[发明专利]基于ResNet网络的图像去模糊方法

说明书

本发明属于图像处理技术领域，具体公开了基于ResNet网络的图像去模糊方法，具体如下：一、在ResNet18网络基础上，构建Deblur‑ResNet网络模型；二、将数据集的RGB图像转换为Y分量图像、U分量图像和V分量图像，Y分量图像、U分量图像和V分量图像分别作为Deblur‑ResNet网络模型的训练集；三、在ResNet18网络内增设独立卷积层和独立反卷积层；四、使用Y分量图像、U分量图像、V分量图像训练Deblur‑ResNet网络模型，去模糊网络的参数使用随机初始化，用损失函数反向传播来更新网络参数，大大降低了运算复杂度，取得了很好的去模糊效果。

技术领域

本发明属于图像处理技术领域，具体涉及一种模糊图像的恢复方法。

背景技术

近年来图像去模糊技术在理论和实际中都得到了广泛应用，例如医学成像、道路交通监控、目标追踪、目标物体识别等。随着科技的发展，图像信息将被应用到更为广泛的领域，因此图像去模糊作为图像复原技术的一个分支，一直是一个具有挑战性的问题。

早期的图像去模糊算法把模糊过程看作清晰图像与点扩散函数的卷积，基于点扩散函数的图像去模糊算法主要有维纳滤波算法、RL滤波算法、总变分算法等，由于这些方法只适用于简单的模糊图像，如散焦模糊、运动模糊等，对一些复杂模糊则无法用数学公式表示。鉴于经典方法去模糊的局限，后来的方法在经典方法基础上充分利用了自然图像的一些先验信息来复原图像，并且将其作为正则化项(基于正则化技术)来改进图像的去模糊效果。这些方法虽然有一定的去模糊效果，但大多涉及大量的参数调整和复杂的计算，限制了大量场景的应用，另外，这类方法对去模糊模型的简化假设常常会妨碍它们的性能的提升。

近年来，深度学习(Deep learning,DL)已经成为当前图像恢复领域中的重要发展方向。使用卷积神经网络(Convolutional Neural Networks,CNN)去解决图像去模糊问题逐渐成为研究热点。

使用深度卷积神经网络对传统图像进行去模糊。为达到图像清晰度的提升,通常增加CNN的卷积层数量或改进结构来完善模型的性能。但这是以增加模型大小和推理速度为代价的，并且随着网络深度的加深，网络的堆叠效果并不好，训练时还会出现梯度弥散或梯度爆炸等问题。

发明内容

为解决现有技术存在的技术问题，本发明使用了低复杂度的ResNet结构，即在原ResNet18架构基础上进行改进，提出了Deblur-ResNet网络模型，考虑到人眼对亮度变化比较敏感，本发明将原RGB图像转换为Y、U、V，仅使用Y分量图像对Deblur-ResNet网络进行训练，用训练好的模型分别对Y、U、V恢复，再转换为恢复的RGB图像。

为实现上述目的，本发明所采用的技术方案为：基于ResNet网络的图像去模糊方法，其特征在于，具体步骤如下：

步骤一、在ResNet18网络基础上，构建Deblur-ResNet网络模型。

步骤二、将GOPRO、DVD、NFS数据集的RGB图像均转为Y分量图像、U分量图像和V分量图像，Y分量图像、U分量图像和V分量图像分别作为Deblur-ResNet网络模型的训练集。

步骤三、在ResNet18网络内增设独立卷积层和独立反卷积层，将ResNet18网络的输入通道数量由3变为1；

1)、Deblur-ResNet网络模型的整体框架内设特征提取部分：

a、内设conv1-5五个独立卷积层，五个卷积层均使用64个卷积核，conv1卷积层的大小为3×3、步长为1；conv2卷积层的大小为3×3、步长为1；conv3卷积层的大小为3×3、步长为1；conv4卷积层的大小为7×7、步长为2；conv5卷积层的大小为7×7、步长为2。