一种基于盲解卷积网络的模糊图像盲复原方法及系统.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CN112330549A(43)申请公布日2021.02.05(21)申请号202011107006.0(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)发明人马龙舒聪杨薮博黄姗姗李彦龙段笑晗李世飞喻钧(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5页(54)发明名称一种基于盲解卷积网络的模糊图像盲复原方法及系统(57)摘要本发明提出一种基于盲解卷积网络的模糊图像盲复原方法及系统，所述的方法包括：对自适应系统的点扩散函数PSF进行建模，根据随机参数值生成PSF；使用生成的PSF与根据目标图像生成的单通道图像进行卷积，得到模糊图像；依次训练PSF估计网络、非盲解卷积网络，加载已训练好的PSF估计网络和非盲解卷积网络的权重文件，对盲解卷积网络进行训练，得到可用于模糊图像盲复原的神经网络模型。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。CN112330549ACN112330549A权利要求书1/2页1.一种基于盲解卷积网络的模糊图像盲复原方法，其特征在于，所述方法包括：步骤101：获取初始的目标图像数据集；步骤102：对自适应系统的点扩散函数PSF进行建模，根据随机参数值生成PSF；步骤103：对所述目标图像数据集的图像进行预处理，得到单通道图像；步骤104：使用生成的PSF与所述单通道图像进行卷积，得到模糊图像，将模糊图像所使用的PSF与该模糊图像组成数据对，作为后续训练卷积神经网络的数据集和标签；步骤105：改进ResNet34卷积神经网络，获得初始PSF估计网络；将所述数据对输入初始PSF估计网络，对该PSF估计网络进行训练，得到训练后的PSF估计网络；步骤106：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，再将模糊图像和训练后的PSF估计网络输入该非盲解卷积网络中进行训练，得到训练后的非盲解卷积网络；步骤107：基于所述非盲解卷积网络的结构构建初始盲解卷积网络，加载已训练好的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，得到最终的模糊图像盲复原模型；步骤108：利用所述模糊图像盲复原模型对模糊图像进行复原，将待复原的模糊图像输入所述模糊图像盲复原模型，输出该模糊图像对应的复原后的图像。2.如权利要求1所述的基于盲解卷积网络的模糊图像盲复原方法，其特征在于：在所述步骤102中，所述对点扩散函数PSF进行建模，是通过以下等式来完成：其中，k为AOPSF，I0为峰值振幅，r为光圈中心与观察点之间的距离；第一项表示Airy函数，J1为一阶贝塞尔函数，rA为艾瑞半径；第二项表示Lorentzian函数，h为半高宽；第三项表示Gaussian函数，σ为标准差，α、β为调谐因子。3.如权利要求1所述的基于盲解卷积网络的模糊图像盲复原方法，其特征在于：所述步骤103中，对所述目标图像数据集中的图像进行预处理，包括：对所述目标图像集中的图像进行垂直翻转和水平翻转，得到不同方向的两个图像，同时对原始图像和翻转后的图像进行随机裁剪，最后将所得到的图像调整为单通道图像。4.如权利要求1所述的基于盲解卷积网络的模糊图像盲复原方法，其特征在于：所述步骤105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。5.如权利要求1所述的基于盲解卷积网络的模糊图像盲复原方法，其特征在于：在步骤106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。6.如权利要求1所述的基于盲解卷积网络的模糊图像盲复原方法，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、激活函数层，采用最邻近插值法进行边界填充。7.如权利要求1所述的基于盲解卷积网络的模糊图像盲复原方法，其特征在于：在步骤107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2CN112330549A权利要求书2/2页重参数。8.一种运用权利要求1的基于盲解卷积网络的模糊图像盲复原方法进行图像还原的系统，其特征在于，所述系统