【技术实现步骤摘要】
一种基于无监督生成对抗网络的模糊图像复原方法
本专利技术涉及计算机数字图像处理领域，尤其涉及一种基于无监督生成对抗网络的模糊图像复原方法。
技术介绍
在日常摄影、空间遥感观测、医学影像检测等应用领域中，经常会由于目标物体与成像系统之间的相对运动而造成图像模糊，影响到图像的细节分辨能力，降低其使用价值。因此，设计相应的模糊图像复原算法，提升图像的分辨率显得尤为重要。传统的模糊图像复原方法一般通过对模糊核进行估计后与模糊图像进行反卷积操作进而得到清晰图像，但是此类方法估计的模糊核通常无法表现真实的模糊情况，并且对噪声敏感。此外，目前比较流行的基于条件生成对抗网络的有监督学习网络往往受限于训练数据集，大量地收集有监督的模糊-清晰训练数据集费时费力，且容易出现网络泛化性不足的问题。
技术实现思路
专利技术目的：本专利技术的目的是提供一种基于无监督生成对抗网络的模糊图像复原方法，能够利用无监督的训练数据集对本专利技术的网络进行充分训练，使得网络的生成器具备复原模糊图像的能力，实现对模糊图像的复原。技...
【技术保护点】
1.一种基于无监督生成对抗网络的模糊图像复原方法，其特征在于，包括如下步骤：/n步骤1：构建无监督数据集，包括模糊域图像集S
【技术特征摘要】
1.一种基于无监督生成对抗网络的模糊图像复原方法，其特征在于，包括如下步骤：
步骤1：构建无监督数据集，包括模糊域图像集S1、清晰域图像集S2；
步骤2：在生成对抗网络框架下，设置两条方向互逆的生成路径，其中，A方向包括输入模糊图像-生成清晰图像-重构模糊图像；B方向包括输入清晰图像-生成模糊图像-重构清晰图像，利用生成器网络GA生成清晰图像，生成器网络GB生成模糊图像；
步骤3：在A方向中引入清晰域判别器DA，在B方向中引入模糊域判别器DB，并配合对应的生成器用于对抗训练；
步骤4：引入L2像素重构损失以及感知损失，配合步骤3中对抗损失构建网络的整体目标损失函数，并随机初始化网络参数；
步骤5：利用无监督数据集对网络进行前向计算，得到生成器网络和判别器网络输出的损失值；
步骤6：固定判别器的网络参数，利用优化器更新生成器网络的参数；
步骤7：固定生成器的网络参数，利用优化器更新判别器的网络参数；
步骤8：循环执行步骤5、步骤6和步骤7，直至步骤5中的损失值收敛，得到生成器网络参数的局部最优解，解算模糊图像的复原图像估计值。
2.根据权利要求1所述的一种基于无监督生成对抗网络的模糊图像复原方法，其特征在于，所述步骤2的GA结构中添加用于拓宽网络宽度的inception模块、用于加深网络深度的res-block残差模块以及用于生成金字塔结构的FPN模块。
3.根据权利要求2所述的一种基于无监督生成对抗网络的模糊图像复原方法，其特征在于，所述GA网络构建步骤具体如下：
步骤2.1：采用在ImageNet上预训练后的Inception-resnet-v2网络结构以及其训练后的参数作为特征抽取的骨干网络，进行迁移学习，其中，Inception-resnet-v2网络结构中包含inception模块以及res-block模块；
步骤2.2：将Inception-resnet-v2网络的特征输出从底层到顶层进行截取，构成金字塔的5个层级，分别为enc0，enc1，enc2，enc3，enc4；除enc0外，其余各层级横向连接并在通道上串接，之后与enc0再叠加，通过上采样以及卷积操作得到尺寸、通道数与输入图像相同的学习图像；
步骤2.3：通过全局残差学习，将输入图像与学习图像在通道上进行叠加，得到最终的生成清晰图像。
4.根据权利要求1所述的一种基于无监督生成对抗网络的模糊图像复原方法，其特征在于，所述步骤2中，基于res-6-blocks网络改进得到生成器GB，其网络结构包括特征提取卷积部分、深度堆积残差块部分、反卷积部分。
5.根据权利要求4所述的一种基于无监督生成对抗网络的模糊图像复原方法，其特征在于，所述特征提取卷积部分由两个卷积模块组成，得到的图像的尺寸缩小4倍，通道数增加4倍，该部分的卷积模块由1个卷积层、1个归一化层以及1个激活函数层ReLU函数组成，其中，卷积层的步长为2，在特征提取部分之前，还设有一个卷积输入层，将输入图像的通道数调整到特征提取部分的输入通道数；
深度堆积残差块部分由6个res-block堆叠组成，每个res-block由2个卷积层、2个归一化层以及1个激活函数层ReLU函数组成；
反卷积部分用于增加图像的尺寸以及减少通道数，由2个反卷积模块组成，输出通道...
【专利技术属性】
技术研发人员：徐剑，董文德，徐贵力，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
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。