[发明专利]一种基于复杂任务分解正则化的图像复原模型、方法及设备

权利要求书

1.一种基于复杂任务分解正则化的图像复原模型，其特征在于，包括：特征提取与去噪子网、去模糊子网和图像重建子网；

所述特征提取与去噪子网包括卷积神经网络、深度卷积神经网络和降噪网络；

所述卷积神经网络用于对原始模糊图像进行特征提取，获取第一特征图；

所述深度卷积神经网络用于对所述原始模糊图像进行特征提取进，获取第二特征图；

所述降噪网络用于根据所述第一特征图和所述第二特征图重建模糊图像特征图；

所述去模糊子网用于去除所述模糊图像特征图中的湍流模糊获得第三特征图；

所述图像重建子网用于根据所述第三特征图进行图像重建并输出重建后的清晰图像。

2.根据权利要求1所述的基于复杂任务分解正则化的图像复原模型，其特征在于，所述深度卷积神经网络包括第一卷积层、第一深度卷积层、第二深度卷积层、第三深度卷积层和第四深度卷积层；所述第一卷积层分别与所述第二深度卷积层、所述第三深度卷积层和所述第四深度卷积层融合。

3.根据权利要求2所述的基于复杂任务分解正则化的图像复原模型，其特征在于，所述第一卷积层的过滤尺寸为3*3；所述第一深度卷积层的过滤尺寸为1*1；所述第二深度卷积层的过滤尺寸为2*2；所述第三深度卷积层的过滤尺寸为3*3；所述第四深度卷积层的过滤尺寸为4*4。

4.根据权利要求1所述的基于复杂任务分解正则化的图像复原模型，其特征在于，所述卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层；所述原始模糊图像依次经过所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层进行卷积过滤；所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层的过滤尺寸均为3*3。

5.根据权利要求1所述的基于复杂任务分解正则化的图像复原模型，其特征在于，所述降噪网络包括第六卷积层和第七卷积层；所述卷积神经网络和所述深度卷积神经网络进行卷积过滤后获取到的特征图依次经过所述第六卷积层和所述第七卷积层完成模糊图像特征图的重建；所述第六卷积层和第七卷积层的过滤尺寸为3*3。

6.一种基于复杂任务分解正则化的图像复原方法，应用于基于复杂任务分解正则化的图像复原模型，其特征在于，包括：

获取原始模糊图像；

使用特征提取与去噪子网中的卷积神经网络对所述原始模糊图像进行卷积过滤，获取第一特征图；同时使用所述特征提取与去噪子网中的深度卷积神经网络对所述原始模糊图像进行卷积过滤，获取第二特征图；

使用所述特征提取与去噪子网中的降噪网络根据所述第一特征图和所述第二特征图重建模糊图像特征图；

使用去模糊子网去除所述模糊图像特征图中的湍流模糊获得第三特征图；

使用图像重建子网根据所述第三特征图进行图像重建并输出重建后的清晰图像。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

分析所述特征提取与去噪子网输出图像的第一损失函数和所述图像重建子网输出图像的第二损失函数；

根据所述第一损失函数和所述第二损失函数分析所述图像复原模型的整体损失函数；

根据所述整体损失函数训练所述图像复原模型。

8.根据权利要求6所述的方法，其特征在于，所述方法还包括：

根据仿真退化图像的模糊程度和噪声水平，将训练集按退化程度划分为{T₁,...,T_n}个子训练集,通过子训练集预训练网络的权重。

9.一种基于复杂任务分解正则化的图像复原设备，其特征在于，包括服务器以及设置在所述服务器中的权利要求1-5任一项所述的图像复原模型。