The invention belongs to the technical field of computer digital image processing, in particular to an image deblurring method based on aggregate expansion convolution network. The invention includes the construction of a deep neural network: a conditional antagonism generation network, a generator and a discriminator, a stack of self encoder modules for the generator structure, a self encoder module using a self encoder structure and a jump connection, a residual module on the construction module, a residual network and a multiplex using the residual module. Aggregate expansion convolution, discriminator uses 5 layer convolution neural network; training depth neural network: using the open and real scene of fuzzy image data set, using the image content loss function and the anti loss function, training the advanced neural network in the previous step, and use the trained network model to enter the fuzzy image. The line is blurred. The method can ensure the effect of deblurring and restore the blurred image to a clear image quickly and efficiently, thereby greatly improving the efficiency of image deblurring.
【技术实现步骤摘要】
基于聚合膨胀卷积网络的图像去模糊方法
本专利技术属于计算机数字图像处理
,具体涉及一种基于聚合膨胀卷积网络的图像去模糊方法。
技术介绍
图像模糊是拍摄照片时常见的问题,尤其是在用手机等轻量级设备拍摄时。摄像机与物体之间的相对运动包括摄像机抖动和物体运动是造成模糊的主要原因。因为不同物体的运动通常互不相同,所以图像上的模糊程度通常在空间上是不均匀的。而且,景物的深度变化和物体的分割边界会使得模糊更为复杂。运动模糊会降低图像质量并影响许多图像处理算法的效果。仅在高质量图像上进行训练的标准网络模型在应用于因散焦、物体或相机运动而导致的模糊图像上时,性能会显着降低。所以有必要去除图像上的模糊并获得清晰的图像。同时,图像去模糊算法的效率也十分重要。目前大部分方法的效率都不高,时间和内存开销太大,这限制了图像去模糊算法的实际应用。今年来,越来越多的方法将卷积神经网络应用于图像去模糊领域。SeungjunNah等人提出了一个多尺度卷积神经网络进行图像去模糊。他们的模型需要三个尺度的输入模糊图像,然后将它们从粗到细处理,最后在三个尺度上输出三个对应的恢复的清晰图像。该方法去模糊效果较好,但是由于多尺度的网络结构,导致时间与内存开销过大。Ramakrishnan等人提出了基于条件生成对抗网络的卷积神经网络进行图像去模糊。他们在模型中使用了全局跳跃连接和密集体系结构,可以使网络复用前一层提取的特征。与之前的方法相比,该方法去模糊效果更好,所花费的时间更短,但是由于使用了密集体系结构,该方法仍然需要大量的内存资源。为了解决这些问题,本专利技术提出了一种基于聚合膨胀卷积网络 ...
【技术保护点】
1.一种基于聚合膨胀卷积网络的图像去模糊方法,其特征在于,具体步骤如下:(1)、构建深度神经网络;(2)、训练深度神经网络;(3)、利用训练好的网络模型进行图像去模糊;其中:步骤(1)所述的构建深度神经网络,具体过程如下:(11)、构造生成器;(12)、构造鉴别器;步骤(2)所述的训练深度神经网络,具体过程如下:(21)、构造损失函数;(22)、使用公开的、真实场景下的模糊图像数据集,训练构造好的神经网络。
【技术特征摘要】
1.一种基于聚合膨胀卷积网络的图像去模糊方法,其特征在于,具体步骤如下:(1)、构建深度神经网络;(2)、训练深度神经网络;(3)、利用训练好的网络模型进行图像去模糊;其中:步骤(1)所述的构建深度神经网络,具体过程如下:(11)、构造生成器;(12)、构造鉴别器;步骤(2)所述的训练深度神经网络,具体过程如下:(21)、构造损失函数;(22)、使用公开的、真实场景下的模糊图像数据集,训练构造好的神经网络。2.根据权利要求1所述的基于聚合膨胀卷积的图像去模糊方法,其特征在于,步骤(11)中所述构造生成器,具体过程如下:(111)、构造网络头部:头部包含1个卷积核大小为5×5的卷积层,将输入的3通道RGB图像变换为一个64通道的特征映射;(112)、构造网络中部:中部顺序地将自编码器模块堆叠起来,自编码器模块共2个;每一个自编码器模块还包含一个残差连接,将自编码器模块的输入与输出相加,作为自编码器模块的输出;(113)、构造网络尾部:尾部包含1个非线性激活层和一个卷积核大小为5×5的卷积层,将网络中部得到的特征映射变换为输出的3通道图像。3.根据权利要求2所述的基于聚合膨胀卷积的图像去模糊方法,其特征在于,步骤(112)中所述构造网络中部,具体过程如下:(1121)、构造自编码器模块;(1122)、为每个自编码器模块添加残差连接;(1123)、将带残差连接的自编码器模块顺序堆叠起来。4.根据权利要求3所述的基于聚合膨胀卷积的图像去模糊方法,其特征在于,步骤(1121)中所述构造自编码器模块,具体过程如下:(11211)、构造基于聚合膨胀卷积的残差模块,称为基础模块;(11212)、定义下采样组:一个下采样组由顺序连接的一个基础模块和一个最大池化层组成;(11213)、定义上采样组:一个上采样组由顺序连接的一个最近邻插值层和一个基础模块组成;(11214)、顺序连接L个下采样组,一个基础模块与L个上采样组,其中L为上采样组、下采样组的数量;(11215)、在第i个下采样组与第L-i个上采样组中添加跳跃连接,每个跳跃连接将第i个下采样组中的基础模块的输出与第L-i个上采样组中最近邻插值层的输出相加,作为第L-i个上采样组中最近邻插值层的新输出,其中i为下采样组的编号,5.根据权利要求4所述的基于聚合膨胀卷积的图像去模糊方法,其特征在于步骤(11211)中所述构造基于聚合膨胀...
【专利技术属性】
技术研发人员:张文强,缪弘,白建松,张浩,张睿,路红,郑骁庆,彭俊杰,薛向阳,唐龙福,李敬来,王洪荣,
申请(专利权)人:复旦大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。