[发明专利]基于ADMM神经网络的图像去模糊方法

说明书

本发明公开一种基于ADMM神经网络的图像去模糊方法，针对图像去模糊这一问题进行建模，并利用ADMM算法对问题进行裂项求解，根据求解出的三个子问题构建相关的神经网络，通过构建的神经网络训练获得更符合实际的ADMM算法参数与相关的正则项，可减少调参与正则项选取的工作量，且可进一步提升实际效果与运行效率。本发明既保留了传统优化算法的优良理论依据，又利用了神经网络的可训练性，可较好地对运动图像进行去模糊处理。

技术领域

本发明方法涉及一种针对图像特征的图像去模糊方法，尤其是一种基于ADMM神经网络的图像去模糊方法。

背景技术

近年来由于图像处理与深度学习的蓬勃发展，涌现出了大量的图像去模糊算法。现有较为流行的图像去模糊算法主要分为基于神经网络的端到端图像去模糊算法及基于优化理论的图像去模糊算法。基于神经网络的端到端去模糊算法的优点是不需要建立较为复杂的数学求解模型，只需要遵循深度学习的准则即可，训练过程中的相关参数调整主要依靠反向传播机制及优化器，不需要人为干预，缺点则是很多效果较为理想的神经网络均是通过大量实验所得出，其本质无法通过相关理论进行解释，其次是神经网络的训练主要是学习数据集中的潜在规律，若数据集中不包含某种必要的潜在规律，那么在不同场景的应用中效果会差距较大，即存在过拟合问题。基于优化理论的图像去模糊算法的优点是不需要通过训练即可使用，可避免神经网络的过拟合问题，因而在不同场景的应用中效果差距不大，缺点是需要建立相应的求解模型，不仅需要相关人员具备大量的先验知识，而且算法中的关键参数通常也需要经过大量的人为实验才可得出，否则会极大的影响实际效果。迄今为止，未有将基于神经网络算法与基于优化理论算法的优点融合进行图像去模糊的相关报道。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于ADMM神经网络的图像去模糊方法。

本发明的技术解决方案是：一种基于ADMM神经网络的图像去模糊方法，按照如下步骤进行：

010预处理阶段

步骤C011：配置PC机的软件环境；

步骤C012：采用GOPRO训练集；

步骤C013：初始化摄像头；

步骤C014：配置PC机与摄像头所在的局域网；

020训练阶段

步骤C021：构建数学模型并利用ADMM进行裂项求解如下：

其中，x⁽ⁱ⁾为第i阶段重构层Restore⁽ⁱ⁾的输出；x^(i-1)为第i-1阶段重构层Restore^(i-1)的输出，y为原始模糊图像，z⁽ⁱ⁾为第i阶段去噪层Denoise⁽ⁱ⁾的输出，z^(i-1)为第i-1阶段去噪层Denoise^(i-1)的输出，β⁽ⁱ⁾为第i阶段乘子更新层Multipler⁽ⁱ⁾，β^(i-1)为第i-1阶段乘子更新层Multipler⁽ⁱ⁾，n为总计阶段数，i为阶段号，i＝1,2,…,n，k_i与是Restore⁽ⁱ⁾中大小为3×3的卷积核，ρ⁽ⁱ⁾是Restore⁽ⁱ⁾中的惩罚项系数，lr⁽ⁱ⁾为Restore⁽ⁱ⁾中的学习率，与为Denoise⁽ⁱ⁾中的保真系数，R为非线性函数，与为Denoise⁽ⁱ⁾中大小为3×3的卷积核，η⁽ⁱ⁾是Multipler⁽ⁱ⁾中的乘子更新系数；