[发明专利]一种U-Net融合局部模糊核的图像盲去模糊方法

权利要求书

1.一种U-Net融合局部模糊核的图像盲去模糊方法，其特征在于，将输入的模糊图像采用并行的方式分块求解局部模糊核，通过一个多端到一端的U-Net神经网络，将多个局部模糊核融合为一个全局模糊核，最后利用融合得到的全局模糊核对输入的模糊图像进行非盲去模糊求解出清晰图像。

2.根据权利要求1所述的一种U-Net融合局部模糊核的图像盲去模糊方法，其特征在于，包括以下步骤：

步骤S1：记模糊图像为B，根据模糊图像上物体的模糊范围估计出模糊核大小，记为ρ；

步骤S2：启发式地选取模糊图像B的n个局部分块，记为B_i，i∈{1,2,...,n}；

步骤S3：建立最优化模型，并行求解各个局部分块B_i的局部模糊核，记为K_i，i∈{1,2,...,n}；

步骤S4：训练一个多端到一端的U-Net神经网络，将步骤S3求得的多个局部模糊核融合为一个全局模糊核；其中U-Net神经网络的输入端为多个局部模糊核K_i，i∈{1,2,...,n}，输出端为一个全局模糊核K；

步骤S5：利用步骤S4得到的全局模糊核K对模糊图像B进行非盲去模糊，得到清晰图像。

3.根据权利要求2所述的一种U-Net融合局部模糊核的图像盲去模糊方法，其特征在于，步骤S2具体包括以下步骤：

步骤S21：将模糊图像B转换为灰度图G(B)；

步骤S22：计算出灰度图G(B)的梯度图；

步骤S23：将梯度图转换为梯度积分图；

步骤S24：根据梯度积分图选取梯度分布最密集的n个局部区域B_i，即选取梯度值累和前n大的n个局部区域。

4.根据权利要求3所述的一种U-Net融合局部模糊核的图像盲去模糊方法，其特征在于，步骤S24具体包括以下步骤：

步骤S241：设置一个间隔阈值T，大小为1/2ρ；

步骤S242：将大小为ρ×ρ的选框置于模糊图像的左上角，得到第一个选区；接着右移选框T个像素得到第二个选区，继续向右移动选区直到到达边界，此时返回该行第一个选框的位置并下移T个像素到第二行，得到第二行的第一个选区；依此类推直至不能进行为止，得到n’个选框，若n’小于n，则将n的值改为n’；

步骤S243：利用梯度积分图快速计算n’个梯度选区的梯度累和；

步骤S244：排序选区得到梯度累和前n大的局部区域。

5.根据权利要求4所述的一种U-Net融合局部模糊核的图像盲去模糊方法，其特征在于，步骤S244中，n的值根据CPU的核心数设置，n不小于5且不大于两倍的CPU核心数。

6.根据权利要求1所述的一种U-Net融合局部模糊核的图像盲去模糊方法，其特征在于，步骤S3具体为：

对每个局部分块B_i，建立最优化问题，采用下式迭代交替求解局部清晰图L_i和局部模糊核K_i：

式中，为卷积运算，D(Li)为暗通道先验，||▽L_i||₀表示图像L_i梯度的L₀范数μ、δ、γ均为权重系数，K表示模糊核，L表示清晰图像，||*||₀表示L0范数，||*||₂表示L2范数，表示L_i的最优解，K_i^*表示K_i的最优解；

求解上述公式，得到n个局部模糊核K_i，i∈{1,2,...,n}。