[发明专利]一种基于深度学习的无人机运动模糊图像的复原方法

权利要求书

1.一种基于深度学习的无人机运动模糊图像的复原方法，其特征在于，包括如下步骤：

S1、收集无人机图片，制作数据集，所述数据集包括训练集和测试集，所述训练集和测试集分别包含清晰的无人机图像和对应的运动模糊的无人机图像；

S2、建立网络模型，所述网络模型包括优先网络和调节网络，所述优先网络为一个PixelCNN，所述调节网络由两层沙漏模块堆叠而成，沙漏模块的下采样为最大池化操作，上采样为转置卷积操作；

S3、将训练集中的数据导入到所述网络模型中进行训练，将清晰图像输入所述优先网络，运动模糊图像输入调节网络，通过优化输出图像与输入的清晰图像的误差，不断迭代，得到训练好的网络模型，具体包括：

S31、将训练集中的清晰图像输入所述优先网络，对应的运动模糊图像输入调节网络；

S32、分别通过优先网络和调节网络计算出输入图像的条件对数概率矩阵，相加后得到输出结果的条件对数概率矩阵；

S33、计算输出结果的条件对数概率矩阵与输入的清晰图像之间的误差，通过反向传播，优化误差；

S34、重复上述步骤，将误差优化到预设阈值之下后，得到训练好的网络模型；

S4、使用测试集对所述训练好的网络模型进行测试，通过对比测试集中清晰的无人机图像与训练好的网络模型生成的无人机图像，得到清晰图像和生成的结果图像的对比参数，满足预设阈值后完成测试；

S5、使用完成测试的网络模型复原无人机运动模糊图像。

2.如权利要求1所述的基于深度学习的无人机运动模糊图像的复原方法，其特征在于，步骤S1中，通过对清晰的图像进行旋转、线性模糊或高斯噪声处理或生成对应的运动模糊的无人机图像。

3.如权利要求1所述的基于深度学习的无人机运动模糊图像的复原方法，其特征在于，步骤S4中，网络模型生成无人机图像具体包括：

S41、优先网络首先将与清晰图像形状相同的零矩阵O₀作为输入，调节网络将模糊图像作为输入；

S42、在得到所述网络模型生成的图像后，将生成图像的第一个像素的值储存到O₀，得到新的矩阵O₁；

S43、优先网络再将O₁作为新的输入，然后同样的方式，得到网络模型生成的矩阵，再将生成矩阵的第二个像素的值储存到O₁，得到新的矩阵O₂；

S44、重复上述过程，递归地生成零矩阵的每一个像素的值，最终得到生成的完整的清晰图像。

4.如权利要求1所述的基于深度学习的无人机运动模糊图像的复原方法，其特征在于，步骤S4中，所述清晰图像和生成的结果图像的对比参数包括：峰值信噪比、均方误差和结构相似性。