[发明专利]基于改进型循环生成对抗网络去图像运动模糊方法

说明书

本发明公开了一种基于改进型循环生成对抗网络去图像运动模糊方法，包括以下步骤：步骤1、构建非配对的模糊‑清晰数据集；步骤2、构建由编码器、特征转换器以及解码器构成的生成器网络；步骤3、构建以感受野划分图像的判别器网络；步骤4、构建联合损失函数；步骤5、构造两个镜像的环形GAN网络，得到循环生成对抗网络模型；步骤6、将待处理的运动模糊图像输入到步骤5中训练好模型中，得到去模糊后的图像；步骤7、对步骤6得到的初步去模糊图像进行二维傅里叶变化，滤除高频的亮点频谱信息后得到准确的清晰图像。本发明无需估计模糊核、计算参数少、去模糊速度快，避免了模式坍塌和梯度消失问题，且解决了频率域伪清晰的错误识别问题。

技术领域

本发明属于计算机图像处理技术领域，涉及一种基于改进型循环生成对抗网络去图像运动模糊方法。

背景技术

图像去运动模糊一直都是计算机视觉和图像处理领域的一个重要研究方向之一。在手持拍摄时，由于曝光过程中相机镜头与景物的相对运动而造成的运动模糊成为影响识别结果的重要原因之一。

运动模糊又称为动态模糊，按照模糊核是否已知，图像去模糊问题主要分为盲目去模糊算法和非盲目去模糊算法。非盲目的图像去模糊，其原理是利用已知的模糊核进行反卷积操作，完成图像复原工作。2011年，Zhao等[1]提出基于RL的图像去模糊新算法，是时域的一种图像修复算法，可较好地抑制振铃响应核图像噪声方法问题，并保留图像一定的细节信息。2016年，Luo等[2]提出了一种结合全变差和分数阶全变差模型的图像去模糊方法，建立去模糊图像的凸优化模型，用变量分别和交替方向法快速求解该模型，结果显示该算法可获得较高的峰值信噪比和结构自相似指标。另一方面，盲目图像去模糊则需要先估计出模糊核，转化为非盲的图像去模糊，再进行反卷积的图像修复工作。对于未知的模糊核估计，常利用标准化稀疏先验的正则化方法估算复杂模糊核[3]，利用双目相机[4]的几何关系模型，推导出图像的扩散函数。在实际情况中，由于手持拍摄时运动随机性很大，加上与被拍物体存在着复杂且不可预知的相对运动，因此符合盲目图像去模糊的相关理论与方法。在这方面，传统方法的关建点是通过丰富的图像物理参数以及复杂的数学计算实现运动模糊的复原，但都存在着迭代次数多，计算量大，对相机的硬件要求高等不足，且易受环境噪声的影响。

随着深度学习在计算机视觉领域的广泛利用，借助卷积神经网络用于图像的去模糊工作取得了一定的成效。2014年，Xu等[5]提出利用卷积神经网络估计模糊核的非盲去模糊方法，开辟了深度学习在去图像模糊领域的新篇章。2017年，Nah等[6]针对盲目去模糊，使用卷积神经网络从退化图像中直接复原清晰图像。以上方法仍然存在模糊核估计不准确、缺乏特征一致性的损失约束等问题，并未关注到去模糊处理后的图像会在在频率域出现多余的高频频谱成分，导致去模糊后的图像与原图产生了新的误差，降低了图像的识别准确率。

参考文献：

[1]赵博，张文生，and丁欢，″基于Richardson-Lucy的图像去模糊新算法，″计算机工程与应用，vol.47，no.34，pp.1-4+77，2011.

[2]罗广利and杨晓梅，″结合全变差和分数阶全变差模型的图像去模糊，″计算机工程与设计，vol.37，no.07，pp.1857-1861+1866，2016.

[3]唐梦，彭国华，and郑红婵，″基于正则化方法的图像盲去模糊，″计算机应用研究，vol.31，no.02，pp.596-599+611，2014.

[4]洪汉玉，张文莫，章秀华，and时愈，″双目视图运动图像去模糊方法，″武汉工程大学学报，vol.37，no.04，pp.45-50，2015.

[5]L.Xu，J.S.Ren，C.Liu，and J.Jia，″Deep convolutional neural networkfor image deconvolution，″Advances in neural information processing systems，vol.27，pp.1790-1798，2014.