说毫无意义确实哗众取宠,因此后面都删去
因为太懒,暂时不谈算法的详细内容,只是大概介绍一些细节
1.基本原理
神经网络法本质为多帧叠加的滤波,即1-n帧的原函数减去期望函数的叠加。
因此期望函数和迭代的帧数对算法的影响较高。
2.注意事项
1.对于期望函数:
最简单的为均值滤波。为了更好的性能推荐使用引导滤波,在系数的设定时可利用均值滤波的期望函数来规定引导滤波的倍数。
2.对于迭代的帧数:
需求场景运动,静止或缓慢运动场景下算法的更新会带来大量的鬼影。
3.对于鬼影的抑制:
时空域联合使用,空域利用标准差,时域利用时域门限函数。
4.可去除的非均匀性:
设定小的滤波半径即可(5*5),去除竖纹等空域高频非均匀性噪声;对于低频非均匀性,该方法并不适用。
校正偏置即可。由于非理想特性,神经网络法去除的增益并非真的增益,虽然让收敛变快,但同时引入更严重的鬼影。
3.算法的主体框架
4.算法校正效果展示
此处展示为海康提供的视频源。
非均匀性校正——神经网络法
最新推荐文章于 2024-05-31 13:09:21 发布