[发明专利]基于多尺度融合编码网络的深度图像去模糊方法

权利要求书

1.一种基于多尺度融合编码网络的深度图像去模糊方法，其特征在于，包括下列步骤：

构建生成网络模型；

利用深度卷积模块构建判别网络模型；

结合所述生成网络模型和所述判别网络模型生成对抗网络模型；

训练所述对抗网络模型，获得图像去模糊模型；

使用所述图像去模糊模型去除单幅图像中的模糊；

所述生成网络模型函数：

其中B为模糊图像，为生成器模型G(x)生成的去模糊图像；

所述生成网络模型即多尺度融合编码网络目标函数为：

L_G＝αL_content+βL_perceptual+γL_WGAN

其中超参数α、β、γ分为0.5、0.0001、0.01；为内容损失函数，L₂为均方误差损失函数；为感知损失函数，其中VGG是一个VGG预训练卷积神经网络；为判别网络的误差，E为期望函数。

2.如权利要求1所述的基于多尺度融合编码网络的深度图像去模糊方法，其特征在于，所述生成网络模型采用多尺度编码融合结构，包括区域注意力模块和特征融合模块，所述区域注意力模块提取特征，所述特征融合模块增强特征尺度间的融合。

3.如权利要求2所述的基于多尺度融合编码网络的深度图像去模糊方法，其特征在于，所述多尺度编码融合结构包含三种不同尺度，对应为原始尺度、二分之一尺度和四分之一尺度。

4.如权利要求3所述的基于多尺度融合编码网络的深度图像去模糊方法，其特征在于，在利用深度卷积模块构建判别网络模型的过程中，利用深层卷积模块与图像特征跳层连接结合构建所述判别网络模型，所述判别网络模型对去模糊后的图像进行判别。

5.如权利要求4所述的基于多尺度融合编码网络的深度图像去模糊方法，其特征在于，在对所述对抗网络模型进行训练，获得图像去模糊模型的过程中，将模糊图像与清晰图像集合输入所述对抗网络模型，所述生成网络模型通过模糊图像生成与清晰图像无限逼近的效果，所述判别网络模型判别图像的真实性，反复迭代对抗，利用误差反向传播交替训练获得图像去模糊模型。

6.如权利要求5所述的基于多尺度融合编码网络的深度图像去模糊方法，其特征在于，所述模糊图像与清晰图像集合中的模糊图像和清晰图像一一对应。