[发明专利]一种基于融合注意力机制的半监督图像去模糊方法

说明书

本发明提供了一种基于融合注意力机制的半监督图像去模糊方法，包括：步骤Step1:获取图像训练数据集，并将所述图像训练数据集划分为两个训练子集；步骤Step2:构建基于全监督和无监督的图像模糊还原模型，所述图像模糊还原模型包括全监督网络和无监督网络；步骤Step3:将所述一个子集输入待训练的全监督网络进行学习，将所述另一子集输入待训练的无监督网络；步骤Step4:利用上述网络中的注意力机制筛选图像特征，对网络提取的特征信息分配相应的权重，获取重要的图像信息，并对所述重要的图像信息进行特征融合，得到最终的清晰图像，本发明通过将注意力机制和神经网络相结合，搭建针对运动模糊图像复原的网络模型，实现了对模糊图像有效、精准的复原。

技术领域

本发明涉及计算机视觉图像复原技术领域，具体涉及到一种基于融合注意力机制的半监督图像去模糊方法。

背景技术

图像是人类视觉的基础，包含大量信息元素，是人们获取交流信息的重要途径。近几年来，在图像的获取过程中，由于物体运动、相机抖动等原因，可能会存在细节丢失，导致图像不能正确传递信息，影响图像的质量，进而影响图像后续的分析识别工作，例如目标识别、目标跟踪等。在日常生活中，随着智能手机、相机等摄影设备的普及，图像成为人们记录生活、传递信息的重要方式。而人们在拍摄时难以保持设备的稳定，容易导致图像产生运动模糊，影响图像质量。而在公共安全领域，图像模糊还原也占据十分重要的地位，例如电子眼抓拍违规车辆、公共区域的监控等等。图像模糊还原对于实时性要求高的行业也十分重要，例如在生产检测过程中，采用实时性较高的去模糊算法可以在物体运动时采集图像进行处理，大大提高物体生产线效率。因此，在图像模糊还原中，算法的效率和场景的应用十分重要，它已然成为近几年来计算机视觉和图像处理等领域的一个研究重点，不仅具有重要的理论意义，而且在实际应用中也有迫切需求。

随着深度学习和卷积神经网络的发展，为图像去模糊的研究和发展提供了新的思路和方向。越来越多的去模糊算法被提出，但是效果好的算法普遍存在时间复杂度高的问题，提高算法的运行效率是未来工作的一大重点。另外，训练神经网络所采用的模糊数据集对还原的结果有着直接的影响，但是目前开源的模糊数据集种类、数量都较少，算法很难推广到真实场景的图像去模糊。因此这也是迫切需要解决的问题。

综上所述，提供一种能够处理由运动产生的图像模糊，且还原效果好，计算成本低，且能有效地提高还原效率的基于融合注意力机制的半监督图像去模糊方法，是本领域技术人员急需解决的问题。

发明内容

本方案针对上文提到的问题和需求，提出一种基于融合注意力机制的半监督图像去模糊方法，其由于采取了如下技术方案而能够解决上述技术问题。

为实现上述目的，本发明提供如下技术方案：一种基于融合注意力机制的半监督图像去模糊方法，包括以下步骤：步骤Step1: 获取图像训练数据集，并将所述图像训练数据集划分为两个训练子集，所述两个训练子集中一个子集包括多个图像对，每个图像对由模糊图像及其对应的清晰图像组成，另一子集包括多个模糊图像；

步骤Step2:构建基于全监督和无监督的图像模糊还原模型，所述图像模糊还原模型包括全监督网络和无监督网络；

步骤Step3:将所述一个子集输入待训练的全监督网络进行学习，根据全监督网络生成器的输出结果及对应的Ground-truth清晰图像，由判别器鉴定图像为真或假的概率，将所述另一子集输入待训练的无监督网络，根据无监督网络的输出结果生成去模糊后图像。

步骤Step4:利用上述网络中的注意力机制筛选图像特征，对网络提取的特征信息分配相应的权重，获取重要的图像信息，并对所述重要的图像信息进行特征融合，得到最终的清晰图像。

进一步地，所述全监督网络包括第一生成器和判别器，所述第一生成器包括第一编码器-解码器网络，所述判别器包括二分类器，将所述一个子集中的模糊图像输入所述第一生成器生成去模糊图像，并将所述去模糊图像与对应清晰图像输入所述判别器，判断图像为真或图像为假的概率。