[发明专利]一种基于改进U-Net模型的去图像运动模糊方法

说明书

本发明涉及图像去运动模糊技术领域，具体涉及一种基于改进U‑Net模型的去图像运动模糊方法，所述改进U‑Net模型由深度可分离卷积、深度可分离残差卷积、哈尔小波变换、哈尔小波逆变换、密集多接受域通道模块组成，网络中的卷积核为3×3，激活函数为Leaky ReLU。使用深度可分离卷积和残差卷积代替标准卷积，减少模型计算量和参数。本发明的峰值信噪比和结构相似度值较高，不仅可以显著减少模型的参数，而且减少了模型恢复的清晰图像运行时间，同时去模糊的图像取得良好得效果。

技术领域

本发明涉及图像去运动模糊技术领域，具体涉及一种基于改进U-Net模型的去图像运动模糊方法。

背景技术

目前，在数字图像获取过程中，会存在图像运动模糊。如获取遥感图像时，成像时间内由于卫星平台的震颤、卫星运动及姿态变化、地球自转、成像目标运动等原因，获取的图像存在运动模糊。在天文探测、无人驾驶等应用场景，存在成像设备抖动、散焦、噪声等问题，获取的图像也会存在运动模糊。这些模糊图像不仅在主观影响视觉体验，而且影响了分类、目标检测等后续的视觉任务。因此，图像去运动模糊是计算机视觉中的一个关键问题。

现有的传统去模糊方法大多采用正则化和手工制作图像先估计模糊核，再用迭代优化的方式逐步恢复清晰图片，涉及到复杂模糊核的估计，去模糊的过程繁琐，实时性差，算法的性能也不高。随着深度学习快速发展，基于深度学习的图像去模糊方法已逐步得到应用。毛勇等提出一种基于生成对抗网络的车牌去运动模糊算法，并通过实验证明能够有效去除合成运动模糊图像和真实场景下运动模糊图像中存在的运动模糊。董星煜等提出了一种基于U-Net模型的神经网络框架,将融合的运动信息输入网络,并给定每一像素点不同的运动约束，经过网络的编码器与解码器结构,得到每一像素点的预测值,实现端对端的方式直接获得复原图像。Kupyn等用生成对抗网络的特征金子塔模型来去除运动图像模糊，为去模糊提供了一个新的概念方法。罗琪彬等提出双框架生成对抗网络，在原有CycleGan基础上改进了其网络结构和损失函数,提高了运动图像盲去除的精度,并且在样本有限情况下大幅度增强了网络的稳定性。Wang等针对肺弥散加权磁共振成像过程中，由于呼吸和心脏运动、血流和肺迟滞导致的图像模糊，提出了一种基于低秩分解的运动校正和去噪方法，利用时空连续性序列来减少图像模糊。Zeng等采用了密集网络来进行图像的去模糊，可以避免梯度消失问题，但网络的接受域较小，不能获取更多的图像信息。Purohit等提出了一种由自适应密集区域可变形模块组成的新结构，该模块可以发现导致输入图像中非均匀模糊的空间变化位移，并通过学习调整滤波器，并补充注意力模块，捕获中间特征之间的非局部空间关系，以增强空间变化的处理能力，从而实现近乎实时的图像去运动模糊。

近年来，U-Net变体也被用于其他图像处理领域。Zhang等结合特定领域的知识，设计了基于注意力的Tri-UNet，包括特征提取、特征融合和图像重建，以生成高质量高分辨率多光谱图像。Chen等提出了一种新的基于学习的方法，使用空间动态编码器-解码器网络HDRUNet，可以学习端到端映射，用于单图像高动态范围重建，并进行去噪和去量化。Zang等提出了一种新的级联密集U-Net网结构，以充分利用所有分层特征实现单图像超分辨率。在每一个密集的网络区中，许多短而密集的跳跃路径可以促进信息流动，整合不同的感受野。Guan等提出了一种改进的全密度U-Net网络，用于从稀疏数据重建的二维光声层析成像图像中去除伪影，并在重建图像质量方面与标准U-Net网络进行比较。Alimjan等基于多特征注意力融合机制的U-Net，提出遥感图像变化检测算法，该算法在U-Net的编码器和解码器之间添加了多特征注意力机制，以获得更丰富的上下文依赖性。但这些方法多是不断叠加普通卷积层或增大卷积核大小来增加感受野，增加了网络的计算负担。

发明内容

为解决上述问题，本发明提供了一种基于改进U-Net模型的去图像运动模糊方法，可以实现端到端的图像去模糊，降低了模型训练的难度和图像信息的丢失，提高了图像恢复质量，减少了信息重用，增加了图像的接收范围，获得了良好的视觉效果。

为实现上述目的，本发明采取的技术方案为：