[发明专利]基于聚合膨胀卷积网络的图像去模糊方法

权利要求书

1.一种基于聚合膨胀卷积网络的图像去模糊方法，其特征在于，具体步骤如下：

(1)、构建深度神经网络；

(2)、训练深度神经网络；

(3)、利用训练好的网络模型进行图像去模糊；

其中：

步骤(1)所述的构建深度神经网络，具体过程如下：

(11)、构造生成器；

(12)、构造鉴别器；

步骤(2)所述的训练深度神经网络，具体过程如下：

(21)、构造损失函数；

(22)、使用公开的、真实场景下的模糊图像数据集，训练构造好的神经网络；

其中，步骤(11)中所述构造生成器，具体过程如下：

(111)、构造网络头部：头部包含1个卷积核大小为5×5的卷积层，将输入的3通道RGB图像变换为一个64通道的特征映射；

(112)、构造网络中部：中部顺序地将自编码器模块堆叠起来，自编码器模块共2个；每一个自编码器模块还包含一个残差连接，将自编码器模块的输入与输出相加，作为自编码器模块的输出；具体过程如下：

(1121)、构造自编码器模块；具体过程如下：

(11211)、构造基于聚合膨胀卷积的残差模块，称为基础模块；具体过程如下：

(112111)、构造C路不同的路径，其中每一条路径都包含两个卷积核大小为3×3的卷积层，并且在每个卷积层之前都有一个激活层；第一层卷积层的输出与第二层卷积层的输入通道数相同，都为D；每条路径除了卷积层的膨胀系数都相同；C条路径中，每个卷积层的膨胀系数从1增加到D；C与D的乘积为一个常数Chr，Chr为基础模块输入的特征映射通道数；

(112112)、将C路不同的路径并联起来，基础模块的输入通过每一条路径，输出为每一条路径的输出之和；

(112113)、为基础模块添加残差连接，基础模块的输入与输出相加，作为基础模块的新输出；

(11212)、定义下采样组：一个下采样组由顺序连接的一个基础模块和一个最大池化层组成；

(11213)、定义上采样组：一个上采样组由顺序连接的一个最近邻插值层和一个基础模块组成；

(11214)、顺序连接L个下采样组，一个基础模块与L个上采样组，其中L为上采样组、下采样组的数量；

(11215)、在第i个下采样组与第L-i个上采样组中添加跳跃连接，每个跳跃连接将第i个下采样组中的基础模块的输出与第L-i个上采样组中最近邻插值层的输出相加，作为第L-i个上采样组中最近邻插值层的新输出，其中i为下采样组的编号，

(1122)、为每个自编码器模块添加残差连接；

(1123)、将带残差连接的自编码器模块顺序堆叠起来；

(113)、构造网络尾部：尾部包含1个非线性激活层和一个卷积核大小为5×5的卷积层，将网络中部得到的特征映射变换为输出的3通道图像；

步骤(12)中所述构造鉴别器，具体过程如下：

(121)、定义4个不同的卷积层，每个卷积层的卷积核大小都为3×3，步长都为2，输出的特征映射通道数从64开始，不断翻倍，直至最后一层变为1，即为64，128，256，512，每一个卷积层后连接一个非线性激活层；

(122)、定义最后一层卷积层，卷积核大小为3×3，步长为1，输出的特征映射通道数为1；

(123)、将之前定义的5层卷积层顺序连接起来；

步骤(21)中所述构造损失函数，具体过程如下：

(211)、构造图像内容损失函数，损失函数为l₁损失函数，具体形式为：

其中，x，y分别表示生成器的输出图像与真实图像，n表示图像中的元素总数；

(212)、构造生成器的对抗损失函数，具体形式为：

其中，表示期望，G和D分别表示生成器和鉴别器，B表示模糊图像集合，c表示生成器的输出图像想要得到的标签；

(213)、构造鉴别器的对抗损失函数，具体形式为：

其中，G和D分别表示生成器和鉴别器，B和S分别表示模糊图像集合和清晰图像集合，a和b分别表示生成图像和真实图像的标签；

步骤(22)中所述使用公开的、真实场景下的模糊图像数据集，训练构造好的神经网络，具体过程如下：

(221)、获取公开的、真实场景下的模糊图像数据集；

(222)、计算鉴别器的对抗损失函数，训练一轮鉴别器；

(223)、计算图像内容损失函数与生成器的对抗损失函数，训练一轮生成器；

(224)、不断重复步骤(222)与(223)，直至模型收敛。