【技术实现步骤摘要】
本专利技术属于模式识别
,更具体地,涉及一种基于深度学习的模糊图像模糊核尺寸估计方法与系统。
技术介绍
当成像设备处于一个不理想的成像环境时,往往会产生模糊的图像,对后续的视觉处理,如:识别、跟踪等造成一定的干扰。造成图像模糊的原因有很多,包括光学因素、大气因素、人工因素、技术因素等,日常生产生活中对图像进行去模糊操作有其重要意义。模糊图像B通常由一个清晰图像I与模糊核k(也称点扩散函数)卷积操作得来,如公式(1)所示:其中,N表示图像噪声,表示二维卷积操作。图像模糊的类型主要分为高斯模糊、运动模糊以及失焦模糊三类,其区别体现在模糊核k表现形式上。根据上述退化模型,图像去模糊实际上是一个反卷积的过程,当模糊核k与清晰图像I均未知时称为盲目反卷积,当模糊核k已知时称为非盲目反卷积。实际情况下,模糊图像的模糊核k与清晰图像I均未知,所以通过公式(1)一个方程要得到两个未知参数,这个问题是不适定的。对于不适定的病态问题,目前的研究大多采用最大后验概率估计的方法对模糊核k与清晰图像I进行估计,如公式(2)所示,其中称为数据逼近项,保证了估计出的清晰图像满足退化模型;R(k)与R(I)分别为模糊核与清晰图像的约束,也称为正则化项,通过不同的正则化项使模糊核与清晰图像更符合实际的先验信息约束。许多研究围绕公式(2)展开,通过对模糊核与清晰图像的先验信息的深入研究,以提高图像去模糊的效果。在上述基于最大后验概率的图像去模糊算法中,模糊核尺寸是一个非常重要的输入参数。模糊核尺寸,主要由模糊轨迹以及模糊核支撑域所决定,反映了模糊的程度,即尺寸大的模糊核产生的模糊图像 ...
【技术保护点】
一种基于深度学习的模糊核尺寸估计方法,其特征在于,该方法包括以下步骤:(1)对模糊图像B进行预处理得到图像B0,使图像B0的尺寸满足多分类卷积神经网络的图像输入尺寸;(2)将图像B0输入至已完成训练的多分类卷积神经网络中,得到一个模糊核尺寸概率分布向量;(3)比较模糊核尺寸概率分布向量中每个元素的大小,最大的元素所对应的模糊核尺寸即为模糊图像B的模糊核尺寸大小的估计结果。
【技术特征摘要】
1.一种基于深度学习的模糊核尺寸估计方法,其特征在于,该方法包括以下步骤:(1)对模糊图像B进行预处理得到图像B0,使图像B0的尺寸满足多分类卷积神经网络的图像输入尺寸;(2)将图像B0输入至已完成训练的多分类卷积神经网络中,得到一个模糊核尺寸概率分布向量;(3)比较模糊核尺寸概率分布向量中每个元素的大小,最大的元素所对应的模糊核尺寸即为模糊图像B的模糊核尺寸大小的估计结果。2.根据权利要求1所述的一种基于深度学习的模糊核尺寸估计方法,其特征在于,将图像B0输入进多分类卷积神经网络,得到一个模糊核尺寸概率分布向量P(Bsize=(s1,...,sm)|B0)=e(ω(1,...,m)soft-...
【专利技术属性】
技术研发人员:桑农,李乐仁瀚,颜露新,高常鑫,邵远杰,彭军才,张士伟,王金,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。