【技术实现步骤摘要】
基于生成式对抗网络的图像去运动模糊方法
本专利技术属于图像复原与重建
，具体涉及一种基于生成式对抗网络的图像去运动模糊方法。
技术介绍
图像作为人们获取和存储信息的重要途经，在当今社会中占据着重要的地位。近年来，随着科技的飞速发展，图像获取设备变得越来越普遍，各种摄影设备已经融入人类生活的方方面面，成为了人们日常生活中的使用工具。然而由于各种因素的影响，如光学因素、大气因素、人工因素、技术因素等等，使图像在获取的过程中产生质量退化造成了图像模糊，给人们的工作和生活带来了诸多的困扰，甚至有可能造成巨大的经济损失。尤其对于一些不能够再次获取的图像信息，通过一定的技术手段对退化图像进行复原就显得及其重要，如何避免图像退化，改善图像质量，一直以来都是图像处理领域亟待解决的问题。摄影过程中造成的图像模糊按照形成条件可以分为运动模糊、失焦模糊和高斯模糊三大类。其中，运动模糊是造成图像退化的主要原因，也是研究的热点之一。运动模糊图像形成的原因是在获取图像的瞬间，摄像机与目标物体之间发生相对移动导致的图像质量退化。从数...
【技术保护点】
1.一种基于生成式对抗网络的图像去运动模糊方法，其特征在于，包括如下步骤：/n步骤1，获取包含多个运动模糊图像和与该多个运动模糊图像分别相对应的多个清晰的真实图像的训练样本数据，并获取包含多个待去运动模糊图像的测试样本数据；/n步骤2，构建生成式对抗网络模型并采用所述训练样本数据对该生成式对抗网络模型进行训练，得到训练后的生成式对抗网络模型作为去运动模糊模型；/n步骤3，将所述待去运动模糊图像输入到所述去运动模糊模型中通过端到端的方式直接输出该待去运动模糊图像对应的去运动模糊图像，/n其中，所述步骤2包括如下子步骤：/n步骤2-1，对所述运动模糊图像和对应的所述真实图像进行...
【技术特征摘要】
1.一种基于生成式对抗网络的图像去运动模糊方法，其特征在于，包括如下步骤：
步骤1，获取包含多个运动模糊图像和与该多个运动模糊图像分别相对应的多个清晰的真实图像的训练样本数据，并获取包含多个待去运动模糊图像的测试样本数据；
步骤2，构建生成式对抗网络模型并采用所述训练样本数据对该生成式对抗网络模型进行训练，得到训练后的生成式对抗网络模型作为去运动模糊模型；
步骤3，将所述待去运动模糊图像输入到所述去运动模糊模型中通过端到端的方式直接输出该待去运动模糊图像对应的去运动模糊图像，
其中，所述步骤2包括如下子步骤：
步骤2-1，对所述运动模糊图像和对应的所述真实图像进行拼接处理得到拼接图像；
步骤2-2，构建含有生成器和判别器的生成式对抗网络模型，并将所述拼接图像输入到所述生成式对抗网络模型中；
步骤2-3，将所述拼接图像拆成对应的所述运动模糊图像和所述真实图像并分别对该运动模糊图像和该真实图像的分辨率进行调整得到调整后运动模糊图像和调整后真实图像；
步骤2-4，将所述调整后运动模糊图像输入到所述生成器让所述生成器根据所述调整后运动模糊图像生成所述清晰的生成图像，并将该生成图像和所述调整后真实图像输入到判别器中；
步骤2-5，通过判别器目标函数计算得到判别损失，并根据该判别损失更新判别器参数；
步骤2-6，将所述生成图像和所述调整后真实图像输入到所述判别器中计算得到误差；
步骤2-7，将所述误差反向传播给所述生成器；
步骤2-8，通过生成器目标函数计算得到生成损失，并采用学习率算法根据该生成损失更新生成器参数；
步骤2-9，重复步骤2-4至步骤2-8直至达到训练完成条件，得到训练后的生成式对抗网络模型作为去运动模糊模型。
2.根据权利要求1所述的基于生成式对抗网络的图像去运动模糊方法，其特征在于：
其中，所述生成器含有步幅卷积模块、残差密集网络、微步幅卷积模块以及全局跳变连接，
所述步幅卷积模块由两层卷积核大小为3×3，步长为2的卷积层构成，且每层卷积层后面紧跟实例归一化层和ReLU激活函数，
所述残差密集网络由10个残差密集块组成，每个所述残差密集块的最后一层的卷积层的卷积核大小为1×1、步长为1，每个所述残差密集块的其余的卷积层的卷积核大小均为3×3、步长均为1且每个所述残差密集块的其余的所述卷积层后面都紧跟实例归一化层和Relu激活函数层。
3.根据权利要求2所述的基于生成式对抗网络的图像去运动模糊方法，其特征在于：
其中，所述步骤2-4含有如下子步骤：
将所述调整后运动模糊图像输入到所述生成器；
通过一层卷积核大小为7*7的卷积层来扩大网络的感受野；
通过所述步幅卷积模块提取得到所述运动模糊图像的浅层特征并将所述浅层特征输入到所述残差密集网络中；
对所有的所述残差密集块进行了全局特征融合得到操作后图像；
对所述操作后图像进行降维处理...
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。