【技术实现步骤摘要】
无监督领域自适应图像非盲解卷积方法、装置及介质
[0001]本专利技术涉及图像非盲解卷积领域，尤其涉及一种无监督领域自适应图像非盲解卷积方法、装置及介质。
技术介绍
[0002]图像非盲解卷积是指从给定的模糊图像及其对应的模糊核中复原出清晰图像的方法。作为科学成像与图像复原中的一个重要问题，非盲图像去卷积有着重要的研究意义和应用价值。图像非盲去模糊的挑战主要来源于如何在恢复图像细节的同时抑制噪声的放大。传统的非盲去模糊方法比如基于图像先验的正则化方法通过人工定义图像先验来求解问题。其迭代优化过程耗时较长，正则化参数需要对每张进行优化设置，因此在运行时间和复原效果上都不能达到令人满意的结果。
[0003]近年来，随着深度学习在图像处理领域的长足发展，基于深度学习的方法逐渐成为了图像非盲解卷积算法的主流。目前基于深度学习的常用的图像非盲解卷积方法大多为有监督的方法，其基于大量的模糊和清晰图像数据对进行训练，从而获得去模糊模型。然而，在科学成像的许多应用领域中，如显微镜成像和遥感成像，获得清晰图像极其困难，甚至不切实际，这...
【技术保护点】
【技术特征摘要】
1.一种无监督领域自适应图像非盲解卷积方法，其特征在于，包括以下步骤：确定源域数据和目标域数据，其中，所述源域数据包括模糊图像、模糊核以及清晰图像，所述目标域数据包括模糊图像、模糊核；构建非盲解卷积模型；采用源域数据对非盲解卷积模型进行有监督训练，获得预训练模型；将获得的预训练模型作用到目标域数据上，并采用无监督自适应损失对预训练模型进行训练，获得迁移模型；判断迁移模型的解卷积精度是否满足预设条件，若满足则停止训练，否则继续训练；将迁移训练后的迁移模型作用于目标域数据，输出测试图像的解卷积结果。2.根据权利要求1所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述非盲解卷积模型由反演模块和去噪模块交替迭代构建而成；其中，反演模块通过使用快速傅里叶变换的方法求解二次问题从而获得反演结果，去噪模块由一个UNet网络构成。3.根据权利要求1所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述无监督自适应损失的表达式如下：其中，M代表非盲解卷积模型，非盲解卷积模型的输入包括模糊图像和模糊核Γ1和Γ2代表数据增强方法，代表图像噪声，代表卷积操作，代表矩阵的Frobenius范数的平方。4.根据权利要求2所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述非盲解卷积模型是基于半二次分裂的方案来对正则化模型进行展开，所述非盲解卷积模型的表达式如下：其中，代表某种图像先验，W
p
是一组小波高通滤波器集合，X代表清晰图像，Y代表模糊图像，K代表模糊核，代表矩阵的Frobenius范数的平方，p代表小波高通滤波器的编号；基于半二次分裂的迭代方案如下：对于t＝1,
…
T,T,其中λ
t
是超参数，T为迭代的总次数，A
p
代表一组辅助变量。5.根据权利要求2所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述反演模块对应于迭代的第一步；所述去噪模块对应于迭代的第一步；所述去噪模块对应于迭代的第二步。
6.根据权利要求2所述的一种无监督领域自适应图像非盲解卷积...
【专利技术属性】
技术研发人员：陈卓杰，许若涛，全宇晖，许勇，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
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。