下载掌阅APP，畅读海量书库
立即打开
随着科学技术的迅速发展及电子产品的不断普及，数字图像的传播和应用变得越来越广泛。在各种数字图像采集场景中，成像模糊是较普遍且多发的问题。根据形成原因，图像模糊一般可以分为运动模糊和非聚焦模糊。运动模糊主要是由相机抖动或者被摄物体相对运动所导致的；而非聚焦模糊主要是由成像系统的景深受限所导致的。非聚焦模糊产生原因示意图如图1.1.1所示。对于由一系列光学透镜组成的镜头，其可以在每次拍摄时以一定深度聚焦，处于该深度范围内的被摄物体成像是清晰的，这段距离范围被称为景深。但是，受限于光圈大小、镜头焦距等各种因素的影响，景深范围总是有限的，只有处于焦平面附近区域的被摄物体才有最好的成像清晰度，拍摄处于远离焦平面区域内的物体则会产生模糊，这种模糊即非聚焦模糊。本书将着重讨论由非聚焦引起的模糊。
图1.1.1 非聚焦模糊产生原因示意图
无论是对于人类视觉感知还是对于计算机处理而言，清晰的图像在多数情况下都比模糊的图像提供的信息多，因此对图像非聚焦模糊进行处理具有一定的实用性价值。目前，图像非聚焦模糊处理手段主要可以分为非聚焦模糊检测和非聚焦去模糊两类，前者旨在检测图像的每个像素属于聚焦清晰区域还是非聚焦模糊区域，并完成对图像中清晰区域和模糊区域的有效分割，而后者则需要将输入图像的非聚焦模糊区域，转变为在理想情况下拍摄的聚焦情形，使原本模糊的图像变得清晰可见。上述两类非聚焦模糊处理手段侧重于在不同角度对非聚焦模糊图像进行处理，非聚焦模糊检测更多地作为一种对图像进行质量评价和深入理解的手段，经其处理后，人类视觉或计算机能够增强对该输入图像的理解和场景的解释。因此，非聚焦模糊检测常被用于自动聚焦 [1] 、图像恢复 [2] 、图像重定目标 [3] 等需要对图像进行深入理解的应用中。而非聚焦去模糊处理则更直观地试图将非聚焦模糊图像转变为聚焦图像，并尽可能地还原由于非聚焦模糊导致的在图像退化中丢失的信息，这实际上增加了非聚焦模糊图像的信息量，因此其常被用于语义分割 [4] 、追踪 [5] 等需要高质量图像的后续任务中。
随着硬件和计算机性能的不断提高，图像非聚焦模糊处理也随之发展，顺应智能化潮流，已有越来越多基于深度学习的图像非聚焦模糊智能处理方法被提出，也有越来越多适合非聚焦模糊处理的应用场合出现。例如，随着生活水平的提高，人们追求更好的照片拍摄效果，此时非聚焦模糊智能处理方法能用于处理拍摄过程中和所拍摄的照片模糊的问题及对图像数据进行清洗，从而保障各类深度学习模型的训练。可以预见的是，作为模糊这一广泛存在的图像退化问题的应对方法，非聚焦模糊智能处理方法将持续保有实用价值和泛用性。