【摘要】：針對基于深度學(xué)習(xí)的圖像去模糊方法無法有效地保留高頻紋理信息,易產(chǎn)生振鈴效應(yīng),且時(shí)間復(fù)雜度較高的問題,提出基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的圖像去模糊方法.該方法設(shè)計(jì)了一種高頻信號保持且可快速去模糊的快速CNN模型(FCNN).在此基礎(chǔ)上,首先對高頻圖像進(jìn)行傅里葉域上的預(yù)處理,通過實(shí)施傅里葉域去模糊的預(yù)處理得到一個(gè)初始的清晰圖像;然后將該初始圖像小塊作為輸入,相應(yīng)的真實(shí)清晰圖像小塊作為標(biāo)簽訓(xùn)練FCNN,得到從模糊圖像到潛在清晰圖像的映射函數(shù),實(shí)現(xiàn)基于該訓(xùn)練網(wǎng)絡(luò)的去模糊.定性和定量實(shí)驗(yàn)結(jié)果表明,文中方法利用CNN參數(shù)共享的特點(diǎn),減少了網(wǎng)絡(luò)訓(xùn)練過程中大量的學(xué)習(xí)參數(shù);相對前人基于深度學(xué)習(xí)的去模糊方法,該方法對模糊圖像在保持圖像紋理細(xì)節(jié)恢復(fù)的同時(shí)使計(jì)算復(fù)雜度得到顯著降低.
[Abstract]:In order to solve the problem that the image deblurring method based on depth learning can not effectively retain the high frequency texture information, it is easy to produce ringing effect, and the time complexity is high, an image deblurring method based on convolution neural network (CNN) is proposed. In this method, a fast CNN model (FCNN). With high frequency signal preservation and fast deblurring is designed. On this basis, the high frequency image is preprocessed in Fourier domain, and an initial clear image is obtained by deblurring the Fourier domain. Then the initial image block is used as the input, and the corresponding real clear image block is used as the label to train the FCNN, to get the mapping function from the blurred image to the potentially clear image, and the deblurring based on the training network is realized. The qualitative and quantitative experimental results show that the method in this paper makes use of the characteristics of CNN parameter sharing to reduce a large number of learning parameters in the process of network training. Compared with the previous deblurring methods based on depth learning, this method can significantly reduce the computational complexity of blurred images while maintaining the restoration of image texture details.
【作者單位】： 安徽大學(xué)媒體計(jì)算研究所;安徽大學(xué)計(jì)算智能與信號處理教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金(61301295) 安徽省科技攻關(guān)計(jì)劃(1604d0802004) 安徽省自然科學(xué)基金(1408085MF113,1608085QF129)
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮瑩瑩;周紅志;鄧明;;基于微分壓縮感知的圖像去模糊技術(shù)研究[J];計(jì)算機(jī)應(yīng)用研究;2013年05期

2 吳建華;;車載圖像去模糊算法研究[J];軟件導(dǎo)刊;2014年09期

3 畢萍;;基于稀疏冗余字典學(xué)習(xí)的圖像去模糊算法[J];西安郵電大學(xué)學(xué)報(bào);2013年04期

4 盧惠民;徐明;李迅;;用于計(jì)算成像系統(tǒng)的基于信噪比自適應(yīng)估計(jì)的圖像去模糊研究[J];光學(xué)學(xué)報(bào);2014年08期

5 劉揚(yáng)陽,金偉其,蘇秉華;數(shù)字圖像去模糊處理算法的對比研究[J];北京理工大學(xué)學(xué)報(bào);2004年10期

6 趙博;張文生;丁歡;;基于Richardson-Lucy的圖像去模糊新算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年34期

7 宋曉霞;石光明;;基于噪聲特點(diǎn)和l_1凸松弛技術(shù)的圖像去模糊方法[J];中國體視學(xué)與圖像分析;2011年02期

8 王愛齊;邱天爽;劉文紅;;圖像去模糊的l_0范數(shù)最小化方法[J];信號處理;2012年11期

9 喬田田;王際朝;李維國;吳勃英;;一種基于線性化Bregman迭代的圖像去模糊新方法[J];中國石油大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

10 涂丹;甘亞莉;徐宗琦;;一種快速的QR碼圖像去模糊方法[J];計(jì)算機(jī)工程與科學(xué);2007年03期

相關(guān)會(huì)議論文 前2條

1 王文遠(yuǎn);;圖像去模糊的迭代算法[A];中國工程物理研究院科技年報(bào)（2003）[C];2003年

2 鄒建成;車冬娟;;基于字典學(xué)習(xí)的圖像去模糊研究[A];第九屆中國通信學(xué)會(huì)學(xué)術(shù)年會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前2條

1 陳曉鋼;基于統(tǒng)計(jì)分析的圖像去模糊與圖像去噪新方法研究[D];上海交通大學(xué);2013年

2 劉瑞華;數(shù)字圖像去模糊的理論研究及應(yīng)用[D];華東師范大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 蔡源濤;基于稀疏約束的圖像去模糊迭代方法研究[D];電子科技大學(xué);2015年

2 張文莫;動(dòng)目標(biāo)雙目視點(diǎn)圖像去模糊算法理論及三維非接觸測量研究[D];武漢工程大學(xué);2015年

3 黃英豪;圖像模糊檢測及人臉模糊消除算法研究[D];哈爾濱工業(yè)大學(xué);2016年

4 張靜;基于GSM FoE模型的圖像去模糊方法[D];大連理工大學(xué);2016年

5 劉彬;基于光條紋形狀的圖像去模糊[D];大連理工大學(xué);2016年

6 張麗;基于藍(lán)寶石表面缺損的圖像去模糊算法研究[D];西安電子科技大學(xué);2015年

7 張凱;基于非凸l_p范數(shù)和G-范數(shù)的圖像去模糊模型與算法[D];深圳大學(xué);2016年

8 賀武;基于多核DSP平臺(tái)的圖像去模糊系統(tǒng)構(gòu)建[D];武漢工程大學(xué);2016年

9 潘凱;基于FPGA圖像去模糊的并行FFT算法研究[D];武漢工程大學(xué);2016年

10 車冬娟;基于字典學(xué)習(xí)的圖像去模糊研究[D];北方工業(yè)大學(xué);2013年

，

本文編號：2477034