Die Korrektur geometrischer Verzerrungen in Bildern ist ein wichtiger Vorverarbeitungsschritt in vielen Computer-Vision-Anwendungen. Die derzeitigen, auf Deep Learning basierenden Methoden zur Korrektur geometrischer Verzerrungen beschäftigen sich hauptsächlich mit der Korrektur einzelner Verzerrungstypen in Bildern. Daher wird in dieser Arbeit eine Methode zur Korrektur gemischter Verzerrungen in Bildern basierend auf einem verbesserten U-Net-Netzwerk vorgeschlagen. Zunächst wird eine Methode zur Erstellung eines Bilddatensatzes mit gemischten Verzerrungen vorgestellt, die das Problem des Mangels an Trainingsdaten und der einseitigen Verzerrungstypen löst. Anschließend wird ein U-Net-Netzwerk in Kombination mit einem räumlichen Aufmerksamkeitsmechanismus zur Merkmalsextraktion und Rekonstruktion der Verzerrungskoordinatenkarte verwendet, wodurch das Bildkorrekturproblem in eine Vorhersage der pixelweisen Koordinatenverschiebungsänderung des verzerrten Bildes umgewandelt wird. Es wurde eine Verlustfunktion entworfen, die Koordinaten-Differenz-Verlust und Resampling-Verlust kombiniert, wodurch die Korrekturgenauigkeit effektiv verbessert wird. Schließlich werden Ablationsstudien durchgeführt, um die Leistung der einzelnen Module der vorgeschlagenen Methode zu überprüfen. Im Vergleich zu den neuesten auf Deep Learning basierenden Verzerrungskorrekturmethode zeigen die experimentellen Ergebnisse sowohl in quantitativen Metriken als auch in subjektiver Bewertung gute Leistungen, mit einem mittleren absoluten Fehler der räumlichen Koordinatenkorrektur des verzerrten Bildes von 0,2519. Darüber hinaus wurde ein Korrekturexperiment mit optischen Bildern durchgeführt, die mit einer GoPro-Kamera aufgenommen wurden, wodurch die Effektivität der Methode zur Korrektur verzerrter Bilder weiter bestätigt wurde.

Korrektion gemischter Verzerrungen;U-Net;räumliche Aufmerksamkeit;Koordinatendifferenzverlust;Resampling-Verlust