图片去摩尔纹简述实现python代码示例

这篇文章主要为大家介绍了图片去摩尔纹简述实现的python代码示例，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

1、前言

当感光元件像素的空间频率与影像中条纹的空间频率接近时，可能产生一种新的波浪形的干扰图案，即所谓的摩尔纹。传感器的网格状纹理构成了一个这样的图案。当图案中的细条状结构与传感器的结构以小角度交叉时，这种效应也会在图像中产生明显的干扰。这种现象在一些细密纹理情况下，比如时尚摄影中的布料上，非常普遍。这种摩尔纹可能通过亮度也可能通过颜色来展现。但是在这里，仅针对在翻拍过程中产生的图像摩尔纹进行处理。

翻拍即从计算机屏幕上捕获图片，或对着屏幕拍摄图片；该方式会在图片上产生摩尔纹现象

论文主要处理思路

• 对原图作Haar变换得到四个下采样特征图（原图下二采样cA、Horizontal横向高频cH、Vertical纵向高频cV、Diagonal斜向高频cD）
• 然后分别利用四个独立的CNN对四个下采样特征图卷积池化，提取特征信息
• 原文随后对三个高频信息卷积池化后的结果的每个channel、每个像素点比对，取max
• 将上一步得到的结果和cA卷积池化后的结果作笛卡尔积

2、网络结构复现

  如下图所示，本项目复现了论文的图像去摩尔纹方法，并对数据处理部分进行了修改，并且网络结构上也参考了源码中的结构，对图片产生四个下采样特征图，而不是论文中的三个，具体处理方式大家可以参考一下网络结构。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

import math import paddle import paddle.nn as nn import paddle.nn.functional as F # import pywt from paddle.nn import Linear, Dropout, ReLU from paddle.nn import Conv2D, MaxPool2D class mcnn(nn.Layer):     def __init__(self, num_classes=1000):         super(mcnn, self).__init__()         self.num_classes = num_classes         self._conv1_LL = Conv2D(3,32,7,stride=2,padding=1,)              # self.bn1_LL = nn.BatchNorm2D(128)         self._conv1_LH = Conv2D(3,32,7,stride=2,padding=1,)          # self.bn1_LH = nn.BatchNorm2D(256)         self._conv1_HL = Conv2D(3,32,7,stride=2,padding=1,)         # self.bn1_HL = nn.BatchNorm2D(512)         self._conv1_HH = Conv2D(3,32,7,stride=2,padding=1,)         # self.bn1_HH = nn.BatchNorm2D(256)         self.pool_1_LL = nn.MaxPool2D(kernel_size=2,stride=2, padding=0)         self.pool_1_LH = nn.MaxPool2D(kernel_size=2,stride=2, padding=0)         self.pool_1_HL = nn.MaxPool2D(kernel_size=2,stride=2, padding=0)         self.pool_1_HH = nn.MaxPool2D(kernel_size=2,stride=2, padding=0)         self._conv2 = Conv2D(32,16,3,stride=2,padding=1,)         self.pool_2 = nn.MaxPool2D(kernel_size=2,stride=2, padding=0)         self.dropout2 = Dropout(p=0.5)         self._conv3 = Conv2D(16,32,3,stride=2,padding=1,)         self.pool_3 = nn.MaxPool2D(kernel_size=2,stride=2, padding=0)         self._conv4 = Conv2D(32,32,3,stride=2,padding=1,)         self.pool_4 = nn.MaxPool2D(kernel_size=2,stride=2, padding=0)         self.dropout4 = Dropout(p=0.5)         # self.bn1_HH = nn.BatchNorm1D(256)         self._fc1 = Linear(in_features=64,out_features=num_classes)         self.dropout5 = Dropout(p=0.5)         self._fc2 = Linear(in_features=2,out_features=num_classes)     def forward(self, inputs1, inputs2, inputs3, inputs4):         x1_LL = self._conv1_LL(inputs1)         x1_LL = F.relu(x1_LL)         x1_LH = self._conv1_LH(inputs2)         x1_LH = F.relu(x1_LH)         x1_HL = self._conv1_HL(inputs3)         x1_HL = F.relu(x1_HL)         x1_HH = self._conv1_HH(inputs4)         x1_HH = F.relu(x1_HH)         pool_x1_LL = self.pool_1_LL(x1_LL)         pool_x1_LH = self.pool_1_LH(x1_LH)         pool_x1_HL = self.pool_1_HL(x1_HL)         p