[发明专利]一种基于生成式对抗网络进行图像去运动模糊的方法

摘要

本发明公开一种基于生成式对抗网络进行图像去运动模糊的方法及用于该方法的去运动模糊的生成式对抗网络模型，该方法包括设计生成式对抗网络模型；模型训练；应用阶段，该生成式对抗网络模型包括生成器和判别器，生成器用于不断优化参数以使其生成的图像趋近清晰图像的分布，判别器用于不断优化参数以使其能更好地判别图像来自于去模糊图像分布或清晰图像分布，其中生成器包括降采样器和上采样器，降采样器用于对图像进行卷积操作，提取图像的语义信息，上采样器用于根据获取到的语义信息，结合图像的结构信息，对图像进行解卷积操作。本发明有效地去除图像的运动模糊，获得符合人类感知的清晰图像。

主权项

1.一种基于生成式对抗网络进行图像去运动模糊的方法，其特征在于，包括如下步骤：S10设计运动去模糊的生成对抗式网络模型结构，其中该网络模型由生成器和判别器组成，其中生成器包括降采样器和上采样器，降采样器用于对图像进行卷积操作，提取图像的语义信息，上采样器用于根据获取到的语义信息，结合图像的结构信息，对图像进行解卷积操作；S20将一个包含模糊图像和清晰图像的图像对数据集中模糊图像作为队列元素存储至模糊图像队列，清晰图像作为队列元素存储至清晰图像队列，且以清晰图像队列中的元素顺序调整模糊图像队列的元素顺序，以使清晰图像与模糊图像一一对应；S30输入一组包含有m个从S20步骤中的两个队列获取的清晰‑模糊图像对至网络模型，分别将该图像对中的清晰图像和模糊图像缩放成Sh×Sw的尺寸，再剪成出尺寸为Ch×Cw的图像块；S40将由S30得到的图像块输入该网络模型，通过迭代应用后向传播算法，逐步更新该网络模型的训练参数，每代队列中的所有元素训练结束之后，重新打乱队列元素的排序，开始新一代的训练，循环多代训练，直至该网络模型收敛，保存并导入该网络模型收敛时的训练参数，以使得该网络模型拟合成一个从模糊图像分布到清晰图像分布的映射；S50输入模糊图像，通过一次前向传播计算，生成去模糊图像。