一种基于生成对抗网络的模糊图像复原方法及系统与流程

技术特征：
1.一种基于生成对抗网络的模糊图像复原方法，其特征在于，包括：获取待复原的模糊图像；利用训练好的模糊图像复原网络模型对所述待复原的模糊图像进行复原；所述模糊图像复原网络模型基于多尺度条件生成对抗网络进行构建；所述多尺度条件生成对抗网络包括：生成器、鉴别器和损失函数；所述生成器的构建过程为：利用1个7
×
7大小且添加relu函数的卷积层和2个3
×
3大小且添加relu函数的跨步卷积层对输入图像进行下采样操作；利用9个多尺度残差块和1个1
×
1大小且添加relu函数的瓶颈卷积层对下采样操作后的图像进行特征融合，并实现多尺度特征的自适应提取；每个所述多尺度残差块的输出均发送至所述瓶颈卷积层；所述多尺度残差模块包括：parta和partb；在parta中，首先利用1
×
1大小的瓶颈卷积对输入特征图进行降维处理，随后将特征通道分为四组，第一组特征通道直接输出至partb，第二组特征通道、第三组特征通道和第四组特征通道中均添加1个3
×
3大小的卷积层和relu激活函数；第二组特征通道将相应的输出特征和第三组特征通道的输入特征一起发送至第三组特征通道的卷积层中；第三组特征通道将相应的输出特征和第四组特征通道的输入特征一起发送至第四组特征通道的卷积层中；将第二组特征通道、第三组特征通道和第四组特征通道的输出特征进行融合输入partb中；在partb中利用1个3
×
3大小和1个5
×
5大小的卷积层进行并行连接，并加入relu激活函数；partb的输出特征和parta中第一组特征通道的特征进行融合后经过1
×
1大小的瓶颈卷积，恢复特征图的维度；利用2个3
×
3大小且添加relu函数的转置卷积层和1个7
×
7大小且添加tanh激活函数的卷积层对提取特征后的图像进行上采样操作，生成复原图像。2.根据权利要求1所述的一种基于生成对抗网络的模糊图像复原方法，其特征在于，所述鉴别器包括：5个依次连接的卷积层；5个卷积层的内核大小均为4
×
4；前四个卷积层均与leakyrelu激活函数层连接；第5个卷积层与sigmod激活函数层连接。3.根据权利要求1所述的一种基于生成对抗网络的模糊图像复原方法，其特征在于，利用公式l
loss
＝l
d
100
×
l
g
确定损失函数；其中，l
loss
为损失函数，l
d
为对抗损失函数，l
g
为感知损失函数。4.根据权利要求3所述的一种基于生成对抗网络的模糊图像复原方法，其特征在于，利用公式确定对抗损失函数；其中，x为真实数据，p
x
为真实数据的分布，z为随机噪声，p
z
为噪声的分布，y为约束条件，e(*)为数学期望，d(*)为鉴别器对输入数据真假性的判断，即输入数据为真的概率值，g(*)为生成器对输入数据的生成结果。5.根据权利要求3所述的一种基于生成对抗网络的模糊图像复原方法，其特征在于，利用公式确定感知损失函数；其中，w
i,j
和h
i,j
为特征图的维度，此处选择i＝j＝3。φ
i,j
为在imagenet数据集上预训练的vgg19网络中第i个池化层前的第j个卷积层输出的特征图。6.根据权利要求1所述的一种基于生成对抗网络的模糊图像复原方法，其特征在于，所述利用训练好的模糊图像复原网络模型对所述待复原的模糊图像进行复原，之前还包括：
获取模糊图像复原数据集；所述模糊图像复原数据集包括多个清晰与模糊图像对；每个清晰与模糊图像对中的清晰图像与模糊图像一一对应；将模糊图像复原数据集划分为训练集和测试集；构建基于多尺度条件生成对抗网络的模糊图像复原网络模型；将训练集中的清晰与模糊图像对输入到模糊图像复原网络模型中的生成器中，生成复原图像；将复原图像输入到模糊图像复原网络模型中的鉴别器中，利用相应的清晰图像进行判断；保持鉴别器的参数不变，重复执行生成复原图像和判断的步骤，调整生成器的参数，使得损失函数逐渐减小直至趋于稳定状态；保持生成器的参数不变，重复执行生成复原图像和判断的步骤，调整鉴别器的参数，使得损失函数逐渐增大直至趋于稳定状态；直至损失函数收敛，确定训练好的模糊图像复原网络模型；利用测试集对训练好的模糊图像复原网络模型进行测试。7.一种基于生成对抗网络的模糊图像复原系统，其特征在于，包括：待复原的模糊图像获取模块，用于获取待复原的模糊图像；模糊图像复原模块，用于利用训练好的模糊图像复原网络模型对所述待复原的模糊图像进行复原；所述模糊图像复原网络模型基于多尺度条件生成对抗网络进行构建；所述多尺度条件生成对抗网络包括：生成器、鉴别器和损失函数；所述生成器的构建过程为：利用1个7
×
7大小且添加relu函数的卷积层和2个3
×
3大小且添加relu函数的跨步卷积层对输入图像进行下采样操作；利用9个多尺度残差块和1个1
×
1大小且添加relu函数的瓶颈卷积层对下采样操作后的图像进行特征融合，并实现多尺度特征的自适应提取；每个所述多尺度残差块的输出均发送至所述瓶颈卷积层；所述多尺度残差模块包括：parta和partb；在parta中，首先利用1
×
1大小的瓶颈卷积对输入特征图进行降维处理，随后将特征通道分为四组，第一组特征通道直接输出至partb，第二组特征通道、第三组特征通道和第四组特征通道中均添加1个3
×
3大小的卷积层和relu激活函数；第二组特征通道将相应的输出特征和第三组特征通道的输入特征一起发送至第三组特征通道的卷积层中；第三组特征通道将相应的输出特征和第四组特征通道的输入特征一起发送至第四组特征通道的卷积层中；将第二组特征通道、第三组特征通道和第四组特征通道的输出特征进行融合输入partb中；在partb中利用1个3
×
3大小和1个5
×
5大小的卷积层进行并行连接，并加入relu激活函数；partb的输出特征和parta中第一组特征通道的特征进行融合后经过1
×
1大小的瓶颈卷积，恢复特征图的维度；利用2个3
×
3大小且添加relu函数的转置卷积层和1个7
×
7大小且添加tanh激活函数的卷积层对提取特征后的图像进行上采样操作，生成复原图像。8.根据权利要求7所述的一种基于生成对抗网络的模糊图像复原系统，其特征在于，还包括：糊图像复原数据集获取模块，用于获取模糊图像复原数据集；所述模糊图像复原数据集包括多个清晰与模糊图像对；每个清晰与模糊图像对中的清晰图像与模糊图像一一对应；
糊图像复原数据集划分模块，用于将模糊图像复原数据集划分为训练集和测试集；模糊图像复原网络模型构建模块，用于构建基于多尺度条件生成对抗网络的模糊图像复原网络模型；复原图像生成模块，用于将训练集中的清晰与模糊图像对输入到模糊图像复原网络模型中的生成器中，生成复原图像；判断模块，用于将复原图像输入到模糊图像复原网络模型中的鉴别器中，利用相应的清晰图像进行判断；第一调整模块，用于保持鉴别器的参数不变，重复执行生成复原图像和判断的步骤，调整生成器的参数，使得损失函数逐渐减小直至趋于稳定状态；第二调整模块，用于保持生成器的参数不变，重复执行生成复原图像和判断的步骤，调整鉴别器的参数，使得损失函数逐渐增大直至趋于稳定状态；训练好的模糊图像复原网络模型确定模块，用于直至损失函数收敛，确定训练好的模糊图像复原网络模型；训练好的模糊图像复原网络模型测试模块，用于利用测试集对训练好的模糊图像复原网络模型进行测试。

技术总结
本发明涉及一种基于生成对抗网络的模糊图像复原方法及系统。该方法包括获取待复原的模糊图像；利用训练好的模糊图像复原网络模型对所述待复原的模糊图像进行复原；所述模糊图像复原网络模型基于多尺度条件生成对抗网络进行构建；通过在生成器中构建多尺度残差块，并将多尺度残差块作为生成网络中的主要特征提取块，在生成器中的多个多尺度残差块后添加瓶颈卷积层，每个所述多尺度残差块的输出均发送至所述瓶颈卷积层；本发明能够提高模糊图像复原的真实性。复原的真实性。复原的真实性。


技术研发人员：闫兴鹏 刘云鹏 王晨卿 蒋晓瑜 汪熙 荆涛 王子强 屈强
受保护的技术使用者：中国人民解放军陆军装甲兵学院
技术研发日：2021.08.10
技术公布日：2021/11/9