[发明专利]一种基于深度感知网络的图像失焦去模糊方法

权利要求书

1.一种基于深度感知网络的图像失焦去模糊方法，其特征在于，包括下述步骤：

S1，对待去模糊图像进行预处理；

S2，将待去模糊图像输入至已训练好的深度感知网络模型中，得到恢复图像；

S3，将得到的恢复图像与真实清晰图像进行对比，计算衡量指标PSNR；

其中，深度感知网络模型的训练包括下述步骤：

(1)获取失焦模糊图像数据库；

(2)将数据库内的失焦模糊图像进行预处理，将预处理后的失焦模糊图像划分为训练集和验证集；

(3)利用训练集对深度感知网络模型进行训练，保存训练完成的网络参数；具体过程为：

将训练集的失焦模糊图像C输入已搭建好的深度感知网络模型中，提取失焦模糊图像C的特征图，得到恢复后的清晰图像，并将恢复图像与对应的清晰图像进行对比，计算损失函数，根据损失函数计算梯度，利用梯度反向传播和梯度下降更新模型参数，通过多次迭代，模型收敛至对应的真实清晰图像；其中，所述将训练集的失焦模糊图像C输入已搭建好的深度感知网络模型中，提取失焦模糊图像C的特征图，得到恢复后的清晰图像包括：

1)将失焦模糊图像C输入卷积层conv1，卷积层conv1的卷积核大小为3，卷积个数为32，步长为1，保持分辨率不变，再通过非线性激活得到特征图X1；

2)将特征图X1输入残差模块ResBlock1，残差模块ResBlock1的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X2；

3)将特征图X2输入残差模块ResBlock2，残差模块ResBlock2的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X3；

4)将特征图X3输入残差模块ResBlock3，残差模块ResBlock3的卷积核大小为3，步长为1，保持分辨率不变得到特征图X4；

5)将特征图X4输入卷积层conv2，卷积层conv2的卷积核大小为3，卷积个数为64，步长为2，再通过非线性激活得到特征图X5；

6)将特征图X5输入残差模块ResBlock4，残差模块ResBlock4的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X6；

7)将特征图X6输入残差模块ResBlock5，残差模块ResBlock5的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X7；

8)将特征图X7输入残差模块ResBlock6，残差模块ResBlock6的卷积核大小为3，步长为1，保持分辨率不变得到特征图X8；

9)将特征图X8输入卷积层conv3，卷积层conv3的卷积核大小为3，卷积个数为128，步长为2，再通过非线性激活得到特征图X9；

10)将特征图X9输入残差模块ResBlock7，残差模块ResBlock7的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X10；

11)将特征图X10输入残差模块ResBlock8，残差模块ResBlock8的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X11；

12)将特征图X11输入残差模块ResBlock9，残差模块ResBlock9的卷积核大小为3，步长为1，保持分辨率不变得到特征图X12；

13)将特征图X12通过残差模块ResBlock10，残差模块ResBlock10的卷积核大小为3，步长为1，保持分辨率不变得到特征图X13；

14)将特征图X13通过上采样算子得到两倍分辨率并经过卷积层conv4，卷积层conv4的卷积核大小为1，卷积个数为64，步长为1，得到特征图X14；

15)将特征图X14和特征图X8相加，通过残差模块ResBlock11，残差模块ResBlock11的卷积核大小为3，步长为1，保持分辨率不变得到特征图X15；

16)将特征图X15通过上采样算子得到两倍分辨率并经过卷积层conv5，卷积层conv5的卷积核大小为1，卷积个数为32，步长为1，得到特征图X16；

17)将特征图X16和特征图X4相加后，通过残差模块ResBlock12，残差模块ResBlock12的卷积核大小为3，步长为1，保持分辨率不变得到特征图X17；

18)将特征图X17输入卷积层conv6，卷积层conv6的卷积核大小为3，卷积个数为1，步长为1，得到深度图D1，并降采样得到深度图D2和深度图D3；

19)将特征图X12与深度图D3联结输入残差模块ResBlock13，残差模块ResBlock13的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X18；

20)将特征图X18输入残差模块ResBlock14，残差模块ResBlock14的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X19；

21)将特征图X19与输入残差模块ResBlock15，残差模块ResBlock15的卷积核大小为3，步长为1，保持分辨率不变得到特征图X20；

22)将特征图X20通过上采样算子得到两倍分辨率并经过卷积层conv7，卷积层conv7的卷积核大小为1，卷积个数为64，步长为1，得到特征图X21；

23)将特征图X21与深度图D2联结输入残差模块ResBlock16，残差模块ResBlock16的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X22；

24)将特征图X22输入残差模块ResBlock17，残差模块ResBlock17的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X23；

25)将特征图X23与输入残差模块ResBlock18，残差模块ResBlock18的卷积核大小为3，步长为1，保持分辨率不变得到特征图X24；

26)将特征图X24通过上采样算子得到两倍分辨率并经过卷积层conv8，卷积层conv8的卷积核大小为1，卷积个数为32，步长为1，得到特征图X25；

27)将特征图X25与深度图D1联结输入残差模块ResBlock19，残差模块ResBlock19的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X26；

28)将特征图X26输入残差模块ResBlock20，残差模块ResBlock20的卷积核大小为3，步长为1，保持分辨率不变，得到特征图X27；

29)将特征图X27与输入残差模块ResBlock21，输入残差模块ResBlock21的卷积核大小为3，步长为1，保持分辨率不变得到特征图X28；

30)将特征图X28通过上采样算子得到两倍分辨率并经过卷积层conv9，卷积核大小为1，卷积个数为3，步长为1，得到恢复图像Y；

(4)利用验证集对深度感知网络模型进行验证。