[发明专利]一种基于改进生成对抗网络的视频模糊图像复原方法

权利要求书

1.一种基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述方法包括以下步骤：

建立视频模糊图像数据集；

将清晰视频图像进行模糊化处理，模拟实际情况下的视频模糊图像；

设计改进的生成对抗网络；

训练改进的生成对抗网络模糊图像复原模型；以及

使用训练得到的改进生成对抗网络视频模糊图像复原模型，将模糊图像作为网络输入，改进生成对抗网络模型输出复原后的清晰图像。

2.根据权利要求1所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述建立视频模糊图像数据集的步骤具体包括：将采集到的视频图像分类建立数据集，并将数据集划分为训练样本和测试样本。

3.根据权利要求1所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述将清晰视频图像进行模糊化处理的过程为：视频模糊图像B的处理公式为：式中，M是视频曝光时间内图像的数量，S[i]代表视频曝光时间内的第i张视频图像，g是非线性相机相应函数。

4.根据权利要求1所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述设计改进的生成对抗网络的步骤具体包括：

构建生成器；

构建判别器；

在所述生成器和判别器中加入加权网络；

设计改进生成对抗网络的目标损失函数。

5.根据权利要求4所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述生成器包括特征提取模块和上采样模块，所述特征提取模块包括卷积层、残差模块和Droupout网络，所述上采样模块包括反卷积层、亚像素卷积层和全连接神经网络。

6.根据权利要求4所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述判别器包括卷积层、归一化函数、激活函数和损失函数。

7.根据权利要求4所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述生成器和判别器中的加权网络用于使生成器和判别器关注重要特征，弱化非重要特征，根据特征的加权来提升有用特征，抑制非有用特征。

8.根据权利要求4所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述设计改进生成对抗网络的目标损失函数为：

V(D,G)＝E_x～μ[logD(x)]+E_z～γ[log(1-D(G(z)))]

式中E是分布期望，x是训练样本，μ是训练样本x的概率分布，z是生成器的随机样本，γ是随机样本z的概率分布，D(x)是判别器的鉴别函数，G(z)是生成器的生成样本。

9.根据权利要求8所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述生成对抗网络的提升网络性能的目标是：

其中，在优化生成器时，要使得目标函数值最小，在优化判别器时，要使得目标函数值最大。

10.根据权利要求1所述的基于改进生成对抗网络的视频模糊图像复原方法，其特征在于，所述训练改进的生成对抗网络模糊图像复原模型的步骤具体包括：

步骤1：初始化生成器和判别器网络参数；

步骤2：固定生成器参数，从训练样本中抽取若干个模糊图像样本，输入到生成器中，来训练判别器；

步骤3：当循环更新判别器后，开始更新一次生成器，使得判别器无法分别生成器输出的复原图像和清晰图像；

步骤4：重复步骤2和步骤3，使得满足目标损失函数的优化目标，完成改进的生成对抗网络模糊图像复原模型训练。