【论文笔记】使用深度学习去除摩尔纹干扰

最新推荐文章于 2024-08-29 09:39:12 发布

京局京段蓝白猪

最新推荐文章于 2024-08-29 09:39:12 发布

阅读量2.4w

点赞数 13

分类专栏：深度学习图像处理

本文链接：https://blog.csdn.net/u013063099/article/details/88716689

版权

深度学习同时被 2 个专栏收录

19 篇文章 4 订阅

订阅专栏

图像处理

14 篇文章 3 订阅

订阅专栏

针对之前数据采集过程中摩尔纹的严重干扰，导致OCR对这种图片检测与识别精度不高的问题，搜索了大量有关如何消除摩尔纹的资料，包括传统的图像处理方法以及深度学习方法，发现这篇论文无论从方法上还是效果上都挺不错的。

【论文题目】Moiré Photo Restoration Using Multiresolution Convolutional Neural Networks

【摘要】数码相机和手机使我们能够方便地记录珍贵的时刻。虽然数字图像质量不断提高，但拍摄高质量的数字屏幕照片仍然具有挑战性，因为照片经常被摩尔纹污染，这是相机传感器的像素网格与设备屏幕之间干扰的结果。摩尔纹会严重损害照片的视觉质量。然而，很少有研究旨在解决这个问题。在本文中，我们介绍了一种新的多分辨率完全卷积网络，用于自动从照片中去除摩尔纹。由于摩尔纹跨越很宽的频率范围，我们提出的网络在计算如何消除每个频带内的莫尔条纹之前，对输入图像执行非线性多分辨率分析。我们还创建了一个包含100,000多个图像对的大型基准数据集，用于研究和评估莫尔图案去除算法。与现有的图像恢复问题学习架构相比，我们的网络在此数据集上实现了最先进的性能。

【亮点】多分辨率全卷积网络模型、创建的大量摩尔纹干扰数据集

一、什么是摩尔纹？

首先，什么是摩尔纹？你有没有这样的经历，当你拍摄某些衣物，或者从显示器拍摄某些照片的过程中，会发现其中某一区域会呈现螺纹状的干扰。。没错，这就是摩尔纹。。

当两个相似，重复的线条，圆圈或点的图案与不完美的对齐重叠时，会出现一个新的动态图案。这种新模式称为摩尔纹，可能涉及多种颜色。当两个原始图案相对于彼此移动时，摩尔纹改变其元素的形状和频率。摩尔纹是大规模干涉图案。为了发生这种干涉图案，两个原始图案不能完全对齐。摩尔纹放大了错位。两种原始图案之间最轻微的错位可能会产生大规模，易于看见的摩尔纹。随着未对准程度的增加，摩尔纹的频率也可能增加。要想消除摩尔纹，必须是的屏幕点或条纹的间距小于相机像素尺寸，但这通常是不可能的。

二、使用全卷积网络

网络整体结构如下图所示。图像输入为256*256*3，使用非线性激活函数+卷积核，可以看出：

（1）网络中不采用池化层，通过步长为2的卷积核来代替池化操作。

（2）下采样过程中大量使用3*3卷积核，步长为1。

（3）在反卷积过程中，增大了图像分辨率，生成3通道像素图，最后通过叠加完成输出。

这样，粗尺度和细尺度的图像，经过神经网络处理，可以去除低频与高频分量的摩尔纹。

为了获得更好的性能，我们在网络架构中嵌入了一个多分辨率金字塔。与使用线性滤波构建的传统图像金字塔相比，我们的体系结构中的图像金字塔实际上是使用非线性滤波构建的，因为非线性激活始终跟随每个卷积层。我们的金字塔中的非线性允许网络在下采样期间更有效地执行。更重要的是，在我们的网络中，每个分辨率都与一个网络分支相关联，其中六个堆叠卷积层保持相同的分辨率。这样的网络分支能够执行复杂的非线性变换（例如去除特定频带内的摩尔纹），并且比U-Net中的跳过连接（Skip Connection）更强大。

三、构建数据集

使用ImageNet ISVRC 2012中10000验证集与5000测试图像，构建了135000对图像，使用其中90%进行训练，剩下10%进行验证及预测。通过图像捕获、图像对齐等步骤收集所需要的数据。

在图像收集过程中，使用3种手机以及3种显示器，组合共有9种，共收集了135000对图像。

捕获图像的方式选择使用黑色边框覆盖图像（因黑色边框受到摩尔纹影响小）。为了增加图像对齐期间可以使用的角的个数，我们进一步从黑色边框的每个边缘拉出一个黑色块。然后，我们用纯白色填充黑色边框（和块）外面的其余部分，这使我们能够轻松检测捕获图像中的黑色边框。（如下图a所示）

在图像采集过程中，我们随机改变手机和电脑屏幕之间的距离和角度，但是需要注意的是，黑色边框是必须被采集的。

利用20个点的黑色区域的角，采集图像。但是由于摩尔纹的影响，可能会出现假角的问题，这时需要利用黑色块与白色区域的比例关系来矫正黑色区域的20个点。

最后通过手机录制视频的方式拍摄显示器上的图像，每张图片的停留时间大约0.3秒。

四、对比实验效果

由于我们不知道任何解决完全相同问题的现有方法，我们将我们的方法与相关图像恢复问题中的最新方法进行比较，包括图像去噪，去模糊，超分辨率和纹理去除。我们选择VDSR作为图像超分辨率算法的代表，DnCNN和IRCNN来自最新的图像去噪方法，以及RTV和SDF之间的纹理去除技术。为此，我们数据集中的摩尔纹照片的子集具有一定程度的模糊性，并且去模糊技术可以重建高频细节。我们还添加了两种最新的基于图像去模糊技术的网络模型：金字塔CNN和IRCNN。此外，由于我们采用分层网络架构，我们还将网络与图像分割神经网络U-Net进行比较。

因图像噪声与摩尔纹的原理不同（摩尔纹主要是由于光的干涉引发的现象），IRCNN对图像恢复、去噪效果好，但是摩尔纹消除不够好；金字塔卷积网络采用线性的固定的高斯滤波，U-net有着良好的统计数据，但是性能较差；纹理去除技术的RTV与SDF，使用大内核会导致图像过度平滑，小内核根本除不掉。