基于深度多块网络的图像去模糊方法技术

基于深度多块网络的图像去模糊方法，它属于图像去模糊处理技术领域。本发明专利技术解决了现有图像去模糊方法的去模糊性能差的问题。本发明专利技术在解决了光照、相机抖动、成像设备运动等引起的运动模糊问题的同时，还提出了一种权重选择共享机制以减少网络的参数量。本发明专利技术提出的基于深度多块网络的图像去模糊方法可以有效地复原图像细节，提升去模糊性能，同时消除模糊图像对定位精度的影响。本发明专利技术提出的基于深度多块网络的图像去模糊方法仅需要10ms来处理一幅1280×720分辨率的图像，能够满足视觉室内定位的实时性需求。本发明专利技术可以应用于对图像的去模糊处理。

【技术实现步骤摘要】
基于深度多块网络的图像去模糊方法
本专利技术属于图像去模糊
，具体涉及一种基于深度多块网络的图像去模糊方法。
技术介绍
近年来，随着数字图像处理技术的迅猛发展，图像去模糊问题成为图像处理和计算机视觉领域的热点和难点问题。成像系统的局限性、环境的复杂性和非配合性等诸多因素都会导致获取的图像为有强噪声、低品质和失真等特性的退化图像。图像模糊是一种典型的图像退化形式，光照、相机抖动、成像设备运动等因素都会造成图像产生模糊。研究图像的去模糊问题，从人眼视觉的角度来说将有助于提升图像的视觉质量；从实际应用的角度来说将有助于改善视觉应用的鲁棒性，因此具有重要的实际应用价值。传统估计模糊核的图像去模糊方法，需估计出每个像素值的模糊核。然而，对于每个像素值找出相对应的模糊核是一个严重的不适定问题。同时，基于估计的模糊核，并通过传统的反卷积获得去模糊图像的这种方法通常出现对模糊核的错误估计。模糊核的错误估计会直接影响去模糊图像的质量，产生振铃、颜色畸变效应。同时，现有的算法都难以准确地对模糊核进行估计。因此，现有方法的去模糊性能较差，对于图像的去模本文档来自技高网...

【技术保护点】
1.基于深度多块网络的图像去模糊方法，其特征在于，该方法包括以下步骤：/n构建深度多块网络，所述深度多块网络包括第1级子网络、第2级子网络和第3级子网络；/n且每级子网络均包括输入层、编码器、解码器和输出层；/n采集模糊图像，利用采集的模糊图像对深度多块网络进行训练，即将采集的模糊图像依次输入深度多块网络的第3级子网络，再通过第1级子网络输出对应的去模糊图像；/n直至深度多块网络的损失函数不再减小时停止训练，获得训练好的深度多块网络；将待处理的模糊图像输入训练好的深度多块网络后，输出去模糊图像。/n

【技术特征摘要】
1.基于深度多块网络的图像去模糊方法，其特征在于，该方法包括以下步骤：
构建深度多块网络，所述深度多块网络包括第1级子网络、第2级子网络和第3级子网络；
且每级子网络均包括输入层、编码器、解码器和输出层；
采集模糊图像，利用采集的模糊图像对深度多块网络进行训练，即将采集的模糊图像依次输入深度多块网络的第3级子网络，再通过第1级子网络输出对应的去模糊图像；
直至深度多块网络的损失函数不再减小时停止训练，获得训练好的深度多块网络；将待处理的模糊图像输入训练好的深度多块网络后，输出去模糊图像。


2.根据权利要求1所述的基于深度多块网络的图像去模糊方法，其特征在于，所述将采集的模糊图像依次输入深度多块网络的第3级子网络，再通过第1级子网络输出对应的去模糊图像，其具体过程为：
对于采集到的一幅模糊图像B，将模糊图像B均匀分割成4个不重叠的模糊图像块B3,j，j＝1,...,4，将模糊图像块B3,j，j＝1,...,4作为第3级子网络的输入图像B3，模糊图像块B3,j输入深度多块网络的第3级子网络后，第3级子网络的编码器E3产生卷积特征；
C3,j＝E3(B3,j),j∈{1,...,4}(1)
其中，C3,j表示第3级子网络中的模糊图像块经过第3级子网络的编码器产生的卷积特征；
对卷积特征C3,j进行级联，获得新的卷积特征



其中，C3,2j′-1和C3,2j′表示第3级子网络中的任意两个相邻卷积特征，表示第3级子网络中的相邻卷积特征级联起来获得的新卷积特征，表示级联运算符；
将新的卷积特征作为第3级子网络的解码器D3的输入，解码器D3产生的去模糊图像为S3,j′；



将模糊图像B均匀分割成2个不重叠的模糊图像块B2,j′，将模糊图像块B2,j′，j′＝1,2作为输入图像B2，将B2,j′与S3,j′相加作为第2级子网络的输入，将第2级子网络的编码器E2的输出与相加产生卷积特征C2,j′；



其中，E2(B2,j′+S3,j′)代表第2级子网络的编码器E2的输出；
对相邻的卷积特征...

【专利技术属性】
技术研发人员：马琳，贾爽，谭学治，王孝，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23