[发明专利]一种基于深度神经网络的图像非均匀运动模糊去除方法

权利要求书

1.一种基于深度神经网络的图像非均匀运动模糊去除方法，其特征在于，包括如下步骤：

1)将相机相对于场景的运动向量空间量化为N个不同的运动向量，构成运动模糊核集G，每个运动向量对应于G中的一个运动模糊核；采集不少于100张图像，将N个不同运动向量对应的运动模糊核分别应用于各个图像，获得各自的模糊图像，在上述各个模糊图像中分别截取多个M×M大小的模糊图像块，并与对应的运动模糊核共同构成训练数据集，每个训练数据由一个图像块和与其对应的运动模糊核构成；

2)构造深度神经网络，用训练数据集学习深度神经网络的网络权重数据，学习到用于运动模糊核估计的深度神经网络；

3)在待处理运动模糊图像上每隔s×s个像素截取大小为M×M的图像块集合，将图像块集合中的每个图像块输入到深度神经网络中，输出每个图像块的对应于运动模糊核集G中不同运动模糊核的概率；

4)融合不同图像块的运动模糊核概率获得逐个像素点对于不同运动模糊核的置信度，进一步通过优化马尔可夫随机场模型求得每个像素点的最优运动模糊核；

5)基于获得的图像逐点运动模糊核，通过优化图像块先验约束的去卷积能量函数，获得待处理运动模糊图像对应的去模糊图像。

2.根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法，其特征在于：所述步骤2)中的深度神经网络由两层卷积网络层、一层全连接层和一层软极大网络层构成；其中，每层卷积网络层均由卷积滤波、非线性激活函数和极大池化构成，两层卷积网络层的滤波器大小分别为96个7×7滤波器、256个5×5滤波器；全连接层的神经元个数为1024。

3.根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法，其特征在于：所述步骤2)中的神经网络训练过程采用反向传播算法。

4.根据权利要求1所述的基于深度神经网络的图像非均匀运动模糊去除方法，其特征在于：所述步骤3)中图像块输入深度神经网络后输出其属于运动模糊核集G中不同运动模糊核的概率P(m_k|A)计算公式为：

P(mk|A)=exp(WkTφ(A))Σnexp(WnTφ(A))]]>

其中m_k为运动模糊核集G中第k个运动模糊核，A为图像块，φ(A)为该图像块通过深度网络全连通层后的特征输出；W_k为软极大网络层第k类神经元与上层输出的连接权重向量。