[发明专利]基于结合图像像素先验和图像梯度先验的图像去模糊方法

权利要求书

1.基于结合图像像素先验和图像梯度先验的图像去模糊方法，其特征在于，包括以下步骤：

(1)准备实验数据，具体包括模糊图像和标签图像；

(2)设置生成器和判别器的网络结构框架；生成器由DNet和GNet两个独立的子网组成，每个子网均采用U型网络结构，U型网络结构包括编码器和解码器两部分；将模糊图像输入到判别器中，所述编码器用于下采样并提取模糊图像中的细节特征进行编码，解码器用于上采样并得到生成图像；其中，DNet从图像像素域的层面对模糊图像的内容进行恢复，GNet从图像梯度域的层面对模糊图像的梯度进行恢复；

判别器采用PatchGAN作为判别器的网络结构，具体包括一个平卷积层、三个下采样卷积层、以及一个经过Sigmoid激活函数激活的卷积层；将生成图像和标签图像输入到判别器中，所述下采样卷积层用于下采样并编码用于表征分类响应的生成图像和标签图像的局部特征；经过Sigmoid激活函数激活的卷积层用于得到最终的分类响应；判别器内每个卷积层后面都添加有Instance Normalization样本标准化层和Leaky ReLU激活函数，且每个卷积层的卷积核大小为4×4；

(3)设置生成对抗网络模型的目标损失函数；生成器的目标损失函数由DNet子网和GNet子网两部分的目标损失函数组成；其中，DNet子网的目标损失函数包括图像内容目标损失函数L_content、图像像素级重建目标损失函数L_pixel；其中，L_content确保生成图像和标签图像能保持相同的语义信息，L_pixel用于减少生成图像和对应的标签图像像素之间的差异；另一方面，GNet子网的目标损失函数由L_GradientNet构成，L_GradientNet的作用是缩小标签图像的梯度强度图和生成的模糊图像梯度强度图之间的差距；判别器中的目标损失函数为L_adv，L_adv用于对生成图像与标签图像的真假进行判别，驱使生成器学习得到的生成图像接近标签图像；

(4)将模糊图像以及标签图像输入到生成器中进行图像去模糊学习，与此同时判别器用以判别生成图像和标签图像的真假；判别器将判别的真假概率反馈给生成器，并驱使生成器将生成图像向着标签图像逼近，据此生成器更新网络的权值参数并进入下一次迭代的训练；在生成对抗网络训练期间，生成器和判别器之间相互竞争学习，直到网络训练收敛。

2.根据权利要求1所述基于结合图像像素先验和图像梯度先验的图像去模糊方法，其特征在于，步骤(3)中，生成对抗网络模型的目标损失函数能够加权地表示为：

L(G,D)＝βL_content+βL_pixel+βL_GradientNet+αL_adv

其中，β和α分别是L_content，L_pixel，L_GradientNet和L_adv的权重系数；各约束项的权重系数约束如下：β＝10,α＝1。

3.根据权利要求1所述基于结合图像像素先验和图像梯度先验的图像去模糊方法，其特征在于，所述DNet子网将三通道的模糊图像通过一个平卷积层将模糊图像维度映射到64×64；然后，利用三个下采样层用于下采样并编码模糊图像，每一个下采样层后面分别添加三个稠密块，模糊图像的分辨率由256×256递减至64×64；对应的，解码器包括三个上采样层用于上采样并解码得到生成图像，每一个上采样层前分别添加三个稠密块，生成图像分辨率由64×64递增至256×256；最终，生成图像由一个Tanh层和一个卷积核为3×3的卷积层重建得到；GNet子网具有和DNet子网相同的网络结构。

4.根据权利要求1所述基于结合图像像素先验和图像梯度先验的图像去模糊方法，其特征在于，所述生成对抗网络模型搭载在配置为一块Intel(R)Core(TM)i7 CPU(16GB RAM)3.60GHz的CPU和1块NVIDIA GeForce GTX 1080Ti GPU的台式工作站上运行；其中batchsize(批量训练图像的个数)是2，G和D学习率是0.0001；激活函数Leaky ReLU的坡度是0.2；网络使用Adam优化器，其动量参数分别是β1＝0.5和β2＝0.999。