【技术实现步骤摘要】
一种基于分离低高频的多尺度人脸图像去模糊算法
本专利技术属于数字图像智能处理
,具体涉及一种人脸图像去模糊算法,更具体的说,涉及一种基于分离低高频的多尺度人脸图像去模糊算法。
技术介绍
近年来,随着移动设备的普及,拍照已经成了日常生活中不可缺少的一部分。但是,手持手机等移动设备,难免会在拍照的时候造成抖动,进而导致图像的运动模糊,尤其是在暗光场景下,需要更长的曝光时间。运动模糊会对高层次任务产生很严重的影响。以人脸图像为例,模糊人脸会造成人脸识别、人脸关键点检测困难。人脸图像去模糊,可以对模糊人脸图像进行去模糊,恢复人脸的结构和细节。对提升高层次任务的效果起着重要的作用。对运动模糊的定义如下:B=K*I+n(1.1)其中,B为模糊图片,K为模糊核,I为清晰图片,n为高斯噪声。图像去模糊算法根据模糊核是否已知可以分为盲图像去模糊算法和非盲图像去模糊算法。其中盲图像去模糊算法又可以分为:基于最大后验概率估计的方法和基于深度网络的方法。基于最大后验概率的图像去模糊算法主要解决目标函数优化问题。其中,表示使目标函数最小的清晰图片,表示估计的模糊核,P(I)表示清晰图 ...
【技术保护点】
1.一种基于分离低高频的多尺度人脸图像去模糊算法,其特征在于,具体步骤如下:(1)使用前处理网络同时生成图片的低频信息和语义分割使用Encoder‑Decoder网络,在网络的末尾分别用一个卷积层去拟合低频信息和语义分割;训练时,低频信息用欧式距离作为损失函数,语义分割用softmax作为损失函数,两个损失函数的加权和为前处理网络的总体损失函数:
【技术特征摘要】
1.一种基于分离低高频的多尺度人脸图像去模糊算法,其特征在于,具体步骤如下:(1)使用前处理网络同时生成图片的低频信息和语义分割使用Encoder-Decoder网络,在网络的末尾分别用一个卷积层去拟合低频信息和语义分割;训练时,低频信息用欧式距离作为损失函数,语义分割用softmax作为损失函数,两个损失函数的加权和为前处理网络的总体损失函数:Lsemantic=-logP(yi=k|xi,θ)(1.4)Lpre=αLlow+βLsemantic(1.5)其中,Llow表示低频信息的损失函数,n表示一个batch的数据的数目,c表示通道的数目,h、w表示图像的长、宽;l表示低频信息,表示生成的低频信息;Lsemantic表示语义分割的损失函数,x和y分别表示第i个像素的值以及groundtruth的类别,θ表示前处理网络的参数;Lpre表示前处理网络的整体损失函数,α,β表示低频损失函数和语义分割损失函数的权重;(2)使用多尺度网络恢复清晰图片将前处理网络生成的语义分割、低频信息还有模糊图片拼接,输入多尺度网络进行去模糊;所述多尺度网络包括两个层次的多尺度:一为人脸图片大小的放缩,二为网络的基本模块,用inception网络模块;在同一个网络的深度,使用多个不同大小的感受野去提取不同尺度的特征,然后进行特征融合;前处理网络和多尺度网络统称为去模糊网络;(3)联合high-level任务训练人脸的high-level任务包括人脸识别、特征点检测;在去模糊网络的最后,加上一个high-level网络;该人脸...
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。