一种基于深度卷积网络的模糊可变图像盲复原方法.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CN108537746A(43)申请公布日2018.09.14(21)申请号201810234360.6(22)申请日2018.03.21(71)申请人华南理工大学地址510640广东省广州市天河区五山路381号(72)发明人沃焱伍楚丹韩国强(74)专利代理机构广州市华学知识产权代理有限公司44245代理人李斌(51)Int.Cl.G06T5/00(2006.01)权利要求书3页说明书10页附图4页(54)发明名称一种基于深度卷积网络的模糊可变图像盲复原方法(57)摘要本发明公开了一种基于深度卷积网络的模糊可变图像盲复原方法，包括以下步骤：S1、对模糊图像需要考虑的模糊类型进行建模，确定每种模糊类型的模糊参数范围；S2、根据步骤S1确定的每种模糊类型的模糊参数范围，合成具有可变模糊的训练数据集，其中每组训练数据包括清晰图像、模糊图像和模糊参数；S3、搭建并训练深度卷积网络：将训练数据集输入神经网络，优化神经网络权重，得到训练好的深度卷积网络；S4、将待复原的模糊图像输入训练好的深度卷积网络，输出即为复原的清晰图像。所述方法摆脱了传统去模糊算法的限制，采用全卷积网络来估计多种可变模糊，提高了算法的精度和速度。CN108537746ACN108537746A权利要求书1/3页1.一种基于深度卷积网络的模糊可变图像盲复原方法，其特征在于，所述方法包括以下步骤：S1、对模糊图像需要考虑的模糊类型进行建模，确定每种模糊类型的模糊参数范围；S2、根据步骤S1确定的每种模糊类型的模糊参数范围，合成具有可变模糊的训练数据集，其中每组训练数据包括清晰图像、模糊图像和模糊参数；S3、搭建并训练深度卷积网络：将训练数据集输入神经网络，优化神经网络权重，得到训练好的深度卷积网络；S4、将待复原的模糊图像输入训练好的深度卷积网络，输出即为复原的清晰图像。2.根据权利要求1所述的一种基于深度卷积网络的模糊可变图像盲复原方法，其特征在于，步骤S1中对模糊图像需要考虑的模糊类型进行建模得到的模糊模型按照下式定义：Ib,ij＝[q(x|i,j)*Io+ε]<i,j>其中Ib代表观测到的模糊图像，Io代表潜在的清晰图像，Ib,ij和Io,ij分别表示模糊图像和清晰图像在[i,j]位置的取值，·<i,j>表示取[i,j]位置的操作，q(·|i,j)表示可变PSF，ε是加性噪声，x＝(x1,x2)表示笛卡尔坐标；对于不同模糊类型的可变PSF，q(·|i,j)参数化表示如下：qg(x|σij)代表[i,j]位置的高斯模糊PSF，σij代表高斯模糊参数场σ在[i,j]的取值；qm(x|lij,θij)代表[i,j]位置的运动模糊PSF，lij,θij代表参数场l,θ在[i,j]的取值；qd(x|rij)代表[i,j]位置的失焦模糊PSF，rij代表参数场r在[i,j]的取值；其中4个模糊参数场σ,l,θ,r简化了空间可变模糊的表述形式，每个参数场标记了模糊类型对应PSF参数在每个像素位置的取值。3.根据权利要求2所述的一种基于深度卷积网络的模糊可变图像盲复原方法，其特征在于，每种模糊类型的模糊参数范围如下：其中，n代表训练数据集中正方形训练图像的边长。4.根据权利要求2所述的一种基于深度卷积网络的模糊可变图像盲复原方法，其特征在于，所述高斯模糊用于对大气湍流进行建模：其中qg(·|σij)代表可变高斯模糊PSF，σij表示高斯模糊参数场σ在[i,j]的取值，R是PSF定义域，被设为区间[-3σij,3σij]，这样就包含99.7％的模糊能量，x＝(x1,x2)表示笛卡尔坐标，对于高斯模糊，需要估计的参数是高斯模糊参数场σ；所述运动模糊用于对线性运动造成的运动模糊进行建模：2CN108537746A权利要求书2/3页其中，qm(·|lij,θij)表述可变运动模糊PSF，lij,θij代表参数场l,θ在[i,j]的取值，x＝(x1,x2)表示笛卡尔坐标，对于运动模糊，需要估计的参数是运动强度参数场l和角度参数场θ；所述失焦模糊用圆盘形均值滤波器来建模：其中qd(·|rij)表示可变失焦模糊PSF，rij表示参数场r在[i,j]的取值，x＝(x1,x2)表示笛卡尔坐标，对于失焦模糊，需要估计的参数是模糊半径参数场r。5.根据权利要求1所述的一种基于深度卷积网络的模糊可变图像盲复原方法，其特征在于，步骤S2中合成具有可变模糊的训练数据集的具体操作方法如下：(1)、裁剪训练图片中心固定大小边长为n的正方形训练图像作为清晰图像Io；(2)、为构造空间可变的模糊，对清晰图像Io进行随机尺度级别的平均分块，并对Io每个不同位置的小块应用S1中模糊类型之一的随机参数，构建参数场σ,l,θ,r；(3)、根据参数场的