下载掌阅APP，畅读海量书库
立即打开
模糊作为最常见的图像退化方式之一，如何感知模糊、处理模糊注定是一个十分重要的课题，图像非聚焦模糊处理技术应运而生。在不断的发展进步中，图像非聚焦模糊处理的性能越发强大，也越发在各类大小应用场合中发挥着重要作用。本书总结了多年来图像非聚焦模糊处理技术的研究和该领域的最新进展情况，介绍了几大类图像的非聚焦模糊处理方案及其应用，以期为读者树立对非聚焦模糊处理的全面认识，并作为进一步理论研究和实际应用的基础。本书总体安排及各章节内容如下。全书结构框图如图1.5.1所示。
第2章：多尺度特征学习的图像非聚焦模糊检测
本章重点关注尺度这一概念，并研究提取和学习多尺度特征的方法，以更好地进行非聚焦模糊检测。在同一张图像中，不同尺度的区域可能存在不同程度的模糊，其模糊程度随尺度的增大而增大。为了有效应对图像中非聚焦模糊在不同尺度下的变化，多尺度特征学习需要从不同尺度的非聚焦模糊图像中提取关键信息，包括细节、纹理和上下文等。本章介绍了两种基于多尺度特征学习的图像非聚焦模糊检测方法，分别是级联映射残差学习网络和图像尺度对称协作网络，并与多种图像非聚焦模糊检测方法进行比较，得出相关结论。
第3章：深度集成学习的图像非聚焦模糊检测
集成学习是通过结合多个模型的预测结果来提高整体性能的深度学习方法。本章主要关注图像非聚焦模糊检测中的两个关键问题，首先单一检测器方法存在缺乏多样性和大量参数导致计算成本高昂的问题；其次非聚焦模糊区域的语义信息不完整，不能正确利用这些高级语义信息会导致性能下降。本章发现这两点都是可以通过引入其他模型，即进行集成学习来解决的，故本章要介绍两种基于深度集成学习的检测方法，深度交叉集成网络和自适应集成网络，以有效提高性能，并通过相关实验进行分析。
图1.5.1 全书结构框图
第4章：强鲁棒图像的非聚焦模糊检测
在实际应用中，非聚焦场景呈现出多样性。当输入图像中的非聚焦场景多样性增加或者受到人为攻击时，模型性能可能会降低。本章关注鲁棒性这一关键指标，对强鲁棒性图像的非聚焦模糊检测进行探索。具体而言，本章关注两类强鲁棒图像：一类是包括背景非聚焦图像、前景非聚焦图像、全非聚焦图像和全聚焦图像在内的全场景非聚焦模糊图像；另一类是带有对抗攻击的图像，这种强鲁棒图像会导致非聚焦模糊检测方法产生错误的判断。本章介绍多层级蒸馏学习的全场景非聚焦模糊检测和基于MRFT的非聚焦模糊检测攻击，并进行大量实验验证其鲁棒性。
第5章：弱监督学习的图像非聚焦模糊检测
弱监督学习是一种深度学习方法，其训练数据的真值标签信息相对不完整，通过有效利用这些弱标签来训练模型。本章介绍弱监督学习的图像非聚焦模糊检测，并提出从真实图像中直接获得非聚焦模糊检测结果，而不使用任何像素级注释。具体来讲，本章提出了基于RCN的弱监督焦点区域检测和基于双对抗性鉴别器的自生成非聚焦模糊检测两个弱监督模糊检测方法，并进行对应的实验，同时还构建了一个带有边界框级标签的大规模部分聚焦图像数据集FocusBox，以供后续研究使用。
第6章：弱监督非聚焦图像去模糊
本章使用弱监督方法完成对非聚焦图像去模糊模型的训练，提出了对抗促进学习的非聚焦去模糊，以及通过模糊感知变换攻击非聚焦检测以实现非聚焦去模糊两个弱监督的训练方法。其中前者联合非聚焦模糊检测和去模糊两个任务，使两个任务共同促进，免去了真值需求；后者从输入图像本身学习模糊信息，人为制造训练样本和真值对，完成对去模糊模型的训练。与多种弱监督去模糊方法和全监督去模糊方法的对比实验证明该方法的高性能。
第7章：多聚焦图像融合的非聚焦图像去模糊
本章通过整合来自不同焦点的多张图像，创建全焦点图像，使图像中的所有物体都能保持清晰最终完成去模糊。然而，这种多聚焦图像融合通常存在聚焦图像数量的限制，而且在同质性强的区域中没有能区分它们是聚焦还是非聚焦模糊的线索。针对该问题，本章提出具有端到端自然增强多聚焦图像融合方法和深度蒸馏多聚焦图像融合方法，并进行相关实验验证。
第8章：图像非聚焦模糊智能处理的实际应用
本章介绍非聚焦模糊智能处理技术在工程场景中的应用，并详细描述非聚焦模糊智能处理技术如何与工程系统协调工作。具体来讲，本章引入十种非聚焦模糊智能处理的落地应用场景：自动对焦系统、计算机摄影“人像模式”、图片重定向、自动驾驶目标检测、多孔材料缺陷检测、视频目标跟踪系统、虚拟现实技术、无人探测设备应急救援系统、医学内窥镜系统及光学显微镜系统。
第9章：回顾、建议与展望
本章回顾全书的主要内容及研究成果，总结非聚焦模糊智能处理技术的现存问题和具有意义的待解决课题，并对非聚焦模糊智能处理技术的未来发展进行了展望。