概括
这项研究引入了一种用于红外图像消除模糊的新型模拟方法,增强特定场景的深度学习模型. 这种方法有效地减少了模糊,噪音和文物,在具有挑战性的条件下提高了图像质量.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 遥感 遥感 遥感 遥感
背景情况:
- 红外图像消除模糊是具有挑战性的,目前的方法在特定场景中经常失败.
- 深度学习消除模糊,因为缺乏针对独特成像条件的专用数据集.
研究的目的:
- 开发一种多功能模拟方法,用于产生红外图像退化.
- 为了提高特定场景的神经网络模糊的概括性和性能,比如地面对空飞机.
- 解决复杂环境中现有的消除模糊算法的局限性.
主要方法:
- 提出了考虑大气,系统,运动和探测器效应的全链成像降解模拟.
- 通过不同的模拟参数生成了丰富的模糊清晰的红外图像对.
- 采用了两步的深度学习方法:在公共数据集 (GoPro) 上进行预训练,然后在模拟数据集上进行微调.
主要成果:
- 模拟数据集显著增强了神经网络的概括性和在特定场景中的模糊性.
- 与模拟数据集的微调改进了不论预训练数据集 (GoPro或UIRD) 的模糊消除.
- 拟议的方法优于传统的解卷和一般的数据集训练方法,减少噪音和文物.
结论:
- 特定场景的降解模拟方法对于有效的红外图像消除模糊性至关重要.
- 使用模拟数据的两步培训策略提高了模糊清除的稳定性和质量.
- 与现有方法相比,这种方法在减轻模糊,噪音和工件方面提供了卓越的性能.
