[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

说明书

本发明公开了一种基于压缩与激励机制神经网络的图像去模糊方法，包括以下步骤：获取训练网络所需数据集，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网络，所述网络为多尺度网络，每一个尺度的构造相同，包括编码器‑解码器结构以及ConvLSTM层；使用数据集对压缩与激励去模糊网络进行训练；使用训练完成的压缩与激励去模糊网络对模糊图像进行处理。本发明在SRN去模糊网络的基础上对特征处理模块中的残差块进行改进，引入压缩与激励机制，得到了应用于本发明网络的SE残差块，进而构成SEDN去模糊网络，使最终恢复的清晰图像质量上更加优秀。

技术领域

本发明属于计算机视觉与图像处理技术领域，涉及一种基于压缩与激励机制神经网络的图像去模糊方法。

背景技术

使用多尺度的卷积神经网络来处理图像去模糊问题在近年来已经是一个被许多研究人员不断研究且改进的问题。2018年Tao等人在其会议论文《Scale-recurrentnetwork for deep image deblurring》中提到的SRN去模糊网络改进而来。该SRN去模糊网络是基于更早的用于处理图像去模糊问题的多尺度卷积神经网络改进来的。通过在原始的结构较简单的网络中使用一些更高性能的网络模块与结构代替原本的简单网络模块与结构，SRN去模糊网络在网络恢复出的清晰图像质量上取得了明显的提升。

上述技术使用到的替换模块与结构的发明时间距离现在已经有一段时间了，目前有更多研究人员提出了更加新颖且高效的网络模块，故上述技术在最终恢复清晰图像的质量上仍有很大可以提升的空间。

Hu等人于其会议论文《Squeeze-and-Excitation Networks》中提出了压缩与激励机制以及可以利用轻量的压缩与激励模块(SE模块)对一些网络模块进行改进，以提升对应模块的性能，也提出了使用SE模块对残差块进行改进的思路。

发明内容

本发明的主要目的在于克服现有技术的不足，提出一种基于压缩与激励机制神经网络的图像去模糊方法，提出了一种使用了压缩与激励机制的端到端多尺度去模糊网络，进一步提升现有的基于端到端深度神经网络方法的图像去模糊网络的性能。

为了达到上述目的，本发明采用以下技术方案：

基于压缩与激励机制神经网络的图像去模糊方法，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；

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。

进一步的，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。