CN110223245A - 基于深度神经网络的模糊图片清晰化处理方法及*** - Google Patents
基于深度神经网络的模糊图片清晰化处理方法及*** Download PDFInfo
- Publication number
- CN110223245A CN110223245A CN201910405703.5A CN201910405703A CN110223245A CN 110223245 A CN110223245 A CN 110223245A CN 201910405703 A CN201910405703 A CN 201910405703A CN 110223245 A CN110223245 A CN 110223245A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- pixel
- deep neural
- processing
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013459 approach Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- VKYKSIONXSXAKP-UHFFFAOYSA-N hexamethylenetetramine Chemical compound C1N(C2)CN3CN1CN2C3 VKYKSIONXSXAKP-UHFFFAOYSA-N 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 20
- 230000006641 stabilisation Effects 0.000 description 5
- 238000011105 stabilization Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06T2207/20—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
本发明公开了一种基于深度神经网络的模糊图片清晰化处理方法及***,所述方法包括以下步骤:通过模糊算法将原图像P进行模糊化处理得到图像将原图像P与模糊化处理后的图像作为训练数据训练BiCycleGAN网络;实际应用时,将需要处理的模糊图像传输到服务器,服务器接收到该模糊图像数据后,调用训练好的BiCycleGAN网络进行清晰化处理并将处理结果返回。所述方法解决了由于硬件或者图像内容本身造成的模糊问题,并且利用了深度神经网络来解决这一问题,拓展了解决图像模糊的处理方式。
Description
技术领域
本发明涉及图像处理和深度学习领域,具体涉及一种基于深度神经网络的模糊图片清晰化处理方法及***。
背景技术
近年来,随着移动互联网的迅速发展,智能手机成为人们日常生活中不可缺少的一部分。智能手机硬件迅速迭代,移动端计算能力越来越强,移动端逐渐取代PC端成为互联网流量的入口,诞生出许多新的需求,拍照便是人们无论是旅游还是日常生活中最受欢迎的需求之一。实际拍摄中,在感光过程中的微小抖动是难以避免的,抖动可能来自拍摄者本身,也可能是快门时间不够短造成的,这些抖动会造成像素点重叠而导致拍摄出来的照片模糊不够清晰。
目前比较常见的防抖方法有OIS光学防抖、EIS电子防抖和AIS人工智能防抖。OIS光学防抖是给镜头配备光学防抖模组,相比较而言,这种防抖方式的成本更高,同时防抖模组也会占据较大的体积。EIS电子防抖利用数字电路对画面进行处理防抖,虽然成本低廉,但实际上降低了图像传感器的利用率,对画面清晰度和分辨率都会造成一定程度上的影响和损失。AIS防抖则将OIS与EIS两者结合在一起,再加持AI算法。但现有的图像处理上关于模糊去除仍有许多的不足,急需一种更好的模糊图片清晰化处理方法。
发明内容
本发明的目的是针对现有技术的不足,提供了一种基于深度神经网络的模糊图片清晰化处理方法,所述方法在算法层面上将深度神经网络应用到抖动模糊图片清晰化处理技术当中,基于BicycleGAN针对抖动模糊图片进行清晰化处理,弥补了现有图像处理上关于模糊去除的不足,能充分解决由于图像捕捉硬件(手机、相机等)造成的硬件性模糊与图像内容实际场景模糊造成的图像质量缺陷,大幅度提高图像的清晰度。
本发明的另一目的在于提供一种基于深度神经网络的模糊图片清晰化处理***。
本发明的目的可以通过如下技术方案实现:
一种基于深度神经网络的模糊图片清晰化处理方法,所述方法包括以下步骤:
通过模糊算法将原图像P进行模糊化处理得到图像
将原图像P与模糊化处理后的图像作为训练数据训练BiCycleGAN网络;
实际应用时,将需要处理的模糊图像传输到服务器,服务器接收到该模糊图像数据后,调用训练好的BiCycleGAN网络进行清晰化处理并将处理结果返回。
进一步地,所述方法使用Pascal VOC数据集中的图像作为原清晰图像P。
进一步地,所述方法对原图像P进行模糊化处理的具体过程如下:
若原清晰图像P∈(X,Y,N),即是高为X像素,宽为Y像素,通道为N的图像数据,并且,原清晰图像中表征了某一像素点的所有特征,xi,是图像像素位置信息,对应了该像素的N个通道值,此处使用RGB三通道图像,即N=3;
在模糊化处理过程中,图像根据指定的方向THETA及模糊程度LEN为参数进行具体操作,其中模糊程度LEN以像素个数为单位,某一像素点的色域通道值将在以其源点为极坐标原点,沿线段l:
进行像素点重复,其中THETA是沿逆时针的方向角,LEN是模糊偏移的像素单位距离值,这体现了实际过程中的抖动,反映在某一像素点的通道取值上,即是该点的色域通道值,满足:
在该表示方法中,下标i,表明此通道值所属像素点的位置,即该值所在的像素点为第三个下标m标示了该值所属的通道,此处采用的是RGB三色通道,所以在表式中式中,是对因抖动造成的被叠加到像素点上的其他像素点的表述,这些点在线段上,而其点上的色域通道值则因抖动而被覆盖到点的通道上,构成了的组成部分之一,此处按照如上方法进行模糊生成。
进一步地,所述模糊化处理的过程中,LEN的取值在范围内随机选取,X为原清晰图像P的高度,Y为原清晰图像P的宽度,THETA则在(0°,360°)范围内随机选取。
进一步地,所述方法在训练BiCycleGAN网络的过程中,涉及到图像的输入域和输出域,考虑输入域图像集它与目标图像集相对应,在训练阶段,提供训练数据对对于一个输入实例A,能够根据联合分布p(A,B)对应多个合理配对实例B,但是实际训练时只提供一个配对实例,在测试阶段,如果提供一个输入实例A,实际会根据条件概率p(B|A)生成多个合理配对实例,此处记为为了表征输入与输出之间的差距,此处引入一个低维度的隐码向量来具体表达这种差距,由此,生成对抗网络中的生成函数G便能够写成G:(A,z)→B,其中,隐码向量z为生成函数提供了扰动和修正,这里令其服从正态分布,即p(z)~N(0,I)。
进一步地,所述方法训练的BiCycleGAN网络包括两个子网络cVAE-GAN和cLR-GAN。
进一步地,所述cVAE-GAN网络部分,即是条件变分自动编码生成对抗网络,实现完整的从标注源图像到输出图像的处理,本网络能够将隐码z直接与标注源图像刀相关联,生成器将待处理的图像A与隐码z来合成输出图像cVAE-GAN网络的最终目标公式为:
其中:
在上述表达式中,与分别是需要通过训练求出的最优的生成器和最优编码函数,是编码器与正态分布的KL散度期望表达式,是cVAE-GAN网络的L1正则化损失,λ与λKL为控制L1正则化损失与KL散度在优化目标中的比重的折扣因子,由此共同组成了cVAE-GAN网络的优化目标与
所述cLR-GAN网络部分,即是条件隐回归生成对抗网络,实现从隐码z生成目标图像并通过隐码与生成的图像结合反向生成修正隐码利用这个生成对抗网络来优化隐码,使之能够将源带有模糊的图片A与最后生成的清晰化的图片连接起来,其中生成的隐码此处,E是一个服从高斯分布的对于进行估计的编码器;基于此,能够获得cLR-GAN网络生成的修正隐码与z的损失函数:
因此,cLR-GAN网络总的损失函数表示为:
综合了上述两个子网络的优化目标,BiCycleGAN网络总的损失函数能够由cVAE-GAN和cLR-GAN的损失函数综合表示为:
本发明的另一目的可以通过如下技术方案实现:
一种基于深度神经网络的模糊图片清晰化处理***,所述***的服务器采用了上述基于深度神经网络的模糊图片清晰化处理方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明提供的基于深度神经网络的模糊图片清晰化处理方法,解决了由于硬件或者图像内容本身造成的模糊问题,并且利用了深度神经网络来解决这一问题,拓展了解决图像模糊的处理方式。
2、本发明提供的基于深度神经网络的模糊图片清晰化处理方法,具有多场景适应性,可以针对不同的模糊类型进行相应训练并获得相应的较好的处理结果,弥补了现有技术可塑性性不足、只能针对特定模糊进行去除的缺陷。
附图说明
图1为本发明实施例中基于深度神经网络的模糊图片清晰化处理***整体结构图。
图2为本发明实施例中cMAE-GAN网络的实现结构图。
图3为本发明实施例中cLR-GAN网络的实现结构图。
图4(a)为本发明实施例的第一幅模糊图像,图4(b)为图4(a)清晰化处理后的图像;图4(c)为本发明实施例的第二幅模糊图像,图4(d)为图4(c)清晰化处理后的图像。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于深度神经网络的模糊图片清晰化处理方法,在本实施例中,所述方法在如图1所示,与之相配的以安卓平台为核心的物理***上执行,包括以下步骤:
通过模糊算法将原图像P进行模糊化处理得到图像
将原图像P与模糊化处理后的图像作为训练数据训练BiCycleGAN网络;
实际应用时,将图像采集端获得的需要处理的模糊图像通过安卓交换平台传输到服务器,服务器接收到该模糊图像数据后,调用训练好的BiCycleGAN网络进行清晰化处理并将处理结果回传到安卓交换平台,安卓交换平台再在图像显示端显示出清晰图像。
其中,所述方法在训练BiCycleGAN网络的过程中,涉及到图像的输入域和输出域,考虑输入域图像集它与目标图像集相对应,在训练阶段,提供训练数据对对于一个输入实例A,能够根据联合分布p(A,B)对应多个合理配对实例B,但是实际训练时只提供一个配对实例,在测试阶段,如果提供一个输入实例A,实际会根据条件概率p(B|A)生成多个合理配对实例,此处记为为了表征输入与输出之间的差距,此处引入一个低维度的隐码向量来具体表达这种差距,由此,生成对抗网络中的生成函数G便能够写成G:(A,z)→B,其中,隐码向量z为生成函数提供了扰动和修正,这里令其服从正态分布,即p(z)~N(0,I)。训练的BiCycleGAN网络包括两个子网络cVAE-GAN和cLR-GAN。
cVAE-GAN(Conditional Variational Autoencoder GAN)部分,即是条件变分自动编码生成对抗网络。如图2所示,这个网络将源图像数据B的特征使用编码函数E以隐码向量的形式提取出来,我们将隐码与源图像的条件分布Q(z|B)用编码函数E来表示,即也就是说,隐码z可以表达成函数E(B)的一个采样,即z~E(B)。然后生成器G使用隐码和与B成对的图像A综合得出合理配对实例cVAE-GAN可以实现完整的从源图像到合理配对图像的处理。在此基础上,反向传播函数可以具体表示为:
生成器结果的l1正则化表达式如下:
并且,在源图像B已知的情况下,使函数E(B)编码的隐码与源图像之间的差距的分布趋近于随机高斯分布,因此,引入分布差距:
其中,至此,我们可以写出cVAE-GAN网络的总的损失函数为:
式中,G*与E*是我们需要通过训练求出的最优的生成器和最优编码函数。
cLR-GAN(Conditional Latent Regressor GAN)部分,即是条件隐回归生成对抗网络。如图3所示,这个网络首先为生成器提供一个随机隐向量,该网络生成的图像与源图像直观上相似度较低但更符合人们日常认知。而后,编码器将尝试重建输出图像的隐向量。
cLR-GAN能实现从隐码z生成目标图像并通过随机的隐码与生成的图像结合反向生成隐码利用这个生成对抗网络来优化隐码,使之能够将源带有模糊的图片A与最后生成的清晰化的图片连接起来。其中生成的隐码此处,E是一个服从高斯分布的对于进行估计的编码器。基于此,我们可以获得此生成器的l1正则化表达式:
因此,cLR-GAN网络总的损失函数可以表示为:
此处未用l1正则化,因为噪声向量是随机选择的,预测的没有必要在用正则化让其与标签图像一致而只需保持其视觉真实性即可。
综合以上两种网络的优势,联合形成了BicycleGAN,即是本发明的核心深度神经网络。其结合了隐码编码与输出的优势,同时,将隐码编码植入生成器,把两个网络的编码效果与损失函数综合起来训练,实现了从输入图像到隐码再到输出图像的过程并通过隐码生成输出图像,再反向生成优化隐码来调整前者网络的过程,让两个网络在训练过程中反复互相优化。在综合了上述两个网络的损失函数后,本发明中BicycleGAN网络的总的损失函数可以表示为:
其中λ、λlatent、λKL分别控制了几个部分的重要性。根据上述总的损失函数,本发明搭建了相应的神经网络进行训练与调试。
将图4(a)所示的第一幅模糊图像输入所述***中,清晰化处理后得到图4(b)所示的清晰图像;将图4(c)所示的第二幅模糊图像输入所述***中,清晰化处理后得到图4(d)所示的清晰图像;从中可以看出,本发明能够能充分解决由于图像捕捉硬件(手机、相机等)造成的硬件性模糊与图像内容实际场景模糊造成的图像质量缺陷,大幅度提高图像的清晰度。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (8)
1.一种基于深度神经网络的模糊图片清晰化处理方法,其特征在于,所述方法包括以下步骤:
通过模糊算法将原图像P进行模糊化处理得到图像
将原图像P与模糊化处理后的图像作为训练数据训练BiCycleGAN网络;
实际应用时,将需要处理的模糊图像传输到服务器,服务器接收到该模糊图像数据后,调用训练好的BiCycleGAN网络进行清晰化处理并将处理结果返回。
2.根据权利要求1所述的一种基于深度神经网络的模糊图片清晰化处理方法,其特征在于:所述方法使用Pascal VOC数据集中的图像作为原清晰图像P。
3.根据权利要求1所述的一种基于深度神经网络的模糊图片清晰化处理方法,其特征在于,所述方法对原图像P进行模糊化处理的具体过程如下:
若原清晰图像P∈(X,Y,N),即是高为X像素,宽为Y像素,通道为N的图像数据,并且,原清晰图像中表征了某一像素点的所有特征,是图像像素位置信息,对应了该像素的N个通道值,此处使用RGB三通道图像,即N=3;
在模糊化处理过程中,图像根据指定的方向THETA及模糊程度LEN为参数进行具体操作,其中模糊程度LEN以像素个数为单位,某一像素点的色域通道值将在以其源点为极坐标原点,沿线段:
进行像素点重复,其中THETA是沿逆时针的方向角,LEN是模糊偏移的像素单位距离值,这体现了实际过程中的抖动,反映在某一像素点的通道取值上,即是该点的色域通道值,满足:
在该表示方法中,下标表明此通道值所属像素点的位置,即该值所在的像素点为第三个下标标示了该值所属的通道,此处采用的是RGB三色通道,所以在表式中式中,是对因抖动造成的被叠加到像素点上的其他像素点的表述,这些点在线段上,而其点上的色域通道值则因抖动而被覆盖到点的通道上,构成了的组成部分之一,此处按照如上方法进行模糊生成。
4.根据权利要求3所述的一种基于深度神经网络的模糊图片清晰化处理方法,其特征在于:所述模糊化处理的过程中,LEN的取值在范围内随机选取,X为原清晰图像P的高度,Y为原清晰图像P的宽度,THETA则在(0°,360°)范围内随机选取。
5.根据权利要求1所述的一种基于深度神经网络的模糊图片清晰化处理方法,其特征在于:所述方法在训练BiCycleGAN网络的过程中,涉及到图像的输入域和输出域,考虑输入域图像集它与目标图像集相对应,在训练阶段,提供训练数据对对于一个输入实例A,能够根据联合分布p(A,B)对应多个合理配对实例B,但是实际训练时只提供一个配对实例,在测试阶段,如果提供一个输入实例A,实际会根据条件概率p(B|A)生成多个合理配对实例,此处记为为了表征输入与输出之间的差距,此处引入一个低维度的隐码向量来具体表达这种差距,由此,生成对抗网络中的生成函数G便能够写成G:(A,z)→B,其中,隐码向量z为生成函数提供了扰动和修正,这里令其服从正态分布,即p(z)~N(0,I)。
6.根据权利要求5所述的一种基于深度神经网络的模糊图片清晰化处理方法,其特征在于:所述方法训练的BiCycleGAN网络包括两个子网络cVAE-GAN和cLR-GAN。
7.根据权利要求6所述的一种基于深度神经网络的模糊图片清晰化处理方法,其特征在于:所述cVAE-GAN网络部分,即是条件变分自动编码生成对抗网络,实现完整的从标注源图像到输出图像的处理,本网络能够将隐码z直接与标注源图像B相关联,生成器将待处理的图像A与隐码z来合成输出图像cVAE-GAN网络的最终目标公式为:
其中:
在上述表达式中,与分别是需要通过训练求出的最优的生成器和最优编码函数,是编码器与正态分布的KL散度期望表达式,是cVAE-GAN网络的L1正则化损失,λ与λKL为控制L1正则化损失与KL散度在优化目标中的比重的折扣因子,由此共同组成了cVAE-GAN网络的优化目标与
所述cLR-GAN网络部分,即是条件隐回归生成对抗网络,实现从隐码z生成目标图像并通过隐码与生成的图像结合反向生成修正隐码利用这个生成对抗网络来优化隐码,使之能够将源带有模糊的图片A与最后生成的清晰化的图片连接起来,其中生成的隐码此处,E是一个服从高斯分布的对于进行估计的编码器;基于此,能够获得cLR-GAN网络生成的修正隐码与z的损失函数:
因此,cLR-GAN网络总的损失函数表示为:
综合了上述两个子网络的优化目标,BiCycleGAN网络总的损失函数能够由cVAE-GAN和cLR-GAN的损失函数综合表示为:
8.一种基于深度神经网络的模糊图片清晰化处理***,其特征在于:所述***的服务器采用了权利要求1~7任一所述基于深度神经网络的模糊图片清晰化处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405703.5A CN110223245B (zh) | 2019-05-16 | 2019-05-16 | 基于深度神经网络的模糊图片清晰化处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405703.5A CN110223245B (zh) | 2019-05-16 | 2019-05-16 | 基于深度神经网络的模糊图片清晰化处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223245A true CN110223245A (zh) | 2019-09-10 |
CN110223245B CN110223245B (zh) | 2021-07-16 |
Family
ID=67821068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910405703.5A Active CN110223245B (zh) | 2019-05-16 | 2019-05-16 | 基于深度神经网络的模糊图片清晰化处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223245B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402159A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111986104A (zh) * | 2020-07-23 | 2020-11-24 | 河海大学 | 一种基于深度学习的人脸图像去模糊方法 |
CN112634428A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 一种基于双向循环生成网络的多孔介质三维图像重建方法 |
CN113436137A (zh) * | 2021-03-12 | 2021-09-24 | 北京世纪好未来教育科技有限公司 | 一种图像清晰度识别方法、装置、设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983511B1 (en) * | 2010-11-29 | 2011-07-19 | Adobe Systems Incorporated | Methods and apparatus for noise reduction in digital images |
CN102194115A (zh) * | 2010-03-18 | 2011-09-21 | 富士通株式会社 | 图像处理装置和图像处理方法 |
CN103400353A (zh) * | 2013-08-02 | 2013-11-20 | 成都品果科技有限公司 | 一种将图片转为油画的方法 |
US20150002684A1 (en) * | 2013-06-28 | 2015-01-01 | Canon Kabushiki Kaisha | Image processing apparatus |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN104966274A (zh) * | 2015-06-12 | 2015-10-07 | 杭州电子科技大学 | 一种采用图像检测与区域提取的局部模糊复原方法 |
CN105913395A (zh) * | 2016-04-10 | 2016-08-31 | 中国人民解放军海军航空工程学院青岛校区 | 一种运动目标观测及模糊复原方法 |
CN107409166A (zh) * | 2015-04-10 | 2017-11-28 | 高通股份有限公司 | 摇摄镜头的自动生成 |
CN107430694A (zh) * | 2015-03-16 | 2017-12-01 | 诺基亚技术有限公司 | 基于运动模糊的移动对象检测 |
CN108198151A (zh) * | 2018-02-06 | 2018-06-22 | 东南大学 | 一种基于改进rl反卷积算法的星图去模糊方法 |
CN109345466A (zh) * | 2018-08-10 | 2019-02-15 | 北京航空航天大学 | 电磁成像空变模糊恢复方法及装置 |
CN109496326A (zh) * | 2017-12-29 | 2019-03-19 | 深圳配天智能技术研究院有限公司 | 一种图像处理方法、设备及*** |
CN109544464A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种基于轮廓提取的火灾视频图像分析方法 |
-
2019
- 2019-05-16 CN CN201910405703.5A patent/CN110223245B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194115A (zh) * | 2010-03-18 | 2011-09-21 | 富士通株式会社 | 图像处理装置和图像处理方法 |
US7983511B1 (en) * | 2010-11-29 | 2011-07-19 | Adobe Systems Incorporated | Methods and apparatus for noise reduction in digital images |
US20150002684A1 (en) * | 2013-06-28 | 2015-01-01 | Canon Kabushiki Kaisha | Image processing apparatus |
CN103400353A (zh) * | 2013-08-02 | 2013-11-20 | 成都品果科技有限公司 | 一种将图片转为油画的方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN107430694A (zh) * | 2015-03-16 | 2017-12-01 | 诺基亚技术有限公司 | 基于运动模糊的移动对象检测 |
CN107409166A (zh) * | 2015-04-10 | 2017-11-28 | 高通股份有限公司 | 摇摄镜头的自动生成 |
CN104966274A (zh) * | 2015-06-12 | 2015-10-07 | 杭州电子科技大学 | 一种采用图像检测与区域提取的局部模糊复原方法 |
CN105913395A (zh) * | 2016-04-10 | 2016-08-31 | 中国人民解放军海军航空工程学院青岛校区 | 一种运动目标观测及模糊复原方法 |
CN109496326A (zh) * | 2017-12-29 | 2019-03-19 | 深圳配天智能技术研究院有限公司 | 一种图像处理方法、设备及*** |
CN108198151A (zh) * | 2018-02-06 | 2018-06-22 | 东南大学 | 一种基于改进rl反卷积算法的星图去模糊方法 |
CN109345466A (zh) * | 2018-08-10 | 2019-02-15 | 北京航空航天大学 | 电磁成像空变模糊恢复方法及装置 |
CN109544464A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种基于轮廓提取的火灾视频图像分析方法 |
Non-Patent Citations (4)
Title |
---|
BOYU LU 等,: "Unsupervised Domain-Specific Deblurring via Disentangled Representations", 《ARXIV》 * |
JUN-YAN ZHU 等,: "Toward Multimodal Image-to-Image Translation", 《ARXIV》 * |
李翀伦 等,: "联合模糊图像建模与复原算法", 《电光与控制》 * |
陈喜春 等,: "基于极坐标的相向运动图像模糊的递归模型", 《光子学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634428A (zh) * | 2019-10-09 | 2021-04-09 | 四川大学 | 一种基于双向循环生成网络的多孔介质三维图像重建方法 |
CN111402159A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111402159B (zh) * | 2020-03-13 | 2021-05-18 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111986104A (zh) * | 2020-07-23 | 2020-11-24 | 河海大学 | 一种基于深度学习的人脸图像去模糊方法 |
CN113436137A (zh) * | 2021-03-12 | 2021-09-24 | 北京世纪好未来教育科技有限公司 | 一种图像清晰度识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110223245B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223245A (zh) | 基于深度神经网络的模糊图片清晰化处理方法及*** | |
Hai et al. | R2rnet: Low-light image enhancement via real-low to real-normal network | |
Ehret et al. | Model-blind video denoising via frame-to-frame training | |
CN111539879B (zh) | 基于深度学习的视频盲去噪方法及装置 | |
Claus et al. | Videnn: Deep blind video denoising | |
Fu et al. | Learning a simple low-light image enhancer from paired low-light instances | |
CN109102462A (zh) | 一种基于深度学习的视频超分辨率重建方法 | |
WO2019186407A1 (en) | Systems and methods for generative ensemble networks | |
Lin et al. | Reconstruction algorithm for lost frame of multiview videos in wireless multimedia sensor network based on deep learning multilayer perceptron regression | |
KR102095443B1 (ko) | 구조텐서를 이용한 딥러닝 기반의 영상 개선 방법 및 장치 | |
CN113159019B (zh) | 一种基于光流变换的暗光视频增强方法 | |
CN110610467A (zh) | 一种基于深度学习的多帧视频去压缩噪声方法 | |
EP3271866A1 (en) | Method for correction of the eyes image using machine learning and method for machine learning | |
CN116612015A (zh) | 模型训练方法、图像去摩尔纹方法、装置及电子设备 | |
JP2022067858A (ja) | 学習済みモデル及びデータ処理装置 | |
Isikdogan et al. | Eye contact correction using deep neural networks | |
CN116091868A (zh) | 在线视频防抖设备、在线视频防抖方法及其学习方法 | |
Lin et al. | Smnet: Synchronous multi-scale low light enhancement network with local and global concern | |
CN114897916A (zh) | 图像处理方法及装置、非易失性可读存储介质、电子设备 | |
CN111416937B (zh) | 图像处理方法、装置、存储介质及移动设备 | |
CN113160056A (zh) | 一种基于深度学习的带噪图像超分辨率重建方法 | |
Zhang et al. | Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model | |
CN105163046B (zh) | 一种基于网格吸点非参数化运动模型的视频防抖方法 | |
Agnolucci et al. | Perceptual quality improvement in videoconferencing using keyframes-based gan | |
CN113808022B (zh) | 一种基于端侧深度学习的手机全景拍摄与合成方法 |
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 |