[发明专利]一种基于Encoder‑Decoder深度学习模型的单透镜空间变化图像复原方法

权利要求书

1.一种基于Encoder-Decoder深度学习模型的单透镜空间变化图像复原方法，其特征在于，包括以下步骤：

步骤一：得到单透镜对应的清晰图像与模糊图像对；

步骤二：构建单透镜空间变化的数据集；

步骤三：构建用于端到端图像复原的Encoder-Decoder深度学习模型；

步骤四：利用所构建的数据集对Encoder-Decoder深度学习模型进行训练，得到训练完成的对应于空间变化每个图像块的Encoder-Decoder深度学习模型；

步骤五：对于单透镜新拍摄的模糊图像，将模糊图像分块，然后将每个模糊图像块直接输入对应的已训练好的Encoder-Decoder深度学习模型，最后将每个Encoder-Decoder深度学习模型的复原结果拼接成最终的复原图像。

2.根据权利要求1所述的基于Encoder-Decoder深度学习模型的单透镜空间变化图像复原方法，其特征在于：所述步骤一中得到单透镜对应的清晰图像与模糊图像对的具体方法包括如下步骤：

步骤1.1：将棋盘格图像在电脑屏幕上全屏显示，用单透镜拍摄电脑屏幕，得到拍摄的棋盘格图像；

步骤1.2：将一张清晰图像在电脑屏幕上全屏显示，用单透镜拍摄电脑屏幕，得到拍摄的模糊图像；

步骤1.3：基于步骤1.1拍摄的棋盘格图像，采用角点检测方法，将步骤1.2中使用的清晰图像映射到拍摄的模糊图像中对应的位置，并经过适当裁剪得到精准匹配的单透镜的清晰图像与模糊图像对；

步骤1.4：准备K张不同的清晰图像，依次重复上述步骤1.2和步骤1.3，得到K组精准匹配的单透镜清晰图像与模糊图像对。

3.根据权利要求1所述的基于Encoder-Decoder深度学习模型的单透镜空间变化图像复原方法，其特征在于：所述步骤二中构建单透镜空间变化数据集的具体方法是：将步骤1.4中得到的清晰图像与模糊图像对，同样分割成M×N个空间变化的图像块，相邻图像块之间边缘部分重叠50个像素，得到M×N个空间变化的单透镜数据集，数据集中包括模糊图像块和与其相对应的清晰图像块。

4.根据权利要求1所述的基于Encoder-Decoder深度学习模型的单透镜图像复原方法，其特征在于：所述步骤三中的Encoder-Decoder深度学习模型的具体结构包括12层，输入层是模糊图像，输出层是对应的清晰图像，输入层与输出层之间是Encoder部分和Decoder部分，其中，Encoder部分包括五层卷积层C1、C2、C3、C4、C5，Decoder部分包括五层反卷积层D1、D2、D3、D4、D5，每层反卷积层需要调用对应卷积层的图像特征，不同层之间依靠关系权重矩阵W_i(i＝1...10)连接；Encoder-Decoder深度学习模型的其他基本网络参数可以参考现有的深度学习模型。

5.根据权利要求1所述的基于Encoder-Decoder深度学习模型的单透镜图像复原方法，其特征在于：所述步骤四中Encoder-Decoder深度学习模型的训练可选用Python或Caffe等常见框架。

6.根据权利要求1所述的基于Encoder-Decoder深度学习模型的单透镜图像复原方法，其特征在于：所述步骤四中Encoder-Decoder深度学习模型的训练针对单透镜空间变化的每个数据集是单独进行的。

7.根据权利要求1所述的基于Encoder-Decoder深度学习模型的单透镜图像复原方法，其特征在于：所述步骤五中的拼接图像块时对边缘重叠部分使用均值融合方法。