【技术实现步骤摘要】
本专利技术涉及人工智能，具体涉及一种基于残差密集u形网络的图像去模糊模型及方法。
技术介绍
1、目前，基于深度学习的图像去模糊技术在稳步发展，该技术主要基于卷积神经网络，利用卷积神经网络进行图像去模糊的大致步骤为：首先，准备一组模糊图像和对应的清晰图像作为数据集，还需要对数据集进行预处理，如裁剪、缩放、旋转等操作，以增加数据的多样性和丰富性，处理后的数据集分为训练集和测试集；其次设计一个适合图像去模糊的卷积神经网络，通常包括卷积层、反卷积层、残差块、生成器网络、判别器网络等。其中卷积层对输入图像进行卷积操作提取图像的特征，反卷积层用于将低分辨率的特征图恢复到高分辨率的图像实现图像的上采样，残差块用于解决深度网络训练中的梯度消失问题，生成器网用于将模糊图像映射到清晰图像，判别器网络用于区分生成的清晰图像和真实清晰图像的差异。然后，使用准备好的模糊数据集训练卷积神经网络模型，并通过反向传播算法和梯度下降法等优化算法，不断调整卷积神经网络模型参数，以逐步提高模型性能，最后通过测试集进行测试，评估模型在去模糊任务中的性能，如峰值信噪比（peak signal-to-noiseratio, psnr）、结构相似性指标（structural similarity index, ssim）、均方根误差（root mean square error, rmse）三种公认的客观评价指标对处理后的图像进行评价。
2、深度学习的方法已经在图像去模糊领域上取得了重大成功，但是多数方法普遍存在对模糊图像的细节特征提取不足，边缘特征丢失严重，导
3、有鉴于此，有必要提出一种基于残差密集u形网络的图像去模糊模型，以解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种能复原模糊图像的基于残差密集网络的图像去模糊模型。
2、为实现上述目的，本专利技术采用以下技术方案，包括：
3、梯度残差密集混合u形子网络，粗略获取模糊图像的多分辨率特征，所述梯度残差密集混合u形子网络应用于第一阶段；
4、梯度残差密集多尺度卷积注意力u形子网络，获得更加精细的所述模糊图像的所述多分辨率特征，所述梯度残差密集多尺度卷积注意力u形子网络应用于第二阶段、第三阶段和第四阶段；
5、特征监督注意力模块sam，融合不同阶段的多尺度特征信息。
6、作为本专利技术的进一步改进，所述梯度残差密集混合u形子网络包括：
7、梯度残差密集混合编码网络，所述梯度残差密集混合编码网络包括：三个通道注意力模块，突出模糊块的重要特征；三组密集残差混合u形模块grdb_rsu4mix block×l1；两个下采样模块，采用扩张因子为0.5的上采样函数并加入了1×1卷积层，每次通过下采样操作特征尺度缩小为原来的1/2，通道数增加ex_factor，所述ex_factor设置为32；
8、梯度残差密集混合解码网络，所述梯度残差密集混合解码网络包括：三个通道注意力模块，突出模糊块的重要特征；三组密集残差混合u形模块grdb_rsu4mix block×l1；两组上采样模块，采用两组1×1卷积核的卷积层；
9、跳连接模块，采用一组通道注意力模块，通过所述通道注意力模块将所述梯度残差密集混合编码网络提取的特征信息送入所述梯度残差密集混合解码网络。
10、作为本专利技术的进一步改进，所述密集残差混合u形模块grdb_rsu4mix block×l1包括：
11、密集残差模块grdb block，所述密集残差模块grdb block包括两组3×3卷积核的卷积层，两组gelu的激活层密集连接，最后在残差支路中加入sobel梯度运算来计算特征的梯度幅度并使用一个1×1卷积层跳连来消除输入输出通道维度的不同；
12、残差混合u形模块rsu4mix block，所述残差混合u形模块rsu4mix block包括：
13、输入深度卷积层，所述输入深度卷积层包括一组3×3卷积核的深度卷积层，所述输入深度卷积层将输入特征 ()变为通道数为64的中间输入特征 ()；
14、深度卷积编码子网络，所述深度卷积编码子网络包括三组3×3卷积核的深度卷积层，两组最大池化层模拟下采样操作，经过所述深度卷积编码子网络后输出特征；
15、深度卷积解码子网络，包括三组3×3卷积核的深度卷积层，两组特征混合模块mixblock，三组残差连接模块，所述深度卷积解码子网络将局部特征和多尺度特征进行融合；
16、级联深度卷积模块，包括一组3×3卷积核的深度卷积层，用以将所述深度卷积编码子网络提取的所述特征传递到所述深度卷积解码子网络中。
17、作为本专利技术的进一步改进，所述残差混合u形模块rsu4mix block包括：
18、输入深度卷积层，所述输入深度卷积层包括一组3×3卷积核的深度卷积层，所述输入深度卷积层将输入特征 ()变为通道数为64的中间输入特征 ()；
19、深度卷积编码子网络，所述深度卷积编码子网络包括三组3×3卷积核的深度卷积层，两组最大池化层模拟下采样操作，经过所述深度卷积编码子网络后输出特征；
20、深度卷积解码子网络，包括三组3×3卷积核的深度卷积层，两组特征混合模块mixblock，三组残差连接模块，所述深度卷积解码子网络将局部特征和多尺度特征进行融合；
21、级联深度卷积模块，包括一组3×3卷积核的深度卷积层，用以将所述深度卷积编码子网络提取的所述特征传递到所述深度卷积解码子网络中。
22、作为本专利技术的进一步改进，所述特征混合模块mix block的操作如下：
23、将下采样层处理的特征信息和下一层的上采样层的信息进行自适应混合操作来融合这两层的信息并将所述特征信息传入到下一个上采样层，自适应混合操作可以公式化为：
24、，
25、其中和分别来自第i-1个下采样层的特征图和第i个上采样层的特征图，表示第i+1个上采样层的特征图，其中i为2或3，表示自适应混合操作因子，用于融合第i-1个下采样的特征图和第i个上采样的特征图，其中由sigmoid算子决定。
26、作为本专利技术的进一步改进，所述梯度残差密集多尺度卷积注意力u形子网络包括：
27、梯度残差密集多尺度卷积注意力编码网络，所述梯度残差密集多尺度卷积注意力编码网络包括：三个通道注意力模块，突出模糊块的重要特征；三组梯度残差密集多尺度卷积注意力模块grdb_msca block×l1；两个下采样模块，采用扩张因子为0.5的上采样函数并加入1×1卷积层，通过下采样操作特征尺度缩小为原来的1/2，通道数增加ex_factor，所述ex_factor设置为32；
28、梯度残差密集多尺度卷积注意力解码网络；
29、跳连接模块，采用一组通道注意力模块，通过所述通道注意力模块将所述梯度残差密集多尺度卷积注意力编本文档来自技高网...
【技术保护点】
1.一种基于残差密集U形网络的图像去模糊模型，其特征在于，包括：
2.根据权利要求1所述的一种基于残差密集U形网络的图像去模糊模型，其特征在于，所述梯度残差密集混合U形子网络包括：
3.根据权利要求2所述的一种基于残差密集U形网络的图像去模糊模型，其特征在于，所述密集残差混合U形模块GRDB_RSU4Mix Block×L1包括：
4.根据权利要求3所述的一种基于残差密集U形网络的图像去模糊模型，其特征在于，所述残差混合U形模块RSU4Mix Block包括：
5.根据权利要求4所述的一种基于残差密集U形网络的图像去模糊模型，其特征在于，所述特征混合模块Mix Block的操作如下：
6.根据权利要求1所述的一种基于残差密集U形网络的图像去模糊模型，其特征在于，所述梯度残差密集多尺度卷积注意力U形子网络包括：
7.根据权利要求6所述的一种基于残差密集U形网络的图像去模糊模型，其特征在于，所述梯度残差密集多尺度卷积注意力模块GRDB_MSCA Block×L1包括：
8.根据权利要求7所述的一种基于
9.根据权利要求8所述的一种基于残差密集U形网络的图像去模糊模型，其特征在于，所述多尺度卷积注意力模块进行提取特征的步骤为：
10.一种基于残差密集U形网络的图像去模糊模型方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于残差密集u形网络的图像去模糊模型，其特征在于，包括：
2.根据权利要求1所述的一种基于残差密集u形网络的图像去模糊模型，其特征在于，所述梯度残差密集混合u形子网络包括：
3.根据权利要求2所述的一种基于残差密集u形网络的图像去模糊模型，其特征在于，所述密集残差混合u形模块grdb_rsu4mix block×l1包括：
4.根据权利要求3所述的一种基于残差密集u形网络的图像去模糊模型，其特征在于，所述残差混合u形模块rsu4mix block包括：
5.根据权利要求4所述的一种基于残差密集u形网络的图像去模糊模型，其特征在于，所述特征混合模块mix block的操作如下：
6....
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。