一种基于多尺度特征提取和融合的图像去模糊方法技术

本发明专利技术公开一种基于多尺度特征提取和融合的图像去模糊方法，包括：(1)搭建生成对抗网络模型，设置参数；(2)设置图像语义内容约束项，图像结构重建约束项和判别目标损失函数；(3)为了预测清晰图像特征，抑制模糊图像特征，引入了多尺度特征提取和融合模块MSFEFM；(4)对于判别网络，将生成图像和标签图像输入到生成网络中，判别网络用需要对图像内容的真假进行判别；(5)判别网络将判别的结果反馈给生成网络，生成网络根据判别网络的反馈更新网络的参数进入下一次的迭代训练，生成网络和判别网络以上述描述的方式不断竞争训练，直到网络训练收敛；(7)将模糊图像载入到训练收敛的生成网络中，即可得到结构显著的生成图像。

【技术实现步骤摘要】

本专利技术属于图像处理、计算机视觉，具体涉及一种基于多尺度特征提取和融合的图像去模糊方法。

技术介绍

1、作为外界客观世界信息记录和传递的载体，图像一直是人类获取和辨别客观世界信息的主要来源和手段。然而，在图像的拍摄过程中会经常发生由相机抖动或物体运动引发的图像模糊问题。由于模糊的图像失去了清晰的结构和丰富的纹理信息，使得人们很难从中获取清晰的内容和精细的信息。因此，如何清晰化运动模糊图像，使其可以更好的应用于高级图像处理(图像检测、图像识别)等领域已经成为了一个研究热点。

2、针对如何清晰化模糊图像这个问题，人们主要从以下两个方面展开研究：基于传统的方法和基于深度学习的图像去模糊方法。基于传统方法的图像去模糊方法依靠于从图像中手动提取先验或图像的统计信息，并在此基础上建模优化方程，通过迭代求解优化方程得到恢复后的图像。由于传统方法仅在有限的图像上提取先验，因此这类方法只在特定模糊图像上获得较好的去模糊结果，而在其他模糊图像上泛化性较低。此外，迭代求解优化函数需要耗费大量的时间，因而这类方法并不能很好的满足算法对实时性的要求。基于深度学习的图像本文档来自技高网...

【技术保护点】

1.一种基于多尺度特征提取和融合的图像去模糊方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于多尺度特征提取和融合的图像去模糊方法，其特征在于，步骤(3)中，生成对抗网络模型的目标损失函数加权地表示为：

3.根据权利要求1所述一种基于多尺度特征提取和融合的图像去模糊方法，其特征在于，对于生成网络，所述编码器包括一个卷积层用于将输入图像的维度映射到64×64；五个下采样层用以下采样并编码图像，图像分辨率由256×256递减至16×16；在上述操作完成之后引入一个多尺度特征提取和融合模块MSFEFM，用于提取更复杂和抽象的特征，以捕捉数据中的潜在模式和关...

【技术特征摘要】

1.一种基于多尺度特征提取和融合的图像去模糊方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于多尺度特征提取和融合的图像去模糊方法，其特征在于，步骤(3)中，生成对抗网络模型的目标损失函数加权地表示为：

3.根据权利要求1所述一种基于多尺度特征提取和融合的图像去模糊方法，其特征在于，对于生成网络，所述编码器包括一个卷积层用于将输入图像的维度映射到64×64；五个下采样层用以下采样并编码图像，图像分辨率由256×256递减至16×16；在上述操作完成之后引入一个多尺度特征提取和融合模块msfefm，用于提取更复杂和抽象的特征，以捕捉数据中的潜在模式和关系，减少生成对抗网络模型对训练数据的依赖性，提高泛化能力；对应的，解码器包括五个上采样层用以上采样并解码图像，图像分辨率由16×16递增至256×256；最终，去模糊后的图像由一个tanh层和一个卷积层重建得到；

4.根据权利要求1所述一种基于多尺度特征提取和融合的图像去模糊方法，其特征在于，多尺度特征提取和融合模块分为两个部分，包括两个并行的多尺度特征提取模块，以及一个多尺度特征融合模块；多尺度特征提取模块用于提取输入数据的不同尺度和层次的特征；多尺度特征融合模块通过融合来自不同尺度的特征，形成丰富和全面的特征表示；不同尺度的特征包含不...

【专利技术属性】
技术研发人员：祁清，
申请(专利权)人：青海民族大学，
类型：发明
国别省市：