本文介绍了图像去模糊的基本原理，从卷积概念出发，探讨了模糊产生的原因及修复思路。通过模拟模糊过程，提出去模糊算法的散焦与聚焦思想，并提及了现有开源项目与深度学习在去模糊领域的应用，强调了传统算法与深度学习的优缺点。
关于图像模糊算法的实现，
我相信大多数学习图像算法的朋友都很熟悉。
例如常见的毛玻璃效果，高斯模糊等等。
而图像模糊最简单的实现就是 在一定区域 对像素做平均值计算。
术语描述，卷积。
1.认识卷积
而平均值计算可以，看做是一种常见的卷积计算，卷积核权重都为1。
OpenCV中与之对应的算法是BoxBlur。
图像方面深度学习中最重要的两个层，一个池化层，一个卷积层，
其中池化层可以认为是一种特例的卷积层，与求平均值类似。
从网上找了一张卷积操作的示例图片。
这样看，虽然知道是在做一个点面计算的操作，但是要具体描述卷积的用途或者原理，是有点困难的。
在两年前一次公司的内部技术分享会上，我是这么定义卷积的。
卷积计算从形象上来描述，在图像领域，一般是2维，
所以可以这么说 “计算两个物体在n维空间的相似度(叠加度)的操作，就称之为(n维)卷积。”
所以图像是计算两个物体在2维空间的相似度(叠加度)的操作，就称之为卷积。
如果两个物体完全一致，卷积完全重合，重合度为1，这时可以认为它就是同一个物体。
以上描述的两个物体，在算法中一般 指的是 卷积核 和被卷积图片，卷积结果就是其两者的重合度。
看下深度学习中的池化层。
根据上面的描述，重新理解一下，这个层的作用。
这
最低0.47元/天 解锁文章
扫一扫
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
