[發明專利]一種基于復雜任務分解正則化的圖像復原模型、方法及設備

有效

• 申請號: 202010112555.0
• 申請日: 2020-02-24
• 公開（公告）號: CN111369451B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 謝春芝;高志升
• 申請（專利權）人: 黑蜂智造（深圳）科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0464;G06N3/08
• 代理公司: 南通寧競智凡專利代理事務所(普通合伙) 32666
• 代理人: 孫珍珍

1.一種基于復雜任務分解正則化的圖像復原模型，其特征在于，包括：特征提取與去噪子網、去模糊子網和圖像重建子網；

所述特征提取與去噪子網包括卷積神經網絡、深度卷積神經網絡和降噪網絡；

所述卷積神經網絡用于對原始模糊圖像進行特征提取，獲取第一特征圖；

所述深度卷積神經網絡用于對所述原始模糊圖像進行特征提取進，獲取第二特征圖；

所述降噪網絡用于根據所述第一特征圖和所述第二特征圖重建模糊圖像特征圖；

所述去模糊子網用于去除所述模糊圖像特征圖中的湍流模糊獲得第三特征圖；

所述圖像重建子網用于根據所述第三特征圖進行圖像重建并輸出重建后的清晰圖像。

2.根據權利要求1所述的基于復雜任務分解正則化的圖像復原模型，其特征在于，所述深度卷積神經網絡包括第一卷積層、第一深度卷積層、第二深度卷積層、第三深度卷積層和第四深度卷積層；所述第一卷積層分別與所述第二深度卷積層、所述第三深度卷積層和所述第四深度卷積層融合。

3.根據權利要求2所述的基于復雜任務分解正則化的圖像復原模型，其特征在于，所述第一卷積層的過濾尺寸為3*3；所述第一深度卷積層的過濾尺寸為1*1；所述第二深度卷積層的過濾尺寸為2*2；所述第三深度卷積層的過濾尺寸為3*3；所述第四深度卷積層的過濾尺寸為4*4。

4.根據權利要求1所述的基于復雜任務分解正則化的圖像復原模型，其特征在于，所述卷積神經網絡包括第一卷積層、第二卷積層、第三卷積層、第四卷積層和第五卷積層；所述原始模糊圖像依次經過所述第一卷積層、所述第二卷積層、所述第三卷積層、所述第四卷積層和所述第五卷積層進行卷積過濾；所述第一卷積層、所述第二卷積層、所述第三卷積層、所述第四卷積層和所述第五卷積層的過濾尺寸均為3*3。

5.根據權利要求1所述的基于復雜任務分解正則化的圖像復原模型，其特征在于，所述降噪網絡包括第六卷積層和第七卷積層；所述卷積神經網絡和所述深度卷積神經網絡進行卷積過濾后獲取到的特征圖依次經過所述第六卷積層和所述第七卷積層完成模糊圖像特征圖的重建；所述第六卷積層和第七卷積層的過濾尺寸為3*3。

6.一種基于復雜任務分解正則化的圖像復原方法，應用于基于復雜任務分解正則化的圖像復原模型，其特征在于，包括：

獲取原始模糊圖像；

使用特征提取與去噪子網中的卷積神經網絡對所述原始模糊圖像進行卷積過濾，獲取第一特征圖；同時使用所述特征提取與去噪子網中的深度卷積神經網絡對所述原始模糊圖像進行卷積過濾，獲取第二特征圖；

使用所述特征提取與去噪子網中的降噪網絡根據所述第一特征圖和所述第二特征圖重建模糊圖像特征圖；

使用去模糊子網去除所述模糊圖像特征圖中的湍流模糊獲得第三特征圖；

使用圖像重建子網根據所述第三特征圖進行圖像重建并輸出重建后的清晰圖像。

7.根據權利要求6所述的方法，其特征在于，所述方法還包括：

分析所述特征提取與去噪子網輸出圖像的第一損失函數和所述圖像重建子網輸出圖像的第二損失函數；

根據所述第一損失函數和所述第二損失函數分析所述圖像復原模型的整體損失函數；

根據所述整體損失函數訓練所述圖像復原模型。

8.根據權利要求6所述的方法，其特征在于，所述方法還包括：

根據仿真退化圖像的模糊程度和噪聲水平，將訓練集按退化程度劃分為{T₁,...,T_n}個子訓練集,通過子訓練集預訓練網絡的權重。

9.一種基于復雜任務分解正則化的圖像復原設備，其特征在于，包括服務器以及設置在所述服務器中的權利要求1-5任一項所述的圖像復原模型。