基于域适应的深度去模糊方法技术

本发明专利技术提供了一种基于域适应的深度去模糊方法，结合一种基于密集残差块的图像去模糊模块和一种基于生成对抗网络的域转换模块，从真实及合成动态场景下模糊图像间域差异出发，在不增加内容对齐的图像对的前提下，提升图像去模糊网络在真实动态场景模糊图像上的适应能力，构建训练基于域适应的深度动态场景去模糊网络。本发明专利技术解决了深度图像去模糊方法在动态场景模糊图像上适应能力差的技术难题，在公开的GoPro数据集上的测试指标优于同类型的其他算法，提升了现有方法对动态场景下图像去模糊适应能力差的问题，对去模糊问题关心的图像边缘提取能力适应性更强，对各卷积层提取出的特征利用更充分，对残差连接获得的特征保留更完整。完整。完整。

【技术实现步骤摘要】
基于域适应的深度去模糊方法


[0001]本专利技术涉及数字图像处理
，涉及一种图像去模糊的方法，具体是一种基于域适应的深度去模糊方法。

技术介绍

[0002]图像去模糊技术在军事探测、医学成像、航空航天等领域具有重要的价值。在文献“X.Tao,H.Gao,X.Shen,et al.Scale
‑
recurrent Network for Deep Image Deblurring[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2018:8174
–
8182.”中，Tao等人在多尺度模型框架的下层建筑上，设计实现了基于递归模块的共享不同尺度参数的新型管道，即尺度迭代网络(Scale
‑
recurrent Deep Network，简称SRNet，作者认为多尺度网络如果在多尺度间互相独立参数，每个尺度分支学习的参数会倾向于处理对应分辨率的图像，这可能会对最终分辨率复原效果造成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于域适应的深度去模糊方法，其特征在于包括下述步骤：步骤1：构建数据集；从大量真实场景下拍摄的图像中，按照如下原则选取模糊图像：(a)场景曝光正常、涵盖多种场景、多种被摄物体、多种拍摄设备；(b)拍摄设备与被摄物体具有相对运动；(c)拍摄设备不能对原始图像进行预处理，因此采用任意角度旋转、水平翻转或竖直翻转的方式将原始图像扩展为3214张图像，并从原始图像和扩展后的图像形成的每对图像中截取1280*720像素大小的区域，最终得到3214对1280*720像素大小图像的训练集；步骤2：构建基于密集残差块的图像去模糊子网；第1层为32个步长为1、卷积核大小为3的卷积层，第2层为激活函数层，激活函数选用LeakyReLU函数，第3层到第18层均为密集残差块，每个密集残差块中为4个步长为1、卷积核大小为3的卷积层以及4个LeakyReLU激活函数层采用密集残差进行连接，分别称之为C1～C4，所谓密集残差连接指的是：C1的输入经过卷积层和激活函数层后分别输出到C2、C3和C4的输入处，C2的输入经过卷积层和激活函数层后分别输出到C3和C4的输入处，C3的输入经过卷积层和激活函数层后输出到C4的输入处；第19层为激活函数层，激活函数选用LeakyReLU函数，第20层为32个步长为1、卷积核大小为3的卷积层；将基于密集残差块的图像去模糊模块称为模块a；步骤3：构建基于生成对抗网络的域转换子网的判别器；判别器的第1层为64个步长为1、卷积核大小为3的卷积层，第2层为64个步长为2、卷积核大小为4的卷积层，第3层为128个步长为1、卷积核大小为3的卷积层，第4层为128个步长为2、卷积核大小为4的卷积层，第5层为256个步长为1、卷积核大小为3的卷积层，第6层为256个步长为2、卷积核大小为4的卷积层，第7层为512个步长为1、卷积核大小为3的卷积层，第8层为512个步长为2、卷积核大小为4的卷积层，第9层为512个步长为1、卷积核大小为3的卷积层，第10层为512个步...

【专利技术属性】
技术研发人员：朱宇，张艳宁，衡琪，杨钰祺，黄剑，张兵，孙瑾秋，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：