面向动态场景去模糊的对偶学习生成对抗网络

针对动态场景下的图像去模糊问题,提出一种对偶学习生成对抗网络(dual learning generative adversarial network, DLGAN),该网络可以在对偶学习的训练模式下使用非成对的模糊图像和清晰图像进行图像去模糊计算,不再要求训练图像集合必须由模糊图像与其对应的清晰图像成对组合而成. DLGAN利用去模糊任务与重模糊任务之间的对偶性建立反馈信号,并使用这个信号约束去模糊任务和重模糊任务从两个不同的方向互相学习和更新,直到收敛.实验结果表明,在结构相似度和可视化评估方面, DLGAN与9种使用成对数据集训练的图像去模糊方法相比具有更好的性能.     

基于动态时间混合网络的在线视频去模糊研究

视频去模糊方法能够消除动态场景中相机抖动或物体运动造成的不均匀模糊。文中提出了一种基于时空递归网络的在线视频去模糊方法。引入动态时间混合网络体系结构构造了对应的编码器、动态混合和解码器,从而实现了快速去模糊性能。利用连续时间步长的特征映射之间的线性混合,通过动态时间混合来增强连续帧之间连贯性,并自适应地共享不同时间步长中所获得的图像特征。最后的实验分析表明,所提出的方法在峰值信噪比(PSNR)和算法运行时间方面均优于其他方法。     

基于残差图像的迭代终止条件及其在NCSR算法中的应用

现有图像去模糊(deblurring)算法多依赖于 正则化技术以迭代逼近求解最优目标函数 方式实现关于原图像的最佳估计,由于缺乏迭代终止判定条件(ITC),这些算法通常采用固 定迭代 次数实现以至执行效率不高,同时所获得图像的质量在很多时候也未必是最佳的。鉴于在迭 代过程中每一步所获得的中间估计图像经与模糊核卷积后和模糊图像之间残差图像的亮度 值具有显著的高斯分布特点,提出使用广义高斯分布(GGD)模型为迭代过程中的残差图像建 模并以GGD模型参数值作为衡量去模糊效果的度量 (DM,deblurring measure)。基于DM,在保障去模糊图像质量的前提下,设计了ITC自适应 地终止迭代过程以提高去模糊算法的计算 效率。在经典的非局部集中稀疏表示(NCSR,nonlocally centralized sparse representat ion)去模糊算法上完成的大量 的实验表明,对于运动、高斯和失焦3种典型的模糊失真,新提出的ITC能 够有效判定在每一步迭代过程中所获得的估计图像是否已达到最佳的图像质量,从而实现 在保障去模糊图像质量的前提下大幅度提高NCSR算法计算效率的目的。所提出的ITC判定方 法具有普适性,调整相关参数后也可以应用于其它迭代型的去模糊算法。     

基于调和模型的快速神经网络图像复原算法

针对传统神经网络图像复原算法在复原过程中模糊图像边缘,收敛速度慢等不足,提出一种基于调和模型的快速神经网络图像复原算法.在该算法中,图像复原模型的正则化项采用调和模型,并在每次网络状态更新时引入最陡下降方法,使得网络能量迅速减小.实验表明,提出的算法能够很好复原图像的边缘特征,并具有快速收敛等优点.     

TDI遥感图像中畸变像移模糊的去除

采用离轴三反射结构的大视场空间相机存在较大的光学畸变,导致引入时间延迟积分(Time Delay Integration, TDI)技术的面阵探测器在推扫成像时产生像移模糊。根据畸变引起的TDI成像退化原理,将畸变像移模糊转化为非均匀运动模糊,通过求解像移路径计算初始模糊核,将其作为先验信息,建立半盲复原模型进一步细化模糊核。利用初始模糊核复原的粗略图像边缘指导模糊核的细化,提出一种多方向权重异性的全变差模型提取图像结构信息。为了增强先验信息对模糊核细化的约束,构建了含有初始模糊核的正则项,使模糊核的估计不过度依赖于图像内容,采用多尺度迭代方法求解。最后用正则化约束的非盲反卷积方法去除图像模糊。实验结果表明:与现有的几种去模糊算法相比,所提方法的去模糊效果不仅清晰自然且对不同样本图像的模糊核估计更稳定。     

一种基于改进的暗通道先验的运动模糊核估计方法

传统的暗通道先验已成功地运用于单一图像去模糊问题,但是,当模糊图像具有显著噪声时,暗通道先验无法对模糊核估计起到作用.因此,得益于分数阶计算能够有效地抑制信号的噪声并对信号的低频部分进行增强,将分数阶计算理论与模糊图像的暗通道先验相结合,提出一种基于改进的暗通道先验的运动模糊核估计方法.首先,结合最大后验估计算法与分数阶暗通道先验,构建出运动模糊图像的核估计模型;其次,利用半二次方分裂法解决模型的非凸问题;最后,根据粗糙-精细的策略,利用多尺度迭代框架估计出准确图像的模糊核,进而利用非盲去模糊的方法求解清晰图像.实验结果表明:在有无显著噪声的模糊图像中,所提出的算法虽然所需计算时间较长,但是能够获得较为准确的模糊核,并且能够减少图像噪声以及振铃伪影,提高清晰图像估计的质量;此外,对于不同类型的模糊图像,所提出的算法也同样适用.     

图像运动模糊还原技术综述

图像作为人类信息交流的载体,包含大量信息元素,图像在获取过程中,会因相机抖动、物体位移等原因产生运动模糊,导致图像无法正确传递信息。图像运动模糊还原技术可将此类退化图像修复还原,是当前计算机视觉及图像处理领域的热点。通过模糊核是否已知将图像运动模糊还原方法分为两类,详细阐述了图像运动模糊还原的概念,归纳梳理了近年来图像运动模糊还原技术的方法及研究现状,总结了各方法的优缺点并对经典方法实验结果进行了对比,对模糊核估计及模糊数据集等关键问题进行了分析并对其发展方向给出了建议,最后对图像运动模糊还原技术发展趋势进行了展望。     

加强边缘感知的盲去模糊算法

目的 拍摄过程中,如果摄像机进行了错误的聚焦,就会得到模糊的图像,如何将模糊图像变得清晰成为一个亟待解决的问题。目前关于图像的去模糊方法多采用基于模糊核约束的卷积模型。但是由于实际应用中很难准确获取模糊核的信息,同时计算机也存在精度限制,计算结果与实际物理模型有偏差,因而去模糊的主要挑战为：如何精确地估计模糊核,以及如何在复原过程中减弱由于精度限制造成的振铃效应。方法 振铃效应是指图像的灰度剧烈变化处产生的震荡,类似于钟被敲击后产生的波状空气震荡。在图像复原过程中,此效应通常发生在梯度变化较大的边缘区域附近。本文对此进行研究,在去模糊过程中引入边缘信息作为约束条件,以改善模糊核的估计,并通过抑制边缘区域的反卷积,抑制图像复原过程中的振铃效应。算法主要分为如下3个部分：1）设计了适用于模糊图像的边缘提取算法;2）利用边缘信息设计了加强边缘感知的反卷积算法;3）提出并设计了安全检测子,以保证算法在边缘区域复原的完整性。结果 实验结果表明,在没有先验知识的情况下,本文方法可以较好地恢复图像细节,并有效抑制振铃效应。较之传统的去模糊处理算法,本文方法在性能上有较大提高。比如,相比于Chan、Krishnan以及Hu的方法,本文方法在峰值信噪比指标上分别提高了25.73%、3.52%和4.43%,在结构相似性指标上分别提高了7.67%、1.63%和3.59%。同时,与基于深度学习的方法相比,本文方法不依赖于数据集,鲁棒性更强。结论 本文方法可以较好地恢复图像细节,并抑制振铃效应,同时比深度学习方法适用范围更广。     

基于二阶广义全变差正则项的模糊图像恢复算法

针对图像去模糊问题, 采用二阶广义全变差作为修复图像的正则项构建恢复模型, 并针对重建模型的高阶与非光滑特性, 给出了基于分裂Bregman 迭代的快速算法. 实验结果表明, 该模型和数值算法能够较好地恢复被噪声和模糊污染的图像, 同时可以很好地保留图像的纹理和细节信息.     

基于局部特征核估计的图像去模糊算法

针对在图像去模糊迭代处理阶段的潜像估计和模糊核估计处理速度较低的问题,采用了一种从中等尺寸的单一运动模糊图像实现去模糊的方法,该方法利用简单的图像处理技术从一张预估计的潜像中预测出强边缘,然后得到的结果又独立地运用到模糊核的估计中,能很好地抑制在预测阶段反卷积形成的不良效应,同时构成的数字化系统展现出来的结果比使用像素值计算的需要更少的条件限制,结果收敛得更快。仿真实验结果表明:在去模糊质量相当的情况下,此方法比以往成果的处理速度快20%。