[发明专利]一种基于深度学习的人脸图像去模糊方法

说明书

本发明公开了一种基于深度学习的人脸图像去模糊方法，属于图像处理技术领域。本发明在保留原始图像的内容结构的同时，使用内容编码器和模糊编码器将模糊图像的内容和模糊特征区分开，实现了高质量的图像去模糊。在框架中添加了模糊分支和循环一致性损失，通过循环一致性，进行进一步的还原保证模型的鲁棒性，同时添加的感知损失有助于模糊图像去除不切实际的伪像，以及最后加入的对抗损失，使得本发明的去模糊效果更好，速度更快。

技术领域

本发明涉及到一种基于深度学习的人脸图像去模糊方法，属于图像处理技术领域。

背景技术

图像去模糊这一课题受到广泛关注，已有很长的研究历史，不仅因为数字图像已成为人们获取、交换和认识信息的重要途径，更因为图像包含大量的信息而其他信号不能比拟。由于成像系统固有存在的缺陷或在拍摄过程中受到多种干扰影响导致图像模糊，给人们的应用带来麻烦。人脸作为人体最具判别力的一个部分，自古以来就受到人类的极大关注。人物肖像和自画像，一直都是绘画作品中流行的题材。在步入移动互联网时代以后，基于人脸的各种应用更是层出不穷，如自拍，卡通化人脸图像，人脸识别，人脸自动换妆，样式迁移等。这些应用在给人们带来极大乐趣的同时，还给人们的生活提供了很多的便利。一个典型的例子是人脸识别。在基于深度学习的人脸识别达到超过人眼的识别精度之后，使用人脸进行身份认证的门禁系统在实际生活中得到了更加广泛的应用。考虑到人们对于人脸天然的敏感性，模糊对于人脸图像的影响要远大于对于一般图像的影响。对于人脸图像来说，一般情况下清晰度总是越高越好。实验表明，尽管通用图像去模糊算法取得了巨大成功，但现有的人脸去模糊算法距离实际应用还有相当大的距离。人脸图像去模糊是图像去模糊中重要的组成部分，其在生活中有广泛应用，例如视频监控、人脸识别等。

人脸图像去模糊，通常也叫图像去卷积，是从人脸图像模糊的机理出发，借助于一定的图像先验知识，从一副或多幅退化人脸图像中来重建出一副近似于真实人脸的清晰图像。大多数传统方法将图像去模糊任务公式化为模糊核估计问题，在过去的十年中，已经开发了各种自然图像和先验核来规范潜在锐利图像的解空间，包括重尾梯度先验，稀疏核先验，梯度先验，归一化稀疏性和暗通道。然而，这些先验是通过有限的观察来估计的，并且不够准确。结果，去模糊的图像通常欠去模糊(图像仍然模糊)或过度去模糊(图像包含许多伪像)。因此，用深度学习的方法进行人脸图像去模糊成为数字图像领域的热门研究课题。

发明内容

本发明提出了一种基于深度学习的人脸图像去模糊方法，以提高人脸图像去模糊的方法。

本发明为解决其技术问题采用如下技术方案：

一种基于深度学习的人脸图像去模糊方法，包括如下步骤：

(1)选取清晰人脸图像和模糊人脸图像，从清晰人脸图像中提取内容信息，使用模糊图像内容编码器从模糊人脸图像中估计模糊信息；

(2)通过添加一个KL散度损失来规范模糊特征Z_b＝E^b(b)的分布，使其接近正态分布p(z)～N(0,1)；

(3)将清晰图像内容编码和模糊编码送入模糊图像生成器重构得到模糊人脸图像；

(4)将模糊图像内容编码和模糊编码送入清晰图像生成器重构得到去模糊的清晰人脸图像；

(5)在清晰人脸图像和模糊人脸图像中应用对抗损失和

(6)引入循环一致性损失，将去模糊后的清晰人脸图像进行重新模糊，同时将模糊后的清晰人脸图像转换成原始的清晰图像；

(7)在去模糊的人脸图像和原始模糊人脸图像之间添加感知损失，去除去模糊后的人脸图像中的伪像；

(8)使用模糊图像内容编码器和模糊编码器提取测试图像内容和模糊特征，清晰图像的图像生成器获取输出然后生成去模糊后的人脸图像。

步骤(2)中所述KL散度损失定义如下：