静态背景中目标运动去模糊

为解决静态背景中目标运动去模糊的难题,提出了一种基于透明性的目标运动去模糊方法.首先对目标的1-D运动模糊的透明性进行研究和分析,在传统卷积模型的基础上得出目标透明性与模糊滤波之间的关系式,并利用该关系式计算出1-D模糊滤波;然后对目标的2-D运动进行分析,在2-D空间上利用透明性估计出模糊核尺寸的上边界;最后利用共轭梯度优化和置信度传播估计模糊滤波和未模糊的透明性映射图,并采用贝叶斯准则的最大后验分布的方法完成目标运动去模糊的任务.基于人工合成的图像和实际拍摄的图像的实验结果表明,该方法能够很好完成静态背景下目标运动去模糊的难题,性能优于当前技术条件下的运动去模糊方法.

基于深度对抗网络和局部模糊探测的目标运动去模糊

目标运动场景去模糊问题是一个具有挑战性的病态逆问题,这是因为在动态场景中不同目标和背景区域可能会存在不同的模糊核.现有的基于能量优化的去模糊方法是将模糊图像分割成具有不同模糊度的多层图像,然后对不同的模糊层进行去模糊处理,然而其优化方案往往涉及迭代,耗时又烦琐.针对目标区域与背景区域可分离的模糊场景,结合传统的基于能量优化和基于深度学习方法的优点,提出一种基于深度对抗网络和局部模糊探测的目标运动场景去模糊模型,该模型由三个生成网络组成,用以建模潜在清晰图像、模糊核和模糊图像的权重变量.模型采用深度图像先验(Deep Image Prior,DIP)作为潜在清晰图像的正则化项,使用非对称跳跃连接自编码器生成潜在图像;采用全连接网络(Fully⁃Connected Network,FCN)生成模糊核.为了准确地获取模糊图像的分割结果,提出三条准则来指导权值变量网络结构的设计.实验结果表明,该方法同其他传统方法相比可以显著地提升重构性能,视觉效果更好.