[發(fā)明專利]基于條件生成對抗網(wǎng)絡(luò)的去模糊方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011549596.2
• 申請日: 2020-12-24
• 公開（公告）號: CN112541877A
• 公開（公告）日: 2021-03-23
• 發(fā)明（設(shè)計）人: 杜振鋒;周曉清;龔汝洪
• 申請（專利權(quán)）人: 廣東宜教通教育有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李君

1.一種基于條件生成對抗網(wǎng)絡(luò)的去模糊方法，其特征在于，所述方法包括：

構(gòu)建生成對抗網(wǎng)絡(luò)；

獲取模糊圖像和清晰圖像；

將模糊圖像輸入生成器的輸入層，依次經(jīng)過標準卷積層、第一激活函數(shù)層和第一特征歸一化層進行處理；

將處理結(jié)果輸入多個Group-SE模塊中提取特征；

將提取的特征輸入反卷積層中進行上采樣，得到模擬圖像；

以生成器得到的模擬圖像作為負樣本，以清晰圖像作為正樣本，將負樣本和正樣本輸入判別器中進行判別，輸出清晰圖像的真假判別結(jié)果；

通過迭代訓(xùn)練生成器和判別器，直到生成對抗網(wǎng)絡(luò)達到納什均衡；

利用訓(xùn)練好的生成對抗網(wǎng)絡(luò)對待處理圖像進行去模糊處理。

2.根據(jù)權(quán)利要求1所述的去模糊方法，其特征在于，每個Group-SE模塊包括依次相連的第一卷積層、分組卷積層、第二激活函數(shù)層、第二特征歸一化層、SE塊、第二卷積層和特征融合層。

3.根據(jù)權(quán)利要求2所述的去模糊方法，其特征在于，所述SE塊包括相連的特征篩選層和特征重標定層，其中特征篩選層包括依次相連的全局平均池化層、第一全連接層、第三特征歸一化層、第二全連接層和Sigmoid函數(shù)層。

4.根據(jù)權(quán)利要求2所述的去模糊方法，其特征在于，所述第一激活函數(shù)層以及Group-SE模塊的第二激活函數(shù)層中的激活函數(shù)均采用LeakReLU函數(shù)，如下式：

所述生成器輸出層的激活函數(shù)采用tanh函數(shù)。

5.根據(jù)權(quán)利要求2所述的去模糊方法，其特征在于，所述第一特征歸一化層以及Group-SE模塊的第二特征歸一化層均采用組歸一化。

6.根據(jù)權(quán)利要求1-5任一項所述的去模糊方法，其特征在于，所述判別器包括DPN網(wǎng)絡(luò)，所述DPN網(wǎng)絡(luò)將ResNet的加和操作與DenseNet的拼接操作共同設(shè)計到神經(jīng)網(wǎng)絡(luò)中，包括多個DPN塊，每個DPN塊采用具有第一路徑和第二路徑的雙路結(jié)構(gòu)，其中第一路徑整合特征采用加和操作，第二路徑整合特征采用拼接操作；

將第一路徑和第二路徑中的特征拼接后進行整體的卷積操作，根據(jù)輸入特征的比例進行拆分操作，得到兩部分特征，將兩部分特征分別輸入對應(yīng)的路徑中進行操作。

7.根據(jù)權(quán)利要求1-5任一項所述的去模糊方法，其特征在于，所述生成對抗網(wǎng)絡(luò)的訓(xùn)練損失函數(shù)表達式如下：

L_total＝L_cont+λL_adv

其中，L_total為總體損失，L_cont為內(nèi)容損失，L_adv為對抗損失，λ為權(quán)重系數(shù)；

所述內(nèi)容損失的表達式如下：

其中，L_mse為均方誤差，為正則化項，w為特征權(quán)重，n為特征權(quán)重數(shù)量，β為正則項系數(shù)；

所述對抗損失的表達式如下：

其中，表示清晰圖像數(shù)據(jù)分布的數(shù)學(xué)期望，表示模糊圖像數(shù)據(jù)分布的數(shù)學(xué)期望，I^s和I^b分別表示清晰圖像和模糊圖像，D(I^s)表示I^s被判定為清晰圖像的概率，D(G(I^b))表示模糊圖像I^b經(jīng)生成器模擬得到的清晰圖像被判定為清晰圖像的概率。