[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

说明书

本发明公开了一种无监督领域自适应图像非盲解卷积方法、装置及介质，其中方法包括：确定源域数据和目标域数据；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。本发明在不需要访问源域数据和目标域数据中的清晰图像的同时，对预训练模型进行迁移，提高模型在目标域的非盲解卷积性能。本发明可广泛应用于图像非盲解卷积领域。

技术领域

本发明涉及图像非盲解卷积领域，尤其涉及一种无监督领域自适应图像非盲解卷积方法、装置及介质。

背景技术

图像非盲解卷积是指从给定的模糊图像及其对应的模糊核中复原出清晰图像的方法。作为科学成像与图像复原中的一个重要问题，非盲图像去卷积有着重要的研究意义和应用价值。图像非盲去模糊的挑战主要来源于如何在恢复图像细节的同时抑制噪声的放大。传统的非盲去模糊方法比如基于图像先验的正则化方法通过人工定义图像先验来求解问题。其迭代优化过程耗时较长，正则化参数需要对每张进行优化设置，因此在运行时间和复原效果上都不能达到令人满意的结果。

近年来，随着深度学习在图像处理领域的长足发展，基于深度学习的方法逐渐成为了图像非盲解卷积算法的主流。目前基于深度学习的常用的图像非盲解卷积方法大多为有监督的方法，其基于大量的模糊和清晰图像数据对进行训练，从而获得去模糊模型。然而，在科学成像的许多应用领域中，如显微镜成像和遥感成像，获得清晰图像极其困难，甚至不切实际，这限制了有监督的深度学习非盲图像去模糊的广泛应用。在目标域上直接调用源域上预训练的模型，可能会导致性能急剧下降，尤其是当两个域之间的图像和模糊核差别很大时。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种无监督领域自适应图像非盲解卷积方法、装置及介质。

本发明所采用的技术方案是：

一种无监督领域自适应图像非盲解卷积方法，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。

进一步地，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。

进一步地，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，包括图像旋转和翻折，代表图像噪声，代表卷积操作，代表矩阵的Frobenius范数的平方。

进一步地，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：