[发明专利]基于压缩与激励机制神经网络的图像去模糊方法

权利要求书

1.基于压缩与激励机制神经网络的图像去模糊方法，其特征在于，包括以下步骤：

获取训练压缩与激励机制神经网络所需数据集，所述数据集为多个图像对，每个图像对由模糊图像及其对应的清晰图像组成；

构建压缩与激励去模糊神经网络，所述压缩与激励去模糊神经网络为多尺度网络，每一个尺度的构造相同，包括编码器-解码器结构以及ConvLSTM层；所述编码器-解码器结构包括用于从输入图像中抽取特征并处理的编码器部分、用于将复杂的特征复原为对应的清晰图像的解码器部分以及用于在不同的编码器-解码器层级上组合不同层级获取到的特征，对不同层级的特征加以复用的跳跃链接；所述ConvLSTM层设置在所述编码器部分与解码器部分之间，用于将编码器部分抽取与处理过的复杂特征进一步地在压缩与激励去模糊神经网络各尺度间传播；所述编码器部分包括多个顺序连接的Eblock；所述解码器部分包括多个顺序连接的Dblock；

使用获取到的数据集对压缩与激励去模糊神经网络进行训练，根据数据集获取网络的输入图像，网络处理输入图像的正向过程，根据所有网络处理恢复结果，计算本次正向传播结果的损失并利用该损失更新压缩与激励去模糊神经网络中可训练参数的权重，反向更新梯度过程；

所述对压缩与激励去模糊神经网络进行训练包括对数据集图像进行处理、网络正向处理图像过程以及根据损失函数值反向更新网络模型权重过程，具体为：

根据数据集获取压缩与激励去模糊神经网络的输入，输入的图像对数目与压缩与激励去模糊神经网络尺度数相等，将图像对进行缩小并根据图像尺寸大小从小到大排列；

压缩与激励去模糊神经网络在处理输入模糊图像的正向过程：

在第一个尺度上输入尺寸最小的图像对中的模糊图像；

压缩与激励去模糊神经网络内部结构处理图像，得到恢复图像；

根据图像尺寸大小排列，将恢复图像上采样到次小的尺寸，将上采样得到的图像与尺寸次小的图像对中的模糊图像拼接，作为下一尺度的输入图像；

重复网络内部结构处理以及上采样、拼接步骤，直至最后一个尺度的网络内部结构处理完成，得到恢复图像；

计算本次正向传播结果的损失，并利用该损失更新压缩与激励去模糊神经网络中可训练参数的权重；

各尺度得到的恢复图像分别用于反向更新梯度过程；

使用训练完成的压缩与激励去模糊神经网络对模糊图像进行处理。

2.根据权利要求1所述的基于压缩与激励机制神经网络的图像去模糊方法，其特征在于，所述数据集中图像的场景与需要进行去模糊处理的模糊图像的场景一致或相似。

3.根据权利要求1所述的基于压缩与激励机制神经网络的图像去模糊方法，其特征在于，所述编码器部分具体包括3个Eblock，所述Eblock具体包括顺序连接的特征抽取层以及特征处理模块，所述特征抽取层为一层卷积层，用于使输入图像的通道数增加并将图像高度与宽度缩小为原来的一半。

4.根据权利要求1所述的基于压缩与激励机制神经网络的图像去模糊方法，其特征在于，所述解码器部分具体包括3个Dblock，所述Dblock具体包括顺序连接的特征处理模块以及特征重建层；所述特征重建层用于将图像高度与宽度放大一倍并将通道数减少，前两个Dblock的特征重建层为一层反卷积层，最后一个Dblock的特征重建层为一层卷积层。

5.根据权利要求3或4所述的基于压缩与激励机制神经网络的图像去模糊方法，其特征在于，所述特征处理模块具体为3个堆叠的压缩与激励残差块，所述压缩与激励残差块包括固有的处理特征部分以及SE模块，所述固有的处理特征部分由卷积层、ReLU单元以及卷积层依次堆叠而成；所述SE模块由全局平均池化层、全连接层、ReLU单元、全连接层以及Sigmoid单元依次堆叠而成。