基于回归卷积神经网络的运动模糊核参数估计
图像与视频处理
2024-11-07 v3
摘要
许多去模糊与模糊核估计方法使用最大后验（MAP）方法或基于深度学习的分类技术来锐化图像和/或预测模糊核。我们提出一种使用卷积神经网络（CNNs）的回归方法，以预测线性运动模糊核的参数，即模糊的长度与方向。我们分析了可表示为数字滤波核的线性运动模糊的长度与角度之间的关系。使用一组模糊核生成大规模模糊图像数据集，并用于训练回归 CNN 以预测运动模糊的长度与角度。即使在显著加性高斯噪声（方差高达 10%（信噪比 10 dB））存在下，长度与角度估计的决定系数均不小于 0.89。在非盲图像去模糊方法中使用我们估计的核时，平方差误差比累积直方图值高于对比方法，多数测试图像误差比不大于 1.25。
引用
@article{arxiv.2308.01381,
title = {Estimation of motion blur kernel parameters using regression convolutional neural networks},
author = {Luis G. Varela and Laura E. Boucheron and Steven Sandoval and David Voelz and Abu Bucker Siddik},
journal= {arXiv preprint arXiv:2308.01381},
year = {2024}
}