• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩开奖结果表网易: 一种基于深度神经网络的图像非均匀运动模糊去除方法.pdf

    关 键 词:
    一种 基于 深度 神经网络 图像 均匀 运动 模糊 去除 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201510091585.7

    申请日:

    2015.02.28

    公开号:

    CN104680491A

    公开日:

    2015.06.03

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06T 5/00申请日:20150228|||公开
    IPC分类号: G06T5/00 主分类号: G06T5/00
    申请人: 西安交通大学
    发明人: 孙剑; 曹文飞; 徐宗本
    地址: 710049陕西省西安市咸宁西路28号
    优先权:
    专利代理机构: 西安通大专利代理有限责任公司61200 代理人: 闵岳峰
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510091585.7

    授权公告号:

    ||||||

    法律状态公告日:

    2016.03.30|||2015.07.01|||2015.06.03

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    一种基于深度神经网络的图像非均匀运动模糊去除方法,包括深度神经网络参数训练、深度网络应用于图像实现运动模糊估计和去除两大步骤。深度网络结构由卷积网络层和前向网络层构成,该网络模型训练过程为:用自然图像生成模糊图像块和模糊核对,用上述数据训练深度神经网络模型参数。给定一幅运动模糊图像,将图像分解为带重叠区域的图像块集,将每个图像块输入深度神经网络输出图像块对应的运动模糊核概率分布,进一步通过优化马尔可夫随机场模型获得图像逐点不同的运动模糊核。最后,基于上述估计的运动模糊核,通过解卷积算法获得去模糊图像。由于深度神经网络的强学习能力,本发明可以精确的估计图像非均匀运动模糊,进一步获得清晰图像。

    权利要求书

    权利要求书
    1.  一种基于深度神经网络的图像非均匀运动模糊去除方法,其特征在于,包括如下步骤:
    1)将相机相对于场景的运动向量空间量化为N个不同的运动向量,构成运动模糊核集G, 每个运动向量对应于G中的一个运动模糊核;采集不少于100张图像,将N个不同运动向量 对应的运动模糊核分别应用于各个图像,获得各自的模糊图像,在上述各个模糊图像中分别 截取多个M×M大小的模糊图像块,并与对应的运动模糊核共同构成训练数据集,每个训练 数据由一个图像块和与其对应的运动模糊核构成;
    2)构造深度神经网络,用训练数据集学习深度神经网络的网络权重数据,学习到用于运 动模糊核估计的深度神经网络;
    3)在待处理运动模糊图像上每隔s×s个像素截取大小为M×M的图像块集合,将图像块 集合中的每个图像块输入到深度神经网络中,输出每个图像块的对应于运动模糊核集G中不 同运动模糊核的概率;
    4)融合不同图像块的运动模糊核概率获得逐个像素点对于不同运动模糊核的置信度,进 一步通过优化马尔可夫随机场模型求得每个像素点的最优运动模糊核;
    5)基于获得的图像逐点运动模糊核,通过优化图像块先验约束的去卷积能量函数,获得 待处理运动模糊图像对应的去模糊图像。

    2.  根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法,其特征在 于:所述步骤2)中的深度神经网络由两层卷积网络层、一层全连接层和一层软极大网络层构 成;其中,每层卷积网络层均由卷积滤波、非线性激活函数和极大池化构成,两层卷积网络 层的滤波器大小分别为96个7×7滤波器、256个5×5滤波器;全连接层的神经元个数为1024。

    3.  根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法,其特征在 于:所述步骤2)中的神经网络训练过程采用反向传播算法。

    4.  根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法,其特征在 于:所述步骤3)中图像块输入深度神经网络后输出其属于运动模糊核集G中不同运动模糊核 的概率P(mk|A)计算公式为:
    P ( m k | A ) = exp ( W k T φ ( A ) ) Σ n exp ( W n T φ ( A ) ) ]]>
    其中mk为运动模糊核集G中第k个运动模糊核,A为图像块,φ(A)为该图像块通过深度 网络全连通层后的特征输出;Wk为软极大网络层第k类神经元与上层输出的连接权重向量。

    5.  根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法,其特征在 于:所述步骤4)中采用如下公式融合不同图像块的运动模糊核概率以获得逐个像素点对于运 动模糊核集G中不同运动模糊核mk的置信度Ci(mk):
    C i ( m k ) = 1 Σ A : i ∈ A w iA Σ A : i ∈ A w iA P ( m k | A ) ]]>
    其中i为像素点下标,mk为运动模糊核集G中第k个运动模糊核,A为图像块,P(mk|A)为 图像块A对应于运动模糊核集G中运动模糊核mk的概率,wiA为像素点i相对于图像块A中心 的影响权重,定义为:
    wiA=exp(||xi-xA||2/τ)
    其中xi,xA分别为像素点i和图像块A中心点坐标,τ为无量纲,其取值为100。

    6.  根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法,其特征在 于:所述步骤4)中的马尔可夫随机场能量模型E(M)如下:
    E ( ) = Σ i [ - C i ( m i ) + Σ j ∈ N ( i ) | | m i - m j | | 2 ] ]]>
    其中N(i)为像素点i的近邻点集合,M为所有像素的模糊核构成的参数集合,mi为像素点 i对应的运动模糊核,mj为像素点j对应的运动模糊核,Ci(mi)为像素点i对应模糊核mi的置信 度,通过极小化上述模型,获得逐像素点的运动模糊核。

    7.  根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法,其特征在 于:所述步骤5)中的基于图像块先验约束的去卷积能量函数E(I)定义如下:
    E ( I ) = γ 2 | | k ( M ) * I - O | | 2 - Σ i log ( Q ( P i I ) ) ]]>
    其中O为待处理的运动模糊图像,Pi为从图像中像素点i处抽取图像块的算子,Q(·)为图像 块先验分布模型,k(M)为所估计的全局不一致运动模糊核,γ为无量纲,其取值为2×105;
    通过极小化上述模型获得待处理运动模糊图像对应的去模糊图像I。

    说明书

    说明书一种基于深度神经网络的图像非均匀运动模糊去除方法
    技术领域:
    本发明属于图像处理领域,具体涉及一种基于深度神经网络的图像非均匀运动模糊去除 方法,用于自动估计和去除图像中的非均匀运动模糊现象。
    背景技术:
    图像去模糊是图像处理领域的一个重要问题。现有的方法多关注于去除全局一致的模糊。 此外还有非均匀运动图像模糊,即运动模糊核是空间不一致的。该类模糊多发生于在图像拍 摄图像过程中物体发生运动,或者在运动的汽车中拍摄外界场景。该问题具有很强的挑战性。 下面介绍解决图像模糊和非均匀模糊估计和去除的现有方法。
    1.图像均匀模糊估计和去除方法
    当前的均匀模糊核估计算法通常采用优化能量函数方式实现。将图像模糊核和清晰图像 作为优化变量,建立基于自然图像稀疏性约束的能量模型,并通过极小化该能量模型同时获 得模糊核和清晰图像。其能量模型的形式一般为:
    E ( I , k ) = γ 2 | | k * I - O | | 2 + R 1 ( k ) + R 2 ( I ) ]]>
    其中I,k为待优化的清晰图像和模糊核。R1(K),R2(i)为对模糊核和图像的正则化约束,往 往建模为在变换域内的稀疏性约束。
    该类算法的典型文献为[1,2]。其中文献[1]提出一种两阶段模糊核估计算法,通过估计重 要图像边缘结构更好地估计模糊核;文献[2]则采用L0稀疏性正则化来约束图像,在算法迭代 优化过程中,稀疏正则化约束可生成包含图像重要边缘结构的结构图像,进而更精确估计模 糊核,该方法被证明可以需要更少的迭代步数即可获得模糊核和清晰图像。
    上述图像均匀模糊去除算法均假设图像的模糊核是全局一致的,因此整幅图像只估计一 个模糊核。但这实际中,图像的模糊可能是非均匀的,即图像不同空间位置具有不同的模糊 核。下面将综述非均匀图像模糊去除的现有方法。
    2.图像非均匀模糊估计和去除方法
    图像非均匀模糊现象往往由以下原因产生:(1)在相机拍摄过程中,相机发生了旋转运 动、或者场景中的物体发生运动;(2)相机架设在运动的汽车或火车进行拍摄。这类模糊图 像的模糊核是逐点不同的,如何估计和去除非均匀模糊核具有强挑战性,目前的现有算法还 远远没有解决这类问题。
    一类方法关注相机旋转所引起的非均匀模糊去除问题。这类方法往往将非均匀模糊核估 计问题转化为相机旋转运动参数空间中的模糊核估计问题,并全图估计运动参数空间中的一 个模糊核。文献[4]研究相机的震动所引起的图像模糊问题,基于相机的成像模型,将这类模 糊图像的模糊核建模为相机在运动参数空间中的运动路径,模糊图像则是相机运动路径上不 同运动图像的求和。进一步通过统计方法估计运动模糊核,采用经典的去卷积算法获得清晰 图像。
    另一类方法研究物体运动产生的运动模糊去除,该类问题关注的模糊图像往往是由于相 机拍摄过程中场景中的物体发生运动引起的。文献[3]研究非均匀运动模糊核的估计和去除。 将图像的运动模糊核参数化描述为某个方向(例如水平)的运动强度。进一步研究图像在不 同的运动强度下模糊图像的统计分布规律。给定一幅运动模糊图像,通过学习到的统计分布 规律推理模糊图像的运动模糊核。由于模糊图像的统计分布是图像整体特征描述且描述不精 细,因此其估计非均匀运动模糊核的能力不足。文献[5]则研究不同运动模糊图像的图像块的 谱分布规律,建立判断图像块对应运动模糊核的统计推理模型,对图像中的图像块独立判断 其模糊核。文献[6]也同样研究图像块对应的模糊核估计模型,采用Gabor滤波器组和字典学 习得到的滤波器组对图像进行滤波响应,用得到的响应向量作为特征学习分类器以判断图像 块对应的模糊核。
    上述图像均匀/非均匀模糊估计和去除方法均具有局限性。均匀模糊去除方法假定图像 的模糊是全局一致的,而在实际应用中,模糊核往往不是一致的;非均匀模糊方法中的相机 旋转模糊去除算法假定模糊是由于相机旋转所引起的,但该假设在实际应用中也具有局限性, 例如大量模糊图像是由于物体运动或者相机/物体运动的混合情况;物体运动模糊去除方法 采用逐图像块的模糊核估计方法,但其估计精度不高,远远无法达到实用要求。
    参考文献:
    [1]L.Xu and J.Jia.Two-phase kernel estimation for robust motiondeblurring.In Proceeding of  European Conference on Computer Vision,2010.
    [2]L.Xu,S.Zheng,and J.Jia.Unnatural l0sparse representation fornatural image deblurring. In IEEE Conference on ComputerVision and Pattern Recognition,2013.
    [3]A.Levin.Blind motion deblurring using image statistics.In NIPS,2007.
    [4]O.Whyte,J.Sivic,A.Zisserman,and J.Ponce.Non-uniform deblurringfor shaken images. International Journal of Computer Vision,98(2):168–186,2012.
    [5]A.Chakrabarti,T.Zickler,and W.Freeman.Analyzing spatiallyvarying blur.In Proceeding  of IEEE Conference on Computer Vison and Pattern Recognition,2010.
    [6]F.Couzini′e-Devy,J.Sun,K.Alahari,and J.Ponce.Learning toestimate and remove  non-uniform image blur.In Proceeding of IEEE Conference on Computer Vison and Pattern  Recognition,2013.
    发明内容:
    本发明的目的在于针对上述现有技术的缺陷或不足,提出了一种基于深度神经网络的图 像非均匀运动模糊去除方法。该方法主要关注于去除由于相机运动、物体运动等引起的图像 非均匀模糊;同时作为一种通用方法,也可以解决均匀模糊图像的模糊去除问题。该方法假 定图像的运动模糊是局部线性的,即模糊核可局部描述为线性运动核,采用深度网络学习, 自动估计非均匀模糊图像的逐像素点的运动模糊核,并对模糊进行去除从而获得高清晰度的 图像。
    为达到上述目的,本发明采用如下的技术方案予以实现:
    一种基于深度神经网络的图像非均匀运动模糊去除方法,包括如下步骤:
    1)将相机相对于场景的运动向量空间量化为N个不同的运动向量,构成运动模糊核集G, 每个运动向量对应于G中的一个运动模糊核;采集不少于100张图像,将N个不同运动向量 对应的运动模糊核分别应用于各个图像,获得各自的模糊图像,在上述各个模糊图像中分别 截取多个M×N大小的模糊图像块,并与对应的运动模糊核共同构成训练数据集,每个训练 数据由一个图像块和与其对应的运动模糊核构成;
    2)构造深度神经网络,用训练数据集学习深度神经网络的网络权重数据,学习到用于运 动模糊核估计的深度神经网络;
    3)在待处理运动模糊图像上每隔s×s个像素截取大小为M×M的图像块集合,将图像块 集合中的每个图像块输入到深度神经网络中,输出每个图像块的对应于运动模糊核集G中不 同运动模糊核的概率;
    4)融合不同图像块的运动模糊核概率获得逐个像素点对于不同运动模糊核的置信度,进 一步通过优化马尔可夫随机场模型求得每个像素点的最优运动模糊核;
    5)基于获得的图像逐点运动模糊核,通过优化图像块先验约束的去卷积能量函数,获得 待处理运动模糊图像对应的去模糊图像。
    本发明进一步的改进在于:所述步骤2)中的深度神经网络由两层卷积网络层、一层全连 接层和一层软极大网络层构成;其中,每层卷积网络层均由卷积滤波、非线性激活函数和极 大池化构成,两层卷积网络层的滤波器大小分别为96个7×7滤波器、256个5×5滤波器; 全连接层的神经元个数为1024。
    本发明进一步的改进在于:所述步骤2)中的神经网络训练过程采用反向传播算法。
    本发明进一步的改进在于:所述步骤3)中图像块输入深度神经网络后输出其属于运动模 糊核集G中不同运动模糊核的概率P(mk|A)计算公式为:
    P ( m k | A ) = exp ( W k T φ ( A ) ) Σ n exp ( W n T φ ( A ) ) ]]>
    其中mk为运动模糊核集G中第k个运动模糊核,A为图像块,φ(A)为该图像块通过深度 网络全连通层后的特征输出;Wk为软极大网络层第k类神经元与上层输出的连接权重向量。
    本发明进一步的改进在于:所述步骤4)中采用如下公式融合不同图像块的运动模糊核概 率以获得逐个像素点对于运动模糊核集G中不同运动模糊核mk的置信度Ci(mk):
    C i ( m k ) = 1 Σ A : i ∈ A w iA Σ A : i ∈ A w iA P ( m k | A ) ]]>
    其中i为像素点下标,mk为运动模糊核集G中第k个运动模糊核,A为图像块,P(mk|A)为 图像块A对应于运动模糊核集G中运动模糊核mk的概率,wiA为像素点i相对于图像块A中心 的影响权重,定义为:
    wiA=exp||xE-xA||2/τ)
    其中xi,xA分别为像素点i和图像块A中心点坐标,τ为无量纲,其取值为100。
    本发明进一步的改进在于:所述步骤4)中的马尔可夫随机场能量模型E(M)如下:
    E ( ) = Σ i [ - C i ( m i ) + Σ j ∈ N ( i ) | | m i - m j | | 2 ] ]]>
    其中N(i)为像素点i的近邻点集合,M为所有像素的模糊核构成的参数集合,mi为像素点 i对应的运动模糊核,mj为像素点j对应的运动模糊核,Ci(mi)为像素点i对应模糊核mi的置信 度,通过极小化上述模型,获得逐像素点的运动模糊核。
    本发明进一步的改进在于:所述步骤5)中的基于图像块先验约束的去卷积能量函数E(i) 定义如下:
    E ( I ) = γ 2 | | k ( M ) * I - O | | 2 - Σ i log ( Q ( P i I ) ) ]]>
    其中O为待处理的运动模糊图像,Pi为从图像中像素点i处抽取图像块的算子,Q(·)为图像 块先验分布模型,k(M)为所估计的全局不一致运动模糊核,γ为无量纲,其取值为2×105;
    通过极小化上述模型获得待处理运动模糊图像对应的去模糊图像I。
    与现有技术相比,本发明的有益效果是:
    本发明一种基于深度神经网络的图像非均匀运动模糊去除方法,该方法通过大量训练数 据训练深度神经网络,实现图像局部块的运动模糊核自动估计。为保证局部估计的模糊核具 有光滑性,提出马尔可夫随机场模型获得光滑的最优运动模糊核估计,并通过图像块先验的 能量模型极小化实现清晰图像估计。由于深度神经网络的强学习能力,所提出方法可以精确 的估计图像非均匀运动模糊,进一步获得清晰图像。
    本发明主要可以用于移动设备拍摄图像的非均匀运动模糊去除、运动物体(例如火车、 汽车)上相机或者摄像头拍摄图像的非均匀运动模糊去除。在相机配套处理软件、高铁等运 行环境监控软件、移动设备图像处理软件中具有重要应用价值。
    附图说明:
    图1是本发明的实施流程图。
    图2是深度神经网络结构图。
    图3是图像非均匀模糊估计实例图。
    图4是图像非均匀模糊去除实例图。
    具体实施方式:
    为使本发明的目的、技术方案及优点更加清新,下结合附图及具体实例,对本发明做进 一步的详细说明。这些实例仅仅说明性的,而并非对本发明的限制。
    如图1所示,本发明一种基于深度神经网络的图像非均匀运动模糊去除方法,包括如下 步骤:
    一.构造训练数据集
    将运动模糊核描述为运动向量。将运动向量空间量化为N个不同的运动向量,每个运动 向量决定一个运动模糊核,从而构成运动模糊核集G。采集大量图像,将不同运动向量对应 的运动模糊核应用于图像获得模糊图像。在上述大量模糊图像中截取M×M大小的模糊图像 块,并与对应的运动模糊核共同构成(模糊图像块,模糊核)训练数据集。
    具体地,我们在运动向量空间中均匀采集了生成了73种不同的运动向量,构成运动模糊 核集G。其运动向量的方向和长度分别属于集合{0°,30°,60°,…,150°};{1,3,5,…,25}。我们采 集了1000幅自然图像,将上述运动向量对应的模糊核应用于这些自然图像上,进而得到(模 糊图像,运动模糊核)对。在上述模糊图像集合中共截取大约1400000个图像块,图像块的大小 为30×30×3,从而构成模糊图像块和运动核数据对集合作为训练数据集合。
    二.构造和训练深度神经网络
    构造深度神经网络。如图2所示,深度神经网络由两层卷积网络层、一层全连接层和一 层软极大(Softmax)网络层构成。其中,每层卷积网络层均由卷积滤波、极大池化(Max-pooling) 和非线性变换ReLU构成,两层卷积网络层的滤波器大小分别为96个7×7滤波器、256个5×5 滤波器;全连接层的神经元个数为1024。用训练数据集合学习深度神经网络的网络权重数据。 训练过程采用反向传播算法。
    三.估计图像块的运动模糊核概率
    给定一幅运动模糊图像,在图像上每隔6×6个像素截取大小为30×30×3的彩色图像 块集合。将这些图像块输入到训练好的深度神经网络中,输出每个图像块对应于G中不同模 糊运动核的概率。图像块输入深度神经网络后输出其属于G中不用运动核的概率计算公式为:
    ( m k | A ) = exp ( W k T φ ( A ) ) Σ n exp ( W n T φ ( A ) ) ]]>
    其中mk为运动模糊核集G中第k个运动模糊核,A为图像块,φ(A)为该图像块通过深度 网络全连通层后的特征输出;Wk为软极大(Softmax)网络层第k类神经元与上层输出的连接 权重向量。
    四.估计图像逐点运动模糊核
    融合不同图像块的模糊核概率获得逐个像素点对于不同模糊运动核的置信度,进一步通 过优化马尔可夫随机场模型求得每个像素点的最优运动模糊核。具体地,采用如下公式融合 不同图像块的模糊核概率以获得逐个像素点对于G中不同模糊运动核的置信度:
    C i ( m k ) = 1 Σ A : i ∈ A w iA Σ A : i ∈ A w iA P ( m k | A ) ]]>
    其中i为像素点下标,P(mk|A)为运动模糊核集G中不同运动模糊核的概率,mk为运动 模糊核集G中第k个运动模糊核,A为图像块,为像素下标,wiA为像素点i相对于图像块A 中心的影响权重,定义为:
    wiA=exp||xi-xA||2/τ)
    其中xi,xA分别为像素点i和图像块A中心点坐标。τ为无量纲,其取值为100。
    进一步,通过优化如下的马尔可夫随机场模型获得逐点的运动模糊核:
    E ( ) = Σ i [ - C i ( m i ) + Σ j ∈ N ( i ) | | m i - m j | | 2 ] ]]>
    其中N(i)为像素点i的近邻点集合,M为所有像素的模糊核构成的参数集合,mi为像素点i 对应的运动模糊核,mj为像素点j对应的运动模糊核,Ci(mi)为像素点i对应模糊核mi的置信 度,通过极小化上述模型,获得逐像素点的运动模糊核。我们采用置信传播(Belief Propagation) 算法优化上述模型,获得逐点最优的运动模糊核。
    图3展示了一个具体的实施例子。图3(a)是输入的运动模糊图像,该图像模糊是由于相 机在运动的汽车上拍摄所引起。图3(b)展示了用我们的算法所估计得到的逐点不同的运动模 糊运动核,在图像中我们用运动向量表示。
    五.估计去除运动模糊图像
    步骤四获得了模糊图像中的逐点运动模糊核,这一步骤将去除运动模糊现象,获得高清 晰度的图像。假定给定的运动模糊图像是O,模糊图像的生成模型是O=k(M)*I,其中k(M)是 由逐点运动向量场M所决定的逐点不同的运动模糊核集合。下面我们将通过优化如下的能量 模型恢复清晰图像I:
    E ( I ) = γ 2 | | k ( M ) * I - O | | 2 - Σ i log ( Q ( P i I ) ) ]]>
    其中O为待处理的运动模糊图像,Pi为从图像中像素点i处抽取图像块算子;Q(·)为图像块 先验分布模型,是通过对自然图像块采用高斯混合模型进行统计学习得到的统计分布函数。5 为无量纲,其取值为2×105。为优化上述能量函数,我们采用经典的半二次分解 (Half-Quadratic Splitting)算法进行优化,将优化问题分解为迭代优化两个子问题:
    子问题1: E ( I ) = γ 2 | | k ( M ) * I - O | | 2 + μ Σ i | | z i - P i I | | 2 ]]>
    子问题2:E({zi})=μ∑i||zi-PiI||2-∑ilog(Q(zi))
    其中zi为引入的辅助变量。迭代优化上述两个子问题,在迭代中,随着迭代步数增加,μ一 趋向于无穷。一般地,我们迭代7-10步即可以获得最后清晰图像。
    图4展示了一个非均匀模糊估计和去除的例子。在图4中,(a)为输入的运动模糊图像, 该图像模糊是由于相机的运动所造成;(b)展示了由我们方法所估计的逐点运动模糊核;(c)展 示了通过上述优化模型所获得的清晰图像。
    本发明可通过多种编程语言来实现,例如C++、Java、matlab等。本说明书中的描述 仅仅是用于说明性的,而不应被认为是限制性的。本发明的范围仅受权利要求书的限制。

    关于本文
    本文标题:一种基于深度神经网络的图像非均匀运动模糊去除方法.pdf
    链接地址://www.4mum.com.cn/p-5887051.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 红蓝点彩双色球号码预测 456棋牌游456棋牌游戏 网络棋牌直播频道 彩票开奖 北京股票配资 3d排列三定胆杀号软件 江西多乐彩的标志 大连娱网棋牌麻将官网 万人在线天天棋牌 pc蛋蛋预测联盟 湖北11选5前三遗漏 甘肃11选5走势图 上海晓游棋牌客服电话 中国体育彩票官方网站 双色球彩票大奖排行 青海十一选五遗漏