本文主要是介绍2010-ECCV - Two-phase kernel estimation for robust motion deblurring,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
项目地址:http://www.cse.cuhk.edu.hk/~leojia/projects/robust_deblur/index.html
贾佳亚团队
- 边缘预测与边缘选择,过滤细微结构对于模糊核估计的影响
- 分两阶段估计模糊核,第一阶段:L2范数,第二阶段:L1范数
- 图像先验,在估计模糊核过程中使用空间结构先验,非盲阶段时使用TV范数
文章首先了图像结构如何影响模糊核结构:
Salient edges do not always improve kernel estimation; on the contrary, if the scale of an object is smaller than that of the blur kernel, the edge information could damage kernel estimation.
显著边缘并不总是利于核估计,反之,如果物体的尺寸小于模糊核的尺寸,则其边缘信息会破坏核估计。
文章从一维信号给出了理由:
图(a)中,由于卷积核比阶跃信号更宽,导致卷积后的信号相比原信号总变差(Total-Variation,即梯度绝对值之和)减小了,高度降低了。在使用TV先验时,恢复出的信号倾向于TV值较小(能量最小),即图中的红色虚线,红色虚线经过卷积同样会得到蓝色实线,这是由于非盲去卷积问题的不适定性引起的。
图(b)中,就不会出现这种模棱两可的现象,恢复出的信号不会比原信号高或者低。
文章接着提出了一种新的边缘选择准则以利于模糊核估计:
N h N_h Nh实际表示为中心点在 x x x处的滑动窗口, r r r值越小表示此处要么是一个细微结构(类似于图a中的尖峰信号),要么是一个平坦区域。
得到r-map后,经过阈值筛选:
M = H ( r − τ r ) M=H(r-\tau_r) M=H(r−τr)
∇ I s = ∇ I ~ ⋅ H ( M ∥ ∇ I ~ ∥ 2 − τ s ) \nabla I^s=\nabla \tilde I\cdot H(M\Vert \nabla \tilde I\Vert_2-\tau_s) ∇Is=∇I~⋅H(M∥∇I~∥2−τs)
I ~ \tilde I I~表示冲击滤波(shock filter,参考Coherence-Enhancing Shock Filters)后的图像,H(·)是Heaviside阶跃函数,对于负值输出0,正值输出1,用于生成一个mask。
得到潜在图像梯度后,估计初始模糊核(阶段一):
阶段二,模糊核调整:
首先将模糊核中的元素分为两个集合,值较大的放进集合 S S S,其他的放入 S ‾ \overline S S,
界线 ϵ s \bm \epsilon^s ϵs 的选择遵从“first significant jump”规则,论文中给出了具体解释。
通过下式调整模糊核,采用迭代重新加权最小二乘法(the iterative reweighed least square,IRLS)求解:
非盲去卷积过程
基于半二次分割,引入辅助变量 v v v和 w w w:
文章里并没有说明,其实我觉得 v v v是对噪声的建模,并使用 1范数作为约束(先验)。
实验结果可以说明:
文中方法可以处理高斯噪声和椒盐噪声。
交替优化
最小二乘问题
软阈值收缩问题
这篇关于2010-ECCV - Two-phase kernel estimation for robust motion deblurring的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!