一种用于散焦估计的多尺度深度与手工特征统一方法

本文中，我们引入了鲁棒且协同的手工特征以及来自卷积神经网络(CNN)架构的简单但高效的深度特征，用于散焦估计。本文系统分析了不同特征的有效性，并展示了当它们被拼接时，每个特征如何补偿其他特征的弱点。对于完整的散焦图估计，我们在强边缘上稀疏提取图像块，之后用它们进行深度与手工特征提取。为了减少块尺度依赖程度，我们还提出了多尺度块提取策略。使用神经网络分类器随后接概率联合双边滤波器生成稀疏散焦图。最终散焦图由稀疏散焦图在边缘保留滤波输入图像引导下获得。实验结果表明，我们的算法在散焦估计方面优于最先进算法。我们的工作可用于诸如分割、模糊放大、全聚焦图像生成以及3-D估计等应用。