[发明专利]一种基于生成对抗网络的单幅图像去模糊方法

说明书

本发明涉及一种基于生成对抗网络的单幅图像去模糊方法，属于计算机视觉领域。该方法包括：S1：获取模糊图像，并对其进行预处理；S2：构建基于生成对抗网络的单幅图像网络，并将预处理后的图像输入该单幅图像网络进行训练；所述单幅图像网络中包括生成器网络和判别器网络；其中，生成器网络采用加入密集块的多尺度递归网络；判别器网络采用PatchGAN；S3：将待处理单幅模糊图像输入训练好的单幅图像网络，最终输出去模糊后的清晰图像。本发明解决了目前的图像去模糊算法局限于成对数据集，面临去模糊效果不好的问题，本发明能减少参数量，降低网络的训练难度，从而使得去模糊后的图像接近实际情况。

技术领域

本发明属于计算机视觉领域，涉及一种基于生成对抗网络的单幅图像去模糊方法。

背景技术

图像模糊是由于在图像成像的过程中，发生散焦模糊(相机自身对焦不准造成的模糊)和运动模糊(相机与成像目标在相对位置上的发生变化造成，比如位移、旋转等)，从而丢失图像的重要信息，在医学、军事、航天、公共场所的监控、人脸支付以及行人检测等领域，图像的模糊给相关人员、工作带来了诸多不便。图像去模糊将模糊图像通过算法处理，将模糊图像去模糊后生成清晰图像。目前图像去模糊主要分为盲去模糊和非盲去模糊。非盲去模糊主要是在模糊核已知的情况下，通过模糊图像与模糊核进行反卷积进行去模糊；盲去模糊主要是在模糊核位置的情况下，对模糊核进行估算得到模糊核，然后与模糊图像进行反卷积去模糊。随着深度学习的发展，盲去模糊新增了端到端的去模糊，去模糊的过程不再关注模糊核的估算，输入模糊图像，通过约束函数对映射进行约束，直接输出去模糊的清晰图像。深度学习需要大量的成对数据去训练，才能保证网络得到更好的泛化。是图像去模糊很难得到成对的模糊图像-清晰图像，即在真实情况下，图像模糊的产生无法同时记录到清晰图像的产生，目前大多数图像去模糊数据集是通过后期合成的，将清晰图像与合成的模糊核进行卷积得到成对的数据，或者通过高速相机获取视频帧来合成。

现有的图像去模糊算法局由于单幅图像的特征有限，导致图像去模糊不完整、失真，甚至出现图像不同程度的模糊加剧的情况。因此，目前亟需一种更好的图像去模糊算法，以此保证去模糊的效果。

发明内容

有鉴于此，本发明的目的在于提供一种基于生成对抗网络的单幅图像去模糊方法，解决目前的图像去模糊算法局限于成对数据集，面临去模糊效果不好的问题，该方法能减少参数量，降低网络的训练难度，从而使得去模糊后的图像接近实际情况。

为达到上述目的，本发明提供如下技术方案：

一种基于生成对抗网络的单幅图像去模糊方法，包括以下步骤：

S1：获取模糊图像，并对其进行预处理；

S2：构建基于生成对抗网络的单幅图像网络，并将预处理后的图像输入该单幅图像网络进行训练；

所述单幅图像网络中包括生成器网络和判别器网络；其中，生成器网络采用加入密集块的多尺度递归网络，将图像裁剪成256×256大小，以及下采样2次，以此对应三个尺度的输入，经过网络得到目标图像；判别器网络采用PatchGAN，判别图像的真实性；

S3：将待处理单幅模糊图像输入训练好的单幅图像网络，最终输出去模糊后的清晰图像。

进一步，步骤S1中，对模糊图像预处理，具体包括：将原始模糊图像裁剪成256×256大小，下采样2次，得到128×128、56×56的图像。

进一步，步骤S2中，所述多尺度递归网络将原始的残差块替换为密集块，每个尺度的网络采用编码器-解码器结构，整个网络的激活函数为ReLU，不同尺度之间的连接采用ConvLSTM。

进一步，步骤S2中，所述编码器由1个InBlock和2个EBlock组成；所述解码器由1个OutBlock和2个DBlock组成；EBlock包含1个卷积层和3个密集块，DBlock包含3个密集块和1个解卷积层，每个EBlock/OutBlock内所有的卷积层的内核数相同。