Perfectly Clear WorkBench是全球领先的智能图像校正技术商推出的图像清晰处理软件，这款图像增强软件的照片自动校正技术，智能处理图像，自动校正照片、例如：皮肤软化、去瑕疵、去红眼、去黑眼圈等。我们保留了独家经典技术的精华，并集成三项新的AI图像增强创新功能： 1. AI 预设选择- 使用AI，我们将分析图像的内容，识别照明条件，并对场景进行分类以应用最佳校正. 2. AI 图像增强- 在每年修正超过百亿张照片后，我们创建了一个经专业照片编辑训练的深度学习系统。 3. AI 肤色准确度- 我们的 AI 深度学习系统已经针对各种人像肤色进行了模拟训练，可以确保完全精准。

图像清晰度评价函数论文25篇

武大遥感所的研究成果之一，对遥感图像清晰度进行评价的方法

halcon评价图像清晰度C#界面集成，常用算法集成；界面实时显示图像；曲线显示；数值打印保存；算法耗时显示；适用摄像头自动调焦；

增强图像清晰度matlab代码NetlibTF 概述 NetlibTF 是关键的 Netlib IP，经过专门重新设计和增强，以满足 Google Swift 4 TensorFlow 项目的设计目标（据我所知）。 该设计目前解决： 张量表示 设备抽象 异步执行 日志记录 该代码处于早期阶段，需要进行大量测试以及性能和可用性改进。 代码将在 S4TF 环境中编译，但目前不依赖于 TensorFlow。 有些名称不是想要的名称，例如 TensorShape 称为 DataShape，Tensor 称为 NDTensor 以避免命名冲突。 设计目标 所有配置参数的最佳默认值，因此用户无需前期培训或特殊努力即可获得良好体验 为更复杂的应用程序简化本地和远程计算设备管理 在应用程序线程上使用的单一统一数据表示，并透明地用于本地和远程加速器。 用于“谨慎”设计的最小内存消耗和零复制功能 API 变体 “随意”原型设计的便捷表达组合 透明的异步执行模型可最大程度地减少设备停顿并有效地使用具有连续可变延迟的本地和远程设备集合。 一种可以利用现有标准驱动程序模型（例如 Cuda 和 OpenCL）的执

感知清晰度指数 (PSI) 基于局部边缘梯度分析的感知图像清晰度度量 感知锐度指数 (PSI) 的 MATLAB 实现 PSI.m - 计算感知清晰度指数 (PSI)。 PSI_demo.m - 演示单个图像的计算。 请注意，算法的性能可能会随所使用的 MATLAB 版本而略有变化（由于 MATLAB 的边缘函数）。 如果您使用此代码，请引用以下。 #!bibtex @article{feichtenhofer2013perceptual, title={A perceptual image sharpness metric based on local edge gradient analysis}, author={Feichtenhofer, Christoph and Fassold, Hannes and Schallauer, Peter}, journ

视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求. 近年来, 深度神经网络在视觉和定量评估的应用研究中取得较大进展, 但是其结果一般缺乏图像纹理的细节, 边缘过度平滑, 给人一种模糊的视觉体验. 本文提出了一种基于生成对抗网络的图像清晰度提升方法. 为了更好的传递图像的细节信息, 采用改进的残差块和跳跃连接作为生成网络的主体架构, 生成器损失函数除了对抗损失, 还包括内容损失、感知损失和纹理损失. 在DIV2K数据集上的实验表明, 该方法在提升图像清晰度方面有较好的视觉体验和定量评估.

对模糊的图像进行二次模糊，比较原图和模糊的图像相邻像素的变化。从而得出图像清晰度。使用matlab实现的reblur算法

1  引言 　　模糊是一种常见的图像失真现象，在图像获取、传输及处理过程中有许多因素会造成图像模糊，如成像系统的聚焦不良、与景物的相对运动、光的衍射以及图像压缩之后高频丢失等产生的各类模糊。模糊现象严重影响了图像的质量，降低了图像的清晰度，导致图像分析和场景理解的困难。因此，在成像系统的自动聚焦、图像增强及压缩等算法的衡量、流媒体的质量控制等方面，无参考图像的模糊度量或清晰度评价都是很有必要的，大量的研究致力于此。 　　模糊的一个明显表现为边缘的平滑，导致边缘宽度的增加，因此很多研究都是基于对边缘的分析。基于模糊边缘的平滑效应，提出一种在空间域中衡量边缘扩散的方法，该方法具有运算复杂度低，

准确有效的图像清晰度评价函数是采用数字图像处理技术实现自动调焦的关键。通过分析比较3 种聚焦效果较好的清晰度评价函数, 提出了一种基于聚焦窗口模式的平方梯度函数作为聚焦评价函数, 建立了评价函数的数学模型, 并给出了实验分析和结果。与以往常用的评价函数相比, 具有更高的可靠性和聚焦灵敏度。