![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数字图像
木水_
这个作者很懒,什么都没留下…
展开
-
ISO、增益、倍数之间的关系
举例,iso6400,对应64倍,对应36db。这里有个快速转换方法,2^6 = 64,6*6db = 36db。影像系统中,ISO 概念在相机领域用的较多,增益(db)概念在摄像头领域用得多,两者都是倍数的换算。增益= 20 * log10(倍数)倍数 = iso/100。原创 2024-01-08 11:27:56 · 1014 阅读 · 2 评论 -
基于泊松-高斯噪声模型的详细标定计算方式
中分析过 sensor 的噪声类型,从本质上分析,噪声可以归类为与信号值有关的噪声,该部分噪声符合泊松分布;另一类为与信号无关的噪声,该部分噪声符合高斯分布。下面详细分析下参数如何标定计算。原创 2023-12-28 20:32:23 · 699 阅读 · 2 评论 -
读论文:Restormer: Efficient Transformer for High-Resolution Image Restoration
在早期阶段,网络在较小的图像块上进行训练,在后期的训练阶段,网络在逐渐增大的图像块上进行训练,所以会随着patch大小的增加而减少batch大小,以保持相同的训练时间。最后,根据实际训练情况来看,restormer,尤其是小型化的restormer,未必比同大小的cnn更有优势。~计算通道上的自注意力而不是空间上,即计算跨通道的交叉协方差来生成隐式地编码全局上下文的注意力图。的生成则是依靠伯努利分布的随机输入,可以看作 dropout的思想和relu的结合,增加鲁棒性。原创 2023-12-13 20:01:55 · 381 阅读 · 0 评论 -
读论文:HINet: Half Instance Normalization Network for Image Restoration
第二,一个阶段的多尺度特征有助于丰富下一个阶段的特征。原因方面还是在于 low-level 比较依赖浅层信息,两级网络中的第一级输出控制在较浅的信息,然后再经过一个 U-Net 操作,效果就上来了。与resblock相比,主要差别在于:HIN对输入3*3conv处理的特征按照通道分成两部分,一部分采用IN进行规范化,另一部分无规范化,处理后的两部分沿着通道维度进行拼接。其次,在局部监督预测的帮助下,生成 attention map 抑制当前阶段信息量较少的特征,只允许有用的特征传播到下一阶段。原创 2023-12-14 15:32:18 · 320 阅读 · 0 评论 -
三言两语讲讲 sensor 的噪声
。原创 2021-08-15 13:19:43 · 2189 阅读 · 0 评论 -
读论文:Noise2Noise: Learning Image Restoration without Clean Data
很有意思的文章,我之前做过一些深度学习的降噪任务,针对不同光照条件下的图像进行降噪。这个时候就会涉及到标签样本的制作。 在监控领域中,相差6个db的照度,图像的噪点就会有明显的差异性。所以我们在训练模型的时候,如果用了40db的噪点图,那么标签可能是30db的图像,也可能是20db的图或者其他更加干净的图。很明显,30db的图像尽管比40db的图像噪点表现要好,但也是有噪点的。为什么依然能够训练模型呢,Noise2Noise: Learning Image Restoration with...原创 2021-02-26 16:14:16 · 614 阅读 · 0 评论 -
浅谈汉密尔顿(Hamilton)插值算法
1 什么是bayer数据? bayer数据是包含rgb的一维矩阵数据,因此对于每个像素点而言,需要用周围像素点插值得到其他两个通道的值。 一般由于绿色分量较好,会优先插值r/b点的绿色分量,然后插值g点的r/b分量。2 汉密尔顿插值算法有何优势? 汉密尔顿插值算法通过同色一阶梯度和异色二阶差分,考虑了插值的方向判断,并用了颜色插值的方法减少轮廓边缘的色差。3 汉密尔顿插值算法有何劣势? 毕竟1997年的算法,首先该算法对于密集纹理区的方向判断效果不佳,其次插值...原创 2021-02-03 20:35:41 · 3277 阅读 · 3 评论 -
关于 matlab 中的 imwrite
matlab 中的 imwrite 需要的图片是归一化到 0-1 后的矩阵。如果你的原始图像是 8bit 以上的 raw,那么需要进行归一化,然后再保存。 如果手动截位到 8bit,比如是 img 是12bit,做个线性映射,img/4095*255,那么保存后的图是过曝的白色。 当然,如果用uint8(img),那么也是可以用 imwrite 保存的。...原创 2021-01-18 19:13:37 · 1428 阅读 · 0 评论 -
读论文:Non-Local Recurrent Network for Image Restoration
简单讲下文章的思路: 文章将 rnn 的思想和 non-local 的思想相结合,将 non-local 嵌入到 rnn 内部计算中,同时,(我估摸着参考了类似 LSTM 的思想)设计了一个长期的残差连接,总体设计如下图: ...原创 2021-01-08 14:56:03 · 568 阅读 · 0 评论 -
读论文:Unprocessing Images for Learned Raw Denoising
1 先讲讲文章干啥的 深度学习降噪需要成对的图像(噪点数据、对应的清晰数据)。 通常 raw 数据经过 isp 流程(我前面的博客介绍过什么是 isp:图像 ISP 处理流程以及新人学习图像的注意点)后得到的 rgb 数据的噪点比较复杂,而原本的 raw 数据的噪点相对容易模拟。作者假设整体噪声可以更准确地建模为包含高斯和泊松信号相关分量或者从一个方差是强度函数的异方差高斯分布中采样。 所以,作者自己在清晰的 raw 上面和成有噪声的 raw,然后用神经网络降噪。2 然后看...原创 2020-06-11 19:37:34 · 636 阅读 · 2 评论 -
读论文:LADN: Local Adversarial Disentangling Network for Facial Makeup and De-Makeup
1 前言 传统算法做美妆迁移的时候,如下图所示,把 A* 的美妆迁移到 B 上面。但是这样会有一些问题:A 和 A* 难以同时获得 A 和 B 要做对齐工作 其他 而 LADN: Local Adversarial Disentangling Network for Facial Makeup and De-Makeup 这篇文章,解决了上述的一些缺点,其效果特色在于:同时实现化妆和卸妆效果; 美妆迁移后的人脸的面部细节保留好。其技术特点在于:局部对抗网络;...原创 2020-06-03 15:51:49 · 865 阅读 · 1 评论 -
读论文:Scale-recurrent Network for Deep Image Deblurring
图像去模糊是图像领域一个经久不衰的挑战。近年来,有很多论文聚焦于深度学习算法去模糊工作。如标题所述的论文发表于2018年的 CVPR,是这方面的一个典型工作。我们来看看作者做了些什么?1 使用的数据 go pro 公开数据集。总共包含3214组模糊/清晰数据集。 实际模型的输入数据为,从每个输入 batch的 tensor 矩阵中随机剪裁成 256 *256 的 tensor 输入网络,所以每轮 epoch 下来用到的训练数据是不一样的。2 网络结构 整个网络...原创 2020-05-19 19:48:25 · 980 阅读 · 1 评论 -
C 语言读取照片 RAW 数据源码
利用 C 读取照片 RAW 数据的一些注意点:搞清楚文件的数据类型(我的数据是12位的,所以用16位读取,转成8位,方便 opencv 显示数据) 利用 fopen 打开文件 利用 fread 读取文件(注意第二个和第三个参数的乘积是文件的大小即可) 弄懂指针在矩阵数据中的应用(本文用了一维指针,raw[i] 和 *(raw+i)都表示第 i 个元素的值 动态分配内存(因为你的数据大小...原创 2019-08-01 16:23:53 · 2393 阅读 · 2 评论 -
图像 ISP 处理流程以及新人学习图像的注意点
1 什么是 ISP ? ISP 全称 Image Signal Processing,即图像信号处理。 景物通过光学图像投射到 sensor 表面后,光电转换为模拟电信号,消除噪声后经过 A/D 转换后变为数字图像信号。由于原始的图像是 Bayer 图像,因此需要通过一定的技术转换成一张色彩正常的 RGB 通道的图像。这个过程涉及到以下的基本流程:1.1 B...原创 2019-08-01 14:41:35 · 3080 阅读 · 3 评论 -
Opencv 踩坑记录:Microsoft C++ 异常: cv::Exception
在 win10 上安装好了 vs2015 后,配置了 opencv3.4.2,测试图片运行代码的时候遇到了如下图所示的问题,点击‘继续’还会遇到各种异常。 我的测试代码如下:#include <opencv2/opencv.hpp> //头文件using namespace cv; /...原创 2019-08-01 14:39:39 · 4399 阅读 · 0 评论