[发明专利]一种基于深度特征的图像去模糊方法

说明书

本发明公开了一种基于深度特征的图像去模糊方法。本发明涉及低质图像增强领域，本发明利用标准的非盲去卷积去模糊方法解决模糊图像复原的问题,步骤如下：1.对原始模糊图像进行灰度化和消色算法预处理；2.采用VGG16网络扩大输入图像的感受野，进行模糊特征的提取；3.选择一个局部图像块获得初始模糊核，采用标准的非盲去卷积去模糊方法重建清晰图像；4.构建双损失函数，即利用平滑度损失函数和色彩损失函数优化复原后的清晰图像。

技术领域

本发明涉及低质图像增强技术领域，特别是一种基于深度特征的图像去模糊方法。

背景技术

在图像采集过程中，由于摄像机抖动或某些不可控因素引起的图像模糊，导致局部信息无法辨认，难以进行特征提取，甚至特征信息丢失，增加了进一步图像处理的困难程度，如目标识别、目标检测与跟踪任务。因此，针对如何有效地对模糊图像进行前期恢复处理，是图像增强技术研究的热点问题。

现有的模糊复原方法有基于逆滤波的方法、基于维纳滤波的方法、基于正则项约束的图像盲复原方法、基于最大条件概率(Richardson-Lucy)以及基于概率统计的图像复原方法等。然而，这些方法在实际应用中突显出明显的不足之处：1、图像降质过程中存在噪声信息，逆滤波方法只适用于理想图像的恢复；2、当复原图像噪声较小时，维纳滤波会产生严重的振铃效应；3、由于复原过程中运用多尺度的变分贝叶斯算法，算法复杂度高，计算量大；4、由于不同图像的应用环境不同、模糊程度不同，存在较差的鲁棒性。

发明内容：

针对上述存在的问题，本发明提供一种基于深度特征的图像去模糊方法，以克服现有模糊图像复原技术存在的噪声信息、严重的振铃效应问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于深度特征的图像去模糊方法，包括以下步骤：

步骤1：模糊图像数据集制作：

步骤1.1：数据集的获取；

步骤1.2：将获取的数据集进行分类，划分为训练集、验证集及测试集；

步骤1.3：读取预训练模型，并读入模糊图像目录；

步骤2：图像预处理：

步骤2.1:原始模糊图像进行灰度化处理；

步骤2.2:利用消色算法处理图像；

步骤3：运用骨干网络VGG16增加网络深度，扩展输入图像的感受野范围并利用骨干网络VGG16对感受野增大的原始模糊图像进行特征提取；

步骤4：选择局部图像块，估计模糊核，利用标准的非盲去卷积去模糊算法进行模糊图像复原；

步骤5：构建双损失函数，利用平滑度损失函数和色彩损失函数对初始去模糊图像进行优化处理，抑制振铃效应的产生。

上述方案中，所述步骤3的具体步骤如下：

(1)对于一个标准的VGG16网络，输入一幅R^h×w×m的特征图I，其中h、w、m分别代表特征图的高、宽和输入特征图的通道数，I与R^s×s×m×n进行无增加网络深度的卷积操作，得到R^{(h-s+1)×(w-s+1)×n}的输出特征图O：

其中：s代表卷积核的尺寸，n代表输出特征图的通道数，O(y,x,j)代表第j个特征图中点(y,x)的值；K(u,v,i,j)代表第j个卷积核中第i个通道上点(u,v)上的值；I(y,x,j)代表第i个输入通道上点(y,x)的值；

(2)输入同样的特征图I，用扩张率为r同尺寸大小的卷积核K进行卷积操作，得到输出特征图O_d：