[发明专利]基于RRDB的生成对抗网络的图像去模糊算法

权利要求书

1.基于RRDB的生成对抗网络的图像去模糊算法，其特征在于，该算法基于DeblurGAN(盲去模糊生成对抗网络)模型，模型包括RRDB(嵌套残差密集块)，模型中，损失函数包含对抗损失函数、由像素空间损失和感知损失构成的内容损失函数，即L＝L_GAN+aL_percep+bL_pixel：

步骤1：采集模糊图像样本，输入基于RRDB的生成器中，生成去模糊后的清晰图像样本；

步骤2：利用判别器判别数据集中原始清晰样本和步骤1生成清晰样本，最终得到去模糊图像的真实样本；

步骤3：使用总体去模糊损失函数L对生成图像判别，进行损失计算；使用Wasserstein距离来衡量真实清晰样本图像与生成样本图像的相似性，从而实现对真实样本和生成样本的分类。

2.根据权利要求1所述的基于RRDB的生成对抗网络的图像去模糊算法，其特征在于，所述损失函数中，L_GAN、aL_percep、bL_pixel分别基于如下：

a为感知损失加权参数；b为像素空间损失加权参数；

对抗损失计算表达式为：

其中，为判别器D和判别器参数θ_D，为生成器G和生成器参数θ_G；I_B为输入给生成器的模糊样本图像，I_S为真实样本图像，N为样本数量；

像素空间损失表达式为：

其中，W和H分别为样本图像的长度和宽度；

感知损失表达式为：

其中，W_i,j和H_i,j分别是特征图的维度，φ_i,j是VGG19网络里第j个卷积层之前，第i个最大池化层之后的特征图。

3.根据权利要求1所述的基于RRDB的生成对抗网络的图像去模糊算法，其特征在于，所述步骤1具体包括：

生成器前端是一个7×7的和两个3×3的卷积层，对输入进来的图像进行卷积来实现对图像的下采样，从而得到图像的特征图；中间是使用跳跃连接的方式相互连接的9个RRDB网络单元；与普通的残差单元不同，RRDB结合了多层的残差网络和密集连接，可以进一步加强网络对图像的细节特征学习；末端是两个转置卷积层，对输入特征图进行反卷积来实现图像的上采样；最后再经过7×7的卷积层，输出清晰图像；整个过程来实现端对端的图像去模糊。

4.根据权利要求1所述的基于RRDB的生成对抗网络的图像去模糊算法，其特征在于，所述步骤2具体包括：

判别器实质是一个基于CNN的分类器，里面有4个4×4和一个1×1卷积层，每个卷积层包含一个实例归一化层IN(Instance Normalization)和带泄露整流激活函数(LReLU)；判别器对输入的生成清晰样本和真实样本经5个卷积层处理后，将输入图像映射为N×N的概率矩阵；矩阵中的每一个元素X_ij的值，代表每一个像素补丁为真实样本的概率；然后对每一个元素X_ij进行均值计算，最终得到判别器的输出。

5.根据权利要求1所述的基于RRDB的生成对抗网络的图像去模糊算法，其特征在于，所述步骤3具体包括：

总体去模糊损失函数为三种损失函数加权求和，其表达式为：

L＝L_GAN+aL_percep+bL_pixel

其中，对抗损失加权值参数取值1，感知损失加权参数取值100，像素空间损失加权值参数取值160；

Wasserstein距离用来衡量两个概率分布之间的距离，定义如下：

其中，П(P₁,P₂)是分布P₁和P₂的联合分布集合；在每一个可能的联合分布γ中采样一个样本x和y，计算这对样本的距离||x-y||，从而得到在联合分布γ下样本对距离的期望值E(x,y)；取联合分布中期望值的下确界得到Wasserstein距离；从而衡量真实清晰样本图像与生成样本图像的相似性，最终实现对真实样本和生成样本的分类。