[发明专利]一种U-Net融合局部模糊核的图像盲去模糊方法

说明书

本发明涉及一种U‑Net融合局部模糊核的图像盲去模糊方法，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融合神经网络，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。本发明可以在保证去模糊效果的情况下，有效提升图像去模糊的速度，在部分真实模糊图像的局部细节还原上效果更佳，并且可以很好地处理大尺寸的模糊图像。

技术领域

本发明涉及图像处理技术领域，特别是一种U-Net融合局部模糊核的图像盲去模糊方法。

背景技术

图像运动模糊是普遍存在的，其形成原因是在拍照过程中，成像设备与拍照物体之间存在相对位移。图像运动模糊通常可以理解为清晰图像与某个模糊核(点扩散函数)的卷积再加上噪声作用的结果。图像盲去模糊要求仅利用模糊图像求解出清晰图像和模糊核。

现有的盲去模糊方法难以同时兼顾去模糊效果、适用范围和计算时间。基于暗通道先验的盲去模糊方法是目前最有效的盲去模糊方法之一，同时适用于人脸图像、低光图像、文本图像的去模糊，但当图像尺寸较大时计算速度过慢。

发明内容

有鉴于此，本发明的目的是提出一种U-Net融合局部模糊核的图像盲去模糊方法，可以在保证去模糊效果的情况下，有效提升图像去模糊的速度，在部分真实模糊图像的局部细节还原上效果更佳，并且可以很好地处理大尺寸的模糊图像。

本发明采用以下方案实现：一种U-Net融合局部模糊核的图像盲去模糊方法，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。

进一步地，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。

进一步地，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。

进一步地，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’；