[发明专利]一种改进双重判别对抗网络模型的图像去模糊方法

权利要求书

1.一种改进双重判别对抗网络模型的图像去模糊方法，其特征在于，包括如下步骤：

步骤一：对模糊图像进行预处理，采用融合提取方法提取模糊图像的图像边缘；

步骤二：利用所提取的图像边缘作为辅助信息，将模糊图像和提取的该图像边缘一并输入生成器中，生成去模糊图像；

步骤三：将去模糊图像及其边缘图像、清晰图像及其边缘图像分别输入判别器网络，对判别器进行训练；

步骤四：重复步骤二、三，直到判别器无法判断去模糊图像是否是由生成器生成，则生成器完成图像去模糊；

步骤一中的采用融合提取方法提取模糊图像的图像边缘包括如下过程，通过图像提取器对模糊图像使用引导滤波对模糊图像进行去噪处理，采用边缘提取算子的融合的边缘提取方法，通过将Sobel、Roberts、Prewitt和Canny 4个算子提取的边缘通过加权融合最终得到显著边缘，其算法目标函数为：

α＝w₁E_s+w₂E_R+w₃E_P+w₄E_c+w₅

其中，E_s，E_R，E_P，E_c分别表示Sobel、Roberts、Prewitt和Canny 4个算子，w₅为修正项；

步骤三中的判别器包括真实图像判别器和边缘判别器，两个判别器的网络结构相同，其中，真实图像判别器训练数据为模糊图像对应的清晰图像，边缘判别器的训练样本是清晰图像经过边缘提取器提取到的边缘梯度图像；

所述的真实图像判别器或边缘判别器的网络结构与PatchGAN的相同，包括5个模块，依次连接，除最后一个模块外，其余每一模块包含卷积块、Instance归一化层和LeakyReLU激活层，前面四个模块通过最后连接一个一维的全连接层和sigmoid，得到单个判别网络的输出；将两个判别器的输出作为输入再连接一个一维的全连接层和sigmoid得到最终输出；

生成器与判别器联合训练的过程为：将模糊图像及通过边缘提取器所获得的边缘图像，一并输入生成器中，获得恢复的去模糊图像；将去模糊图像和清晰图像、去模糊图像的边缘图像和清晰图像的边缘图像分别送入真实图像判别器和边缘图像判别器中进行训练；当判别器无法区分图像是否为生成器生成图像时，则生成器生成的图像达到图像去模糊的结果。

2.根据权利要求1所述的一种改进双重判别对抗网络模型的图像去模糊方法，其特征在于，步骤二中所述的生成器用于将模糊图和模糊图片的边缘图像作为输入，输出去模糊图像；所述的生成器的结构包括一次连接的两个1/2间隔的卷积块、9个残差块、两个反卷积块，9 个残差块中每个残差快都包括了卷积层、Instance归一化层、Relu激活函数层，并在第一个卷积层后面添加概率为0.5的Dropout正则化。

3.根据权利要求1所述的一种改进双重判别对抗网络模型的图像去模糊方法，其特征在于，目标函数在计算损失函数和迭代训练的过程中会带来梯度消失，将目标函数改进为如下所示：

其中x～P_x(x)表示清晰图像中的数据分布；表示清晰图像的边缘图像数据分布z～P_z(z)表示模糊图像中的数据分布，表示真实图像X和生成图像B中的采集数据样本连接中的一个随机样本，其中表示真实边缘图像Y_X和生成边缘图像Y_B中的采集数据样本连接中的一个随机样本，其中E表示数学期望，D₁表示真实图像判别网络，D₂表示边缘判别网络X是模糊图像；Y_X是清晰图像的边缘图像；Z是模糊图像；Y_Z是取自模糊图像的边缘图像。