【技术实现步骤摘要】
本专利技术属于光学图像智能处理与计算机智能，涉及一种基于模糊核学习的光学图像去运动模糊方法、系统和设备。
技术介绍
1、光学图像去运动模糊在光学图像目标检测、识别和分类等任务中起到的作用至关重要。在实际应用中，往往会出现所获取的光学图像由于传感器与目标物体相对运动等因素导致模糊的问题，大大影响了后续光学图像目标检测识别的成功率和效率。因此，用获得的运动模糊光学图像生成清晰去运动模糊光学图像的去运动模糊方法亟待研究。
2、目前，现有的光学图像去运动模糊方法主要分为两大类，分别是基于模型的光学图像去运动模糊方法和基于深度学习的光学图像去运动模糊方法。基于模型的光学图像去运动模糊方法从数理基础出发，对模糊核和模糊图像建模，该类光学图像去运动模糊方法具有良好的可解释性和泛化性能，但去运动模糊性能有限。基于深度学习的方法由于其具有良好的基于数据驱动的性能而在光学图像去运动模糊领域有广泛的应用。但是现有的基于深度学习的去运动模糊方法主流为端到端的黑盒模型，缺少对模糊核信息的利用，当面对训练样本外的真实复杂运动模糊图像时，性能会有明显的下降。
技术实现思路
1、针对上述传统方法中存在的问题，本专利技术提出了一种基于模糊核学习的光学图像去运动模糊系统、一种基于模糊核学习的光学图像去运动模糊方法和一种计算机设备，能够在面对训练样本外的真实复杂运动模糊图像时明显提升去运动模糊性能。
2、为了实现上述目的，本专利技术实施例采用以下技术方案：
3、一方面，提供一种基于模
4、获取待进行去运动模糊的光学模糊图像；
5、将光学模糊图像输入已训练好的光学图像去运动模糊网络进行去运动模糊，得到光学清晰去模糊图像；其中，训练好的光学图像去运动模糊网络通过以下步骤获得：
6、获取图像数据集；图像数据集包括多张通过高速摄影机拍摄得到的光学清晰样本图像和通过连续光学清晰样本图像求平均获取的光学模糊样本图像；
7、根据图像数据集中的样本图像构建清晰-模糊的配对数据集；配对数据集包括多个数据对，每一数据对均由一张光学清晰样本图像及对应的光学模糊样本图像构成；
8、基于自适应运动估计优化算法的更新迭代计算框架构建光学图像去运动模糊网络后，将配对数据集输入光学图像去运动模糊网络进行训练，得到训练好的光学图像去运动模糊网络；其中，光学图像去运动模糊网络包括模糊核学习网络和图像去模糊网络，模糊核学习网络对输入的图像做特征提取得到模糊核信息图，图像去模糊网络基于模糊核信息图对输入的图像进行去运动模糊及去噪处理，输出光学清晰去模糊图像。
9、在其中一个实施例中，模糊核学习网络采用卷积神经网络结构，在模糊核学习网络进行迭代过程中输出特征图像大小与模糊核信息图大小一致。
10、在其中一个实施例中，图像去模糊网络采用深度自动编码器结构，在图像去模糊网络进行迭代过程中输入的图像、输出的图像与光学清晰去模糊图像的大小一致。
11、在其中一个实施例中，模糊核学习网络和图像去模糊网络每一次迭代计算后的深度学习循环过程中，包括：
12、将模糊核信息图与光学清晰样本图像进行卷积操作，得到与光学清晰样本图像相应的光学重构模糊图像；
13、根据光学重构模糊图像、光学清晰去模糊图像、光学清晰样本图像以及光学模糊样本图像计算得到重构误差；
14、根据重构误差进行梯度计算后，根据梯度计算结果反向修正模糊核学习网络和图像去模糊网络中的参数，分别迭代更新模糊核学习网络和图像去模糊网络。
15、在其中一个实施例中，迭代更新模糊核学习网络的过程，包括：
16、将光学模糊样本图像输入模糊核学习网络，提取模糊核信息图；
17、根据模糊核信息图重构光学重构模糊图像并根据绝对值损失函数计算模糊核信息损失；
18、根据模糊核信息损失对模糊核学习网络进行当前一次的迭代更新。
19、在其中一个实施例中，迭代更新图像去模糊网络的过程，包括：
20、将光学模糊样本图像和模糊核信息图输入图像去模糊网络，重构输出光学清晰去模糊图像；
21、根据光学清晰去模糊图像和光学清晰样本图像，通过边缘损失函数和沙博尼耶损失函数计算在进行深度学习循环时的图像重构损失；
22、根据图像重构损失对图像去模糊网络进行当前一次的迭代更新。
23、在其中一个实施例中，在深度学习循环时，对模糊核学习网络和图像去模糊网络同时进行更新，深度学习循环的交替迭代次数为4000次。
24、在其中一个实施例中，光学图像去运动模糊网络的总损失函数为：
25、
26、其中，λ1和λ2分别为权重参数。为沙博尼耶损失函数，为边缘损失函数，为模糊核损失函数。
27、另一方面，还提供一种基于模糊核学习的光学图像去运动模糊系统，包括：
28、图像获取模块，用于获取待进行去运动模糊的光学模糊图像；
29、图像输出模块，用于将光学模糊图像输入已训练好的光学图像去运动模糊网络进行去运动模糊，得到光学清晰去模糊图像；其中，训练好的光学图像去运动模糊网络通过以下步骤获得：
30、获取图像数据集；图像数据集包括多张通过高速摄影机拍摄得到的光学清晰样本图像和通过连续光学清晰样本图像求平均获取的光学模糊样本图像；
31、根据图像数据集中的样本图像构建清晰-模糊的配对数据集；配对数据集包括多个数据对，每一数据对均由一张光学清晰样本图像及对应的光学模糊样本图像构成；
32、基于自适应运动估计优化算法的更新迭代计算框架构建光学图像去运动模糊网络后，将配对数据集输入光学图像去运动模糊网络进行训练，得到训练好的光学图像去运动模糊网络；其中，光学图像去运动模糊网络包括模糊核学习网络和图像去模糊网络，模糊核学习网络对输入的图像做特征提取得到模糊核信息图，图像去模糊网络基于模糊核信息图对输入的图像进行去运动模糊及去噪处理，输出光学清晰去模糊图像。
33、又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于模糊核学习的光学图像去运动模糊方法的步骤。
34、上述技术方案中的一个技术方案具有如下优点和有益效果：
35、上述基于模糊核学习的光学图像去运动模糊方法、系统和设备，通过提出能够基于适应性模糊核学习的光学图像去运动模糊方法(amkdeblur)，构建由模糊核学习网络和图像去模糊网络构成的光学图像去运动模糊网络，利用获取的图像数据集，基于自适应运动估计(adam)优化算法更新迭代该网络直至收敛后，将待进行去运动模糊的光学模糊图像输入已训练好的光学图像去运动模糊网络中对其进行去运动模糊，得到光学清晰去模糊图像。由于图像处理过程中充分对模糊核信息进行了利用，使得网络在处理真实复杂运动模糊图像时，去运动模糊的性本文档来自技高网...
【技术保护点】
1.一种基于模糊核学习的光学图像去运动模糊方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，所述模糊核学习网络采用卷积神经网络结构，在所述模糊核学习网络进行迭代过程中输出特征图像大小与模糊核信息图大小一致。
3.根据权利要求1或2所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，所述图像去模糊网络采用深度自动编码器结构，在所述图像去模糊网络进行迭代过程中输入的图像、输出的图像与所述光学清晰去模糊图像的大小一致。
4.根据权利要求3所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，所述模糊核学习网络和所述图像去模糊网络每一次迭代计算后的深度学习循环过程中，包括：
5.根据权利要求4所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，迭代更新所述模糊核学习网络的过程，包括：
6.根据权利要求4所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，迭代更新所述图像去模糊网络的过程，包括：
7.根据权利要求4所述的基于模糊核学习的光学图
8.根据权利要求3所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，所述光学图像去运动模糊网络的总损失函数为：
9.一种基于模糊核学习的光学图像去运动模糊系统，其特征在于，包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述基于模糊核学习的光学图像去运动模糊方法的步骤。
...【技术特征摘要】
1.一种基于模糊核学习的光学图像去运动模糊方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，所述模糊核学习网络采用卷积神经网络结构，在所述模糊核学习网络进行迭代过程中输出特征图像大小与模糊核信息图大小一致。
3.根据权利要求1或2所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，所述图像去模糊网络采用深度自动编码器结构，在所述图像去模糊网络进行迭代过程中输入的图像、输出的图像与所述光学清晰去模糊图像的大小一致。
4.根据权利要求3所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，所述模糊核学习网络和所述图像去模糊网络每一次迭代计算后的深度学习循环过程中，包括：
5.根据权利要求4所述的基于模糊核学习的光学图像去运动模糊方法，其特征在于，迭代更新所述...
【专利技术属性】
技术研发人员：夏靖远，周治兴，杨志雄，廖淮璋，张双辉，
申请(专利权)人：中国人民解放军国防科技大学，
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。