[发明专利]基于RRDB的生成对抗网络的图像去模糊算法

说明书

本发明公开了一种基于RRDB的生成对抗网络图像去模糊算法。本发明在去模糊模型DeblurGAN网络的基础上，使用融合了多层残差网络和密集连接的RRDB网络单元替换生成器中的RB网络单元，并且在生成器的输入和输出之间加入全局跳跃连接，来提高生成器的学习和生成能力。然后在损失函数中，使用Wasserstein距离作为网络的对抗损失，避免在训练过程中出现网络退化问题；在内容损失上加入像素空间损失函数，对生成图像的像素内容一致性进行约束最终生成清晰图像。

技术领域

本发明涉及图像复原技术领域，尤其涉及一种基于RRDB的生成对抗网络的图像去模糊算法。

背景技术

传统的去模糊方法针对特定的场景和模糊类型中，达到了不错的去模糊效果，但是在复杂场景中算法的去模糊效果却不尽人意。因为实际复杂场景中，模糊类型多样，分布复杂。而且这些方法不能实现对图像批量处理，离实际运用还有相当大的差距。现如今由于计算机硬件的提升和并行计算的进步，基于深度学习的数字图像算法不断涌现。基于深度学习的去模糊算法是使用不同的网络模型，在大量先验图像上学习图片的高级特征表示，来实现模糊图像的复原。众多深度学习模型中，卷积神经网络和生成对抗网络分别是监督学习和无监督学习的代表模型。由于二者学习方式的不同，前者擅长复杂的数据分类任务，后者更擅长于高难度的数据生成任务。而图像去模糊是一个图像信息增量的步骤，也是一个图像生成的过程。因此选择在生成对抗网络的基础上来对图像去模糊展开研究，针对算法在图像重建过程中还是会存在内容缺失、色彩不一致以及存在“棋盘效应”等问题，提出基于RRDB的生成对抗网络图像去模糊算法模型。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于RRDB的生成对抗网络的图像去模糊算法。首先，在去模糊模型DeblurGAN网络的基础上，使用融合了多层残差网络和密集连接的RRDB网络单元替换生成器中的RB网络单元，并且在生成器的输入和输出之间加入全局跳跃连接，来提高生成器的学习和生成能力。其次，在损失函数中，使用Wasserstein距离作为网络的对抗损失，避免在训练过程中出现网络退化问题；在内容损失上加入像素空间损失函数，对生成图像的像素内容一致性进行约束。

根据本发明实施例的基于RRDB的生成对抗网络的图像去模糊算法，该算法基于DeblurGAN(盲去模糊生成对抗网络)模型，所述模型包括RRDB(嵌套残差密集块)，模型中损失函数包含对抗损失函数和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上述生成清晰样本，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。

可选地，所述损失函数中，L_GAN、aL_percep、bL_pixel分别基于如下：

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，a为感知损失加权参数；b为像素空间损失加权参数。

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；