一种基于深度学习的人脸图像去模糊方法技术

本发明专利技术公开了一种基于深度学习的人脸图像去模糊方法，属于图像处理技术领域。本发明专利技术在保留原始图像的内容结构的同时，使用内容编码器和模糊编码器将模糊图像的内容和模糊特征区分开，实现了高质量的图像去模糊。在框架中添加了模糊分支和循环一致性损失，通过循环一致性，进行进一步的还原保证模型的鲁棒性，同时添加的感知损失有助于模糊图像去除不切实际的伪像，以及最后加入的对抗损失，使得本发明专利技术的去模糊效果更好，速度更快。

【技术实现步骤摘要】
一种基于深度学习的人脸图像去模糊方法
本专利技术涉及到一种基于深度学习的人脸图像去模糊方法，属于图像处理

技术介绍
图像去模糊这一课题受到广泛关注，已有很长的研究历史，不仅因为数字图像已成为人们获取、交换和认识信息的重要途径，更因为图像包含大量的信息而其他信号不能比拟。由于成像系统固有存在的缺陷或在拍摄过程中受到多种干扰影响导致图像模糊，给人们的应用带来麻烦。人脸作为人体最具判别力的一个部分，自古以来就受到人类的极大关注。人物肖像和自画像，一直都是绘画作品中流行的题材。在步入移动互联网时代以后，基于人脸的各种应用更是层出不穷，如自拍，卡通化人脸图像，人脸识别，人脸自动换妆，样式迁移等。这些应用在给人们带来极大乐趣的同时，还给人们的生活提供了很多的便利。一个典型的例子是人脸识别。在基于深度学习的人脸识别达到超过人眼的识别精度之后，使用人脸进行身份认证的门禁系统在实际生活中得到了更加广泛的应用。考虑到人们对于人脸天然的敏感性，模糊对于人脸图像的影响要远大于对于一般图像的影响。对于人脸图像来说，一般情况下清晰度总是越高越好。实验表明，尽管通本文档来自技高网...

【技术保护点】
1.一种基于深度学习的人脸图像去模糊方法，其特征在于，包括如下步骤：/n(1)选取清晰人脸图像和模糊人脸图像，从清晰人脸图像中提取内容信息，使用模糊图像内容编码器从模糊人脸图像中估计模糊信息；/n(2)通过添加一个KL散度损失来规范模糊特征Z

【技术特征摘要】
1.一种基于深度学习的人脸图像去模糊方法，其特征在于，包括如下步骤：
(1)选取清晰人脸图像和模糊人脸图像，从清晰人脸图像中提取内容信息，使用模糊图像内容编码器从模糊人脸图像中估计模糊信息；
(2)通过添加一个KL散度损失来规范模糊特征Zb＝Eb(b)的分布，使其接近正态分布p(z)～N(0,1)；
(3)将清晰图像内容编码和模糊编码送入模糊图像生成器重构得到模糊人脸图像；
(4)将模糊图像内容编码和模糊编码送入清晰图像生成器重构得到去模糊的清晰人脸图像；
(5)在清晰人脸图像和模糊人脸图像中应用对抗损失和
(6)引入循环一致性损失，将去模糊后的清晰人脸图像进行重新模糊，同时将模糊后的清晰人脸图像转换成原始的清晰图像；
(7)在去模糊的人脸图像和原始模糊人脸图像之间添加感知损失，去除去模糊后的人脸图像中的伪像；
(8)使用模糊图像内容编码器和模糊编码器提取测试图像内容和模糊特征，清晰图像的图像生成器获取输出然后生成去模糊后的人脸图像。


2.根据权利要求1所述的一种基于深度学习的人脸图像去模糊方法，其特征在于，步骤(2)中所述KL散度损失定义如下：



其中，Zb为模糊特征，z为特征矩阵，p(z)表示z的概率分布，q(Zb)表示Zb近似概率分布，KL(q(Zb)||p(z))表示原分布与近似分布的概率的对数差的期望值；具体的K...

【专利技术属性】
技术研发人员：王宇，吴水清，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32