[发明专利]基于Scale-Encoder-Decoder-Net网络的图像去模糊方法

说明书

本发明属于数字图像处理领域，涉及一种基于Scale‑Encoder‑Decoder‑Net的图像去模糊方法。该方法利用Scale‑Encoder‑Decoder‑Net网络实现模糊图像复原,目的在于解决现存深度学习去模糊算法存在的复原时间长、图像细节恢复效果较差等问题。本发明提出了Scale‑Encoder‑Decoder‑Net网络，旨在解决现有深度学习去模糊算法存在的缺点,通过对比现有最优算法，本发明在复原时间上提升了0.12s，在复原图像性能上平均提升了0.8dB。

技术领域

本发明属于数字图像处理领域，涉及一种基于Scale-Encoder-Decoder-Net网络的图像去模糊方法。

背景技术

在智能手机、相机等摄影设备广泛普及的今天，拍照成为人们定格瞬间、记录生活的重要方式。当手持拍摄时，无论是使用手机、卡片机，还是专业单反相机，都很容易由于相机的抖动而产生不同程度的模糊，模糊在一定意义上严重影响图像的成像质量，带来糟糕的视觉观感。

图像去模糊技术是图像和视频处理中图像预处理的重要技术。在模糊程度高的数据上，人脸识别、车牌识别、车辆识别、行人检测等人工智能算法的准确性会有显著下降。如果能够先用图像去模糊技术复原出相应的清晰图像，再将清晰图像作为上述人工智能算法的输入，算法输出结果的准确性会大大提高。同时图像去模糊技术也影响着图像的编码性能。因此，研究一种高效的图像去模糊算法具有很大的价值。

文献1-2介绍了图像去模糊技术，深度学习去模糊算法；文献1：Nah S,Kim T H,Lee K M.Deep multi-scale convolutional neural network for dynamic scenedeblurring[C]//CVPR.2017,1(2):3。文献2：Kupyn O,Budzan V,Mykhailych M,etal.DeblurGAN:Blind Motion Deblurring Using Conditional Adversarial Networks[J].arXiv preprint arXiv:1711.07064,2017。

一般来说，图像去模糊算法可以分为基于数字图像处理领域的传统去模糊算法和基于深度学习的去模糊算法。传统算法以卷积模型为模糊原因，将相机抖动产生模糊图像视为模糊核对清晰图像卷积的过程。在模糊核未知的情况下还原清晰图像，这一问题称为不适定(ill-posed)问题，或者称为逆问题(Inverse Problem)。所以通常需要先对模糊核进行估计，再利用估计的模糊核进行反卷积操作得到复原图像。基于深度学习的去模糊算法则利用深层网络结构获取图像的深层特征信息，从而实现模糊图像的复原。深度学习去模糊算法可以实现模糊核估计和非盲反卷积两个操作来进行图像复原，同时也可以采用端到端(End-to-End)的方式进行盲去模糊，从而实现模糊图像的复原。本专利旨在解决去模糊算法存在的缺点：

1)复原时间长

2)图像细节恢复效果较差。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于Scale-Encoder-Decoder-Net网络的图像去模糊方法，旨在解决现有深度学习去模糊算法存在的缺点,通过对比现有最优算法，本发明在时间复杂度上提升了0.12s，在复原图像性能上平均提升了0.8dB。

技术方案

一种基于Scale-Encoder-Decoder-Net网络的图像去模糊方法，其特征在于：Scale-Encoder-Decoder-Net网络共有三部分：Scale尺度，Encoder编码和Decoder解码；每一尺度网络包括1个输入块、2个编码块、1个解码块和一个输出块；采用损失函数训练网络，其中，Iⁱ和代表第i尺度的清晰图像和复原图像，N_i代表第i尺度的图像像素个数：去模糊步骤如下：