本文探讨了运动模糊图像复原的方法，主要关注如何通过L0亮度和梯度先验来预估潜在图像。文章介绍了图像金字塔的构建，其中每个层级的模糊核大小由特定公式计算，并以迭代方式更新预估的潜在图像。在傅里叶逆变换中，图像的二阶差分和一阶差分起关键作用，且在处理过程中考虑了实对称性和边界细节的保留。
运动模糊图像复原（二）
Reference：
Deblurring Text Images via L0 -Regularized Intensity and Gradient Prior
上面一文中有涉及到模糊模型的估计，这是一个难点，但是没有细说。这篇文章主要记录一下第三点内容：根据对应层级模糊图像的L0亮度和梯度 + 对应层级的模糊模型 = 预估当前层级的latent image。可设置多次迭代，更新预估结果。
对于金字塔顶层对应的图像，设置相应的模糊核大小，并设置初始核。这里假设最底层金字塔对应的核大小为55*55，即kernel size=55。金字塔层数和最大迭代次数遵循以下公式：
Pyramid layers: max_iter+1
对于每层金字塔对应的模糊核大小可以利用如下公式计算：
， 注意这里需要将计算得到的核大小转换为奇数。
那么，金字塔层数有7层，初始核为7*7大小，初始核内容设置如下：
| 0 |
0 |
0 |
0 |
0 |
0 </ |
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
