1.一种基于分层贝叶斯表示的自监督图像盲去模糊方法,其特征在于,所述方法包括:获取清晰图像并进行处理,合成模糊图像,建立模糊图像数据集;
基于运动退化模型结合模糊图像数据集构建分层贝叶斯先验模型和目标函数,并定义随机变量,包括:基于运动退化模型结合模糊图像数据集建立分层贝叶斯先验模型,至少包括三层,分别定义分层贝叶斯先验模型中的随机变量;其中,在第一层中,界定潜在清晰图像为随机变量,并确定潜在清晰图像的先验分布,定义为高斯概率密度函数;在第二层和第三层中,均定义为伽马概率密度函数;
通过随机变量构建目标函数;
最小化目标函数,求解分层贝叶斯先验模型中随机变量的后验分布,包括:基于第一层潜在清晰图像的后验概率服从多元高斯分布,对应的计算公式为:;
;
第二层和第三层随机变量均服从伽马分布,对应的计算公式为:;
;
;
;
其中,表示潜在清晰图像的后验分布;、表示第一层中的中间参数表征;表示期望;表示模糊图像;表示清晰图像;、均表示随机变量;、、均表示超参数;表示模糊核;、分别表示对应随机变量的形状参量;、分别表示对应随机变量的速率参数;表示随机变量的后验分布;表示随机变量的后验分布;、分别表示对清晰图像水平方向和垂直方向的梯度运算;表示对角矩阵;
设计深度神经网络框架,结合随机变量的后验分布建立损失函数,对深度神经网络框架进行训练,得到最优模型;
通过最优模型输出模糊图像数据集的图像恢复结果。
2.根据权利要求1所述的一种基于分层贝叶斯表示的自监督图像盲去模糊方法,其特征在于,获取清晰图像并进行处理,合成模糊图像,建立模糊图像数据集,具体为:获取清晰图像,采用相机轨迹生成模糊轨迹得到模糊核,将清晰图像与模糊核卷积,合成模糊图像,记为,其中,、分别表示模糊图像的宽和高,3表示模糊图像的通道数,建立模糊图像数据集。
3.根据权利要求1所述的一种基于分层贝叶斯表示的自监督图像盲去模糊方法,其特征在于,分别定义分层贝叶斯先验模型中的随机变量,对应的计算公式为:;
;
;
;
其中,表示潜在清晰图像的分层表示;表示潜在清晰图像;、、均表示超参数;、均表示随机变量;表示潜在清晰图像的先验分布;表示高斯分布;、分别表示垂直方向和水平方向进行梯度运算;表示对角矩阵;表示第二层随机变量的先验分布;表示潜在清晰图像的像素数量;表示伽马分布;表示第三层随机变量的先验分布。
4.根据权利要求1所述的一种基于分层贝叶斯表示的自监督图像盲去模糊方法,其特征在于,通过随机变量构建目标函数,对应的计算公式为:;
;
其中,表示目标函数;、、、均表示超参数;表示模糊图像;表示清晰图像;表示模糊核;表示高斯分布;表示运动退化模型。
5.根据权利要求2所述的一种基于分层贝叶斯表示的自监督图像盲去模糊方法,其特征在于,设计深度神经网络框架,结合随机变量的后验分布建立损失函数,对深度神经网络框架进行训练,得到最优模型,包括:设计深度神经网络框架,包含编码-解码器结构网络和全连接网络;
分别输入固定噪声至编码-解码器结构网络和全连接网络进行处理,对应输出潜在清晰图像和模糊核;
联合潜在清晰图像和模糊核构建损失函数,结合随机变量的后验分布进行优化,对深度神经网络框架进行训练,得到最优模型。
6.根据权利要求5所述的一种基于分层贝叶斯表示的自监督图像盲去模糊方法,其特征在于,联合潜在清晰图像和模糊核构建损失函数,结合随机变量的后验分布进行优化,对深度神经网络框架进行训练,得到最优模型,具体为:联合潜在清晰图像和模糊核构建损失函数,采用随机变量的后验分布近似损失函数中的变量后验分布,并通过最小化KL散度进行优化,实现损失函数中部分变量的最大化,结合随机变量的后验分布,通过蒙特卡洛采样计算损失函数中的变量,得到最优模型。
7.根据权利要求6所述的一种基于分层贝叶斯表示的自监督图像盲去模糊方法,其特征在于,得到最优模型,对应的计算公式为:;
;
;
;
其中,表示KL散度;表示后验概率;表示清晰图像;表示去模糊后的清晰图像中的第个像素;、均表示随机变量;表示模糊核;表示模糊图像;、、、均表示超参数;表示模糊图像的先验分布;表示损失函数中的变量;、分别表示垂直方向和水平方向进行梯度运算;表示对角矩阵;表示期望;表示采样数;表示噪声等级;表示从标准高斯分布中采样的一个随机标量;表示高斯分布;表示单位矩阵;表示逐像素的乘法。