[发明专利]一种基于生成对抗网络的水下图像去模糊方法

权利要求书

1.一种基于生成对抗网络的水下图像去模糊方法，其特征在于，包括如下步骤：

S1：获取水下退化图像与清晰图像作为训练样本，对改进后的DeblurGAN网络进行训练，获取到优化模型；

S2：将需要处理的水下退化图像输入训练好的优化模型之中，得到清晰图像。

2.根据权利要求1所述的一种基于生成对抗网络的水下图像去模糊方法，其特征在于，所述步骤S1中DeblurGAN网络包括生成器网络和判别器网络，对于DeblurGAN网络的改进方法包括如下：

修改原始的DeblurGAN网络模型中生成器网络的激活函数：将原始的DeblurGAN网络模型中生成器网络的激活函数ReLU替换为SeLU；

在保持原始的DeblurGAN网络基础上，分别在生成器网络的九个ResBlock结构前后各加入卷积核为3×3的卷积层、归一化层和激活层，即加深一层特征提取；

在对判别器网络进行损失训练时，增加了梯度惩罚项；

在原始的DeblurGAN网络模型中引入生成图像和清晰图像的梯度L1距离作为生成器损失的正则项约束。

3.根据权利要求2所述的一种基于生成对抗网络的水下图像去模糊方法，其特征在于，所述激活函数SeLU的公式为：

其中x表示输入，α和λ表示超参数；

激活函数SeLU保留了小于0输入的计算，并且经过该激活函数后样本的分布自动归一化到0均值和单位方差。

4.根据权利要求2所述的一种基于生成对抗网络的水下图像去模糊方法，其特征在于，所述判别器网络的损失训练方法为：

判别器网络的损失函数为：

其中，表示图片取自生成图片集，x～p_r表示图片取自真实清晰图片集，D代表图片输入到判别器后得到的概率，E代表将判别器对输入图像局部块的判定结果求平均；

判别器网络的损失训练是让判别器网络将重建图像判断为真实图像的概率最大化，生成器网络的损失函数L为条件损失L_GAN和优化的感知损失L_X之和：

L＝L_GAN+λ·L_X (3)

生成器网络的条件损失函数为L_GAN为：

感知损失函数L_X是指将重建图像和清晰图像输入到训练好的VGG19网络，通过分别提取重建图像与清晰图像的特征进行对比，作为梯度惩罚项来惩罚对抗网络损失函数，在卷积层经过激活之后得到两个特征图之间的感知损失函数K_X，感知损失函数L_X为：

式中，φ_i，j表示将生成器网络得到的特征图和对应的真实清晰的图像送到VGG19网络的第i个卷积块、第j个卷积层后的特征图，W_i,j,H_i,j为特征图的宽和高，x、y分别是横坐标和纵坐标。

5.根据权利要求2所述的一种基于生成对抗网络的水下图像去模糊方法，其特征在于，在原始的DeblurGAN网络模型中引入生成图像和清晰图像的梯度L1距离作为生成器损失的正则项约束的具体方法为：

梯度算子采用的是Sobel算子中使用的计算方式，梯度图像的计算式：

Grad＝|dx|+|dy| (6)

式中，dx代表横轴方向的梯度，dy代表纵轴方向的梯度，Grad是梯度图；

梯度图像的L1损失为：

式中：d_s代表清晰图片的梯度图像，d_G(B)代表生成图像的梯度图像，C、H、W分别代表梯度图像的通道数、高和宽。

6.根据权利要求2所述的一种基于生成对抗网络的水下图像去模糊方法，其特征在于，所述步骤S2中清晰图像的获取过程为：

在改进的DeblurGAN网络模型中，输入一张模糊的图像，通过构建一个生成对抗网络，训练出一个卷积神经网络作为DeblurGAN中的生成器和一个判别网络，最终通过对抗形式重构出清晰的图像。