[发明专利]一种基于深度学习的盲去模糊方法及系统

说明书

本发明公开了一种基于深度学习的盲去模糊方法及系统。该方法包括如下步骤：步骤1，准备阶段：对图像数据预处理，创建新的模型或者读入先前训练的模型；步骤2，训练阶段：利用步骤1的模型，将模糊图像和清晰图像传入生成器网络、鉴别器网络以及特征提取网络中迭代训练；步骤3，优化阶段：通过反向优化使生成器网络输出结果逐步逼近清晰图像。本发明的方法不仅克服了传统的通过解模糊核去模糊的泛化性差的缺点，也在一定程度上解决了有监督深度学习的数据集制作困难的缺点。

技术领域

本发明属于图像处理和深度学习领域，涉及一种在无监督情况下去除图像模糊的方法和系统。

背景技术

人们在使用相机拍照的过程中，由于拍照者手臂的抖动或者被拍照者处于运动状态，以及光学器件的硬件缺陷，往往导致拍摄的照片出现不同程度的模糊。为了使得到的图片更加清晰，通常会采用一些方法，对拍摄的图片进行去模糊处理。

在传统的去模糊方法中，往往采用一定的算法计算模糊图像的模糊核，使用模糊核对模糊图像解卷积来达到去模糊的效果，但这种方法一般鲁棒性较差，适用的范围有限。随着深度学习的广泛应用和快速发展，其在图像处理领域里发挥着越来越重要的作用。

目前神经网络的去模糊应用中，在训练数据方面通常采用监督的方式，模糊图像集和清晰图像集之间有严格的对应关系，训练时要将清晰图像和模糊图像按照对应的顺序送入神经网络中训练，如果两者之间图像不匹配或者顺序错位，则无法得到良好的效果。严格的对照组图像集一般由清晰图像集采用一些算法生成模糊图像集作为对照来实现，对照组的模糊图像和自然条件下的模糊图像始终会有一些细微的差别。而如果要通过相机自然采集清晰图像和模糊图像，往往耗时费力。在这种背景下，无监督的深度学习去模糊方法被纳入考虑的范围。

在无监督深度学习模型中，并不要求两种数据集严格对应，只要它们之间存在一定的对应关系即可，即使这种对应关系是抽象的概念，比如一张清晰的小河的图像和一张模糊的花朵的图像。在无监督的模型下，测试图像集更加容易制作，算法的鲁棒性和泛化性良好。

发明内容

本发明主要针对传统去模糊技术以及有监督的深度学习去模糊技术存在的问题，提出一种无监督的、具有良好泛化能力的盲去模糊方法和系统。

为了达到上述目的，本发明方法采用的技术方案为：

一种基于深度学习的盲去模糊方法，包括如下步骤：

步骤1，准备阶段：对图像数据预处理，创建新的模型或者读入先前训练的模型；

步骤2，训练阶段：利用步骤1的模型，将模糊图像和清晰图像传入生成器网络、鉴别器网络以及特征提取网络中迭代训练；

步骤3，优化阶段：通过反向优化使生成器网络输出结果逐步逼近清晰图像。

本发明的一种基于深度学习的盲去模糊系统，包括：

数据预处理模块：对相同数量的清晰图像和模糊图像进行预处理，形成清晰图像子集A和模糊数据子集B；

生成器网络A2B：用于将清晰图像子集A送入卷积神经网络进行学习，生成近似模糊图像子集FakeB，以及将近似清晰图像子集FakeA转化为相似模糊图像子集SimilarB；

生成器网络B2A：用于将模糊图像子集B送入卷积神经网络进行学习，生成近似清晰图像子集FakeA，以及将近似模糊图像子集FakeB转化为相似清晰图像子集SimilarA；

特征提取网络N1：用于提取清晰图像子集A和近似模糊图像子集FakeB的特征层；

特征提取网络N2：用于提取模糊图像子集B和近似清晰图像子集FakeA的特征层；

鉴别器网络DA：用于鉴别近似清晰图像子集FakeA的清晰度；