1.一种基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法,其特征在于,包括以下步骤:S1、选取训练数据集并对其进行预处理;
S2、基于步骤S1预处理后的训练数据集中的模糊图像,利用生成网络得到生成图像,包括以下分步骤:S21、随机采样所述步骤S1预处理后的训练数据集中的模糊图像得到输入图像IB,并将其输入生成网络;
S22、对输入图像IB进行边缘镜像填充;
S23、通过1个7×7卷积块、2个3×3卷积块和深度残差收缩网络对镜像填充后的输入图像IB进行输入图像特征提取,包括以下分步骤:S231、将输入通过两个由批归一层、ReLU激活函数层和卷积层构成的卷积块后,对其求绝对值;
S232、对求绝对值后的输入通过全局均值池化得到特征A;
S233、将全局均值池化后的特征图输入到一个以Sigmod函数为最后一层的小型全连接网络中,将输出归一化到0和1之间,获得系数α;
S234、将阈值表示为α×A,基于阈值采用软阈值处理去掉步骤S231求绝对值后的输入的部分冗余信息和噪声信息;
S235、将输入与去掉冗余信息后的步骤S231的输出通过全局连接相加得到输出;
S24、对步骤S23得到的特征图进行上采样后,再进行边缘镜像填充;
S25、使二次边缘镜像填充后的输入图像IB经过1个7×7卷积层,得到图像IR;
S26、通过全局连接使输入图像IB和图像IR相加得到生成图像IS;
S3、将步骤S2得到的生成图像及其对应清晰图像输入判别网络,得到生成图像属于清晰图像的概率;
S4、通过步骤S3得到的概率来训练判别网络,判断判别网络训练次数是否达到预设次数,若是,执行步骤S5,否则返回步骤S3;
S5、利用步骤S4训练好的判别网络得到生成图像属于清晰图像的概率;
S6、判断生成网络和判别网络是否达到纳什均衡,若是,执行步骤S8,否则执行步骤S7;
S7、通过步骤S5得到的概率来训练生成网络,将判别网络训练次数清零后返回步骤S2;
S8、采用训练好的生成网络去图像运动模糊。
2.如权利要求1所述的一种基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法,其特征在于,所述步骤S1具体包括:选取GoPro数据集作为训练数据集,将其中的模糊‑清晰图像对按预设比例分为训练集和测试集,采用最邻近图像插值法将所有图像分辨率从1280×720转化为256×256。
3.如权利要求1所述的一种基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法,其特征在于,所述步骤S3包括以下分步骤:S31、将步骤S2得到的生成图像及其对应清晰图像输入判别网络,分别经过6个卷积块,得到特征图;
S32、将特征图一维化,得到一维化数据;
S33、将一维化数据经过全连接层,将提取到的特征整合到一起,输出一个[‑1,1]的值;
S34、将[‑1,1]的值再经过全连接层,将提取到的特征整合到一起,输出一个[0,1]的值,表示生成图像属于清晰图像的概率。
4.如权利要求3所述的一种基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法,其特征在于,所述步骤S4具体包括:基于所述步骤S34得到的概率,通过Wasserstein距离得到对抗损失1,进而对判别网络进行训练,判断判别网络训练次数是否达到预设次数,若是,执行所述步骤S5,否则返回所述步骤S3。
5.如权利要求4所述的一种基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法,其特征在于,所述步骤S5具体包括:将训练好的判别网络参数代入所述步骤S3中,得到生成图像属于清晰图像的概率。
6.如权利要求5所述的一种基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法,其特征在于,所述步骤S6中判断生成网络和判别网络是否达到纳什均衡具体包括:判断所述步骤S5得到的概率是否位于0.5±0.001区间,若是,则达到纳什均衡,否则没有达到纳什均衡。
7.如权利要求6所述的一种基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法,其特征在于,所述步骤S7具体包括:基于所述步骤S5得到的概率,通过Wasserstein距离得到对抗损失2,通过vgg16网络得到感知损失,采用预设权重对生成网络进行训练,训练完成后将判别网络训练次数重置为
0,返回所述步骤S2。