下载掌阅APP，畅读海量书库
立即打开
本章通过研究图像非聚焦模糊与多尺度区域的密切关系，提出了两种基于多尺度特征学习的图像非聚焦模糊检测方法。2.2节提出了级联映射残差学习网络，通过全卷积神经网络级联映射的结构来学习多尺度的非聚焦模糊特征，同时利用残差学习的思想来提高特征的表达能力。2.3节提出了IS2CNet，利用对称协作策略结合图像的局部和全局信息，优化了非聚焦模糊特征的融合和选择。2.2节和2.3节分别从两种不同的角度设计多尺度学习框架，从不同尺度的图像中提取和融合非聚焦模糊特征，有效地解决了均匀区域检测和过渡区域检测的两个挑战，为以后研究模糊检测方法提供了两种不同的解决思路：利用多尺度特征的级联残差映射或多尺度对称协作所提取的高层-低层和大尺度-小尺度特征来优化非聚焦模糊检测的效果。
本章提出的方法适用于以下两种场景的图像非聚焦模糊检测：具有大尺度同质区域的非聚焦模糊检测和具有复杂场景的低对比过渡区域的非聚焦模糊检测。需要注意的是，两种方法具有难以检测小规模聚焦区域的缺点。这是因为网络框架在多尺度学习图像特征时，从大尺度分支网络过渡到小尺度分支网络的过程中会丢失部分细节信息，导致对小尺度的非聚焦区域检测不够准确，无法有效识别一些小范围的模糊区域。总体而言，本章提出的方法可以准确地检测出模糊区域和清晰区域之间边界不明显（低对比度过渡区域）或模糊程度较高（大尺度同质区域的非聚焦模糊）的图像，可用于深度估计、多焦点图像融合、图像重聚焦和非聚焦放大等相关领域，同时也可以为图像分割、图像增强和图像修复等其他图像处理任务提供有价值的信息。