[发明专利]一种生成式对抗网络的超分辨率去模糊方法

权利要求书

1.一种生成式对抗网络的超分辨率去模糊方法，其特征在于，包括以下步骤：

S1、运用DRCN网络结构，组成超分辨率深度卷积网络，建立对抗网络模型；

S2、结合SRGAN网络代价函数，提升对抗网络性能；所述SRGAN网络代价函数的计算公式为：

其中，是基于内容的代价函数，用于计算内容损失，是基于对抗学习的代价函数，用于计算对抗损失；

所述基于内容的代价函数包括像素空间均方差和特征空间均方差，所述特征空间均方差计算公式为：

其中，W_i,j指网络ij层间特征图的宽度；H_i,j指网络ij层间特征图的高度；φ_i,j(I^HR)_x1,y1指原图像在网络第ij层间的特征图在点(x1，y1)上的值；指重建高分辨率图像在网络第ij层间的特征图在点(x1，y1)上的值；i指第i个最大池化层；j指第i个最大池化层前的第j个卷积层；x1指特征图横坐标x1变量；y1指特征图纵坐标y1变量；

S3、选择清晰图片，进行高斯噪声、运动模糊添加，实现训练；

所述高斯噪声、运动模糊添加具体为：运用5类散焦模糊核、16*18类运动模糊核进行超分辨率训练样本制作；

5类散焦模糊核的模糊半径r＝{1,2,3,4,5}，为清楚显示模糊核的轮廓，五类模糊核矩阵乘以相应的倍数来显示，模糊核矩阵放大倍数为b；

16*18类运动模糊核定义如下：规定运动像素的个数为m，m＝{5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20}；逆时针方向旋转角度θ，θ＝{0°，10°，20°，30°，40°，50°，60°，70°，80°，90°，100°，110°，120°，130°，140°，150°，160°，170°}，运动模糊核以m、θ自由组合，实现16*18个运动模糊核构建。

2.根据权利要求1所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述对抗网络模型包括生成模型和判别模型，所述生成模型用于生成服从真实数据分布的样本G(z)，判别模型用于判断输入样本是真实数据还是生成数据。

3.根据权利要求2所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述判别模型的训练是实现最小交叉熵的过程，所述交叉熵的计算公式如下：

式中，D(x)表示真实样本数据x通过判别网络判断其为真实样本的概率；D(G(z))表示生成样本通过判别网络后，判断其为真实样本的概率；x^～P_data(x)代表：x指真实样本数据，P_data(x)指真实样本分布，真实样本数据x采样于真实样本分布P_data(x)；z^～P_z(z)代表：z指噪声，P_z(z)指先验分布P_z(z)，噪声z采样于先验分布P_z(z)。

4.根据权利要求1所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述对抗损失的计算公式如下：

其中，是一个图像属于真实的高分辨率图像的概率；是重建的高分辨率图像；θ_D指鉴别器网络，由权重和偏差组成；N指图片总数，n指第n张图片。

5.根据权利要求1所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述5类散焦模糊核运用圆形区域值滤波器构建。