申请/专利权人：杭州电子科技大学

申请日：2021-07-29

公开（公告）日：2024-04-02

公开（公告）号：CN113554566B

主分类号：G06T5/80

分类号：G06T5/80;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.11.12#实质审查的生效;2021.10.26#公开

摘要：本发明公开了一种基于可学习频域先验的去摩尔纹系统及方法。本发明使用一个统一的框架来执行摩尔纹消除和颜色恢复两个任务，通过学习频域先验从图像中分离出摩尔纹，再进行全局和局部的色调映射以实现精确的颜色恢复。通过在索贝尔滤波中引入膨胀率来构造三维索贝尔损失，可以在多个尺度上感知结构高频信息，并显著提高去摩尔纹的性能，改进后的索贝尔滤波器提供了2个45度的附加滤波器。可以使用任何块大小的通带来拟合莫尔条纹的频率先验。通过几个不同密集块大小的可学习滤波带通来拟合频率先验，带来了明显的性能增益，但几乎没有增加额外的计算负担。

主权项：1.一种基于可学习频域先验的去摩尔纹系统，其特征在于，包括摩尔纹消除模块和色调映射模块；所述的色调映射模块包括全局色调映射模块以及局部色调映射模块；所述的摩尔纹消除模块用于消除摩尔纹，色调映射模块用于重建色彩；摩尔纹消除模块：1使用密集块对输入图像进行特征提取，密集块由n个3x3的膨胀卷积和ReLU激活函数组成，采用膨胀卷积的目的是扩大密集区域的感受野；2将可学习的权重与提取后的特征映射一起输入到分块频域逆变换FDIT之后，经过一个3x3卷积，把n个密集块的特征映射相加输入到特征缩放层来线性约束输出，避免产生过大的梯度；所述的分块频域逆变换采用离散余弦变换、离散小波变换、离散傅里叶变换或新的可学习正交变换；3引入残差连接在特征域中消除摩尔纹，将输入图像与经过特征缩放层的特征映射相加，作为最终的输出；全局色调映射模块：1将原始特征映射输入到步长为2的3x3卷积层，经过ReLU激活函数，再输入到全局平均池化层中，将特征映射进行全局平均，输出特征映射F，从而使其具有全局的感受野，使网络低层也能利用全局信息，减轻过拟合的发生；2将特征映射F再输入全连接层和ReLU激活函数得到特征映射γ；3将原始特征映射输入到1x1的卷积层，经过ReLU激活函数得到输出特征映射β；4将特征映射γ和β点乘，然后输入到1x1的卷积层，经过ReLU激活函数得到输出；局部色调映射模块：1将输入特征映射输入到与摩尔纹消除模块中相同的密集块中，扩大感受野，提取有用信息；2再将密集块的输出送入1x1卷积层，经过ReLU激活函数，得到输出。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于可学习频域先验的去摩尔纹系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD