一种基于图像盲解卷积技术的图像复原方法及系统.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CN112330550A(43)申请公布日2021.02.05(21)申请号202011107113.3(22)申请日2020.10.16(71)申请人西安工业大学地址710021陕西省西安市未央区学府中路2号(72)发明人马龙黄姗姗杨薮博舒聪李彦龙段笑晗李世飞肖峰(74)专利代理机构北京融智邦达知识产权代理事务所(普通合伙)11885代理人吴强(51)Int.Cl.G06T5/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于图像盲解卷积技术的图像复原方法及系统(57)摘要本发明提出一种基于图像盲解卷积技术的图像复原方法和系统，所述方法包括：获取自适应光学系统中采集的单个扩展物体的原始空间图像，建立原始空间图像数据集；将原始空间图像数据集和训练后的PSF估计网络输入初始非盲解卷积网络进行训练；基于所述初始非盲解卷积网络的结构构建初始盲解卷积网络，加载已训练后的PSF估计网络和非盲解卷积网络的权重文件，对初始盲解卷积网络进行训练，得到原始空间图像盲复原模型。利用上述图像复原方法，无需任何先验信息和PSF约束条件，即可实现“端到端”的图像盲复原，提高了空间目标图像复原性能，对空间目标探索和识别具有重要意义。CN112330550ACN112330550A权利要求书1/2页1.一种基于图像盲解卷积技术的图像复原方法，其特征在于，所述方法包括：步骤101：获取自适应光学系统中采集的单个扩展物体的原始空间图像，建立原始空间图像数据集；步骤102：改进ResNet34卷积神经网络，获得初始PSF估计网络；将原始空间图像数据集输入初始PSF估计网络，对所述初始PSF估计网络进行训练，得到训练后的PSF估计网络；步骤103：在所述改进的ResNet34卷积神经网络的基础上，将全连接网络和上采样网络相结合，生成初始非盲解卷积网络，再将原始空间图像数据集和训练后的PSF估计网络输入所述初始非盲解卷积网络，对所述初始非盲解卷积网络进行神经网络训练，得到训练后的非盲解卷积网络；步骤104：基于所述非盲解卷积网络的结构构建初始盲解卷积网络，加载已训练后的PSF估计网络和非盲解卷积网络的权重文件，对所述初始盲解卷积网络进行训练，得到原始空间图像盲复原模型；利用所述原始空间图像盲复原模型对原始空间图像进行复原，得到对应的复原图像。2.如权利要求1所述的方法，其特征在于：所述步骤102中，将ResNet34的卷积神经网络中的softmax激活函数替换为sigmoid激活函数，得到改进ResNet34卷积神经网络；改进后的ResNet34网络的输入图像大小为225*225，临近输出层的平均池化层过滤器大小为8*8，输出层的全连接层输出神经元大小为39*39。3.如权利要求1所述的方法，其特征在于：在步骤103中，通过通道叠加和卷积运算对非盲解卷积网络进行神经网络训练。4.如权利要求1所述的方法，其特征在于：所述上采样网络包括上采样层、填充层、卷积层、标准化层和激活函数层，采用最邻近插值法进行边界填充。5.如权利要求1所述的方法，其特征在于：在步骤104中，在对初始盲解卷积网络进行训练的同时，更新PSF估计网络和非盲解卷积网络的权重参数。6.一种运用权利要求1的基于图像盲解卷积技术的图像复原方法进行图像还原的系统，其特征在于，所述系统包括：图像获取单元：获取自适应光学系统中采集的单个扩展物体的原始空间图像，建立原始空间图像数据集；PSF估计网络训练单元：改进ResNet34卷积神经网络，获得初始PSF估计网络；将原始空间图像数据集空间图像输入初始PSF估计网络，对所述初始该PSF估计网络进行训练，得到训练后的PSF估计网络；非盲解卷积网络训练单元：在改进的ResNet34卷积神经网络的基础上，将全连接网络和上采样网络相结合，生成初始非盲解卷积网络，再将原始空间图像数据集和训练后的PSF估计网络输入所述初始非盲解卷积网络，对所述初始非盲解卷积网络进行神经网络训练，得到训练后的非盲解卷积网络；盲解卷积网络训练单元：基于所述非盲解卷积网络的结构构建初始盲解卷积网络，加载已训练后的PSF估计网络和非盲解卷积网络的权重文件，对所述初始盲解卷积网络进行训练，得到原始空间图像盲复原模型；图像复原单元：利用所述原始空间图像盲复原模型对原始空间图像进行复原，得到对应的复原图像。2CN112330550A权利要求书2/2页7.如权利要求6所述的系统，其特征在于：在PSF估计网络训练单元中，改进ResNet34的卷积神经网络，将其中的softmax激活函数替换为sigmoid激活函数。8.如权利要求6所述的系统，其