[发明专利]基于图卷积神经网络的图像去模糊方法与系统

权利要求书

1.一种基于图卷积神经网络的图像去模糊方法，其特征在于，包括：

步骤1、将一模糊图像输入一第一去模糊神经网络，得到一粗去模糊图像以及所述粗去模糊图像的全局特征；

步骤2、利用注意力机制选取所述粗去模糊图像的若干位置，并通过图卷积神经网络将所述若干位置的特征融合并进行推理，得到若干局部特征；

步骤3、利用一第二去模糊神经网络将所述全局特征和所述局部特征进行融合，得到一精去模糊图像；

所述步骤2包括：

步骤21、利用注意力机制选取所述粗去模糊图像中的若干位置，得到对应于所述若干位置的若干特征图；

步骤22、将所述若干特征图通过全局平均池化或者全局最大池化后进行卷积，得到所述若干特征图的邻接矩阵；

步骤23、根据所述若干特征图与所述邻接矩阵并使用所述图卷积神经网络推理得到所述若干局部特征；

所述步骤21包括：

步骤211、所述粗去模糊图像经过卷积、若干残差模块与批归一化处理模块及softmax函数，得到所述粗去模糊图像的权重图；

步骤212、所述权重图与所述粗去模糊图像点乘后经过所述若干残差模块，得到所述若干特征图。

2.根据权利要求1所述的基于图卷积神经网络的图像去模糊方法，其特征在于，所述第一去模糊神经网络与所述第二去模糊神经网络的结构相同。

3.根据权利要求1所述的基于图卷积神经网络的图像去模糊方法，其特征在于，所述第一去模糊神经网络包括三个编码器和三个解码器，所述编码器之间通过下采样连接，所述解码器之间通过上采样连接。

4.根据权利要求3所述的基于图卷积神经网络的图像去模糊方法，其特征在于，所述下采样通过折叠实现，所述上采样通过转置卷积实现。

5.根据权利要求3所述的基于图卷积神经网络的图像去模糊方法，其特征在于，所述三个编码器包括第一编码器、第二编码器及第三编码器，所述三个解码器包括第一解码器、第二解码器及第三解码器，其中所述第一编码器与所述第三解码器之间以及所述第二编码器与所述第二解码器之间为残差连接。

6.根据权利要求3所述的基于图卷积神经网络的图像去模糊方法，其特征在于，所述编码器包括leakyReLU函数及四个残差模块，所述解码器包括四个所述残差模块。

7.根据权利要求1或6所述的基于图卷积神经网络的图像去模糊方法，其特征在于，所述残差模块包括第一路径、第二路径及第三路径，其中所述第一路径包括两个卷积层，所述第二路径包括一个空洞卷积层。

8.一种基于图卷积神经网络的图像去模糊系统，其特征在于，包括：

第一去模糊神经网络模块，用于对输入的一模糊图像处理并得到一粗去模糊图像以及所述粗去模糊图像的全局特征；

图卷积神经网络推理模块，用于利用注意力机制选取所述粗去模糊图像的若干位置及将所述若干位置的特征融合并进行推理，得到若干局部特征；

第二去模糊神经网络模块，用于将所述全局特征和所述局部特征进行融合，得到一精去模糊图像；

所述图卷积神经网络推理模块包括：

特征图提取子模块，用于利用注意力机制选取所述粗去模糊图像中的若干位置，得到对应于所述若干位置的若干特征图；

邻接矩阵计算子模块，用于将所述若干特征图通过全局平均池化或者全局最大池化后进行卷积，得到所述若干特征图的邻接矩阵；

局部特征提取子模块，用于根据所述若干特征图与所述邻接矩阵并使用图卷积神经网络推理得到所述若干局部特征；

所述特征图提取子模块，具体用于：

所述粗去模糊图像经过卷积、若干残差模块与批归一化处理模块及softmax函数，得到所述粗去模糊图像的权重图；

所述权重图与所述粗去模糊图像点乘后经过所述若干残差模块，得到所述若干特征图。