[發明專利]基于RRDB的生成對抗網絡的圖像去模糊算法

在審

• 申請號: 202011594945.2
• 申請日: 2020-12-29
• 公開（公告）號: CN112651894A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 王娟;蔡霖康;劉子杉;陳關海;丁暢;袁旭亮;柯聰
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

本發明公開了一種基于RRDB的生成對抗網絡圖像去模糊算法。本發明在去模糊模型DeblurGAN網絡的基礎上，使用融合了多層殘差網絡和密集連接的RRDB網絡單元替換生成器中的RB網絡單元，并且在生成器的輸入和輸出之間加入全局跳躍連接，來提高生成器的學習和生成能力。然后在損失函數中，使用Wasserstein距離作為網絡的對抗損失，避免在訓練過程中出現網絡退化問題；在內容損失上加入像素空間損失函數，對生成圖像的像素內容一致性進行約束最終生成清晰圖像。

技術領域

本發明涉及圖像復原技術領域，尤其涉及一種基于RRDB的生成對抗網絡的圖像去模糊算法。

背景技術

傳統的去模糊方法針對特定的場景和模糊類型中，達到了不錯的去模糊效果，但是在復雜場景中算法的去模糊效果卻不盡人意。因為實際復雜場景中，模糊類型多樣，分布復雜。而且這些方法不能實現對圖像批量處理，離實際運用還有相當大的差距。現如今由于計算機硬件的提升和并行計算的進步，基于深度學習的數字圖像算法不斷涌現。基于深度學習的去模糊算法是使用不同的網絡模型，在大量先驗圖像上學習圖片的高級特征表示，來實現模糊圖像的復原。眾多深度學習模型中，卷積神經網絡和生成對抗網絡分別是監督學習和無監督學習的代表模型。由于二者學習方式的不同，前者擅長復雜的數據分類任務，后者更擅長于高難度的數據生成任務。而圖像去模糊是一個圖像信息增量的步驟，也是一個圖像生成的過程。因此選擇在生成對抗網絡的基礎上來對圖像去模糊展開研究，針對算法在圖像重建過程中還是會存在內容缺失、色彩不一致以及存在“棋盤效應”等問題，提出基于RRDB的生成對抗網絡圖像去模糊算法模型。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。為此，本發明的一個目的在于提出一種基于RRDB的生成對抗網絡的圖像去模糊算法。首先，在去模糊模型DeblurGAN網絡的基礎上，使用融合了多層殘差網絡和密集連接的RRDB網絡單元替換生成器中的RB網絡單元，并且在生成器的輸入和輸出之間加入全局跳躍連接，來提高生成器的學習和生成能力。其次，在損失函數中，使用Wasserstein距離作為網絡的對抗損失，避免在訓練過程中出現網絡退化問題；在內容損失上加入像素空間損失函數，對生成圖像的像素內容一致性進行約束。

根據本發明實施例的基于RRDB的生成對抗網絡的圖像去模糊算法，該算法基于DeblurGAN(盲去模糊生成對抗網絡)模型，所述模型包括RRDB(嵌套殘差密集塊)，模型中損失函數包含對抗損失函數和由像素空間損失和感知損失構成的內容損失函數，即L＝L_GAN+aL_percep+bL_pixel：

步驟1：采集模糊圖像樣本，輸入基于RRDB的生成器中，生成去模糊后的清晰圖像樣本。

步驟2：利用判別器判別數據集中原始清晰樣本和上述生成清晰樣本，最終得到去模糊圖像的真實樣本。

步驟3：使用總體去模糊損失函數L對生成圖像判別，進行損失計算。使用Wasserstein距離來衡量真實清晰樣本圖像與生成樣本圖像的相似性，從而實現對真實樣本和生成樣本的分類。

可選地，所述損失函數中，L_GAN、aL_percep、bL_pixel分別基于如下：

對抗損失計算表達式為：

其中，為判別器D和判別器參數θ_D，為生成器G和生成器參數θ_G。I_B為輸入給生成器的模糊樣本圖像，I_S為真實樣本圖像，N為樣本數量，a為感知損失加權參數；b為像素空間損失加權參數。

像素空間損失表達式為：

其中，W和H分別為樣本圖像的長度和寬度；