图像去模糊方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术提供一种图像去模糊方法、装置、设备及可读存储介质，图像去模糊方法包括：在多尺度生成网络中对复杂模糊核的去除过程进行统一建模，由粗糙到精细的逐步生成模糊图像对应的恢复图像。同时，在多尺度生成网络中每一尺度的生成网络均采用全局跳跃连接，使得训练完成的多尺度生成网络对应该学习到的细节更敏感，所述细节为多尺度生成网络所应当向输入图像中添加的细节。再构建端到端的对抗式深度学习网络，结合对抗损失、内容损失与结构相似性损失得到联合损失来指导多尺度生成网络的训练。当多尺度生成网络的联合损失收敛时，得到训练完成的多尺度生成网络，基于训练完成的多尺度生成网络可以提高所得到的不同尺度的恢复图像的质量。恢复图像的质量。恢复图像的质量。

【技术实现步骤摘要】
图像去模糊方法、装置、设备及可读存储介质


[0001]本专利技术涉及人工智能和图像处理领域，尤其涉及一种图像去模糊方法、装置、设备及可读存储介质。

技术介绍

[0002]图像处理一直是计算机领域的一个重要课题，与日常生活、军事、航天、生物等多个领域紧密相关。其中，图像去模糊是一种将由于各种原因而形成的模糊图像，还原成清晰图像的技术。1964年，美国NASA使用了图像去模糊技术处理了有关月球的照片，这是该技术的一次成功应用，此后，图像去模糊在各个领域都有了广泛应用。例如：在交通领域需要拍摄车牌，但由于车速过快或曝光时间过长，造成模糊，通过图像去模糊技术可以得到清晰的车牌图像，提高识别准确率；在航天领域，航天器与地面的相对速度和遥远距离可能造成模糊，而图像去模糊技术可以提高卫星定位的精度；除此之外，比如刑侦领域的指纹和人脸识别、军事领域的目标识别和医学领域的扫描成像等，图像去模糊技术都具有重要作用。
[0003]图像模糊可抽象为原图像与模糊核算子进行卷积运算后的结果，而去模糊则是其逆过程。根据模糊的方式，模糊核也各不相同，根据是否知晓模糊核本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去模糊方法，其特征在于，所述图像去模糊方法包括：将原始模糊图像输入到训练完成的多尺度生成网络中，得到原始模糊图像对应的恢复图像，所述多尺度生成网络包括预设个数的不同尺度的生成网络；所述将原始模糊图像输入到训练完成的多尺度生成网络中，得到原始模糊图像对应的恢复图像的步骤包括：将原始模糊图像进行预设倍数的第K次幂的下采样，得到第K尺度的模糊图像，所述第K尺度为多尺度生成网络中最粗糙的尺度；将所述第K尺度的模糊图像输入到第K尺度的生成网络中，得到第K尺度的恢复图像；将所述第K尺度的恢复图像进行预设倍数的上采样，并输入到第K
‑
1尺度的生成网络中，得到第K
‑
1尺度的恢复图像，以此类推，直到得到第1尺度的恢复图像，所述第1尺度为多尺度生成网络中最精细的尺度，以所述第1尺度的恢复图像作为原始模糊图像对应的恢复图像。2.如权利要求1所述的图像去模糊方法，其特征在于，所述多尺度生成网络中每一尺度的生成网络包括预设个数的卷积层，且每一尺度的生成网络均采用全局跳跃连接，即每一尺度的生成网络的最后一个卷积层的输出图像加上所述尺度的生成网络的输入图像为所述尺度的生成网络输出的恢复图像。3.如权利要求1所述的图像去模糊方法，其特征在于，将原始模糊图像输入到训练完成的多尺度生成网络中，输出原始模糊图像对应的恢复图像的步骤之前还包括：构建成对的训练数据集，所述训练数据集包括若干模糊图像与所述模糊图像对应的清晰图像；将所述训练数据集中的待恢复的模糊图像输入到待训练的多尺度生成网络中，得到预设个数的不同尺度恢复图像；将所述待恢复的模糊图像对应的清晰图像进行预设倍数的下采样，得到预设个数的不同尺度清晰图像；基于预设个数的不同尺度清晰图像与预设个数的不同尺度恢复图像，计算得到结构相似性损失；将所述预设个数的不同尺度恢复图像与所述预设个数的不同尺度清晰图像分别输入到待训练的多尺度判别网络，得到预设个数的对于恢复图像的判别矩阵以及预设个数的对于清晰图像的判别矩阵；基于所述预设个数的对于恢复图像的判别矩阵以及预设个数的对于清晰图像的判别矩阵，计算得到对抗损失；将所述预设个数的不同尺度恢复图像与所述预设个数的不同尺度清晰图像分别输入到感知网络，得到预设个数的对于恢复图像的深度特征图以及预设个数的对于清晰图像的深度特征图；基于所述预设个数的对于恢复图像的深度特征图以及预设个数的对于清晰图像的深度特征图，计算得到内容损失；基于所述结构相似性损失、对抗损失与内容损失得到多尺度的联合损失函数，并以最大
‑
最小优化求解联合损失函数；将所述联合损失函数反向传播给待训练的多尺度生成网络与待训练的多尺度判别网
络，交替优化调整多尺度生成网络与多尺度判别网络的参数；检测多尺度生成网络的联合损失函数是否收敛；若所述多尺度生成网络的联合损失函数未收敛，则以训练数据集中新的模糊图像作为待恢复的模糊图像，并返回执行将所述训练数据集中的待恢复的模糊图像输入到待训练的多尺度生成网络中，得到预设个数的不同尺度恢复图像的步骤；若所述多尺度生成网络的联合损失函数收敛，则以最新的多尺度生成网络作为训练完成的多尺度生成网络。4.如权利要求3所述的图像去模糊方法，其特征在于，所述基于预设个数的不同尺度清晰图像与预设个数的不同尺度恢复图像，计算得到结构相似性损失的步骤包括：将所述预设个数的不同尺度清晰图像与预设个数的不同尺度恢复图像的像素值均值、像素值方差以及像素值协方差代入到结构相似性损失公式中，计算得到结构相似性损失，其中，所述结构相似性损失公式为：其中结构相似性的计算方法为：其中，为针对第k尺度生成网络的结构相似性损失，代表第k尺度的恢复图像，x
(k)
代表第k尺度的清晰图像，c1＝0.012，c2＝0.032，表示的像素值均值，表示x
(k)
的像素值均值；表示的像素值方差，表示x
(k)
的像素值方差；是与x
(k)
的像素值协方差。5.如权利要求3所述的图像去模糊方法，其特征在于，所述基于所述预设个数的对于恢复图像的判别矩阵以及预设个数的对于清晰图像的判别矩阵，计算得到对抗损失的步骤包括：将所述预设个数的对于恢复图像的判别矩阵以及预设个数的对于清晰图像的判别矩阵代入...

【专利技术属性】
技术研发人员：荆晓远，成明康，王许辉，窦习文，
申请(专利权)人：武汉大学，
类型：发明
国别省市：