采用卷积神经网络的小幅文本图像重聚焦算法

doi:10.3969/j.issn.1001-2400.2018.04.015

西安电子科技大学学报

采用卷积神经网络的小幅文本图像重聚焦算法

王康康;王柯俨;李云松

(西安电子科技大学综合业务网理论及关键技术国家重点实验室，陕西西安 710071)

收稿日期:2017-08-16 出版日期:2018-08-20 发布日期:2018-09-25
作者简介:王康康(1991-)，男，西安电子科技大学硕士研究生，E-mail：597642580@qq.com
基金资助:
国家自然科学基金资助项目(61502367, 61501346)；高等学校学科创新引智计划(“111计划”)资助项目(B08038)；长江学者特聘教授支持计划资助项目

Text image refocusing by using the convolutional neural network

WANG Kangkang;WANG Keyan;LI Yunsong

(State Key Lab. of Integrated Service Networks, Xidian Univ., Xian 710071, China)

Received:2017-08-16 Online:2018-08-20 Published:2018-09-25

摘要/Abstract

摘要：

针对文本图像拍摄过程中的散焦模糊问题，提出一种基于卷积神经网络的图像重聚焦算法．首先分析了传统的维纳滤波方法，并对其进行变形；然后将频域相除转化为循环卷积，并将该卷积核进行奇异值分解，从而将二维卷积转化为一维卷积．在重点考虑循环卷积、一维卷积核的基础上，设计出了一种新的卷积神经网络结构．该网络结构不但能够模拟维纳滤波的去散焦模糊过程，还能在不显式计算散焦模糊核的情况下恢复图像，并具有良好的抗噪声性能．同时，该卷积神经网络还具有收敛快、参数不敏感的良好特点．

关键词: 散焦模糊, 维纳滤波, 卷积神经网络

Abstract:

We propose a new image refocusing algorithm based on the convolutional neural network. We analyze the traditional wiener filtering method, and derive it. We transform the frequency domain division into a cyclic convolution and decompose the kernel by SVD. After that, we design a new structure of the convolutional neural network by cyclic convolution and one-dimensional convolution. This network can not only simulate the defocusing process of wiener filtering, but also restore the image without a kernel, and have good anti-noise performance. At the same time, the convolutional neural network is fast-convergent and parameter insensitive.

Key words: defocusing blurring, Wiener filtering, convolutional neural network

王康康;王柯俨;李云松. 采用卷积神经网络的小幅文本图像重聚焦算法[J]. 西安电子科技大学学报, 2018, 45(4): 80-85.

WANG Kangkang;WANG Keyan;LI Yunsong. Text image refocusing by using the convolutional neural network[J]. Journal of Xidian University, 2018, 45(4): 80-85.

参考文献

［1］ XU L, JIA J. Two-phase Kernel Estimation for Robust Motion Deblurring［C］//Lecture Notes in Computer Science: 6311. Heidelberg: Springer Verlag, 2010: 157-170.
［2］ SHAN Q, JIA J, AGARWALA A. High-quality Motion Deblurring from a Single Image［C］//Proceedings of the 2008 International Conference on Computer Graphics and Interactive Techniques. New York: ACM, 2008: 73.
［3］ PAN J, HU Z, SU Z, et al. Deblurring Text Images via L₀-Regularized Intensity and Gradient Prior［C］//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington: IEEE Computer Society, 2014: 2901-2908.
［4］ SUN J, CAO W, XU Z, et al. Learning a Convolutional Neural Network for Non-uniform Motion Blur Removal［C］//Proceedings of the 2015 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2015: 769-777.
［5］ CHAKRABARTI A. A Neural Approach to Blind Motion Deblurring［C］//Proceedings of the 2016 European Conference on Computer Vision. Heidelberg: Springer International Publishing, 2016: 221-235.
［6］ XU L, REN J S J, LIU C, et al. Deep Convolutional Neural Network for Image Deconvolution［C］//Proceedings of the Advances in Neural Information Processing Systems. Vancouver: Neural Information Processing System Foundation, 2014: 1790-1798.
［7］ MA Z, LIAO R, TAO X, et al. Handling Motion Blur in Multi-frame Super-resolution［C］//Proceedings of the 2015 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2015: 5224-5232.
［8］ SHI J, XU L, JIA J. Just Noticeable Defocus Blur Detection and Estimation［C］//Proceedings of the 2015 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2015: 657-665.
［9］ ZHANG X, WANG R, JIANG X, et al. Spatially Variant Defocus Blur Map Estimation and Deblurring from a Single Image［J］. Journal of Visual Communication and Image Representation, 2016, 35: 257-264.
［10］ XU L, TAO X, JIA J. Inverse Kernels for Fast Spatial Deconvolution［C］//Lecture Notes in Computer Science: 8693. Heidelberg: Springer Verlag, 2014: 33-48.
［11］高振宇, 杨晓梅, 龚剑明, 等. 图像复杂度描述方法研究［J］. 中国图象图形学报, 2010, 15(1): 129-135.
GAO Zhenyu, YANG Xiaomei, GONG Jianming, et al. Research on Image Complexity Description Methods［J］. Journal of Image and Graphics, 2010, 15(1): 129-135.

[1]	李源,崔玉爽,王伟. 一种基于字词双通道网络的文本情感分析方法[J]. 西安电子科技大学学报, 2021, 48(6): 179-186.
[2]	于浩洋,尹良,李书芳,吕顺. 生成对抗网络小样本雷达调制信号识别算法[J]. 西安电子科技大学学报, 2021, 48(6): 96-104.
[3]	董如婵,焦李成,赵进,沈维燕. 一种深度融合机制的遥感图像目标检测技术[J]. 西安电子科技大学学报, 2021, 48(5): 128-138.
[4]	孙彦景,魏力,张年龙,云霄,董锴文,葛敏,程小舟,侯晓峰. 联合DD-GAN和全局特征的井下人员重识别方法[J]. 西安电子科技大学学报, 2021, 48(5): 201-211.
[5]	周鹏,杨军. 采用神经网络架构搜索的遥感影像分割方法[J]. 西安电子科技大学学报, 2021, 48(5): 47-57.
[6]	杨云航,闵连权. 采用空洞卷积的多尺度融合草图识别模型[J]. 西安电子科技大学学报, 2021, 48(5): 92-99.
[7]	陈昌川,王海宁,黄炼,黄涛,李连杰,黄向康,代少升. 一种基于局部表征的面部表情识别算法[J]. 西安电子科技大学学报, 2021, 48(5): 100-109.
[8]	宋建锋,苗启广,王崇晓,徐浩,杨瑾. 注意力机制的多尺度单目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 110-116.
[9]	张宇浩,程培涛,张书豪,王秀美. 一种自适应权重学习的轻量超分辨率重建网络[J]. 西安电子科技大学学报, 2021, 48(5): 15-22.
[10]	回海生,张雪英,吴泽林,李凤莲. 一种主辅路径注意力补偿的脑卒中病灶分割方法[J]. 西安电子科技大学学报, 2021, 48(4): 200-208.
[11]	王平,江雨泽,赵光辉. 目标检测的多尺度定位提升算法[J]. 西安电子科技大学学报, 2021, 48(3): 85-90.
[12]	郭泽坤,田隆,韩宁,王鹏辉,刘宏伟,陈渤. 采用CNN-SSD的雷达HRRP小样本目标识别方法[J]. 西安电子科技大学学报, 2021, 48(2): 7-14.
[13]	成磊,王玥,田春娜. 一种添加残差注意力机制的视觉目标跟踪算法[J]. 西安电子科技大学学报, 2020, 47(6): 148-157.
[14]	孔鑫,陈刚,龚国良,鲁华祥,毛文宇. 一种面向卷积神经网络加速器的高性能乘累加器[J]. 西安电子科技大学学报, 2020, 47(4): 55-63.
[15]	党吉圣,杨军. 多特征融合的三维模型识别与分割[J]. 西安电子科技大学学报, 2020, 47(4): 149-157.

采用卷积神经网络的小幅文本图像重聚焦算法

Text image refocusing by using the convolutional neural network

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10