一种结合多尺度特征融合和跨通道特征交互的图像去运动模糊算法

图像的运动模糊是被拍摄物体在拍摄曝光期间与相机发生相对运动所产生的模糊效果。照相摄影、赛事转播、视频监控等场景经常出现运动模糊现象。运动模糊不仅降低图像质量,还为基于图像的应用带来不便,比如视频监控中高速行驶车辆的细节特征往往因运动模糊很难被准确识别,为佐证不法行为带来困难。随着信息技术的发展,目标检测被广泛应用于自动驾驶、智慧交通、智能安保等场景,而图像运动模糊会降低目标识别的准确率,严重影响相关系统功能的效果。因此,从产生运动模糊的图像中还原清晰的内容显得尤为重要。本团队研究并提出了一种结合多尺度特征融合和跨通道特征交互的图像去运动模糊算法。该算法通过多尺度特征融合模块提取模糊图像不同空间尺度和不同频率信息后进行特征融合,接着通过局部通道特征交互模块将融合后的特征图以一维卷积的方式进行不同通道信息交互,训练算法模型则采用生成对抗网络框架。该算法在复原清晰图像的同时能够更好消除伪影和恢复纹理细节,极大提升了图像质量,并为目标检测任务提供有效的帮助。

该算法是一种基于深度学习的端到端盲去运动模糊算法,相比传统图像非盲去模糊算法,其主要优点有:无需明确知道模糊核信息;无需额外的图像预处理步骤;能适应各种运动模糊类型(如线性运动模糊、酄出瓜技匭幺咅檵晏午运动模糊、缩放运动模糊等),具有高适应性和强泛化能力。拊不体中队针对目前主流图像去运动模糊算法存在的纹理细节恢复效果不佳和伪影无法消除两个问题,设计了一种结合多尺度特征融合和跨通道特征交互的图像去运动模糊算法,具体网络结构如图1所示。其中,成果创新性地提出了多尺度特征融合模块和局部通道特征交互模块。多尺度特征融合模块(如图2所示)采用金字塔卷积,该结构包含不同尺度,不同通道数的卷积核,可以提取并融合多尺度特征和不同频率的图像信息,更有利于模糊图像伪影的消除和纹理细节的恢复。局部通道特征交互模块(如图3所示)通过一维卷积方式实现,相比传统通道注意力机制,不仅极大提高学习通道注意力的效率,还避免因降维操作带来的信息损失,有助于提高恢复图像的质量。在网络训练阶段,采用生成对抗网络框架,使网络能生成质量更饵一的图像。

联系人：庄老师电话：15295039286 单位名称：常州市武进区科技成果转移中心

科创中国

科创中国

友情链接

海外专利信息资源系统

省级中心站