CN116342431A - 一种图像湍流畸变校正方法 - Google Patents
一种图像湍流畸变校正方法 Download PDFInfo
- Publication number
- CN116342431A CN116342431A CN202310452516.9A CN202310452516A CN116342431A CN 116342431 A CN116342431 A CN 116342431A CN 202310452516 A CN202310452516 A CN 202310452516A CN 116342431 A CN116342431 A CN 116342431A
- Authority
- CN
- China
- Prior art keywords
- image
- distortion
- network
- correction network
- turbulence
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001931 thermography 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
- G06T5/80—Geometric correction
-
- 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
- G06N3/0475—Generative 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
- G06T2207/20—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
本发明涉及图像处理技术领域，解决了现有技术无法提升畸变校正图像预测精度的技术问题，尤其涉及一种图像湍流畸变校正方法，包括以下步骤：S1、基于VGG19网络构建一级校正网络，一级校正网络包括特征融合模块和稠密连接模块；S2、将湍流畸图像输入至一级校正网络中，输出估计湍流畸变图像在一级校正网络上的不确定性映射，即湍流畸变图像在一级校正网络上的方差映射图。本发明通过二级校正网络对湍流畸变图像在一级校正网络的不确定性映射图引导下重点恢复不确定性较大的图像区域，最后输出一张湍流畸变校正图像，并且通过网络对抗和损失函数进行网络优化，可以得到更好的畸变校正效果，提高了畸变校正图像的预测精度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像湍流畸变校正方法。
背景技术
在大气湍流条件下折射率的随机波动会引起图像产生几何失真和时空模糊，从而显著降低远程可见和热成像系统所捕获的图像质量。对于图像湍流畸变校正的问题，一方面，使用基于自适应光学的技术可以补偿图像中的湍流效应，但这种方法通常要求具备规模庞大、结构复杂和价格昂贵的硬件。另一方面，使用基于深度学习的图像处理方法也可以补偿大气湍流引起的视觉退化，这种方法成本低且有效。目前，大部分的神经网络使用基准点、语义映射或单一地使用图像先验信息来预测校正后的图像，然而湍流效应涉及几何失真和时空模糊的结合，导致无法可靠地提取基准点和语义图等结构信息，单一地使用图像先验也无法完全去除图像中的失真，因此预测性能比较有限。
发明内容
针对现有技术的不足，本发明提供了一种图像湍流畸变校正方法，解决了现有技术无法提升畸变校正图像预测精度的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：一种图像湍流畸变校正方法，包括以下步骤：
S1、基于VGG19网络构建一级校正网络，一级校正网络包括特征融合模块和稠密连接模块；
S2、将湍流畸图像输入至一级校正网络中，输出估计湍流畸变图像在一级校正网络上的不确定性映射，即湍流畸变图像在一级校正网络上的方差映射图；
S3、基于一级校正网络构建用于对湍流畸变图像在一级校正网络上的方差映射图引导下，重点恢复湍流畸变图像中像素点上方差值较大的图像区域的二级校正网络，最后输出湍流畸变校正图像。
进一步地，在步骤S3中，基于一级校正网络构建二级校正网络包括以下步骤：
S31、搭建Pytorch的开发环境并选取包含湍流畸变图像的训练集；
S32、构建基于一级校正网络不确定性的二级校正网络，在一级校正网络的浅层特征提取部分前增加特征融合模块，构建出与一级校正网络结构相似且适用一级校正网络不确定性的二级校正网络；
S33、确定二级校正网络的损失函数，二级校正网络的损失函数包括生成器损失函数和辨别器损失函数；
S34、使用Adam优化器对损失函数进行优化；
S35、采用训练集对二级校正网络进行训练。
进一步地，在步骤S32中，构建基于一级校正网络不确定性的二级校正网络，具体过程包括以下步骤：
S321、采用一级校正网络对湍流畸变图像进行S次操作得到S张3通道的畸变校正粗略预测图像，S大小设置为10；
S322、遍历S张畸变校正粗略预测图像上的像素点，求出这S张畸变校正粗略预测图像在对应位置像素点的标准差，得到一张湍流畸变图像在一级校正网络上的方差映射图；
S323、基于一级校正网络和二级校正网络构成生成器；
S324、二级校正网络对湍流畸变图像和其在一级校正网络上的方差映射图在通道维度上进行拼接，对拼接后的向量进行下采样和ReLU激活处理；
S325、生成器中的一级校正网络在通过两个卷积核大小为3×3的卷积层进行64个通道的浅层特征提取之后，经过3个相同结构的稠密连接模块在密集连接层之间进行局部特征融合和局部残差学习，并在稠密连接模块之间进行全局特征融合和全局残差学习，最后经过一个上采样层和卷积核大小为3×3的全连接层，输出一张3通道的畸变校正预测图像；
S326、通过一个10层的神经网络构成辨别器，将真实的自然图像和畸变校正预测图像输入到判别器中进行浅层特征提取后，再顺序进行卷积、批归一化和Leaky-ReLU的下采样操作，最后使用Dense块再接Sigmoid函数做一个二分类，对真实的自然图像和畸变校正预测图像进行概率打分。
进一步地，在步骤S321中，对湍流畸变图像进行S次操作，具体包括，64个通道的浅层特征提取、密集连接层之间局部特征融合、局部残差学习、全局特征融合、全局残差学习和上采样加卷积的图片放大操作，最后输出S张3通道的畸变校正粗略预测图像。
进一步地，在步骤S325中，稠密连接模块包含3个每层由3×3大小的卷积核和ReLU激活函数组成的密集连接层，稠密连接模块中的各层之间利用连续记忆机制进行密集连接，通过concat将前一个模块的输出特征和当前模块中每一层得到的特征融合在一起，再利用1×1卷积对concat降低通道数，最后对前一个模块的输出特征进行局部残差学习。
进一步地，在步骤S33中，生成器损失函数LG由像素损失L1和感知损失Lperceptual构成，像素损失L1和感知损失Lperceptual分别为：
上式中，L1表示像素损失，x和
分别表示真实的自然图像和畸变校正预测图像；Lperceptual表示感知损失，/>
表示将图像输入到VGG19网络后获取的第j层的输出特征；
生成器损失函数LG为：
LG＝L1+λLperceptual
上式中，λ代表权值，λ的取值为0.002。
进一步地，在步骤S33中，辨别器损失函数LD为：
其中，D.表示辨别器判定输入图像为真实的自然图像的概率，x和
分别表示真实的自然图像和畸变校正预测图像。
进一步地，在步骤S34中，Adam优化器设置为：输入图片尺寸设置为256×256，批处理大小为5，学习率设置为le-4，训练二级校正网络共150步。
借由上述技术方案，本发明提供了一种图像湍流畸变校正方法，至少具备以下有益效果：
本发明通过二级校正网络对湍流畸变图像在一级校正网络的不确定性映射图引导下重点恢复不确定性较大的图像区域，最后输出一张湍流畸变校正图像，并且通过网络对抗和损失函数进行网络优化，可以得到更好的畸变校正效果，提高了畸变校正图像的预测精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明图像湍流畸变校正方法的流程图；
图2为本发明生成器的网络结构图；
图3为本发明生成器中单级网络中的稠密连接模块的网络结构图；
图4为本发明辨别器的网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图4，示出了本实施例的一种具体实施方式，本实施例考虑到在网络模型训练过程中参数和结构的不确定性，可能导致模型训练效果不佳，因此根据Monte-CarloDropout，采用湍流畸变图像在一级校正网络上的方差映射图来引导二级校正网络对湍流畸变图像进行校正，可以得到更好的畸变校正效果。
请参照图1，本实施例提出了一种图像湍流畸变校正方法，该方法包括以下步骤：
S1、基于VGG19网络构建一级校正网络，一级校正网络包括特征融合模块和稠密连接模块；
S2、将湍流畸图像输入至一级校正网络中，输出估计湍流畸变图像在一级校正网络上的不确定性映射，即湍流畸变图像在一级校正网络上的方差映射图；
S3、基于一级校正网络构建用于对湍流畸变图像在一级校正网络上的方差映射图引导下，重点恢复湍流畸变图像中像素点上方差值较大的图像区域的二级校正网络，最后输出湍流畸变校正图像。
请参阅图2-图4，为了对步骤S3清楚且完整的进行说明，本实施例提供了用于实现基于一级校正网络构建二级校正网络的方法步骤，具体的实现步骤如下：
S31、搭建Pytorch的开发环境并选取包含湍流畸变图像的训练集，PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序，同时在开源的基础上，搭建Pytorch的开发环境为本领域的常规技术操作，具体的不做详细赘述，对于训练集的选取可从搭建完成后的开发环境中进行选取具有湍流畸变特征的图像，而选取的数量可根据常规训练对于样本数量的要求进行选择，在本实施例中并不做任何限制。
S32、构建基于一级校正网络不确定性的二级校正网络，在一级校正网络的浅层特征提取部分前增加特征融合模块，构建出与一级校正网络结构相似且适用一级校正网络不确定性的二级校正网络。
为了对步骤S32清楚且完整的进行说明，本实施例提供了用于实现构建基于一级校正网络不确定性的二级校正网络的方法步骤，具体的实现步骤如下：
S321、采用一级校正网络对湍流畸变图像进行S次操作得到S张3通道的畸变校正粗略预测图像，S大小设置为10；
在步骤S321中，对湍流畸变图像进行S次操作，具体包括，64个通道的浅层特征提取、密集连接层之间局部特征融合、局部残差学习、全局特征融合、全局残差学习和上采样加卷积的图片放大操作，最后输出S张3通道的畸变校正粗略预测图像。
S322、遍历S张畸变校正粗略预测图像上的像素点，求出这S张畸变校正粗略预测图像在对应位置像素点的标准差，得到一张湍流畸变图像在一级校正网络上的方差映射图；
S323、基于一级校正网络和二级校正网络构成生成器。
请参照图2，为本实施例中生成器的网络结构图，该生成器的一级校正网络Net1在通过两个卷积核大小为3×3的卷积层进行64个通道的浅层特征提取之后，经过3个相同结构的稠密连接模块在密集连接层之间进行局部特征融合和局部残差学习，并在稠密连接模块之间进行全局特征融合和全局残差学习，最后经过一个上采样层和卷积核大小为3×3的全连接层，输出一张3通道的畸变校正预测图像。
在一级校正网络的浅层特征提取部分前增加了特征融合的模块，从而构造出了与一级校正网络结构相似且适用一级校正网络不确定性的二级校正网络Net2，通过二级校正网络Net2，可以对湍流畸变图像在一级校正网络上的方差映射图引导下重点恢复其像素点上方差值较大的图像区域。
图3为生成器中单级网络中的稠密连接模块的网络结构图，其中每个稠密连接模块包含3个每层由3×3大小的卷积核和ReLU激活函数组成的密集连接层。每个稠密连接模块中的各层之间利用连续记忆机制进行密集连接，通过concat将前一个模块的输出特征和当前模块中每一层得到的特征融合在一起，再利用1×1卷积对concat降低通道数，最后对前一个模块的输出特征进行局部残差学习。
S324、二级校正网络对湍流畸变图像和其在一级校正网络上的方差映射图在通道维度上进行拼接，对拼接后的向量进行下采样和ReLU激活处理；
S325、生成器中的一级校正网络在通过两个卷积核大小为3×3的卷积层进行64个通道的浅层特征提取之后，经过3个相同结构的稠密连接模块在密集连接层之间进行局部特征融合和局部残差学习，并在稠密连接模块之间进行全局特征融合和全局残差学习，最后经过一个上采样层和卷积核大小为3×3的全连接层，输出一张3通道的畸变校正预测图像；
S326、通过一个10层的神经网络构成辨别器，将真实的自然图像和畸变校正预测图像输入到判别器中进行浅层特征提取后，再顺序进行卷积、批归一化和Leaky-ReLU的下采样操作，最后使用Dense块再接Sigmoid函数做一个二分类，对真实的自然图像和畸变校正预测图像进行概率打分。
请参照图4，为本实施例中生成对抗网络的辨别器的网络结构图，辨别器由10层的神经网络构成，将真实的自然图像和畸变校正预测图像输入到判别器中进行浅层特征提取后，再顺序进行卷积、批归一化和Leaky-ReLU的下采样操作，最后使用Dense块再接Sigmoid函数做一个二分类，对真实的自然图像和畸变校正预测图像进行概率打分，根据分值取最高分得到最终经过校正后的图像。
S33、确定二级校正网络的损失函数，二级校正网络的损失函数包括生成器损失函数和辨别器损失函数。
在步骤S33中，生成器损失函数LG由像素损失L1和感知损失Lperceptual构成，像素损失L1和感知损失Lperceptual分别为：
上式中，L1表示像素损失，x和
分别表示真实的自然图像和畸变校正预测图像；Lperceptual表示感知损失，/>
表示将图像输入到VGG19网络后获取的第j层的输出特征；
生成器损失函数LG为：
LG＝L1+λLperceptual
上式中，λ代表权值，λ的取值为0.002。
在步骤S33中，辨别器损失函数LD为：
其中，D(.)表示辨别器判定输入图像为真实的自然图像的概率，x和
分别表示真实的自然图像和畸变校正预测图像。
S34、使用Adam优化器对损失函数进行优化，输入图片尺寸设置为256×256，批处理大小为5，学习率设置为le-4，训练二级校正网络共150步。
S35、采用训练集对二级校正网络进行训练，对于通过训练集对二级校正网络进行训练采用常规的训练技术手段，在本实施例中不对训练方式做任何限制。
本实施例通过基于特征融合和稠密连接模块构成的一级校正网络Net1先对畸变校正图像进行S次粗略预测，再遍历这S张粗略预测图像上的像素点从而估计出湍流畸变图像在一级校正网络Net1上的不确定性映射，即湍流畸变图像在一级校正网络Net1上的方差映射，然后构造一个与一级校正网络Net1结构相似，基于特征融合和稠密连接模块的二级校正网络Net2，通过二级校正网络Net2对湍流畸变图像在一级校正网络Net1的方差映射图引导下重点恢复其像素点上方差值较大的区域。同时，构建采用该方法的神经网络时通过网络对抗和损失函数进行网络优化，可以得到更好的畸变校正效果。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种图像湍流畸变校正方法，其特征在于，包括以下步骤：
S1、基于VGG19网络构建一级校正网络，一级校正网络包括特征融合模块和稠密连接模块；
S2、将湍流畸图像输入至一级校正网络中，输出估计湍流畸变图像在一级校正网络上的不确定性映射，即湍流畸变图像在一级校正网络上的方差映射图；
S3、基于一级校正网络构建用于对湍流畸变图像在一级校正网络上的方差映射图引导下，重点恢复湍流畸变图像中像素点上方差值较大的图像区域的二级校正网络，最后输出湍流畸变校正图像。
2.根据权利要求1所述的图像湍流畸变校正方法，其特征在于，在步骤S3中，基于一级校正网络构建二级校正网络包括以下步骤：
S31、搭建Pytorch的开发环境并选取包含湍流畸变图像的训练集；
S32、构建基于一级校正网络不确定性的二级校正网络，在一级校正网络的浅层特征提取部分前增加特征融合模块，构建出与一级校正网络结构相似且适用一级校正网络不确定性的二级校正网络；
S33、确定二级校正网络的损失函数，二级校正网络的损失函数包括生成器损失函数和辨别器损失函数；
S34、使用Adam优化器对损失函数进行优化；
S35、采用训练集对二级校正网络进行训练。
3.根据权利要求1所述的图像湍流畸变校正方法，其特征在于，在步骤S32中，构建基于一级校正网络不确定性的二级校正网络，具体过程包括以下步骤：
S321、采用一级校正网络对湍流畸变图像进行S次操作得到S张3通道的畸变校正粗略预测图像，S大小设置为10；
S322、遍历S张畸变校正粗略预测图像上的像素点，求出这S张畸变校正粗略预测图像在对应位置像素点的标准差，得到一张湍流畸变图像在一级校正网络上的方差映射图；
S323、基于一级校正网络和二级校正网络构成生成器；
S324、二级校正网络对湍流畸变图像和其在一级校正网络上的方差映射图在通道维度上进行拼接，对拼接后的向量进行下采样和ReLU激活处理；
S325、生成器中的一级校正网络在通过两个卷积核大小为3×3的卷积层进行64个通道的浅层特征提取之后，经过3个相同结构的稠密连接模块在密集连接层之间进行局部特征融合和局部残差学习，并在稠密连接模块之间进行全局特征融合和全局残差学习，最后经过一个上采样层和卷积核大小为3×3的全连接层，输出一张3通道的畸变校正预测图像；
S326、通过一个10层的神经网络构成辨别器，将真实的自然图像和畸变校正预测图像输入到判别器中进行浅层特征提取后，再顺序进行卷积、批归一化和Leaky-ReLU的下采样操作，最后使用Dense块再接Sigmoid函数做一个二分类，对真实的自然图像和畸变校正预测图像进行概率打分。
4.根据权利要求3所述的图像湍流畸变校正方法，其特征在于，在步骤S321中，对湍流畸变图像进行S次操作，具体包括，64个通道的浅层特征提取、密集连接层之间局部特征融合、局部残差学习、全局特征融合、全局残差学习和上采样加卷积的图片放大操作，最后输出S张3通道的畸变校正粗略预测图像。
5.根据权利要求3所述的图像湍流畸变校正方法，其特征在于，在步骤S325中，稠密连接模块包含3个每层由3×3大小的卷积核和ReLU激活函数组成的密集连接层，稠密连接模块中的各层之间利用连续记忆机制进行密集连接，通过concat将前一个模块的输出特征和当前模块中每一层得到的特征融合在一起，再利用1×1卷积对concat降低通道数，最后对前一个模块的输出特征进行局部残差学习。
6.根据权利要求2所述的图像湍流畸变校正方法，其特征在于，在步骤S33中，生成器损失函数LG由像素损失L1和感知损失Lperceptual构成，像素损失L1和感知损失Lperceptual分别为：
上式中，L1表示像素损失，x和
分别表示真实的自然图像和畸变校正预测图像；Lperceptual表示感知损失，/>
表示将图像输入到VGG19网络后获取的第j层的输出特征；
生成器损失函数LG为：
LG＝L1+λLperceptual
上式中，λ代表权值，λ的取值为0.002。
7.根据权利要求2所述的图像湍流畸变校正方法，其特征在于，在步骤S33中，辨别器损失函数LD为：
其中，D(.)表示辨别器判定输入图像为真实的自然图像的概率，x和
分别表示真实的自然图像和畸变校正预测图像。
8.根据权利要求2所述的图像湍流畸变校正方法，其特征在于，在步骤S34中，Adam优化器设置为：输入图片尺寸设置为256×256，批处理大小为5，学习率设置为le-4，训练二级校正网络共150步。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310452516.9A CN116342431A (zh) | 2023-04-25 | 2023-04-25 | 一种图像湍流畸变校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310452516.9A CN116342431A (zh) | 2023-04-25 | 2023-04-25 | 一种图像湍流畸变校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116342431A true CN116342431A (zh) | 2023-06-27 |
Family
ID=86885943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310452516.9A Pending CN116342431A (zh) | 2023-04-25 | 2023-04-25 | 一种图像湍流畸变校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342431A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809162A (zh) * | 2024-02-29 | 2024-04-02 | 深圳市润联塑胶模具有限公司 | 校正透镜成像不均一性、提取透镜参数的方法及装置 |
-
2023
- 2023-04-25 CN CN202310452516.9A patent/CN116342431A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809162A (zh) * | 2024-02-29 | 2024-04-02 | 深圳市润联塑胶模具有限公司 | 校正透镜成像不均一性、提取透镜参数的方法及装置 |
| CN117809162B (zh) * | 2024-02-29 | 2024-05-07 | 深圳市润联塑胶模具有限公司 | 校正透镜成像不均一性、提取透镜参数的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
| CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN115439857B (zh) | 一种基于复杂背景图像的倾斜字符识别方法 | |
| CN112000226B (zh) | 一种人眼视线估计方法、装置及视线估计系统 | |
| CN114550223B (zh) | 人物交互检测方法、装置及电子设备 | |
| CN116342431A (zh) | 一种图像湍流畸变校正方法 | |
| CN114897738A (zh) | 一种基于语义不一致性检测的图像盲修复方法 | |
| WO2024109336A1 (zh) | 图像修复方法、装置、设备及介质 | |
| CN113139502A (zh) | 无监督视频分割方法 | |
| CN114529890A (zh) | 状态检测方法、装置、电子设备及存储介质 | |
| CN114021704B (zh) | 一种ai神经网络模型的训练方法及相关装置 | |
| CN115661530A (zh) | 一种图像数据增强方法、系统及电子设备 | |
| EP4285314A1 (en) | Simultaneously correcting image degradations of multiple types in an image of a face | |
| CN113240586A (zh) | 一种可自适应调节放大倍数的螺栓图像超分辨率处理方法 | |
| CN116823794A (zh) | 一种基于多域失真学习的无参考图像质量评价方法 | |
| CN116524575A (zh) | 一种基于多注意力机制的人脸识别方法 | |
| Zhao et al. | A simple yet effective pipeline for radial distortion correction | |
| CN115966006A (zh) | 基于深度学习模型的跨年龄式人脸识别系统 | |
| CN115861223A (zh) | 一种太阳能电池板缺陷检测方法及系统 | |
| CN115546689A (zh) | 基于无监督下帧相关性的视频时间序列的异常帧探测方法 | |
| CN115439738A (zh) | 一种基于自监督协同重构的水下目标检测方法 | |
| CN117198497A (zh) | 基于双分支特征融合的医学影像报告生成方法 | |
| CN114943655A (zh) | 基于循环深度卷积生成对抗网络结构的图像修复系统 | |
| Olimov et al. | Image captioning using multiple transformers for self-attention mechanism | |
| CN116721304B (zh) | 基于失真图像恢复指导的图像质量感知方法、系统及设备 |
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 |