A correção de distorção geométrica de imagens é uma etapa fundamental de pré-processamento em muitas aplicações de visão computacional. Os métodos atuais de correção de distorção geométrica baseados em aprendizado profundo lidam principalmente com o problema de correção de distorção única em imagens. Para isso, este artigo propõe um método de correção de distorção mista de imagens baseado em uma rede U-Net aprimorada. Primeiro, foi proposta uma metodologia para construir um conjunto de dados de imagens com distorções mistas, resolvendo os problemas da escassez de dados de treinamento e da monotonia dos tipos de distorção. Em seguida, foi utilizada a rede U-Net combinada com um mecanismo de atenção espacial para extração de características da imagem e reconstrução do mapa de coordenadas de distorção, transformando o problema de correção da imagem na previsão da variação do deslocamento das coordenadas pixel a pixel da imagem distorcida, e foi projetada uma função de perda que combina perda por diferença de coordenadas e perda de reamostragem, melhorando efetivamente a precisão da correção. Por fim, experimentos de ablação validaram o desempenho dos módulos do método proposto. Comparado com os mais recentes métodos de correção de distorção baseados em aprendizado profundo, os resultados experimentais mostraram bom desempenho tanto em métricas quantitativas quanto em avaliações subjetivas, com erro absoluto médio da correção das coordenadas espaciais da imagem distorcida de 0,2519. Também foi realizado um experimento de correção com imagens ópticas adquiridas com uma câmera GoPro, confirmando ainda mais a eficácia do método para correção de imagens distorcidas.

Correção de distorção mista;U-Net;atenção espacial;perda por diferença de coordenadas;perda de reamostragem