2020-11-21

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

图像去模糊

• 前言
• 一、图像增强
• 二、图像复原
• 三、超分辨率重构
• 总结

---

前言

通过前期资料收集与整理，本文主要介绍了图像去模糊的一些方法。图像去模糊方法主要有三类：

一、图像增强

二、图像复原

三、超分辨率重构

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、图像增强

图像增强方法主要包括：

1、对比度变换：线性变换、非线性变换

2、空间滤波：图像卷积运算、平滑、锐化

3、彩色变换：单波段彩色变换、多波段彩色运算、HIS

4、多光谱变换：K-L变换、K-T变换

5、图像运算：插值运算、比值运算

注：图像预处理已介绍，这里不再细说。

---

二、图像复原

图像退化的典型表现是图像出现模糊、失真、出现附加噪声等，图像复原是对退化的图像进行处理，恢复真实的原始图像。

图像复原包括：消除干扰和噪声、校正几何失真和对比度损失以及反卷积。

早期复原方法包括：非邻域滤波法、最近邻域滤波法、维纳滤波（效果较好）、最小二乘滤波

目前，图像复原方法主要分为两类：

（1）线性：逆滤波实现反卷积，包括 维纳滤波、正则滤波

（2）非线性：通过连续迭代过程不断提高复原质量，直到满足预先设定的终止条件。主要包括 Lucy-Richardson(LR)迭代去卷积、盲去卷积、基于最小化误差的方法

加入正则化：去卷积利用类似正则化的先验手段，将去卷积问题转化为损失函数，加入正则化惩罚项，不断迭代优化：

（1）Thinkonov regularization(TR)

（2）Total Variance (TV正则)

（3）L1正则

（4）小波正则

---

三、超分辨率重构

超分辨率重构实质：将给定的低分辨率图像通过特定算法恢复成相应的高分辨率图像（小尺寸图像——>大尺寸图像），主要分为两类：

1、传统算法

（1）基于插值的超分辨重建：

         最近邻插值法、双线性插值法、双立方插值法

（2）基于退化模型

         迭代反投影法、凸集投影法、最大后验概率法、贝叶斯分析方法、混合方法、正规化法

（3）基于学习（非深度学习领域）

          流行学习、稀疏编码方法、邻域嵌入方法、支持向量回归方法、虚幻脸

2、基于深度学习的超分辨率重建算法

（1）SRCNN：插值方式先放大，再通过模型复原，MSE作为目标函数训练模型

                SRCNN算法使用双立方插值（预处理）将输入的低分辨率图像放大至目标尺寸，然后利用一个三层卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后将

          网络输出的结果作为重建后的高分辨率图像。主要有三个模块：

         I：Patch extraction and representation（块析出与表示）

             目的：通过输入图像Y（插值后的低分辨率图像）获得一系列特征图（卷积+激活）

         II：Non-linear mapping（非线性映射）

         III：Reconstruction（重构）有卷积无激活

（2）ESPCN：在将低分辨率图像送入神经网络之前，引入一个亚像素卷积层，间接实现图像放大过程，MSE作为目标函数训练模型

（3）SRGAN：生成对抗网络GAN重建，定义新的感知目标函数，由生成器和判别器生成

（4）SRResNet：MSE作为最终的损失函数，采用足够深的残差卷积网络模型

（5）FSRCNN

（6）VESPCN

（7）VDSR

（8）DRCN

（9）RED

（10）DRRN

（11）LapSRN

（12）SRDenseNet

（13）EDSR

---

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。