1.一种基于神经网络的航拍图像去模糊算法,其特征在于,包括以下步骤:
1)无人机道路航拍模糊图像模糊核的估计:采用基于稀疏与低秩先验的图像盲复原来估计出模糊图像的模糊核,具体流程为:
1.1)采用图像梯度先验滤除冗余信息;
1.2)通过图像显著性强度的稀疏性提取出潜像的显著性边缘,在迭代过程中利用中间潜像中的显著性边缘信息指导模糊核的估计;
1.3)利用图像金字塔分解图像,并在不同分辨率图像上交替迭代估计出模糊核,并在全分辨率图层上得到准确的模糊核;
2)基于卷积神经网络的航拍图像去模糊:采用改进的卷积神经网络,通过建立类残差结构,复原出图像中的细节信息,同时保证图像的整体相似性和统一全局色差,具体步骤为:
2.1)构建网络:采用改进的卷积神经网络,通过建立类残差结构,并在残差块之间建立短跳连接,能够自适应地处理图像层之间的细微变化,有效地复原出图像中的细节信息;通过连接输入层和输出层的长跳连接有效控制图像的整体相似性和统一全局色差;
2.2)预处理:对输入模糊图像进行预处理,从而降低网络训练的复杂性,使网络更快收敛;采用一次最简单的维纳滤波作为预处理来降低训练复杂性,可以使得网络输入在训练过程中不依赖于模糊核的精确形状,使得网络对盲卷积估计出的模糊核也能有较好的复原效果;维纳逆滤波的数学模型为:其中G(f)和H(f)是g和h在频域的傅里叶变换,S(f)是输入信号x(t)的平均功率谱密度,N(f)是噪声v(t)的平均功率谱密度;
2.3)后处理:通过测试不同网络层数下的PSNR值和训练时间来确定最适合的网络层数;后处理的公式为:其中,y表示输入的模糊图像,k表示模糊核,λ为权重,f(x)表示网络输出,求解出潜像x的估计值:其中,X,K,Y,F(X)分别表示x,k,y,f(x)的傅里叶变换, 表示k的复共轭傅里叶变换;e表示逐元素乘法;
2.4)模型训练:给定训练数据集{xi,yi},学习可以预测价值的模型y=f(x),对于训练集中的数据真实清晰图像x,模糊图像y和卷积核k,训练模型为:y=f(x*k+b)
其中,b为偏置,f(·)为激活函数。
2.根据权利要求1所述的基于神经网络的航拍图像去模糊算法,其特征在于,模型训练步骤中采用PReLU函数;采用中间复原图像与清晰真实图像之间的欧式距离作为损失函数进行训练,即:其中,N为数据集中图像对的个数,f(xi)是网络预测,yi代表模糊图像;
模型通过降采样方式将输入的数据图像分解到不同尺度上,将几个指定比例的训练数据集合并为一个大的数据集,并为每个尺度上的神经网络设置了对应的参数,对每个尺度的图像进行训练,通过形成特征金字塔,自上而下地选取两个相邻尺度,进行多尺度特征融合,最后,将高分辨率层的结果作为网络模型的参数输出。