计算机视觉基础(12)——图像恢复

前言

我们将学习图像恢复相关知识。主要有图像恢复的定义、评价标准和实现图像恢复的方法。图像恢复任务包括图像去噪、去模糊、图像超分辨率、图像修复等;评价标准有峰值信噪比和结构相似性;图像超分辨的方法有传统方法和基于深度学习的方法:传统方法包括了基于插值的方法和基于字典学习,而深度学习方法有很多,包括SRCNN,VDSR等。

一、图像恢复的定义

1.1 图像恢复的意义

由于环境的⼲扰(速度过快、天⽓原因、识别噪声等)导致的图像退化:

图像恢复与图像分割区别在于:图像分割是提取⾼级特征;而图像恢复的意义是做图像的理解。

1.2 图像恢复任务的定义

1.2.1 通用的简单退化模型

1.2.2 图像去噪

加性噪声有:

  • 拍摄噪声(shot noise):服从泊松分布
  • 读取噪声(read noise):服从高斯分布
  • 暗电流噪声(Dark noise):和器件本身有关

注意区分图像去噪与图像去模糊的区别:前者使⽤滤波,后者是叠加

1.2.3 图像去模糊

1.2.4 图像超分辨率

这部分内容将在本人第三部分进行详细阐述。

1.2.5 图像修复

1.2.6 图像分离

1.2.7 病态问题

二、图像恢复的评价标准

常用评价标准有峰值信噪比(PSNR)和结构相似性(SSIM),注意区分二者的优缺点:

三、图像超分辨率

3.1 图像超分辨率任务的定义

从低分辨率图像恢复原始的高分辨率图像

  • 产生逼真的、有细节的图像------内容、细节真实性
  • 忠实于低分辨率图像的内容------内容匹配性

3.2 传统图像超分辨率方法

3.1.1 基于插值的方法

3.1.2 基于字典学习

基于一对互相对应的外部字典,分别对应高清图像空间和低清图像空间

3.3 基于深度学习的图像超分辨率方法

3.3.1 SRCNN & VDSR

3.3.2 ESPCN & SRResNet

3.3.3 Perceptual loss

3.3.4 Texture matching loss

3.3.5 SRGAN

3.3.6 SFTGAN

3.4 数据集采集

3.5 基本框架

【第一种多帧超分 (Multi-frame SR) 】

【第二种递归式序列超分 (Recurrent)】

总结

在本文中,我们学习了图像处理的又一技术------图像恢复。读者需要掌握图像恢复的定义是将含噪声图像、模糊图像、低分辨率图像或者破损图像等实现超分辨率重建,图像恢复的评价标准是峰值信噪比和结构相似性,以及图像超分辨率的相关方法,包括传统的方法(插值和字典),基于深度学习的方法

相关推荐
夸克App2 分钟前
实现营销投放全流程自动化 超级汇川推出信息流智能投放产品“AI智投“
运维·人工智能·自动化
Rainbond云原生5 分钟前
83k Star!n8n 让 AI 驱动的工作流自动化触手可及
运维·人工智能·自动化
招风的黑耳7 分钟前
Axure大屏可视化模板:多领域数据决策的新引擎
人工智能·产品设计
朴拙数科20 分钟前
艺术字体AI生成阿里云WordArt锦书、通义万相、SiliconFlow、Pillow+OpenCV本地生成艺术字体
人工智能·阿里云·pillow
听风吹等浪起30 分钟前
NLP实战(4):使用PyTorch构建LSTM模型预测糖尿病
人工智能·pytorch·自然语言处理·lstm
敖云岚1 小时前
【AI】SpringAI 第五弹:接入千帆大模型
java·大数据·人工智能·spring boot·后端
三道杠卷胡1 小时前
【AI News | 20250424】每日AI进展
人工智能·pytorch·python·语言模型·github
追逐☞1 小时前
机器学习(9)——随机森林
人工智能·随机森林·机器学习
pljnb1 小时前
长短期记忆网络(LSTM)
人工智能·rnn·lstm
何双新1 小时前
第1讲:Transformers 的崛起:从RNN到Self-Attention
人工智能·rnn·深度学习