基于生成逆推的大气湍流退化图像复原方法

大气湍流是影响远距离成像质量的重要因素。虽然已有的深度学习模型能够较好地抑制大气湍流引起的图像像素几何位移与空间模糊,但是这些模型需要大量的参数和计算量。为了解决该问题,提出了一种轻量化的基于生成逆推的大气湍流退化图像复原模型,该模型包含了去模糊、去偏移和湍流再生成三个核心模块。其中,去模糊模块通过高维特征映射块、细节特征抽取块和特征补充块,抑制湍流引起的图像模糊;去偏移模块通过两层卷积,补偿湍流引起的像素位移;湍流再生成模块通过卷积等操作再次生成湍流退化图像。在去模糊模块中,设计了基于注意力的特征补充模块,该模块融合了通道注意力机制与空间混合注意力机制,能在训练过程中关注图像中的重要细节信息。在公开的Heat Chamber与自建的Helen两个数据集上,所提模型分别取得了19.94 dB、23.51 dB的峰值信噪比和0.688 2、0.752 1的结构相似性。在达到当前最佳SOTA方法性能的同时,参数量与计算量有所减少。实验结果表明,该方法对大气湍流退化图像复原有良好的效果。

基于改进湍流模型和偏振成像技术的水下退化图像复原方法

为了满足工厂化水产养殖中过程控制的信息化要求,该文提出一种基于改进湍流模型结合偏振成像技术,具有较强鲁棒性的水下退化图像复原方法。考虑内外尺度对波结构函数影响,结合折射率谱,改进水下湍流退化模型以提高复原算法先验知识的完备性;基于改进的退化模型和水下前向散射光的偏振特性,利用偏振成像技术提取退化图像中的噪声特征;基于退化图像噪声特征,采用约束最小二乘滤波法进行退化图像复原;最后,对复原效果进行相应比较,结果表明在强湍流条件下本算法具有更为理想的复原效果。该研究可为复杂水流条件下水下退化图像复原方法研究提供参考。

神经网络在退化图像复原领域的进展综述

退化图像复原是图像计算领域中的一个重要的难题。近年来以深度学习为代表的人工智能(AI)技术取得了快速的发展,越来越多的基于神经网络解决退化图像复原的研究工作出现。首先介绍了神经网络进行退化图像还原的主要技术并对图像复原的问题进行分类;然后利用神经网络解决退化图像复原问题中细分的多个主要问题,并对每个问题的当前研究现状与多种基于深度学习网络的解决方法的优势与局限性进行归纳分析,并给出与传统方法的对比。最后介绍了基于对抗神经网络的极限退化图像复原的新方法,并对未来前景进行展望。

基于PSF估计的电阻阵列非均匀性测试

电阻阵列的非均匀性是一种固定模式的空间噪声,是影响红外图像质量的主要因素。测试数据的准确性对非均匀性校正效果是至关重要的,全屏测试时辐射能量的扩散是导致测试误差的重要原因。分析了经典图像复原方法的局限性,提出一种新的基于PSF粗估计的迭代测试方法。分析了不同PSF估计误差对新方法收敛速度和测试精度的影响,评估了不同PSF条件下的测试效果。数值仿真结果表明,新的方法计算量更低,收敛速度更快,且能够适应更宽的平滑因子参数范围。新方法可有效地从退化图像中复原电阻阵列的实际非均匀性图像,取得较好的校正效果。