[发明专利]基于分块多尺度卷积神经网络的图像去模糊算法

权利要求书

1.一种基于分块多尺度卷积神经网络的图像去模糊算法，其特征在于，包括如下流程步骤：

步骤S110：选用Gopro数据集作为训练集，获取图像数据集中的清晰--模糊图像对，对模糊图像进行预处理，将预处理后的图像作为训练数据；

步骤S120：设置生成器的网络架构，生成器的网络架构采用U-net结构，包括编码器和解码器两个部分；所述编码器由3个卷积层、1个结合双注意力机制的残差块和5个普通残差块组成，其结构依次是：第一卷积层、第一残差块、结合双注意力机制的残差块、第二卷积层、第二残差块、第三残差块、第三卷积层、第四残差块、第五残差块；

步骤S130：编码器的多个下采样层对原始图像进行卷积运算，再通过残差块提取图像特征，对相邻块图像生成的特征编码进行连接操作，生成具有与下一尺度编码器生成特征相同尺寸的特征编码；解码器重构输出图片，生成具有与下一尺度输入数据相同尺寸的特征图；

步骤S140：将生成的特征图与下一尺度输入数据叠加，作为下一尺度的输入数据；将进行连接操作后的特征编码与下一尺度编码器生成的特征编码叠加，作为下一尺度解码器的解码对象；

步骤S150：最终生成去模糊后的图片，通过对最终的去模糊图片与原始图像进行误差处理，获得最终优化的去模糊图像。

2.根据权利要求1所述的基于分块多尺度卷积神经网络的图像去模糊算法，其特征在于：生成器的网络架构为3个尺度，分别为第一尺度、第二尺度和第三尺度。

3.根据权利要求2所述的基于分块多尺度卷积神经网络的图像去模糊算法，其特征在于：

将第一尺度的输入图像等分成大小相等的4个图像块，将图像块送入编码器下采样提取图像块中待识别的特征进行编码，并将相邻的两个特征进行连接操作，合并成与下一个尺度图像块具有相同尺寸的特征，解码器用于上采样并解码出特征图像；

将第一尺度输出的特征图像作为第二尺度的输入图像的一部分，与分为2块后的输入第二尺度的原始图像共同作为输入数据送入第二尺度的编码器；第二尺度的编码器编码后得到的特征与第一尺度编码器编码后得到的特征叠加，经解码器解码出特征图像；

将第二尺度输出的特征图像作为第三尺度输入图像的一部分，与分为1块后的输入第三尺度的原始图像共同作为输入数据送入第三尺度的编码器；第二尺度编码器编码后得到的特征与第三尺度编码器编码后得到的特征叠加，经解码器解码出特征图像，并最终输出去模糊后的图像。

4.根据权利要求1所述的基于分块多尺度卷积神经网络的图像去模糊算法，其特征在于：所述解码器由1个卷积层、2个反卷积层和6个普通残差块组成，其结构依次是：第一残差块、第二残差块、第一反卷积层、第三残差块、第四残差块、第二反卷积层、第五残差块、第六残差块、第三卷积层。

5.根据权利要求4所述的基于分块多尺度卷积神经网络的图像去模糊算法，其特征在于，第一个卷积层的卷积核大小为3×3、步幅为1，生成32个特征图；第二个卷积层的卷积核大小为3×3、步幅为2，生成64个特征图；第三个卷积层的卷积核大小为3×3、步幅为2，生成128个特征图。

6.根据权利要求5所述的基于分块多尺度卷积神经网络的图像去模糊算法，其特征在于，所述解码器第一个反卷积层的卷积核大小为4×4、步幅为2，生成64个特征图；第二个反卷积层的卷积核大小为4×4、步幅为2，生成32个特征图；卷积层的卷积核大小为3×3、步幅为2，生成128个特征图；每个残差块包含2个卷积层，每个卷积层的卷积核大小为3×3、步幅为1。

7.根据权利要求6所述的基于分块多尺度卷积神经网络的图像去模糊算法，其特征在于，网络模型的损失函数为：

其中，S₁表示最后一个尺度的输出，G表示真实的清晰图像，F取1，表示采用L1范数；通过最小化网络输出与真实清晰图像之间的均方误差，不断更新网络参数。