一种基于改进生成对抗网络的模糊图像复原方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115880175A(43)申请公布日2023.03.31(21)申请号202211584736.9(22)申请日2022.12.09(71)申请人大连理工大学地址116024辽宁省大连市甘井子区凌工路2号(72)发明人薄其乐侯博苗子健邢祥胜刘海波卢晓红王永青(74)专利代理机构大连理工大学专利中心21200专利代理师温福雪(51)Int.Cl.G06T5/00(2006.01)G06N3/0475(2023.01)G06N3/048(2023.01)G06N3/094(2023.01)权利要求书2页说明书4页附图4页(54)发明名称一种基于改进生成对抗网络的模糊图像复原方法(57)摘要一种基于改进生成对抗网络的模糊图像复原方法，建立生成对抗网络模型，设计改进的生成器网络结构，在生成器中添加混合扩张卷积模块与跳跃连接，扩大网络的感受野并融合深层与浅层网络的图像信息，同时将残差块替换为残差密集块；设计网络损失函数，在原始的内容损失中添加L1损失项；利用模糊图像和对应的清晰图像组成的图像对，对网络模型进行训练；将模糊图像输入到训练完成的网络模型中，利用生成器处理模糊图像，实现模糊图像的复原。本发明可通过设计生成对抗网络结构与损失函数，利用模糊图像与清晰图像组成的数据集对网络模型进行训练，采用训练后的生成器模型对模糊图像进行复原，图像去模糊效果稳定，可满足模糊图像高精度复原需求。CN115880175ACN115880175A权利要求书1/2页1.一种基于改进生成对抗网络的模糊图像复原方法，其特征在于，首先建立生成对抗网络模型，生成对抗网络模型由生成器与判别器两部分组成，设计改进的生成器网络结构，在生成器中添加混合扩张卷积模块与跳跃连接，扩大生成器网络的感受野并融合深层与浅层网络的图像信息，同时将原始的残差块替换为残差密集块，提升网络训练的稳定性；设计网络损失函数，在原始的内容损失中添加L1损失项，减小生成图像与目标图像差异性；利用模糊图像和对应的清晰图像组成的图像对，对生成对抗网络模型进行训练；将模糊图像输入到训练完成的生成对抗网络模型中，利用生成器处理模糊图像，实现模糊图像的复原；具体步骤如下：(1)建立生成对抗网络模型在原始的生成对抗网络的生成器模型中添加混合扩张卷积模块与跳跃连接，并将残差块替换为残差密集块；改进的生成器由下采样模块、混合扩张卷积模块、特征增强提取模块以及上采样模块四部分组成，其中下采样模块由下采样卷积块组成，混合扩张卷积模块由扩张卷积块组成，特征增强提取模块由残差密集块组成，上采样模块由转置卷积块、卷积层和激活层组成，在下采样和上采样模块间添加跳跃连接；判别器由下采样卷积块组成；(2)设计网络损失函数网络损失函数分为对抗损失和内容损失两部分，内容损失的权重为λ1，内容损失由平均绝对损失即L1损失与感知损失两部分组成，两部分权重分别为λ2和λ3：对抗损失的计算采用具有梯度惩罚项的WGAN‑GP：其中，E为期望值，Pg为生成的清晰图像的集合，Pr为真实的清晰图像的集合，为生成图像与真实清晰图像插值组成的图像集合，D(x)和分别为图像x和经过判别器D后得到的判别结果，x～Pr和分别表示图像数据分别来自于集合Pg、Pr和λ为梯度惩罚项的权重；L1损失计算生成图像和清晰图像之间的平均偏差：其中，x和y为图像的像素坐标，IS为真实的清晰图像，G(IB)为模糊图像IB经过生成器G后生成的图像；感知损失定义为真实图像IS和生成图像G(IB)经过预训练的VGG19网络模型处理后得到的特征图之间的欧几里得距离：其中，Wi,j和Hi,j分别为特征图的宽度和高度，φi,j为输入图像在预训练的VGG19网络模2CN115880175A权利要求书2/2页型中经过第i个最大池化层，并进行第j次卷积后得到的特征图；(3)训练网络模型利用尺寸为256*256的模糊图像和对应的清晰图像组成的图像对，对建立的生成对抗网络模型进行训练；(4)模糊图像复原利用训练完成的生成器处理模糊图像，完成模糊图像的复原。3CN115880175A说明书1/4页一种基于改进生成对抗网络的模糊图像复原方法技术领域[0001]本发明属于图像处理领域，特别涉及一种基于改进生成对抗网络的模糊图像复原方法。背景技术[0002]近年来随着计算机视觉技术的不断发展，非接触式光学测量手段在航空航天领域的应用越来越广泛。然而在相机的曝光过程中，由于相机自身抖动或拍摄对象的快速运动等因素，会引起图像产生一定的模糊，最终影响后续的图像分析处理，因此如何将模糊图像重建为清晰图像是一项需要解决的问题。[0003]早期的模糊图像处理方案中将相机与待测对象之间的运动视为匀速直线运动，简化了图像的数学模型，常用的去模糊方法有逆滤波