[发明专利]利用改进的生成式对抗网络的运动模糊图像盲复原方法

摘要

本发明提出利用改进的生成式对抗网络的运动模糊图像盲复原方法，通过生成网络和判别网络对抗训练获得清晰图像，它的特点是不需要估计模糊核，可实现端对端图像盲复原。生成网络是与残差网络结合的全卷积神经网络，可加深网络层，同时降低训练时间。判别网络是由卷积层，池化层和全连接层组成的二分类网络，用于判定生成网络复原出的图像或原始清晰图像。损失函数采用平滑及非饱和梯度的最小均方差，可优化网络训练，避免梯度消失。同时在生成网络的损失函数中增加图像保真项，用于约束复原图像的分布更接近于清晰图像。

主权项

1.利用改进的生成式对抗网络的运动模糊图像盲复原方法，其特征在于，所述方法通过生成网络和判别网络对抗训练获得清晰图像，实现端对端图像盲复原，步骤如下：步骤1、改进GAN的生成网络G和判别网络D的网络结构：改进的生成网络G由15个卷积层组成，每层的卷积核大小相同为3×3，最后一层输出为残差块；改进的判别网络D由6个卷积层，2个池化层和2个全连接层组成，其中，卷积层中卷积核大小相同，均为3×3，每隔三层卷积层设计一个采样层用于对特征图像进行降维，在输出之前为两个全连接层；步骤2、将原始的模糊图像分块，批量输入生成网络G中，通过15个卷积层输出的残差块与输入原始的模糊图像块相加输出复原图像块，用G(B)′＝G(B)+B表示，其中，B表示模糊图像块，G(B)表示残差块，G(B)′表示复原图像块；步骤3、将复原出的图像块与清晰图像块同时输入判别网络D中进行分类；步骤4、交替训练G和D，分别最小化G和D的损失函数，损失函数采用平滑及非饱和梯度的最小均方差，同时在生成网络的损失函数中增加图像保真项；D的损失函数改进为：其中，L(D)为D的损失函数，D(I)表示输入为清晰图像时D的输出，D(G(B)′)表示输入为复原图像时D输出的标量，1、0分别表示清晰图像或复原图像的标签；G的损失函数改进为：其中，L(G)为G的损失函数，是D的损失函数对G的约束项，为图像的保真项，λ表示为权重,用于调节约束项对保真项的影响；步骤5、使G生成的复原图像块尽可能地混淆D，而D尽可能的给出准确的判断，直到G和D的损失函数值不再变化，停止训练，最后将复原图像块组成整张复原图像。