CN116977220A - 基于图像质量启发的盲图像去运动模糊算法 - Google Patents
基于图像质量启发的盲图像去运动模糊算法 Download PDFInfo
- Publication number
- CN116977220A CN116977220A CN202310985961.1A CN202310985961A CN116977220A CN 116977220 A CN116977220 A CN 116977220A CN 202310985961 A CN202310985961 A CN 202310985961A CN 116977220 A CN116977220 A CN 116977220A
- Authority
- CN
- China
- Prior art keywords
- image
- quality
- encoder
- model
- 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.)
- Granted
Links
- 238000013441 quality evaluation Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims 1
- 238000007710 freezing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 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
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明属于图像去模糊处理技术领域，具体地说，是一种基于图像质量启发的盲图像去运动模糊算法，基于去模糊算法旨在提高图像质量以及去模糊过程缺乏先验知识的事实，提出了图像质量先验引导的盲图像去运动模糊算法。具体而言，首先，借助基于深度神经网络的无参考图像质量评价模型提取包含质量信息的深度特征作为先验知识。然后，采用特征预测策略将先验知识嵌入图像去模糊模型的编码器中。最后，采用编码器复用策略将图像去模糊模型中解码器的输出图像再次输入模型编码器中并预测质量评价模型提取的清晰图像的质量特征。本发明在不增加计算成本的基础上，为去模糊模型引入图像质量先验知识，提高了模型的去模糊效果和泛化性能。
Description
技术领域
本发明属于图像去模糊处理技术领域，具体地说，是一种基于图像质量启发的盲图像去运动模糊算法。
背景技术
随着图像采集设备的不断普及，数字图像的获取方式越来越方便，但是在图像获取的过程中通常会产生模糊，而模糊不仅会导致图像质量出现显著的下降，还会影响目标检测与识别等多种计算机视觉任务的应用，虽然研究人员提出了多种去模糊算法，但是去除非均匀的运动模糊依然非常具有挑战。
传统的图像去模糊算法通常依靠手工设计的图像先验，这种方式无法有效处理复杂的运动模糊。随着深度学习的发展，研究人员采用神经网络学习图像的先验知识或者估计运动模糊核，并将深度先验融合进传统的图像去模糊算法之中，但是此类算法存在计算量大以及存在振铃效应的缺点。
近几年来，基于深度神经网络的算法直接从训练数据中学习一个从模糊图像到清晰图像的映射模型。这些去模糊算法取得了长足的进展，但是依然存在依赖训练数据和泛化能力差的问题。图像去模糊是一个不适定的问题，模型在学习映射的过程中，缺乏先验知识的引导。而“Analysis-by-Synthesis”理论表明，先验知识对图像处理很重要，不同的先验知识可能产生不同的处理结果。因此为基于映射的去模糊算法引入合理的先验知识是有必要的。
综上所述，现有技术存在的问题是：
(1)基于映射的图像去模糊算法，存在依赖训练数据和泛化能力差的问题。
(2)图像恢复是不适定的，缺乏先验知识的引导，难以处理严重的失真。
解决上述技术问题的难度：上述技术问题的主要难点在于获取有利于引导去模糊模型学习的先验知识并对先验知识进行量化，以及采取适当的策略将知识有效地嵌入去模糊模型。
解决上述技术问题的意义：在图像恢复的过程中为网络引入有效的先验知识，可以有效引导模型，更好地处理严重的模糊失真，先验知识可以作为一种正则化方式，减少模型过拟合的风险，降低模型对训练数据的依赖，提升模型的泛化能力
发明内容
针对现有技术存在的问题，本发明提供了一种基于图像质量启发的盲图像去运动模糊算法。
基于去模糊算法旨在提高图像质量以及去模糊过程缺乏先验知识的事实，本发明提出了将无参考图像质量评价模型中的图像质量先验知识嵌入图像去模糊模型中的算法，具体而言，首先，训练面向真实失真的无参考图像质量评价模型，并借助基于深度神经网络的无参考图像质量评价模型提取包含质量信息的深度特征作为先验知识，然后，采用特征预测策略将先验知识嵌入图像去模糊模型的编码器中，最后，采用编码器复用策略将图像去模糊模型中解码器的输出图像再次输入模型编码器中并预测质量评价模型提取的清晰图像的质量特征。本发明在不增加计算成本的基础上，为去模糊模型引入图像质量先验知识，提高了模型的去模糊效果和泛化性能。
本发明采用的基于图像质量启发的盲图像去运动模糊算法具体技术方案包括以下步骤：
步骤一、构建基于深度卷积神经网络的面向真实失真的无参考图像质量评价模型，借助该模型从图像中提取深度特征作为图像质量先验知识；
步骤二、将先验知识嵌入编码器：为编码器引入特征预测模块，在编码器进行编码的同时，以多任务学习的方式同时进行图像编码以及预测步骤一得到的包含质量信息的深度特征；
步骤三、将先验知识嵌入解码器：引入编码器复用预测模块，并将解码器的输出图像再次输入步骤二中的编码器并预测步骤一得到的清晰图像的深度特征。
在上述技术方案中，步骤一中，构建图像质量评价模型并提取质量先验知识，包括：
(3)采用真实失真质量评价数据集微调ImageNet预训练模型，得到面向真实失真的质量评价模型。传统的质量评价算法多数针对模拟失真进行设计，而本项目面向的非均匀运动模糊属于真实失真，其复杂度远超过模拟失真。现有的面向模拟失真的算法难以有效评价真实失真。因此需要采用真实失真图像质量评价数据集训练无参考图像模型，使模型具备评估运动模糊图像质量的能力，为提供图像质量知识做准备。
(4)借助无参考质量评价模型提取先验知识。通过(1)中训练得到的无参考图像质量评价模型可以提取运动模糊图像的中间特征。不同模糊程度的图像具备不同的质量特征，通过该特征可以反映图像的质量，因而可以将该特征作为图像质量先验知识。将无参考质量评价模型记为MIQA，输入图像记为Iin，质量先验特征可以表示为：
fk＝MIQA(Iin)
在上述技术方案中，步骤二中，采取特征预测策略将先验知识嵌入去模糊模型编码器，包括：
(3)构建特征预测器。质量先验特征和编码器输出特征的维度通常不一致，因此本算法引入特征预测解决该问题。该预测器包含三层全连接层，该预测旨在将去模糊模型的特征映射到先验知识特征的维度。将编码器记为E，预测器记为P，特征预测器预测的特征可以表示为：
(4)采用多任务学习的方式进行先验特征预测。多任务学习可以增强相似任务间的性能，因此编码器在将输入图像编码成特征空间的同时，通过学习图像质量特征预测任务，损失函数如下：
le＝MSE(fp,fk)。
在上述技术方案中，步骤三中，采用编码器复用策略将先验知识嵌入解码器，包括：
(3)采用编码器复用策略提取去模糊图像的特征。编码器的输入为低维度的特征，输出为高维度的图像，这与质量评价模型相反。采用步骤二的方式难以直接将知识嵌入解码器。为了解决该问题，本项目提出编码器复用策略。将去模糊模型解码器输出的去模糊图像再次输入步骤二中的编码器，在此过程中，该编码器参数被冻结，仅用作特征提取。将编码器记为D，编码器输出图像为：
Iout＝D(fe)
提取特征并通过质量预测器进行预测得到特征/>
(4)将清晰图像的质量先验知识嵌入解码器。在质量特征空间中拉近(1)中得到的去模糊图像和步骤一中得到的清晰图像质量特征之间的距离，若清晰图像的质量特征为则解码器知识嵌入损失如下所示：
本发明的有益效果：本发明将图像质量相关知识嵌入图像去模糊模型，通过训练面向真实失真的无参考质量评价模型并提取深度特征作为质量先验知识，可以有效对知识进行提取和量化表示；通过特征预测策略可以将先验知识嵌入编码器，通过编码器复用策略可以将先验知识嵌入解码器。嵌入的质量先验知识可以指导模型的学习，提升去模糊性能，同时先验知识还可以作为模型的正则化方式，提升模型的泛化能力。
附图说明
图1是本发明的流程图。
图2是本发明中图像质量和图像清晰度之间的关系图。
图3是本发明中图像质量启发的盲图像去模糊算法的结构图。
图4是本发明中不同数据库中的去模糊结果示意图。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
如图1所示，一种基于图像质量启发的盲图像去运动模糊算法包括以下步骤：
步骤一：构建基于深度卷积神经网络的面向真实失真的无参考图像质量评价模型，借助该模型从图像中提取深度特征作为图像质量先验知识；
步骤二：为编码器引入特征预测模块，在编码器进行编码的同时，以多任务学习的方式同时预测步骤一得到的包含质量信息的深度特征，从而达到将先验知识嵌入编码器的目的；
步骤三：引入编码器复用预测模块，并将解码器的输出图像再次输入步骤二中的编码器，并预测步骤一得到的清晰图像的深度特征，从而达到将先验知识嵌入解码器的目的。
下面结合附图对本发明的技术方案作进一步的描述。
本发明基于去模糊算法旨在提高图像质量以及去模糊过程缺乏先验知识的事实，提出了将无参考图像质量评价模型中的图像质量先验知识嵌入图像去模糊模型中的算法。具体而言，首先，借助基于深度神经网络的无参考图像质量评价模型提取包含质量信息的深度特征作为先验知识。然后，采用特征预测策略将先验知识嵌入图像去模糊模型的编码器中。最后，采用编码器复用策略将图像去模糊模型中解码器的输出图像再次输入模型编码器中并预测质量评价模型提取的清晰图像的质量特征。本发明在不增加计算成本的基础上，为去模糊模型引入图像质量先验知识，提高了模型的去模糊效果和泛化性能。
(1)提取图像质量先验知识
图像去模糊是不适定的任务，图像去模糊模型在从模糊图像映射到清晰图像的过程中，缺乏先验知识的引导。由于缺乏先验知识的引导，模型容易出现过拟合泛化能力差的问题。为此，需要为模型引入先验知识。在众多的图像先验知识中，图像的质量和图像的清晰度具有很强的关联。以图像质量评价数据集SPAQ为例，SPAQ库中的图像由智能手机在多种真实场景下采集得到，包含多种复杂的真实失真，能很好的代表现实生活中采集到的图像。该数据集包含图像的质量分数和图像的清晰度分数，图2展示了图像质量和图像清晰度的关联性。从图2可见，图像质量和图像清晰度高度相关。因此本算法引入图像质量先验特征改善图像去模糊算法。
传统的图像质量评价算法主要面向模拟失真，而去模糊算法的一个主要目标是处理非均匀运动模糊，这是一种真实失真，复杂度高于模拟失真。现有去模糊算法在处理非均匀运动模糊时的表现不佳。因此本项目在真实失真图像质量评价数据集上训练无参考质量评价模型，然后借助该模型为真实的非均匀运动模糊图像提取先验知识。将无参考质量评价模型记为MIQA，输入图像记为Iin，质量特征可以表示为：
fk＝MIQA(Iin)
(2)将图像先验嵌入编码器
获取图像先验知识之后，需要将先验知识嵌入图像编码器。在嵌入的过程中，存在以下问题。首先，去模糊网络输出的特征维度和先验知识的特征维度不一致。为了解决该问题，本项目提出一个图像质量预测器，该预测器旨在将去模糊模型的特征映射到先验知识特征的维度。其次，需要将知识嵌入到网络中。如图3所示，本项目采用特征预测策略将先验特征中的知识嵌入编码器。该策略具有以下优势：1)基于预测的策略具有良好的兼容性，可以很容易地嵌入不同类型的知识而无需设计复杂的嵌入网络或知识生成模块。2)知识预测只需要在训练阶段进行。在测试阶段，无需进行知识提取和预测。因此，基于预测的知识嵌入策略在测试过程中不增加任何计算成本。3)可以通过多任务学习的方式在对图像进行编码的同时实现知识特征的预测。众所周知，同时学习相关任务对这两项任务都有好处。因此，本算法采用基于预测的策略将质量知识嵌入到编码器中。如果将编码器记为E，预测器记为P，特征预测器预测出的特征可以表示为：
特征预测采用的是多任务学习的方式同时进行先验特征预测和特征编码。多任务学习可以增强相似任务间的性能，因此编码器在将输入图像编码成特征空间的同时，通过学习图像质量特征预测任务，损失函数如下：
le＝MSE(fp,fk)
(3)将图像先验嵌入解码器
基于预测的知识嵌入策略具有显著的优势。然而，解码器的输入是空间分辨率较低的低维度特征，而解码器的输出是空间分辨率较高的图像。输入和输出都与NR-IQA模型完全不同。简单地采用基于预测的策略是难以嵌入先验知识的。为了解决上述问题，如图3所示，本算法提出了编码器重用策略。本算法将去模糊的图像发送到编码器和预测器中，然后预测清晰图像的知识特征并将先验知识嵌入到解码器中。相比于直接将输出图像输入质量评价模型并计算输出图像和清晰图像之间的训练损失的方式，本算法优势如下：本算法可以将质量知识嵌入到模型中，直接计算训练损失无法将知识集成到模型中。此外，质量评价模型的评估能力有限，而在计算损失函数时，质量评价模型的评估能力会限制模型的性能。因此，本算法采用编码器将质量知识嵌入到解码器中。具体如下，将去模糊模型解码器输出的去模糊图像再次输入步骤二中的编码器，在特征提取的过程中，该编码器被冻结。将解码器记为D，解码器输出图像为Iout：
Iout＝D(fe)
从输出图像Iout中提取特征，并采用预测器预测清晰图像的先验特征：
然后本算法在质量特征空间中拉近该特征和借助步骤一中模型得到的清晰图像质量特征之间的距离，若清晰图像的质量特征为/>则解码器知识嵌入损失如下所示：
下面结合性能测试和实验分析对本发明的技术效果作详细的描述。为了证明本发明的性能，本算法分别在GoPro和Realblur-J两个数据集上以及SRNNet和Restormer去模糊模型上采用所提算法引入质量先验知识，结果如图4所示。从图4可见，所提算法可以显著改善去模糊的性能。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于图像质量启发的盲图像去运动模糊算法，其特征在于，包括以下步骤：
步骤一、构建基于深度卷积神经网络的面向真实失真的无参考图像质量评价模型，借助该模型从图像中提取深度特征作为图像质量先验知识；
步骤二、将先验知识嵌入编码器：为编码器引入特征预测模块，在编码器进行编码的同时，以多任务学习的方式同时进行图像编码以及预测步骤一得到的包含质量信息的深度特征；
步骤三、将先验知识嵌入解码器：引入编码器复用预测模块，并将解码器的输出图像再次输入步骤二中的编码器并预测步骤一得到的清晰图像的深度特征。
2.根据权利要求1所述的的基于图像质量启发的盲图像去运动模糊算法，其特征在于，在所述步骤一中，构建图像质量评价模型并提取质量先验知识，包括：
(1)采用真实失真质量评价数据集微调ImageNet预训练模型，得到面向真实失真的质量评价模型；
(2)借助无参考质量评价模型提取先验知识，将无参考质量评价模型记为MIQA，输入图像记为Iin，质量先验特征fk表示为：
fk＝MIQA(Iin)。
3.根据权利要求1所述的的基于图像质量启发的盲图像去运动模糊算法，其特征在于，在所述步骤二中，采取特征预测策略将先验知识嵌入去模糊模型编码器，包括：
(1)构建特征预测器，该预测器包含三层全连接层，该预测旨在将去模糊模型的特征映射到先验知识特征的维度，将编码器记为E，预测器记为P，特征预测器预测的特征表示为：
(2)采用多任务学习的方式进行先验特征预测，损失函数如下：
le＝MSE(fp,fk)。
4.根据权利要求1所述的的基于图像质量启发的盲图像去运动模糊算法，其特征在于，在所述步骤三中，采用编码器复用策略将先验知识嵌入解码器，包括：
(1)采用编码器复用策略提取去模糊图像的特征，将去模糊模型解码器输出的去模糊图像再次输入步骤二中的编码器，在此过程中，该编码器参数被冻结，仅用作特征提取，将编码器记为D，编码器输出图像为：
Iout＝D(fe)
提取特征并通过质量预测器进行预测得到特征/>
(2)将清晰图像的质量先验知识嵌入解码器，在质量特征空间中拉近(1)中得到的去模糊图像和步骤一中得到的清晰图像质量特征之间的距离，若清晰图像的质量特征为则解码器知识嵌入损失如下所示：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310985961.1A CN116977220B (zh) | 2023-08-07 | 2023-08-07 | 基于图像质量启发的盲图像去运动模糊算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310985961.1A CN116977220B (zh) | 2023-08-07 | 2023-08-07 | 基于图像质量启发的盲图像去运动模糊算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116977220A true CN116977220A (zh) | 2023-10-31 |
| CN116977220B CN116977220B (zh) | 2024-02-13 |
Family
ID=88471261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310985961.1A Active CN116977220B (zh) | 2023-08-07 | 2023-08-07 | 基于图像质量启发的盲图像去运动模糊算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977220B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447647A (zh) * | 2016-07-12 | 2017-02-22 | 中国矿业大学 | 一种压缩感知恢复图像的无参考质量评价方法 |
| CN110502949A (zh) * | 2019-08-09 | 2019-11-26 | 广东技术师范大学 | 一种基于自适应尺度控制的qr码图像快速盲去模糊方法 |
| CN111434115A (zh) * | 2017-12-08 | 2020-07-17 | 华为技术有限公司 | 视频编码中纹理合成的聚类修正 |
| CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
| CN112102177A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于压缩与激励机制神经网络的图像去模糊方法 |
| KR102197089B1 (ko) * | 2020-09-22 | 2020-12-30 | 엘아이지넥스원 주식회사 | 단일 영상 비균일 블러 제거를 위한 딥러닝 기반 다중 학습 구조 |
| CN112435194A (zh) * | 2020-11-30 | 2021-03-02 | 辽宁石油化工大学 | 一种基于生成对抗网络的域自适应去雾方法 |
| CN112801899A (zh) * | 2021-01-20 | 2021-05-14 | 南京邮电大学 | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 |
| WO2022073453A1 (zh) * | 2020-10-10 | 2022-04-14 | 武汉大学 | 一种面向身份识别的人脸质量感知方法及系统 |
| CN114359062A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 基于阶梯流特征融合的图像修复方法、系统及存储介质 |
| CN115456914A (zh) * | 2022-11-08 | 2022-12-09 | 浙江优众新材料科技有限公司 | 一种基于先验知识的散焦图像去模糊方法、装置及介质 |
| CN116188313A (zh) * | 2023-03-03 | 2023-05-30 | 重庆邮电大学 | 一种基于非对称U-Net网络的动态场景盲去模糊方法 |
| CN116485741A (zh) * | 2023-04-11 | 2023-07-25 | 深圳大学 | 一种无参考图像质量评价方法、系统、电子设备及存储介质 |
-
2023
- 2023-08-07 CN CN202310985961.1A patent/CN116977220B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447647A (zh) * | 2016-07-12 | 2017-02-22 | 中国矿业大学 | 一种压缩感知恢复图像的无参考质量评价方法 |
| CN111434115A (zh) * | 2017-12-08 | 2020-07-17 | 华为技术有限公司 | 视频编码中纹理合成的聚类修正 |
| CN110502949A (zh) * | 2019-08-09 | 2019-11-26 | 广东技术师范大学 | 一种基于自适应尺度控制的qr码图像快速盲去模糊方法 |
| CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
| CN112102177A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于压缩与激励机制神经网络的图像去模糊方法 |
| KR102197089B1 (ko) * | 2020-09-22 | 2020-12-30 | 엘아이지넥스원 주식회사 | 단일 영상 비균일 블러 제거를 위한 딥러닝 기반 다중 학습 구조 |
| WO2022073453A1 (zh) * | 2020-10-10 | 2022-04-14 | 武汉大学 | 一种面向身份识别的人脸质量感知方法及系统 |
| CN112435194A (zh) * | 2020-11-30 | 2021-03-02 | 辽宁石油化工大学 | 一种基于生成对抗网络的域自适应去雾方法 |
| CN112801899A (zh) * | 2021-01-20 | 2021-05-14 | 南京邮电大学 | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 |
| CN114359062A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 基于阶梯流特征融合的图像修复方法、系统及存储介质 |
| CN115456914A (zh) * | 2022-11-08 | 2022-12-09 | 浙江优众新材料科技有限公司 | 一种基于先验知识的散焦图像去模糊方法、装置及介质 |
| CN116188313A (zh) * | 2023-03-03 | 2023-05-30 | 重庆邮电大学 | 一种基于非对称U-Net网络的动态场景盲去模糊方法 |
| CN116485741A (zh) * | 2023-04-11 | 2023-07-25 | 深圳大学 | 一种无参考图像质量评价方法、系统、电子设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| MANRI CHEON等: "Perceptual Image Quality Assessment with Transformers", 《CVPR》, pages 433 - 442 * |
| SIDDHANT SAHU等: "Blind Deblurring using Deep Learning: A Survey", 《ARXIV:1907.10128V1》, pages 1 - 9 * |
| TIANSHU SONG等: "Knowledge-Guided Blind Image Quality Assessment with Few Training Samples", 《IEEE TRANSACTIONS ON MULTIMEDIA》, pages 1 - 12 * |
| 唐康: "基于深度学习的单幅运动图像去模糊研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2022, pages 138 - 671 * |
| 张玉波等: "一种循环多尺度的图像盲去模糊网络", 《吉林大学学报（理学版）》, vol. 60, no. 4, pages 889 - 896 * |
| 王晓华等: "渐进式深度网络下盲运动图像去模糊方法", 《西安工程大学学报》, vol. 37, no. 3, pages 74 - 82 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116977220B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
| Zhang et al. | Adaptive residual networks for high-quality image restoration | |
| CN113658051A (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
| CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
| CN111915484A (zh) | 基于密集匹配与自适应融合的参考图引导超分辨率方法 | |
| CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
| CN112184577A (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
| CN115393396B (zh) | 一种基于掩码预训练的无人机目标跟踪方法 | |
| CN116664450A (zh) | 基于扩散模型的图像增强方法、装置、设备及存储介质 | |
| CN115565056A (zh) | 基于条件生成对抗网络的水下图像增强方法及系统 | |
| CN113221925A (zh) | 一种基于多尺度图像的目标检测方法及装置 | |
| CN114638768B (zh) | 一种基于动态关联学习网络的图像去雨方法、系统及设备 | |
| Zhang et al. | Hierarchical attention aggregation with multi-resolution feature learning for GAN-based underwater image enhancement | |
| CN113724136A (zh) | 一种视频修复方法、设备及介质 | |
| CN113256494A (zh) | 一种文本图像超分辨率方法 | |
| CN113947538A (zh) | 一种多尺度高效卷积自注意力单幅图像除雨方法 | |
| CN117593275A (zh) | 一种医学图像分割系统 | |
| CN113240581A (zh) | 一种针对未知模糊核的真实世界图像超分辨率方法 | |
| CN112598604A (zh) | 一种盲脸复原方法及系统 | |
| CN116977220B (zh) | 基于图像质量启发的盲图像去运动模糊算法 | |
| CN113627342B (zh) | 视频深度特征提取优化的方法、系统、设备及存储介质 | |
| CN115018726A (zh) | 一种基于U-Net的图像非均匀模糊核的估计方法 | |
| CN112396598A (zh) | 一种基于单阶段多任务协同学习的人像抠图方法及系统 | |
| CN116523767B (zh) | 一种结合雾浓度分类的图像去雾方法及系统 | |
| Du et al. | UIEDP: Underwater Image Enhancement with Diffusion Prior |
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 |