[发明专利]基于对偶生成对抗式网络的人脸图像去模糊和恢复方法

说明书

本发明公开了一种基于对偶生成对抗式网络的人脸图像去模糊和恢复方法，本发明实现的步骤为：1、网络初始化；2、输入数据；3、优化判别器；4、优化生成器；5、迭代训练网络；6、测试网络；7、输出结果。本发明相比现有技术基于单一生成对抗式网络的方法，网络更加容易收敛，不容易造成模型崩塌，并且生成效果更加稳定，生成图像与真实图像更加接近。本发明可应用于对模糊、细节信息残缺的图像进行去模糊和恢复处理。

技术领域

本发明属于图像处理领域，具体涉及一种基于对偶生成对抗式网络的人脸图像去模糊和恢复方法。

背景技术

人脸作为人的重要特征之一，包含着大量的信息，我们可以非常直观地从面部获取其对象的有效信息，因此，人脸图像的复原和检测识别研究收到了社会的广泛的关注，其科研成果也普遍应用到了医学、刑侦、太空、军事等各个领域。对图像处理是为了改善图像的质量或者是更好地利用人脸图像中蕴含的大量的信息。人脸图像的复原算法和人脸检测识别算法的研究是图像领域非常重要的两个课题，其科研成果也广泛地应用于社会的各个方面。因此，本发明也是以这一环境为背景。

由于环境复杂，如灯光、日光、风声以及采集器自身状况，如采集器故障、采集方法不正确的影响，人脸图像在采集过程中很容易出现降质，使得到的人脸图像失真、模糊、富含噪声等负面情况，从而无法将人脸中的信息完整地表达出来。人脸图像复原通过分析图像退化的相关信息，得到其先验信息，然后利用整个图像退化的逆过程重新得到退化前的近似人脸图像，这就是人脸图像复原的目的。人脸图像复原是图像领域中的热门研究课题之一，具有十分重要的科研价值，因此受到了广泛的关注。

人脸图像复原技术可以按照时代发展分为传统图像复原技术和现代图像复原技术。

传统复原方法中，人脸复原的效果和质量主要取决于工作者对退化过程和退化知识的了解程度，这具有很大的局限性，因为在日常社会应用中，人脸图像的退化的先验信息是无法准确获取的，只能够进行近似的估计。该类方法主要分为直接复原法、正则化法、自适应法等。

现代图像复原技术发展出了神经网络法、小波分析法、支持向量机等。现在一般通过基于学习的人脸超分辨方法来复原低分辨率人脸图像。例如，Freeman提出的方法(Freeman W T,Pasztor E C,Carmichael O T.Learning low-level vision[J].International Journal of Computer Vision,2000,40(1):25-47)根据高低分辨率图像对所构成的训练集这一先验信息，输入一张低分辨率的人脸图像，就可以超分辨率重建出一张高分辨率的人脸图像。但是，这种方法在对输入图像块表示时，会出现拟合不当或者过拟合的问题，导致复原效果不理想；并且，这种算法需要找出图像块局部约束部分和重建约束部分各自对应的最小二乘解，复杂度较高，运行耗时比较长。

因此，如何快速地提高低分辨率人脸图像的质量，高效地增强监控录像中低质量人脸图像的分辨率，为人脸辨别提供足够的特征细节信息成为目前亟待解决的问题。

发明内容

本发明的目的在于克服上述不足，提供一种基于对偶生成对抗式网络的人脸图像去模糊和恢复方法，利用生成对抗式网络可以生成补全图像细节的能力，以及对偶学习双向翻译的思想，可以有效地对原始图像进行去模糊和恢复，还原其细节信息，同时可以快速地生成结果图像。

为了达到上述目的，本发明包括以下步骤：

步骤一，随机初始化生成器G_A、生成器G_B和判别器D_A、判别器D_B的网络参数；

步骤二，将清晰完整的图像和模糊细节信息缺失的图像分别作为数据集U和数据集V，和随机噪声z和随机噪声z’一起输入网络；