| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 81 | 基于神经网络的航拍图像去模糊算法 | CN202010877545.6 | 2020-08-27 | CN112085674B | 2022-08-26 | 姜雄彪; 叶倩; 吕龙飞; 余大兵; 李庆武; 马云鹏; 周亚琴 |
| 本发明公开了一种基于神经网络的航拍图像去模糊算法，首先利用图像的先验信息，采用基于稀疏与低秩先验的盲复原算法来估计出准确的模糊核，再通过基于卷积神经网络的非盲复原算法来复原出清晰的图像，能有效地恢复图像中的细节信息，同时控制图像的整体相似性和统一全局色差。本发明能够有效复原出模糊图像中的边缘和细节信息，包括如车辆、车牌、车道线和图像背景中的显著性边缘和细节纹理，同时对伪影和振铃效应有较好的抑制效果。 | ||||||
| 82 | 一种视频去模糊方法及系统 | CN202210413213.1 | 2022-04-20 | CN114782267A | 2022-07-22 | 潘金山; 许博鸣; 唐金辉 |
| 本发明提供一种视频去模糊方法及系统，首先采用所述特征提取网络提取模糊视频帧序列中图像特征，得到第一图像特征；然后采用时空上下文自注意力网络提取第一图像特征中静态上下文信息和动态上下文信息，并将所述静态上下文信息和动态上下文信息融合得到第二图像特征；再根据所述模糊视频帧序列的光流值采用所述深度特征传播网络对所述第二图像特征进行光流及矫正，得到第三图像特征；最后采用视频重构网络对所述第三图像特征进行图像重构，得到清晰视频帧序列。本发明提供的一种视频去模糊方法通过时空上下文自注意力网络，使视频去模糊模型可以更好的关注到相邻帧中全局的信息，并且利用深度特征传播网络可以关注到所有视频帧中更长远信息，提高了视频去模糊的效果。 | ||||||
| 83 | 一种基于注意机制的图像去模糊方法 | CN202010231638.1 | 2020-03-27 | CN111489304B | 2022-04-26 | 郭继昌; 祁清; 晋玮佩 |
| 本发明公开一种基于注意机制的图像去模糊方法，包括以下步骤：(1)准备数据，搭建生成对抗网络模型，设置参数；以合成的方式获得边缘弱化的图像ei∈Pdata(e)，并以此为契机引入边缘注意机制，设置网络结构框架；使生成器与判别器之间不断竞争学习，最终达到动态平衡；使得网络重建出具有清晰边缘和细节的标签图像；设置约束正则项；包括图像语义内容约束项Lcontent、图像边缘重建约束项Ledge和图像边缘判别的约束项Ladv；将模糊图像、标签图像以及边缘弱化图像作为输入输送到生成器中，判别器用需要完成两次判别任务，即生成图像GθG(b)和标签图像si∈Pdata(s)的判别与边缘弱化图像ei∈Pdata(e)和标签图像si∈Pdata(s)的判别；通过增强判别器在图像边缘层面判别的灵敏度，使得生成器能够得到边缘清晰的去模糊图像。 | ||||||
| 84 | 用于视频侦查的车牌去运动模糊方法 | CN201811302095.7 | 2018-11-02 | CN109523476B | 2022-04-05 | 向奎; 谈鸿韬; 刘树惠 |
| 本发明提供了一种用于视频侦查的车牌去运动模糊方法，该方法包括：S1，收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合，并分成训练数据集、验证数据集和测试数据集；S2，设计去运动模糊的生成对抗网络模型，生成网络包括两个步长的卷积块、七个Mobilenet V2的反转残差块和两个转置卷积块；S3，训练生成对抗网络，把步骤S1获得的数据集放入生成对抗网络模型中进行训练；S4，在步骤S3训练出的去运动模糊的生成对抗网络模型的基础上，输入运动模糊的车牌图像，输出数据即为生成的清晰车牌图像。本发明能实现车牌清晰化，从而快速确定嫌疑人的身份，尽快有效的帮助刑侦人员破案，采用Mobilenet V2的Inverted residual block组成的生成网络能够更好的提取高维特征。 | ||||||
| 85 | 一种基于模糊矩阵的图像去条纹方法 | CN202111442972.2 | 2021-11-30 | CN114187198A | 2022-03-15 | 陈雷; 黄斯翀; 陆振林; 陆铁军; 杨若凌; 高冉冉; 赵轩; 刘阳 |
| 本发明公开了一种基于模糊矩阵的图像去条纹方法，包括如下步骤：采集待处理图像Iref(M,N)，并进行下采样；通过各向异性高斯滤波核，对下采样的原始图像进行卷积得到模糊图像；原始下采样图像Iref(M1,N)与模糊图像Imod(M1,N)相减，构建条纹特征图像Igas(M1,N)；对每个像素是否需要处理进行判断，获得真值矩阵；对条纹特征图像Igas(M1,N)进行统计处理，获得条纹噪声特征向量；利用特征向量，对Iref(M,N)进行映射相减操作，得到最终的重构图像。本发明提出的基于模糊矩阵的图像去条纹方法，不仅考虑了目标噪声的结构特点，而且用资源消耗较少的方式考虑相机采样导致的条纹不连续情况。 | ||||||
| 86 | 图像去运动模糊的方法和装置 | CN201910737137.8 | 2019-08-11 | CN110490822B | 2022-02-15 | 王维东; 陈佳云 |
| 本发明公开了一种图像去运动模糊的方法和装置，先对输入模糊图像进行重叠图像块划分，再为各重叠图像块在模糊图像中选取一组参考图像块，然后对各重叠图像块对应的所有参考图像块使用现有模糊核估计方法得到一系列初步估计的模糊核，并使用一种L0稀疏性模糊核质量度量标准从中选择局部最佳模糊核，最后使用各局部最佳模糊核对其对应的重叠模糊图像块进行非盲去卷积，得到去各模糊后的图像块，并将各去模糊后的图像块拼接在一起得到最终去模糊后的图像。本发明在对图像去运动模糊时，能够有效地去除连续变化的非均匀运动模糊，并尽可能地减少振铃效应。 | ||||||
| 87 | 用于车辆中图像去模糊的系统和方法 | CN202110280229.5 | 2021-03-16 | CN113409200A | 2021-09-17 | M.斯卢茨基; T.菲利普 |
| 公开了用于车辆中的图像去模糊的方法和系统。该方法和系统包括基于从车辆运动传感器和深度传感器接收的车辆运动数据和深度图来确定点扩散函数。基于点扩散函数计算去模糊矩阵。从成像设备接收的模糊的输入图像基于去模糊矩阵被去模糊，从而提供去模糊的输出图像。基于去模糊的输出图像来控制车辆的功能。 | ||||||
| 88 | 基于ResNet网络的图像去模糊方法 | CN202110122632.5 | 2021-01-28 | CN112785527A | 2021-05-11 | 张萌; 王海东; 王自强; 谢海波; 张文 |
| 本发明属于图像处理技术领域，具体公开了基于ResNet网络的图像去模糊方法，具体如下：一、在ResNet18网络基础上，构建Deblur‑ResNet网络模型；二、将数据集的RGB图像转换为Y分量图像、U分量图像和V分量图像，Y分量图像、U分量图像和V分量图像分别作为Deblur‑ResNet网络模型的训练集；三、在ResNet18网络内增设独立卷积层和独立反卷积层；四、使用Y分量图像、U分量图像、V分量图像训练Deblur‑ResNet网络模型，去模糊网络的参数使用随机初始化，用损失函数反向传播来更新网络参数，大大降低了运算复杂度，取得了很好的去模糊效果。 | ||||||
| 89 | 一种基于边缘增强的图像去模糊方法 | CN202011492603.X | 2020-12-17 | CN112634153A | 2021-04-09 | 谢晓华; 黄俊嘉; 赖剑煌 |
| 本发明公开了一种基于边缘增强的图像去模糊方法，该方法包括：获取运动模糊图像并基于边缘提取算法对运动模糊图像进行处理，得到运动模糊图像边缘；将运动模糊图像和运动模糊图像边缘输入到预设的去模糊神经网络进行特征提取和特征融合，得到去模糊图像。本发明在保证去模糊质量的情况下，减少模型推导时间和模型参数数量。本发明作为一种基于边缘增强的图像去模糊方法，可广泛应用于图像处理领域。 | ||||||
| 90 | 一种运动视频去模糊的方法 | CN202011507053.4 | 2020-12-18 | CN112465730A | 2021-03-09 | 潘斌; 汤永恒; 杨楠楠; 陈欢; 田梦娇; 刘璐璐 |
| 本发明提供一种运动视频去模糊的方法，包括构建视频去模糊模型；获取原视频序列，利用视频去模糊中的DSMAP‑GAN网络对输入的模糊视频图像帧进行预处理，得到一个初步去模糊处理的视频图像帧；将已得到的视频图像帧输入到光流估计模块进行光流估计，再通过时间锐度先验模块得到时间锐度先验信息，最后将上述内容输入到图像隐藏帧恢复网络模块中进行处理，最终输出清晰的视频图像帧，并将其合成流畅的清晰视频。从而能解决现有技术所存在的问题。 | ||||||
| 91 | 一种清晰特征融合的视频去模糊方法 | CN202010368483.6 | 2020-04-30 | CN112200732A | 2021-01-08 | 魏颢; 项欣光; 潘金山 |
| 本发明公开了一种清晰特征融合的视频去模糊方法。首先选取连续的多个模糊视频帧，使用光流估计的网络估计出连续帧之间的光流，并通过估计出来的光流对相邻帧进行图像扭转，然后将扭转后的结果和原始模糊帧序列作为去模糊网络的输入，再然后选取多个清晰帧通过一个清晰特征提取模块，得到清晰特征并融入去模糊的网络，最后去模糊网络输出相对清晰的视频帧。该方法对清晰帧的场景鲁棒、任意场景的清晰帧都可以用来做特征融合并有助于视频帧的重建，方便有效。 | ||||||
| 92 | 基于深度多块网络的图像去模糊方法 | CN202011077611.8 | 2020-10-10 | CN112053306A | 2020-12-08 | 马琳; 贾爽; 谭学治; 王孝 |
| 基于深度多块网络的图像去模糊方法，它属于图像去模糊处理技术领域。本发明解决了现有图像去模糊方法的去模糊性能差的问题。本发明在解决了光照、相机抖动、成像设备运动等引起的运动模糊问题的同时，还提出了一种权重选择共享机制以减少网络的参数量。本发明提出的基于深度多块网络的图像去模糊方法可以有效地复原图像细节，提升去模糊性能，同时消除模糊图像对定位精度的影响。本发明提出的基于深度多块网络的图像去模糊方法仅需要10ms来处理一幅1280×720分辨率的图像，能够满足视觉室内定位的实时性需求。本发明可以应用于对图像的去模糊处理。 | ||||||
| 93 | 一种图像去模糊的方法和装置 | CN201610039224.2 | 2016-01-21 | CN106991650B | 2020-09-15 | 郭萍; 王强; 朴根柱; 李圭彬 |
| 本申请公开了一种图像去模糊方法和装置，包括：获取模糊图片和曝光时间内的DVS事件集合；将模糊图片作为当前模糊图片；根据DVS事件集合，对所述模糊图片进行去模糊处理。应用本申请，能够改善图像去模糊的效果。 | ||||||
| 94 | 一种复杂图像去模糊方法 | CN202010366179.8 | 2020-04-30 | CN111583143A | 2020-08-25 | 朱静; 黄朗; 尹邦政; 吕敏玲; 罗涛; 陶为俊; 黄文恺; 陈明希 |
| 本发明提供了一种复杂图像去模糊方法，包括步骤：输入模糊图像；对模糊图像进行下采样，得到采样后图片；编码残差块从采样后图片提取特征；将提取的特征输入残差网络训练；解码模块重构输出图片；生成当前尺度的去模糊图片；调整生成的当前尺度的去模糊图片尺寸，然后将调整后的图片与下个尺度输入模糊图片结合，返回进行该尺度的去模糊；尺度循环结束，生成并输出最终的去模糊图片。本发明通过多次验证，它有一个更简单的网络结构，更少的参数，而且更加容易训练，训练收敛快、参数少、去模糊效果好。 | ||||||
| 95 | 一种基于注意机制的图像去模糊方法 | CN202010231638.1 | 2020-03-27 | CN111489304A | 2020-08-04 | 郭继昌; 祁清; 晋玮佩 |
| 本发明公开一种基于注意机制的图像去模糊方法，包括以下步骤：(1)准备数据，搭建生成对抗网络模型，设置参数；以合成的方式获得边缘弱化的图像ei∈Pdata(e)，并以此为契机引入边缘注意机制，设置网络结构框架；使生成器与判别器之间不断竞争学习，最终达到动态平衡；使得网络重建出具有清晰边缘和细节的标签图像；设置约束正则项；包括图像语义内容约束项Lcontent、图像边缘重建约束项Ledge和图像边缘判别的约束项Ladv；将模糊图像、标签图像以及边缘弱化图像作为输入输送到生成器中，判别器用需要完成两次判别任务，即生成图像GθG(b)和标签图像si∈Pdata(s)的判别与边缘弱化图像ei∈Pdata(e)和标签图像si∈Pdata(s)的判别；通过增强判别器在图像边缘层面判别的灵敏度，使得生成器能够得到边缘清晰的去模糊图像。 | ||||||
| 96 | 基于ADMM神经网络的图像去模糊方法 | CN202010137913.3 | 2020-03-03 | CN111369460A | 2020-07-03 | 傅博; 傅世林; 吴越楚; 董宇涵 |
| 本发明公开一种基于ADMM神经网络的图像去模糊方法，针对图像去模糊这一问题进行建模，并利用ADMM算法对问题进行裂项求解，根据求解出的三个子问题构建相关的神经网络，通过构建的神经网络训练获得更符合实际的ADMM算法参数与相关的正则项，可减少调参与正则项选取的工作量，且可进一步提升实际效果与运行效率。本发明既保留了传统优化算法的优良理论依据，又利用了神经网络的可训练性，可较好地对运动图像进行去模糊处理。 | ||||||
| 97 | 用于图像的运动去模糊的方法及装置 | CN201580071506.4 | 2015-12-01 | CN107211100B | 2020-05-19 | M·尤利亚; K·戈文达劳; G·普特拉亚; B·斯维 |
| 在示例实施例中，提供了一种方法、装置和计算机程序产品。该方法包括基于由第一相机拍摄的与场景对应的两个或更多个突发图像来确定场景中存在至少一个运动对象。识别与至少一个运动对象相关联的场景的一个或多个部分，并且将与一个或多个部分有关的信息提供给第二相机。接收由第二相机拍摄的场景的图像，其中布设在第二相机的图像传感器前方的像素级快门被编程为在所述图像拍摄的整个持续时间期间，针对所述图像传感器的与所述场景的所述一个或多个部分对应的像素，周期性地打开和关闭。基于图像来生成与场景对应的去模糊后的图像。 | ||||||
| 98 | 基于深度学习的图像去失焦模糊方法 | CN201911099357.9 | 2019-11-09 | CN111091503A | 2020-05-01 | 颜波; 王沛晟; 王峻逸; 孙玉齐 |
| 本发明属于数字图像智能处理技术领域，具体为一种基于深度学习的图像去失焦模糊方法。本发明方法包括：通过拍摄或添加随机模糊等方式构建去失焦模糊数据集，使得每组数据包含一张清晰的图像作为原图，以及若干张模糊的图像作为清晰图所对应的模糊图；训练去失焦模糊深度神经网络；使用非对齐损失函数通过深度神经网络从图像中恢复处于焦平面外的模糊物体；在真实场景下拍摄非像素级对齐的去模糊数据集，通过非对齐损失函数训练深度神经网络。实验结果表明，本发明可以对真实场景中拍摄的失焦模糊图进行有效的恢复，提出的数据集能够通过非对齐损失函数有效地训练去失焦模糊网络。本发明可以用于相机变焦、机器人视觉系统等。 | ||||||
| 99 | 基于视觉语义引导的图像去模糊方法 | CN201910722994.0 | 2019-08-06 | CN110675329A | 2020-01-10 | 纪荣嵘; 陈福海 |
| 基于视觉语义引导的图像去模糊方法，涉及计算机视觉和人工智能领域。提出结构化空间语义嵌入模型，构造S3树用于自动推断结构化内容和在推理期间提供结构化空间特征，连接图像语义理解和图像去模糊两大模块，在多任务中实现语义的建模和嵌入，以获得最佳的特征图；在模糊图像去模糊过程中，将获得的最佳的特征图采用卷积与合并操作输入到去模糊模块中；该去模糊模块基于树结构的生成对抗网络进行训练；其中损失函数包括：S3树引导的对抗损失以及S3树引导的内容损失；模糊图像自动描述和图像去模糊协同训练，对树模型进行行优化。采用基于结构化空间语义嵌入的全新深度学习网络设计，解决了模糊图像去模糊中没有考虑图像语义内容等问题。 | ||||||
| 100 | 一种基于Retinex算法的图像去模糊方法 | CN201910212674.0 | 2019-03-20 | CN110033415A | 2019-07-19 | 陈熙源; 方文辉; 柳笛 |
| 本发明公开了一种基于Retinex算法的图像去模糊方法，包括以下步骤：S1：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像，将图像边缘被增强的模糊图像作为步骤S2的输入；S2：进行解卷积操作，以获得初始复原图像；S3：计算步骤S2中初始复原图像的梯度映射，消除初始复原图像中的噪声；S4：利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计；S5：判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果：如果是，直接进行步骤S6；否则，将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入，返回步骤S2；S6：利用步骤S5中得到的最佳模糊核，对原始模糊图像进行最终的解卷积，以获得最终的复原图像。 | ||||||
QQ群二维码
意见反馈
意见反馈