文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2020.09.010
引用格式: 漆建軍. 端對端深度學習無損去圖像散射研究[J].信息技術與網絡安全,2020,,39(9):49-55.
0 引言
在采集自然界圖片的時候經常會遇見散射造成的圖像損失,對于散射有很多情況,,比如:當光線經過細小不規(guī)則分布的顆粒組成的介質的時候,,光子與細小顆粒發(fā)生碰撞,造成行進的線路發(fā)生改變,,產生散射,,最后到達傳感器平面的時候不同線路延時的光子疊加,會造成圖像模糊,,造成對比度與清晰度下降的現象,;光照射在粗糙的物體表面,發(fā)生了漫反射,,反射的圖像會有類似散斑的現象,,這樣的衰減圖片對于自動駕駛,、計算機視覺、醫(yī)學成像都有非常不利的影響[1],。為了恢復圖像,,POPOFF S M等利用測定傳輸矩陣解卷[2]和生成共軛波前補償,但是測量傳輸矩陣需要費時的測量,,硬件相對復雜,,使用環(huán)境相對單一,而且只能在照明光具有一定相干性的前提下進行[3],。為此,,特提出一種使用深度學習的方法,通過學習大量散射圖與無散射圖對比,,讓網絡學習到散射圖和無散射圖之間的映射關系,,避免了費時的傳輸矩陣測量。并且這樣的方法不需要對于樣本進行染色或者標記,,不會對樣本產生破壞[4],。為此,將傳統(tǒng)的雙層卷積結構進行改進,,采用了dense結構的Unet網絡,,不管是在去散射的指標效果還是視覺效果上都有比較大的提升。因為深度學習需要大量的訓練數據,,訓練數據的好壞對于學習結果起到至關重要的作用,,還提出了一套通過拍攝屏幕的方法來搜集數據集的方法,主要創(chuàng)新有如下幾點,。
(1)提出了一套相機拍攝屏幕創(chuàng)建深度學習訓練數據的流程,,包含屏幕相機校準和圖像匹配的方法,此方法也可以廣泛用于其他圖像處理和圖像恢復的任務,。
(2)提出了一種基于深度學習的端對端去散射網絡,,相比于傳統(tǒng)測定傳輸矩陣的方法更加省時省力,且對于成像的樣本沒有損害,,不需要染色或者其他標記,。
(3)使用環(huán)境相對廣泛,采集裝置相對簡單,,僅僅使用普通手機就可以進行采集,,且對于照明光源沒有太多要求。
(4)改進了像素到像素圖像恢復雙層卷積的Unet結構,,采用了dense的連接結構,,使網絡具有更好的恢復圖像性能。
本文詳細內容請下載:http://forexkbc.com/resource/share/2000003096
作者信息:
漆建軍
(廣東外語外貿大學 信息科學技術學院,,廣東 廣州510006)