[發明專利]一種基于深度學習的盲去模糊方法及系統

有效

• 申請號: 201810488506.X
• 申請日: 2018-05-21
• 公開（公告）號: CN108734677B
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 趙思杰;岳濤
• 申請（專利權）人: 南京大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/62;G06N3/04
• 代理公司: 南京知識律師事務所 32207
• 代理人: 李媛媛

1.一種基于深度學習的盲去模糊方法，其特征在于，包括如下步驟：

步驟1，準備階段：對圖像數據預處理，創建新的模型或者讀入先前訓練的模型；

步驟2，訓練階段：利用步驟1的模型，將模糊圖像和清晰圖像傳入生成器網絡、鑒別器網絡以及特征提取網絡中迭代訓練，具體的訓練步驟包括：

(1)將模糊圖像B傳入生成器網絡B2A中并生成近似清晰圖像FakeA，將清晰圖像A傳入生成器網絡A2B中并生成近似模糊圖像FakeB，將清晰圖像A和近似模糊圖像FakeB分別傳入特征提取網絡N1中得到清晰圖像A的特征層FeatureA和近似模糊圖像FakeB特征層FeatureFakeB，將模糊圖像B和近似清晰圖像FakeA分別傳入特征提取網絡N2中得到模糊圖像B的特征層FeatureB和近似清晰圖像FakeA的特征層FeatureFakeA；

(2)計算特征層FeatureA和特征層FeatureFakeB的特征相似度1，計算特征層FeatureB和特征層FeatureFakeA的特征相似度2；

(3)將近似清晰圖像FakeA傳入生成器A2B中得到相似模糊圖像SimilarB，將近似模糊圖像FakeB傳入生成器B2A中得到相似清晰圖像SimilarA；利用鑒別器DA鑒別近似清晰圖像FakeA是否足夠清晰，輸出二維矩陣DFakeA；利用鑒別器DB鑒別近似模糊圖像FakeB是否足夠模糊，輸出二維矩陣DFakeB；對清晰圖像A和相似清晰圖像SimilarA進行相似度比對，對模糊圖像B和相似模糊圖像SimilarB進行相似度比對；

步驟3，優化階段：通過反向優化使生成器網絡輸出結果逐步逼近清晰圖像。

2.根據權利要求1所述的一種基于深度學習的盲去模糊方法，其特征在于，所述步驟1中，在數據預處理時，對圖像進行縮放變為固定像素尺寸256*256。

3.根據權利要求1所述的一種基于深度學習的盲去模糊方法，其特征在于，所述步驟2中，模糊圖像和清晰圖像并無直接的對應關系。

4.根據權利要求1所述的一種基于深度學習的盲去模糊方法，其特征在于，所述步驟(2)中，特征相似度1的計算公式如下：

特征相似度2的計算公式如下：

其中，rfea表示特征層的尺寸，四個特征層FeatureA、FeatureFakeB、FeatureB和FeatureFakeA的尺寸相同；FeatureA_x,y、FeatureFakeB_x,y、FeatureB_x,y、FeatureFakeA_x,y分別表示特征層FeatureA、特征層FeatureFakeB、特征層FeatureB、特征層FeatureFakeA在坐標(x，y)處的值。

5.根據權利要求1所述的一種基于深度學習的盲去模糊方法，其特征在于，所述步驟(3)中，生成器A2B與生成器B2A的總目標函數為：

loss_G＝loss_GA2B+loss_GB2A+loss_cycA+loss_cycB

其中，

rdis表示二維矩陣的尺寸，二維矩陣DFakeB與DFakeA的尺寸相同，rpic表示圖像的尺寸，圖像A、圖像B、圖像SimilarA和圖像SimilarB的尺寸相同；DFakeA_x，y、DFakeB_x，y分別表示二維矩陣DFakeB與DFakeA在坐標(x，y)處的值；A_x，y、SimilarA_x，y、B_x，y、SimilarB_x，y分別表示清晰圖像A、相似清晰圖像SimilarA、模糊圖像B和相似模糊圖像SimilarB在坐標(x，y)處的值。