[发明专利]无监督领域自适应图像非盲解卷积方法、装置及介质

权利要求书

1.一种无监督领域自适应图像非盲解卷积方法，其特征在于，包括以下步骤：

确定源域数据和目标域数据，其中，所述源域数据包括模糊图像、模糊核以及清晰图像，所述目标域数据包括模糊图像、模糊核；

构建非盲解卷积模型；

采用源域数据对非盲解卷积模型进行有监督训练，获得预训练模型；

将获得的预训练模型作用到目标域数据上，并采用无监督自适应损失对预训练模型进行训练，获得迁移模型；

判断迁移模型的解卷积精度是否满足预设条件，若满足则停止训练，否则继续训练；

将迁移训练后的迁移模型作用于目标域数据，输出测试图像的解卷积结果。

2.根据权利要求1所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述非盲解卷积模型由反演模块和去噪模块交替迭代构建而成；

其中，反演模块通过使用快速傅里叶变换的方法求解二次问题从而获得反演结果，去噪模块由一个UNet网络构成。

3.根据权利要求1所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述无监督自适应损失的表达式如下：

其中，M代表非盲解卷积模型，非盲解卷积模型的输入包括模糊图像和模糊核Γ₁和Γ₂代表数据增强方法，代表图像噪声，代表卷积操作，代表矩阵的Frobenius范数的平方。

4.根据权利要求2所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述非盲解卷积模型是基于半二次分裂的方案来对正则化模型进行展开，所述非盲解卷积模型的表达式如下：

其中，代表某种图像先验，W_p是一组小波高通滤波器集合，X代表清晰图像，Y代表模糊图像，K代表模糊核，代表矩阵的Frobenius范数的平方，p代表小波高通滤波器的编号；

基于半二次分裂的迭代方案如下：对于t＝1,…T,

其中λ_t是超参数，T为迭代的总次数，A_p代表一组辅助变量。

5.根据权利要求2所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述反演模块对应于迭代的第一步；所述去噪模块对应于迭代的第二步。

6.根据权利要求2所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述去噪模块的网络结构如下：

第一卷积模块，第一卷积模块的卷积核大小为3×3，步长为1，填补为1，输入通道为t×C，输出通道为64；

第二卷积模块，第二卷积模块的卷积核大小为3×3，步长为2，填补为1，输出通道为128；

反卷积模块，反卷积模块的卷积核大小为3×3；

第三卷积模块，第三卷积模块的卷积核大小为3×3，步长为1，填补为1，输入通道为128，输出通道C；

在第一卷积模块和第二卷积模块之间依次连接有4个输入输出通道为64残差通道注意力模块；在第二卷积模块和反卷积模块之间依次连接有4个输入输出通道为128的残差通道注意力模块；在反卷积模块和第三卷积模块之间依次连接有4个输入输出通道为64的残差通道注意力模块；其中，残差通道注意力模块由残差块和通道自注意力机制模块组合而成。

7.根据权利要求1所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，所述判断迁移模型的解卷积精度是否满足预设条件，包括：

利用迁移模型对于目标域中验证数据进行解卷积，将解卷积的结果与对应的清晰图像计算PSNR并求平均值，当PSNR的平均值大于等于预设值时，判定迁移模型的解卷积精度满足预设条件。

8.根据权利要求7所述的一种无监督领域自适应图像非盲解卷积方法，其特征在于，PSNR的计算公式如下：

其中，X代表清晰图像，代表复原的图像，MAX代表像素的最大值，m、n分别表示图像的长和宽，i,j分别表示图像像素的横纵坐标。