要求1所述的一种基于通道共享时空网络的自适应光学图像盲复原方法，其特征在于，所述通道共享时空滤波自适应网络的结构为：包含7个超级块和2个通道共享滤波自适应卷积层，所述7个超级块中的第一、二、三个超级块都包含一个卷积层和三个残差块，所述7个超级块中的第一个超级块中卷积层的卷积核大小为5×5，步长为1，所述7个超级块中的第二、第三超级块中卷积层的卷积核大小为5×5，步长为2；所述7个超级块中的第四、六个超级块都包含两个卷积层和两个残差块，卷积层卷积核大小都为3×3，步长为1；所述7个超级块中的第五个超级块卷积核大小为1×1，步长为1；所述7个超级块中的第七个超级块包含一个卷积层，卷积核大小为3×3，步长为1；所述通道共享滤波自适应卷积层应用通道共享时空滤波自适应网络生成的空变滤波器到所述特征提取网络提取的特征的每个通道。
CN202110627414.7A 2021-06-04 2021-06-04 一种基于通道共享时空网络的自适应光学图像盲复原方法 Pending CN113284068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110627414.7A CN113284068A (zh) 2021-06-04 2021-06-04 一种基于通道共享时空网络的自适应光学图像盲复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110627414.7A CN113284068A (zh) 2021-06-04 2021-06-04 一种基于通道共享时空网络的自适应光学图像盲复原方法

Publications (1)

Publication Number Publication Date
CN113284068A true CN113284068A (zh) 2021-08-20

Family

ID=77283549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110627414.7A Pending CN113284068A (zh) 2021-06-04 2021-06-04 一种基于通道共享时空网络的自适应光学图像盲复原方法

Country Status (1)

Country Link
CN (1) CN113284068A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742779A (zh) * 2022-04-01 2022-07-12 中国科学院光电技术研究所 基于深度学习的高分辨力自适应光学图像质量评价方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819828A (zh) * 2012-07-17 2012-12-12 中国科学院光电技术研究所 一种应用在自适应光学图像高分辨率复原的自解卷积方法
CN108537746A (zh) * 2018-03-21 2018-09-14 华南理工大学 一种基于深度卷积网络的模糊可变图像盲复原方法
CN109523482A (zh) * 2018-11-14 2019-03-26 太原理工大学 一种基于深度神经网络的对含纹理退化图像的复原方法
RU2686445C1 (ru) * 2016-01-14 2019-04-25 Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") Способ получения и обработки изображений, искажённых турбулентной атмосферой
CN110097515A (zh) * 2019-04-22 2019-08-06 苏州千视通视觉科技股份有限公司 基于深度学习与时空滤波的低照度图像处理算法及装置
CN111028166A (zh) * 2019-11-30 2020-04-17 温州大学 一种基于迭代神经网络的视频去模糊方法
CN111028150A (zh) * 2019-11-28 2020-04-17 武汉大学 一种快速时空残差注意力视频超分辨率重建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819828A (zh) * 2012-07-17 2012-12-12 中国科学院光电技术研究所 一种应用在自适应光学图像高分辨率复原的自解卷积方法
RU2686445C1 (ru) * 2016-01-14 2019-04-25 Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") Способ получения и обработки изображений, искажённых турбулентной атмосферой
CN108537746A (zh) * 2018-03-21 2018-09-14 华南理工大学 一种基于深度卷积网络的模糊可变图像盲复原方法
CN109523482A (zh) * 2018-11-14 2019-03-26 太原理工大学 一种基于深度神经网络的对含纹理退化图像的复原方法
CN110097515A (zh) * 2019-04-22 2019-08-06 苏州千视通视觉科技股份有限公司 基于深度学习与时空滤波的低照度图像处理算法及装置
CN111028150A (zh) * 2019-11-28 2020-04-17 武汉大学 一种快速时空残差注意力视频超分辨率重建方法
CN111028166A (zh) * 2019-11-30 2020-04-17 温州大学 一种基于迭代神经网络的视频去模糊方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
PENG JIA 等: "PSF–NET: A Nonparametric Point-spread Function Model for Ground-based Optical Telescopes", 《THE ASTRONOMICAL JOURNAL》 *
PENG JIA 等: "Solar Image Restoration with the Cycle-GAN Based on Multi-Fractal Properties of Texture Features", 《ARXIV》 *
SHANGCHEN ZHOU 等: "Spatio-Temporal Filter Adaptive Network for Video Deblurring", 《ICCV 2019》 *
XIAO-JIAO MAO 等: "Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections", 《ARXIV》 *
宣经纬 等: "基于GPU的太阳图像斑点重建技术实现", 《大气与环境光学学报》 *
杨静静 等: "基于图像复原的衍射望远镜暗弱目标成像", 《光学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742779A (zh) * 2022-04-01 2022-07-12 中国科学院光电技术研究所 基于深度学习的高分辨力自适应光学图像质量评价方法

Similar Documents

Publication Publication Date Title
CN111539879B (zh) 基于深度学习的视频盲去噪方法及装置
Xiao et al. Removing stripe noise from infrared cloud images via deep convolutional networks
CN111028163B (zh) 一种基于卷积神经网络的联合图像去噪与弱光增强方法
CN106709875B (zh) 一种基于联合深度网络的压缩低分辨率图像复原方法
CN111369466B (zh) 基于可变形卷积的卷积神经网络的图像畸变矫正增强方法
CN112435162B (zh) 一种基于复数域神经网络的太赫兹图像超分辨重建方法
Gao et al. Atmospheric turbulence removal using convolutional neural network
CN114998141B (zh) 基于多分支网络的空间环境高动态范围成像方法
Luo et al. Deep wavelet network with domain adaptation for single image demoireing
CN111968047A (zh) 一种基于生成式对抗网络的自适应光学图像盲复原方法
Zhang et al. INFWIDE: Image and feature space Wiener deconvolution network for non-blind image deblurring in low-light conditions
CN115526779A (zh) 一种基于动态注意力机制的红外图像超分辨率重建方法
CN113284068A (zh) 一种基于通道共享时空网络的自适应光学图像盲复原方法
CN112200752B (zh) 一种基于er网络多帧图像去模糊系统及其方法
Li et al. K-SVD based denoising algorithm for DoFP polarization image sensors
CN117422653A (zh) 一种基于权重共享和迭代数据优化的低光照图像增强方法
CN116363014A (zh) 一种级联自适应光学图像盲复原方法
CN111179171A (zh) 基于残差模块和注意力机制的图像超分辨率重建方法
CN116452431A (zh) 基于多分支渐进式深度网络的弱光图像增强方法
CN111161189A (zh) 一种基于细节弥补网络的单幅图像再增强方法
CN115760638A (zh) 一种基于深度学习的端到端去模糊超分辨率的方法
Zhu et al. LLISP: Low-light image signal processing net via two-stage network
CN114037636A (zh) 自适应光学系统校正图像的多帧盲复原方法
CN108681988B (zh) 一种基于多幅图像的鲁棒的图像分辨率增强方法
CN110517196B (zh) 一种sar图像降噪方法及系统

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