[发明专利]一种基于图像区域划分的非均匀一致模糊去除方法

说明书

本发明涉及一种基于图像区域划分的非均匀一致模糊去除方法，属于图像处理技术领域。包括以下步骤：提取单帧模糊图像中有利于后续重建清晰图像的特征图，将特征图输入到强模糊和弱模糊检测模块中，分别输出检测到的强模糊区域和弱模糊区域注意力图；分别将强模糊区域和弱模糊区域注意力图与特征图进行按位点乘，并加上输入的特征图，提取出按照图像成份被划分出的强模糊区域和弱模糊区域在原始特征图上的特征信息；随后分别输入到强模糊和弱模糊去除的解码器模块中，采用两个解码器分支同时重建潜在的清晰图像的形式，分别得到去除强模糊及弱模糊后的图像：之后输入到特征融合模块进而生成完整的去模糊后的最终清晰图像。

技术领域

本发明属于图像处理技术领域，涉及一种非均匀一致模糊去除方法，具体是一种基于图像区域划分指导下的非均匀一致模糊图像去模糊方法。

背景技术

与均匀一致模糊去除问题相比，非均匀一致运动模糊去除问题更加复杂和困难。文献“Nah,S.；Hyun Kim,T.；and Mu Lee,K.2017.Deep multiscale convolutionalneural network for dynamic scene deblurring.In Proceedings of the IEEEConference on Computer Vision and Pattern Recognition,3883–3891.”提出了一种非均匀模糊图像模糊去除方法，提出用卷积神经网络(Convolutional Neural Networks，CNN)模型拟合非均匀一致模糊图像的退化重建过程，利用多尺度的CNN架构模拟传统coarse-to-fine 的优化方法，提出基于对抗损失的优化模型，大大提高了算法的收敛性，提升了处理效果。

然而，由于不同模糊区域的模糊去除目的不同，例如强模糊区域需要去除明显模糊、平滑区域需要锐化增强细节、纹理区域需要保持细节，利用常规的统一网络训练策略学习非均匀运动去模糊模型，几乎无法同时实现上述目标。文献所采用的方法笼统地将不同模糊形式和程度的图像块视为一致，用统一的训练策略，对不同图像区域进行处理，忽视了不同模糊区域的差异，这种统一的训练策略很容易导致模型过拟合，包括文献方法在内的大多数非均匀一致模糊去除方法都未能有效针对不同模糊区域进行处理。

发明内容

要解决的技术问题

非均匀运动模糊在真实场景中十分普遍，其目的随不同的图像区域成份变化而变化，利用常规的统一训练策略学习非均匀运动去模糊模型很难同时达到对不同图像区域的不同处理，导致非均匀模糊区域效果不能同时提升。本发明提出了一种基于图像区域划分的改进非均匀去模糊框架，对模糊图像不同区域进行不同处理。具体来说，本方法提出了两个分支去除不同区域的模糊，并提出两个注意力机制模块学习强模糊和弱模糊区域的注意力图。然后，将注意力图输送到两分支的解码器中，并融合为最终的去模糊图像。

技术方案

一种基于图像区域划分的非均匀一致模糊去除方法，其特征在于步骤如下：

步骤1：模糊图像特征提取

针对单帧模糊图像B，设计一个特征提取编码器f_E，通过该编码器提取出图像中有利于后续重建清晰图像的特征图F；

步骤2：自适应图像区域划分注意力图提取

将步骤1中得到的特征图F输入到两个不同的自适应图像区域划分注意力模块：强模糊检测模块f_{A_L}和弱模糊检测模块f_{A_S}中，分别输出检测到的强模糊区域的注意力图I_{att_L}和弱模糊区域的注意力图I_{att_S}；

步骤3：两分支清晰图像重建