[发明专利]一种基于生成对抗网络的模糊图像复原方法及系统

说明书

本发明涉及一种基于生成对抗网络的模糊图像复原方法及系统。该方法包括获取待复原的模糊图像；利用训练好的模糊图像复原网络模型对所述待复原的模糊图像进行复原；所述模糊图像复原网络模型基于多尺度条件生成对抗网络进行构建；通过在生成器中构建多尺度残差块，并将多尺度残差块作为生成网络中的主要特征提取块，在生成器中的多个多尺度残差块后添加瓶颈卷积层，每个所述多尺度残差块的输出均发送至所述瓶颈卷积层；本发明能够提高模糊图像复原的真实性。

技术领域

本发明涉及模糊图像复原领域，特别是涉及一种基于生成对抗网络的模糊图像复原方法及系统。

背景技术

模糊图像复原技术在目标检测、交通监控和医学影像等领域都有着重要作用。在图像拍摄过程中，由于相机抖动旋转、目标物体移动或镜头失焦等因素影响，会导致记录图像模糊不清，图中重要的细节信息丢失或损坏，严重影响图像质量。对模糊图像进行去模糊处理可以恢复出丢失信息，提升视觉观看质量，满足各领域内对清晰图像的任务需求。

传统的去模糊方法首先根据先验约束估计模糊核，而后进行反卷积操作进行模糊图像复原，此类方法存在着计算过程复杂以及容易产生振铃、伪影现象等问题。基于卷积神经网络的模糊图像复原方法通过增加网络深度或宽度的方式来提取图像的多尺度特征信息，这使得模型的参数量和计算量随之增加，且真实感不强。

因此，亟需一种新的模糊图像复原方法或系统以提高模糊图像复原的真实性。

发明内容

本发明的目的是提供一种基于生成对抗网络的模糊图像复原方法及系统，能够提高模糊图像复原的真实性。

为实现上述目的，本发明提供了如下方案：

一种基于生成对抗网络的模糊图像复原方法，包括：

获取待复原的模糊图像；

利用训练好的模糊图像复原网络模型对所述待复原的模糊图像进行复原；所述模糊图像复原网络模型基于多尺度条件生成对抗网络进行构建；所述多尺度条件生成对抗网络包括：生成器、鉴别器和损失函数；所述生成器的构建过程为：

利用1个7×7大小且添加ReLU函数的卷积层和2个3×3大小且添加ReLU函数的跨步卷积层对输入图像进行下采样操作；

利用9个多尺度残差块和1个1×1大小且添加ReLU函数的瓶颈卷积层对下采样操作后的图像进行特征融合，并实现多尺度特征的自适应提取；每个所述多尺度残差块的输出均发送至所述瓶颈卷积层；所述多尺度残差模块包括：part A和partB；在part A中，首先利用1×1大小的瓶颈卷积对输入特征图进行降维处理，随后将特征通道分为四组，第一组特征通道直接输出至part B，第二组特征通道、第三组特征通道和第四组特征通道中均添加1个3×3大小的卷积层和ReLU激活函数；第二组特征通道将相应的输出特征和第三组特征通道的输入特征一起发送至第三组特征通道的卷积层中；第三组特征通道将相应的输出特征和第四组特征通道的输入特征一起发送至第四组特征通道的卷积层中；将第二组特征通道、第三组特征通道和第四组特征通道的输出特征进行融合输入part B中；在part B中利用1个3×3大小和1个5×5大小的卷积层进行并行连接，并加入ReLU激活函数；part B的输出特征和partA中第一组特征通道的特征进行融合后经过1×1大小的瓶颈卷积，恢复特征图的维度；

利用2个3×3大小且添加ReLU函数的转置卷积层和1个7×7大小且添加tanh激活函数的卷积层对提取特征后的图像进行上采样操作，生成复原图像。

可选地，所述鉴别器包括：5个依次连接的卷积层；5个卷积层的内核大小均为4×4；前四个卷积层均与LeakyReLU激活函数层连接；第5个卷积层与Sigmoid激活函数层连接。

可选地，利用公式L_loss＝L_D+100×L_G确定损失函数；