[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

说明书

本发明公开了一种基于多尺度融合编码网络的深度图像去模糊方法，通过将图像多尺度编码融合，配合所述区域注意力模块与所述特征融合模块构建生成网络模型，并由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，通过获取清晰、模糊图像对输入所述对抗网络模型不断交替对抗性训练获得图像去模糊模型，误差收敛至指定范围后停止训练，利用所述图像去模糊模型进行图像去模糊，解决了现有技术中的深度学习图像去模糊模型效果不佳的技术问题。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于多尺度融合编码网络的深度图像去模糊方法。

背景技术

图像去模糊，即从模糊图像中恢复出清晰的图像，近年来一直是一个重要的研究领域。目前，针对摄像机在采集过程中产生平移或旋转导致采集图像的运动模糊，关键就是恢复图像必要边缘细节以及整体结构的信息。

传统的方法采用模糊模型的估计，使用不同的先验信息(颜色、局部的平滑性、非局部自相似、稀疏性等)将其作为正则化项改进图像去模糊效果，这类方法大多涉及固定的参数和大量的计算过程，同时实际模糊程度比估计模型的大得多，导致无法恢复较为清晰的图像；近年来，传统框架中使用卷积神经网络模块代替，并取得了很好的效果，但是只适用于某些特定的类型模糊，对多变的模糊类型有局限性，并且存在耗时严重的问题，无法很好的兼顾图像去模糊的速度和效果。

发明内容

本发明的目的在于提供一种基于多尺度融合编码网络的深度图像去模糊方法，旨在解决现有技术中的深度学习图像去模糊模型效果不佳的技术问题。

为实现上述目的，本发明采用的一种基于多尺度融合编码网络的深度图像去模糊方法，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。

其中，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。

其中，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。

其中，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。

其中，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。

其中，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。

本发明的一种基于多尺度融合编码网络的深度图像去模糊方法，通过将图像多尺度编码融合，配合所述区域注意力模块与所述特征融合模块构建生成网络模型，并由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，通过获取清晰、模糊图像对输入所述对抗网络模型不断交替对抗性训练获得图像去模糊模型，误差收敛至指定范围后停止训练，利用所述图像去模糊模型进行图像去模糊，解决了现有技术中的深度学习图像去模糊模型效果不佳的技术问题。

附图说明