一种基于深度先验的盲图像去模糊方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114418883A(43)申请公布日2022.04.29(21)申请号202210052867.6(22)申请日2022.01.18(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人肖创柏王晓宁郭乐宁禹晶(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人沈波(51)Int.Cl.G06T5/00(2006.01)G06N3/04(2006.01)权利要求书2页说明书8页附图4页(54)发明名称一种基于深度先验的盲图像去模糊方法(57)摘要本发明公开了一种基于深度先验的盲图像去模糊方法，使用深度卷积神经网络DIP‑Net隐式地建模图像平滑性先验约束生成清晰图像；通过求解关于模糊核最优化问题的精确解估计模糊核；交替迭代更新模糊核与清晰图像，利用复原的清晰图像和模糊核计算损失函数并更新网络参数。对模糊图像与模糊核联合建模，采用交替迭代网络模型与数学模型的方式同时估计清晰图像与模糊核；在无任何附加隐式或显式的图像先验的情况下，仅利用模糊图像实现了端到端地自监督学习的盲去模糊。本发明结合深度网络结构实现正则化方法，无需使用模糊图像与模糊核真值训练网络；与传统模型方法相比，无需采用图像金字塔的方式由粗到细的估计模糊核，有效抑制复原图像中存在的噪声。CN114418883ACN114418883A权利要求书1/2页1.一种基于深度先验的盲图像去模糊方法，其特征在于，包含以下4个步骤：步骤1.构建图像生成网络模型，并初始化网络参数本发明使用图像生成网络DIP‑Net实现随机向量z到清晰图像x的映射x＝f(z；θ)，利用网络本身抑制噪声，隐式地建模平滑性约束先验项；DIP‑Net具有U型编解码结构，包含五组下采样和上采样卷积结构，每一组卷积操作均通过跨层连接将下采样层的特征与对应相同维数的上采样层特征进行融合，跨层连接的通道数固定为16；网络输入z为区间(0，1)上均匀分布的随机向量，即z～U(0，1)，其尺寸与模糊图像一致，通道数一般设置为8或16，本发明设置为8；本发明的参数设置包括学习率η、网络输入随机向量z、模糊核尺寸s、模糊核正则化参数λh、最大迭代次数K；随机初始化图像生成网络参数θ0，即可得清晰图像的初始估计x0＝f*(z；θ0)，以降质图像作为自监督信号，利用梯度下降法更新参数θ使损失函数收敛；步骤2.估计模糊核固定网络参数θk‑1，xk‑1＝f(z；θk‑1)，用下式估计模糊核hk：式中，表示傅里叶变换，表示傅里叶变换的复共轭，表示傅里叶逆变换，为图像沿水平方向和垂直方向的偏导数，λh为模糊核正则化参数；步骤3.估计清晰图像步骤3.1计算损失函数：固定当前模糊核的估计hk，给定θk‑1，更新θk；本发明使用DIP‑Net生成清晰图像，因此网络的损失函数为：上式为均方误差损失函数，也可以使用其他连续可导函数作为网络的损失函数；步骤3.2更新图像生成网络参数：计算损失函数关于网络参数的梯度，利用梯度下降法更新θk：式中，η表示学习率；本发明使用Adam梯度下降法更新参数；步骤3.3生成清晰图像：利用更新参数后的图像生成网络生成清晰图像xk＝f(z；θk)；步骤4.判断收敛，输出模糊核与清晰图像的估计通过步骤2和步骤3，完成对目标函数的一次迭代求解，获得模糊核的估计hk，并将清晰图像的估计xk‑1更新为xk；如果此时算法收敛或达到最大迭代次数，则停止迭代，输出最终的模糊核与清晰图像估计；否则，令k＝k+1，然后重复步骤2和步骤3。2.如权利要求1所述的一种基于深度先验的盲图像去模糊方法，其特征在于，所述模糊‑5核正则化参数λh的初始值为2×10。3.如权利要求1所述的一种基于深度先验的盲图像去模糊方法，其特征在于，所述图像生成网络中输入数据通道数固定为8。2CN114418883A权利要求书2/2页4.如权利要求1所述的一种基于深度先验的盲图像去模糊方法，其特征在于，所述学习率衰减系数为0.5。3CN114418883A说明书1/8页一种基于深度先验的盲图像去模糊方法技术领域[0001]本发明涉及图像去模糊领域，更具体地说，涉及一种基于深度先验的盲图像去模糊方法。背景技术[0002]在图像获取过程中，由于受到大气湍流、成像设备与目标之间相对运动、成像设备聚焦不准等因素的影响，获取的图像会有一定程度的模糊。在交通监控、生物医学、天文观测、遥感遥测等众多领域，清晰图像能够提供更多有用的信息。为了满足各个应用领域对清晰图像的需求，一般从硬件和软件两个方面入手。通过改善硬件的方式存在成本高、技术难度大、易受环境影响等问题，而图像去模糊技术是指从算法层面，通过图像处理手段利用模糊图像复原出清晰图像。[0003]图像