基于改进的生成对抗网络的图像去模糊方法.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CN114331859A(43)申请公布日2022.04.12(21)申请号202110803166.7(22)申请日2021.07.15(71)申请人西安科技大学地址710054陕西省西安市雁塔路中段58号申请人陕西中一时代科技有限公司(72)发明人刘宝高娜黄梦涛刘海闫洪霖张金玉(74)专利代理机构西安启诚专利知识产权代理事务所(普通合伙)61240代理人李艳春(51)Int.Cl.G06T5/00(2006.01)G06T3/40(2006.01)G06N3/04(2006.01)权利要求书3页说明书11页附图5页(54)发明名称基于改进的生成对抗网络的图像去模糊方法(57)摘要本发明公开了一种基于改进的生成对抗网络的图像去模糊方法，包括步骤：一、将待去模糊的图像输入预先训练好的改进的生成对抗网络中；二、所述改进的生成对抗网络对待去模糊的图像进行去模糊处理，得到去模糊后的图像。本发明针对非盲去模糊方法估计模糊核时的不适定问题，采用深度学习的方法，在分析生成对抗网络的理论基础上，提出了一种基于改进的生成对抗网络的图像去模糊方法，在生成对抗网络的基础上，构建了改进的生成对抗网络，引入加权的思想构建新的目标函数，通过调节权值系数来平衡正向KL散度和反向KL散度的占比，能够更好地复原出清晰图像。CN114331859ACN114331859A权利要求书1/3页1.一种基于改进的生成对抗网络的图像去模糊方法，其特征在于，该方法包括以下步骤：步骤一、将待去模糊的图像输入预先训练好的改进的生成对抗网络中；其中，所述改进的生成对抗网络的训练过程为：步骤101、采用加权的方法将KL散度和反向KL散度结合为一个目标函数，构建改进的生成对抗网络；所述改进的生成对抗网络包括生成器G、以及并列连接在生成器G输出端的判别器D1和判别器D2；步骤102、从图像纹理细节和图像内容两方面出发，构建生成器G、判别器D1和判别器D2的损失函数；步骤103、选取训练样本，采用训练样本和步骤102中构建的损失函数对步骤101中构建的改进的生成对抗网络进行训练，得到训练好的改进的生成对抗网络；步骤二、所述改进的生成对抗网络对待去模糊的图像进行去模糊处理，得到去模糊后的图像。2.按照权利要求1所述的一种基于改进的生成对抗网络的图像去模糊方法，其特征在于：步骤101中所述KL散度的表达式为：所述KL散度具有以下三个特性：特性一、KL(Pdata||PG)≥0；特性二、不满足三角不等式；特性三、KL(Pdata||PG)≠KL(PG||Pdata)；步骤101中所述反向KL散度的表达式为：所述反向KL散度具有以下三个特性：特性一、KL(PG||Pdata)≤0；特性二、满足三角不等式；特性三、KL(PG||Pdata)≠KL(Pdata||PG)；其中，PG表示生成模型，Pdata表示真实分布，x表示变量。3.按照权利要求1所述的一种基于改进的生成对抗网络的图像去模糊方法，其特征在于：所述生成器G的网络结构为：G1、一次卷积、一次实例归一化操作和Relu激活；G2、两个下采样模块，每个下采样模块均包括一次卷积，一次实例归一化操作和Relu激活；G3、9个残差网络，其中每个残差块采用ResNetV2网络，经过一个IN归一化层，一个Relu激活，一个卷积层和一个Dropout层；G4、两个上采样模块，使用缩放卷积法，先使用插值放大图像，再使用卷积操作提取深层特征，最后执行一次实例归一化操作及Relu激活；2CN114331859A权利要求书2/3页G5、一次卷积，使用Tanh激活。4.按照权利要求3所述的一种基于改进的生成对抗网络的图像去模糊方法，其特征在于：G1中所述卷积的卷积核大小为7×7，卷积核数量为64，步长为1；G2中两个下采样模块的卷积核大小均为3×3，卷积核数量分别为128、256，步长均为2；G3中所述卷积层的卷积核的大小为3×3，卷积核数量为256，步长为1；G4中两个上采样模块的卷积核大小均为3×3，卷积核数量分别为128、64，步长均为1；G5中所述卷积层的卷积核的大小为7×7，卷积核数量为3，步长为1。5.按照权利要求3或4所述的一种基于改进的生成对抗网络的图像去模糊方法，其特征在于：所述生成器G的网络结构使用全局残差连接，将模糊图像直接与清晰图像相连接，让网络只学习两者之间的残差信息；其表达为：IS＝IB+IR(F7)其中，IS表示清晰图像；IB表示输入的待去模糊的图像；IR表示残差图像。6.按照权利要求1所述的一种基于改进的生成对抗网络的图像去模糊方法，其特征在于：所述判别器D1和判别器D2的网络结构相同且均包括：D01、一次卷积，使用LeakyRelu激活；D02、一次卷积