【技术实现步骤摘要】
一种基于傅里叶变换的运动图像去模糊模型
[0001]本专利技术涉及图像恢复
,具体涉及一种基于傅里叶变换的运动图像去模糊模型
。
技术介绍
[0002]随着智能手机等诸多智能设备的普及和发展,实现拍照的需求对于人们越来越方便,如何帮助智能设备用户拍摄出清晰且没有模糊的图片也越来越重要
。
通常情况下的图像模糊是指图像在采集
、
传输
、
显示等过程中,由于各种因素的影响失去了清晰度
、
锐利度和细节等特征,而变得模糊不清的现象
。
常见的图像模糊类型包括:运动模糊
、
散焦模糊和噪声模糊等
。
其中运动模糊是由于拍摄设备或拍摄对象的运动而造成的模糊,例如拍摄快速移动的物体时,图像会出现拖影或伸展的现象
。
[0003]近年来,随着各种深度学习的网络架构层出不穷,有许多网络架构被应用于图像去模糊任务
。GAN(Generative adversarial network)
常被应用于图像去模糊任务,
GAN
通过引入生成器和判别器两个网络学习图像的分布,生成器负责将低质量模糊图像转化为高质量清晰图像,判别器负责判断生成器生成的图像是否与真值图像相似
。
通过不断地迭代训练生成器和判别器,
GAN
可以生成高质量的清晰图像
。
但是
GAN
需要训练生成器和判别器两个网络,训练过程比较复 ...
【技术保护点】
【技术特征摘要】
1.
一种基于傅里叶变换的运动图像去模糊模型,其特征在于:在去模糊模型中设置三级对称编码器
‑
解码器架构,其编码器对输入的模糊图像进行处理,提取出其重要特征并转化为低维度表示,解码器接收来自编码器的低维特征,将低维度表示逐步恢复为高维度表示;在编码器
、
解码器中使用自注意力机制
FDSA
在频域中估计缩放点积的注意力;在编码器
、
解码器中使用前馈网络
FFDN
融合模糊核级信息和像素级信息,并引入可学习的量化矩阵
M
以确定哪些频率信息保留;使用跨连接通道注意力模块
CCAM
作为编码器
、
解码器之间的信息交换组件;所述编码器连接了
Sobel
滤波器以增强边缘特征;联合使用内容损失函数
L
count
、
多尺度频率重建损失函数
L
MSFR
以及辅助边缘损失函数
L
edge
,三个损失函数综合图像的感知质量和频域特性,引导模型专注于恢复模糊图像中的高频分量
。2.
根据权利要求1所述一种基于傅里叶变换的运动图像去模糊模型,其特征在于:给定模糊图像
I
,首先利用3×3卷积将模糊图像
I
转换为低阶特征
F0,其中
H
×
W
是空间维数,
C
为通道数;接下来,低阶特征
F0通过三级对称编码器
‑
解码器架构得到深层特征
X0;三级编码器分级缩小空间尺寸,同时扩大通道容量,将特征转化为不同分辨率的多尺度特征
F1、F2和
F3,
3.
根据权利要求2所述一种基于傅里叶变换的运动图像去模糊模型,其特征在于:将多尺度特征
F1、F2和
F3输入跨连接通道注意力模块
CCAM
进行自适应特征融合得到三个尺度输出特征
X1、X2和
X3,将特征
X3直接输入第一级解码器,特征
X1、X2分别与自身上一级解码器输出特征加和作为对应解码器的输入,第三级解码器输出的深层特征
X0经过3×3卷积处理后与模糊图像
I
进行加和操作得到最终恢复图像
4.
根据权利要求1所述一种基于傅里叶变换的运动图像去模糊模型,其特征在于,在自注意力机制
FDSA
中,首先通过1×1的点卷积和3×3的深度卷积得到
F
q
、F
k
和
F
v
,其中,
F
q
为查询
Query
特征,
F
k
为键
Key
特征,
F
v
为值
Value
特征;然后,对估计的特征
F
q
和
F
k
应用快速傅里叶变换,从而得到
F
q
和
F
k
在频域中的相关性
。5.
根据权利要求1所述一种基于傅里叶变换的运动图像去模糊模型,其特征在于,融合模糊核级信息和像素级信息方式为:将模糊图像在频域上进行
ReLU
操作后,通过反傅里叶变换选择特定的频率来生成模糊模式;像素级信息通过前馈网络
FFDN
的中间流学习,模糊核级信息通过前馈网络
FFDN
的
ReLU
残差流学习,将生成的模糊核信息与像素级信息融合起来
。6.
根据权利要求5所述一种基于傅里叶变换的运动图像去模糊模型,其特征在于,前馈网络
FFDN
对输入特征进行层归一化得到层归一化张量;中间流实现过程为:层归一化张量首先通过1×1卷积,对得到的特征应用快速傅里叶变换获取频域特征,然后引入一个可学习的量化矩阵
M
,通过
JPEG
压缩算法的逆向学习,确定哪些频率信息应保留下来;具体的:将频域特征与量化矩阵
M
做逐元素相乘操作,并通过
反快速傅里叶变换恢复到像素级特征;其
FFDN
中间流的公式如下:其中,和分别是在
JPEG
压缩方法中将
patch
按照一定顺序展开成为一维向量的操作和将一维向量折叠成
patch
的操作,
⊙
表示元素逐位相乘操作,
GEGLU(<...
【专利技术属性】
技术研发人员:冯建新,郝恩光,杜玥,张健豪,丁元明,方辉,
申请(专利权)人:大连大学,
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。