[发明专利]基于残差注意力块的运动模糊图像复原方法

说明书

本发明提出一种基于残差注意力块的运动模糊图像复原方法，采用的网络包括由粗到细三个尺度，首先对图像进行预处理，然后在第一级尺度的网络上的编码端通过下采样提取模糊图像的主要特征，网络的基本结构由残差注意力块组成，可以更有效的提取出图像特征，再连接上循环模块，用以获取图像的空间信息，每个尺度的循环模块通过上采样方式连接，最后通过解码端上采样得到输出的结果。每个尺度的网络结构相同，通过跨尺度共享权重来减少参数量，来加快网络的训练速度，通过构建的运动模糊图像复原模型有效的恢复出清晰的图像边缘和一些细节的图像纹理信息。提高了运动模糊图像复原的质量。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于残差注意力块的运动模糊图像复原方法。

背景技术

使用相机或手机拍摄照片时，由于技术限制，得到的不会是单一时间的即时图像，表现出来的应该是一段时间内的场景，所以在相机曝光的这段时间里，如果该场景中的人或物体产生了移动，或相机发生了抖动，抑或者景深产生了变化等，都会导致之前采集到的像素点发生变化，也就是说在得到的图片中，任何沿着相机相对方向运动的物体将会看起来模糊或被晃动，这就是运动模糊，也称为动态模糊。这种情况在生活中经常会碰到，例如跟拍奔跑中的运动员，在高速运行的动车上拍摄窗外景物等都很可能获得运动模糊的图像，因此，模糊图像的复原被广泛用于生产生活、工业制造、天文观测、医学影像等领域，对运动模糊图像复原的研究具有重要价值。

随着深度学习被广泛应用到计算机视觉领域，并取得很好的结果。利用卷积神经网络(Convolutional Neural Network)估计模糊核，堆叠多个CNN以模拟迭代优化来预测频域中的反卷积核，这类方法虽然在实验中得到恢复的清晰图像，但是实际应用效果并不好。不仅是因为简化了实际情况中复杂的模糊情况，而且这些方法没有真实的模糊-清晰图像对用于监督学习，因此，通常使用的是自定义的由清晰图像卷积模糊核而生成的图像来进行训练，这样导致得到的模型仅仅只能处理空间均匀或几种特定类型的模糊，这就限制了模型处理真实模糊图像的能力。虽然这些方法都能在一定程度上对非均匀运动模糊图像进行复原，但是这些方法的网络结构比较复杂，参数量多，因此计算量较大，网络训练耗时长，且实际情况下的复原图像在细节方面并不理想。

发明内容

为了弥补现有技术的空白和不足，本发明提出一种基于残差注意力块的运动模糊图像复原方法，用以实现提高运动模糊图像复原质量的技术效果。

其采用的网络包括由粗到细三个尺度，首先对图像进行预处理，然后在第一级尺度的网络上的编码端通过下采样提取模糊图像的主要特征，网络的基本结构由残差注意力块组成，可以更有效的提取出图像特征，再连接上循环模块，用以获取图像的空间信息，每个尺度的循环模块通过上采样方式连接，最后通过解码端上采样得到输出的结果。每个尺度的网络结构相同，通过跨尺度共享权重来减少参数量，来加快网络的训练速度，通过构建的运动模糊图像复原模型有效的恢复出清晰的图像边缘和一些细节的图像纹理信息。提高了运动模糊图像复原的质量。

本发明具体采用以下技术方案：

一种基于残差注意力块的运动模糊图像复原方法，其特征在于：采用包括由粗到细三个尺度的网络，其基本结构由残差注意力块组成，再连接上循环模块，用以获取图像的空间信息，每个尺度的循环模块通过上采样方式连接，最后通过解码端上采样得到输出的结果，且每个尺度的网络结构相同；具体包括以下步骤

步骤S1：对输入的模糊图像进行预处理，以防止网络训练过程发生过拟合；

步骤S2：将步骤S1获得的低分辨率图像作为尺度一网络的输入，编码端通过下采样操作从运动模糊图像中提取主要特征；能够有效提取出模糊图像特征信息

步骤S3：将步骤S2通过编码端的输出，再经过一个卷积门控循环模块ConvGRU，通过该模块对编码部分提取的特征图进行处理，获取图像空间信息，把有用的隐藏历史信息给提取出来；