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。     

基于电荷泵实现的模糊控制器去模糊电路设计

设计了一种新型的模糊控制器去模糊电路单元.该电路由Gilbert乘法器、比较器和一个简单电荷泵电路组成,通过负反馈回路,自动调节电荷泵电路的输出电压,实现对输入的模糊控制规则激活度电压的归一化运算,进而完成重心法去模糊.采用无锡上华(CSMC)0.6 μm混合信号工艺,进行了归一化运算电路试验芯片的流水制作.测试结果表明,该电路可以用于去模糊运算.     

基于多尺度密集连接和U-Net改进的动态场景去模糊算法

针对现有去运动模糊网络在图像恢复过程中出现的纹理细节丢失、无法抑制噪声、产生振铃伪影等问题,提出一种基于多尺度密集连接和U-Net改进的动态场景去模糊算法。首先,借助U-Net网络中空洞卷积下采样有效扩大感受野,在不增加参数量的情况下避免图片产生不可逆损伤,并利用亚像素卷积在上采样过程中以小的卷积核获得清晰的图像细节,降低运算复杂度;其次,设计多尺度密集特征提取模块(multi-scale dense feature extraction, MDFE),通过密集连接的卷积层加强深层次特征提取和复用,运用空间金字塔池化(spatial pyramid pooling, SPP)分支引导多尺度特征的传递和融合,促进图像细节纹理的有效保留;最后,采用ConvLSTM双向连通结构(bidirectional convolution LSTM unit, BCLU)以非线性方式从编码路径补偿简单级联流失的上下文特征,推动深度特征跨阶段相互作用,弱化边缘伪影和噪声干扰。与现有先进方法对比,验证了本文所提算法在性能上的优势。     

全变差框架下快速恢复彩色图像的方法研究与应用

数字图像在采集和传输过程中很容易被噪声污染或出现不同程度的模糊现象,这给图像的后期处理和应用带来相当大的困难. 改进的算法基于交替最小化算法和新的二分法技术,在全变差能量最小化的框架下,提出一个具有自动选择最优均衡参数能力对彩色图像去除噪声及通道内和通道间模糊的算法. 实验结果表明,由于所采用的二分法的快速收敛性,改进的算法可以很快确定最优均衡参数数值,从而提高了算法的去噪声和去模糊能力及自适应能力.     

Joint replenishment model under fuzzy costs and resource constraints——differential evolution algorithm approach

针对复杂不确定环境下的联合采购决策难题,用三角模糊数表示不确定的次要订货费用、库存持有费用和资金约束条件,用梯形模糊数表示不确定的存储空间约束,构建了模糊联合采购模型,并采用两种方法对模糊总成本进行去模糊化处理.进而在对差分进化(DE)算法改进并借助典型函数测试性能的基础上,给出了基于改进DE的模糊联合采购模型求解流程,算例证明所设计的DE算法能较好地解决模糊联合采购问题.     

基于Transformer和双残差网络的图像去模糊算法研究

在单幅图像去模糊网络的设计中,已广泛采用了由“粗到精”的策略。经典的基于深度学习的多尺度网络模型通常将子网络与多尺度输入图像堆叠,并从底层子网络到顶层子网络逐渐提高图像的清晰度,将不可避免地产生图像特征信息丢失问题以及较高的时间成本。针对上述问题,构建了一种基于编解码器结构的多输入多输出U型网络。首先,在编码器结构中采用Transformer模型代替传统卷积网络模型以充分获取图像特征信息;其次为了恢复高频细节特征,在解码器结构中设计了双残差网络;最后,提出多尺度融合算法,有效融合了多尺度特征。在GoPro上的仿真实验表明,通过引入Transformer,所提算法分别在PSNR与SSIM评价指标和运行时间上均优于主流算法,PSNR与SSIM值分别为31.15 dB、0.957 7,同时从视觉上可以得到更多的图像细节。     

基于CA-Res2Net和可变形卷积的图像去模糊方法

针对动态场景下的非均匀运动模糊问题,提出了一种基于细粒度多尺度注意力残差模块(CA-Res2Net)和可变形卷积(Deformable Convolution)的图像去模糊方法CADNet。CADNet以可变形卷积自编码结构为基础架构,进而可以更好地对抗模糊形变;同时CADNet嵌入了细粒度多尺度的残差模块,可以在更细粒度的层次上表示图片的多尺度特征信息,从而可以获得更强的特征表示能力。实验结果表明,CADNet是一种高效的去模糊算法,在获得更高去模糊性能的同时,压制住了计算开销。     

Robust Remove Noise Using Multiple Degraded Images

In this paper, we propose a model to remove noise or deblurring by multiple degraded images. In the algorithm, we introduce robust L1 norm data fidelity term and bilateral total variation regularization term. Experimental results show that our algorithm is effective.     

基于模糊结构图的模糊核估计

图像结构边缘对模糊核估计有重要意义.近年来许多成功的算法都致力从潜在清晰图像中分离出结构边缘形成中间图像,然后用其与模糊图像一起估计模糊核.但是这些算法忽视了从模糊图像中分离出结构边缘对应的部分,导致核估计过程中目标函数的数据项不平衡.针对这一问题,本文利用中间图像和潜在模糊核产生二值模板对模糊图像进行处理,分离出结构边缘对应的部分,并用其修正目标函数.此外本文提出采用L0范数同时约束幅值域和梯度域的正则项,从而缩小核估计的解空间.多个标准测试数据库上实验结果表面,本文算法无论在鲁棒性还是准确性方面均具有更好的效果.     

图像去模糊研究综述

图像模糊是指在图像捕捉或传输过程中,由于镜头或相机运动、光照条件等因素导致图像失去清晰度和细节,从而影响图像的质量和可用性。为了消除这种影响,图像去模糊技术应运而生。其目的在于通过构建计算机数学模型来衡量图像的模糊信息,从而自动预测去模糊后的清晰图像。图像去模糊算法的研究发展不仅为计算机视觉领域的其他任务提供了便利,同时也为生活领域提供了便捷和保障,如安全监控等。1）回顾了整个图像去模糊领域的发展历程,对盲图像去模糊和非盲图像去模糊中具有影响力的算法进行论述和分析。2）讨论了图像模糊的常见原因以及去模糊图像的质量评价方法。3）全面阐述了传统方法和基于深度学习方法的基本思想,并针对图像非盲去模糊和图像盲去模糊两方面的一些文献进行了综述。其中,基于深度学习的方法包括基于卷积神经网络、基于循环神经网络、基于生成式对抗网络和基于Transformer的方法等。4）简要介绍了图像去模糊领域的常用数据集并比较分析了一些代表性图像去模糊算法的性能。5）探讨了图像去模糊领域所面临的挑战,并对未来的研究方法进行了展望。