基于深度残差傅里叶变换的图像盲去模糊方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114897741A(43)申请公布日2022.08.12(21)申请号202210645790.3(22)申请日2022.06.09(71)申请人华东师范大学地址200241上海市闵行区东川路500号(72)发明人李庆利毛欣天王妍(74)专利代理机构北京盛询知识产权代理有限公司11901专利代理师相凡(51)Int.Cl.G06T5/00(2006.01)G06T5/10(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于深度残差傅里叶变换的图像盲去模糊方法(57)摘要本发明公开了一种基于深度残差傅里叶变换的图像盲去模糊方法，包括以下步骤：获取图像去模糊数据集，对图像去模糊数据集进行预处理，获得图像去模糊数据集的训练集；基于训练集中的模糊图像、清晰图像，对初始深度残差傅里叶变换网络进行训练，获得目标深度残差傅里叶变换网络；将待测模糊图像输入到目标深度残差傅里叶变换网络中进行图像盲去模糊处理，获得目标清晰图像。本发明结合了特征图像的频域信息与空间信息，能够通过特征的频域信息有效地帮助卷积神经网路将模糊图像恢复为更加清晰的图像。CN114897741ACN114897741A权利要求书1/2页1.基于深度残差傅里叶变换的图像盲去模糊方法，其特征在于，包括以下步骤：获取图像去模糊数据集，对所述图像去模糊数据集进行预处理，获得图像去模糊数据集的训练集；基于所述训练集中的模糊图像、清晰图像，对初始深度残差傅里叶变换网络进行训练，获得目标深度残差傅里叶变换网络；将待测模糊图像输入到所述目标深度残差傅里叶变换网络中进行图像盲去模糊处理，获得目标清晰图像。2.根据权利要求1所述的基于深度残差傅里叶变换的图像盲去模糊方法，其特征在于，所述图像去模糊数据集包括：GoPro数据集、HIDE数据集、RealBlur数据集、DPDD数据集。3.根据权利要求1所述的基于深度残差傅里叶变换的图像盲去模糊方法，其特征在于，所述初始深度残差傅里叶变换网络，采用模糊图像恢复网络结构，包括：第一编解码器、第二编解码器、第三编解码器；所述第一编解码器对应所述模糊图像原始尺度，所述第二编解码器对应所述模糊图像降采样一次后的尺度，所述第三编解码器对应所述模糊图像降采样两次后的尺度。4.根据权利要求3所述的基于深度残差傅里叶变换的图像盲去模糊方法，其特征在于，所述第一编解码器、第二编解码器、第三编解码器包括：卷积模块、残差傅里叶卷积模块；所述残差傅里叶卷积模块，在原始的残差卷积模块的基础上增加了图像频域特征提取分支。5.根据权利要求1所述的基于深度残差傅里叶变换的图像盲去模糊方法，其特征在于，基于所述训练集中的模糊图像、清晰图像，对初始深度残差傅里叶变换网络进行训练的过程包括：将所述模糊图像输入初始深度残差傅里叶变换网络中，获得输出图像；基于所述输出图像与所述清晰图像间的差距，计算损失并进行梯度反转，对所述初始深度残差傅里叶变换网络的参数进行更新；重复以上训练步骤，直至训练次数达到预先设定的数量，获得目标深度残差傅里叶变换网络。6.根据权利要求5所述的基于深度残差傅里叶变换的图像盲去模糊方法，其特征在于，将所述模糊图像输入初始深度残差傅里叶变换网络中，获得输出图像的过程包括：将所述模糊图像、降采样一次模糊图像、降采样两次模糊图像，输入到所述初始深度残差傅里叶变换网络中，通过第一编解码器、第二编解码器、第三编解码器进行处理，获得对应的模糊特征预测尺度；将所述模糊图像、降采样一次模糊图像、降采样两次模糊图像的尺度与所述对应的模糊特征预测尺度相加，获得第一输出图像、第二输出图像、第三输出图像。7.根据权利要求5所述的基于深度残差傅里叶变换的图像盲去模糊方法，其特征在于，基于所述输出图像与所述清晰图像间的差距，计算损失的过程包括，所述训练集中的清晰图像与第一输出图像进行对比，获得第一差距；降采样一次清晰图像与第二输出图像进行对比，获得第二差距；降采样两次清晰图像与第三输出图像进行对比，获得第三差距；基于所述第一差距、第二差距、第三差距，计算得2CN114897741A权利要求书2/2页到损失。3CN114897741A说明书1/5页基于深度残差傅里叶变换的图像盲去模糊方法技术领域[0001]本发明属于计算机视觉和图像处理领域，特别是涉及一种基于深度残差傅里叶变换的图像盲去模糊方法。背景技术[0002]在图像成像的过程中，有时图像的质量会受到各种因素的影响导致成像质量下降。图像去模糊旨在去除模糊伪影以恢复清晰图像。图像的模糊可能由许多因素引起，例如，不规则的摄像机或物体移动、离焦光学等。模糊图像导致视觉质量低下，并妨碍后续高级视觉任