论文部分内容阅读
图像的运动模糊主要是由拍摄物体和相机之间相对运动、相机抖动造成。运动模糊图像盲复原是指模糊核未知时对运动模糊图像进行复原,这是严重的不适定性问题,精确的模糊核估计是解决问题的关键,也是制约模糊图像盲复原实际应用的瓶颈。深度学习中的卷积神经网络通过卷积核可以实现模糊图像到复原图像的空间映射,目前已成为模糊图像复原领域重要的发展方向。本文提出一个不需要估计模糊核的双框架卷积神经网络,用于运动模糊图像盲复原。该网络基于生成式对抗网络(Generative Adversarial Nets,GAN)的思想,通过生成网络和判别网络的对抗训练,直接复原出清晰的图像。由于该网络不需要估计模糊核,是一种端对端的模糊图像盲复原方法,所以可大大提高模糊图像的复原质量和速度。可见,本文的研究具有很大的学术价值和实用意义。本文开展的主要工作如下:(1)调研模糊图像盲复原的相关理论。分析运动模糊图像及模糊核的特点,总结图像退化模型、噪声类型,深入研究卷积神经网络的相关基础理论及基于深度学习的运动模糊图像盲复原的基本原理和难点。(2)提出改进的生成式对抗网络衍生模型,实现端对端的运动模糊图像盲复原。本文对生成式对抗网络进行深入研究,比较生成式对抗网络及几种衍生模型的优缺点,对衍生模型中的DCGAN(Deep Convolutional Generative Adversarial Network)和LSGAN(Least Square Generative Adversarial Net)模型进行改进,并用于运动模糊图像盲复原。通过实验得出:DCGAN容易出现梯度饱和,LSGAN由于缺少图像保真项。(3)本文提出由生成网络和判别网络组成双框架卷积神经网络。其中,生成网络是由根据VGG(Vaccination Gruidelines Group)网络的卷积核大小设计,同时结合残差网络构成的全卷积网络,可根据模糊尺度的不同来加深网络层,并降低训练时间。判别网络为简化的两分类VGG网络,实现判断是生成网络复原出的图像还是原始清晰图像。另外,损失函数采用最小均方差替换常用的交叉熵,用于优化网络训练,避免梯度消失。同时在生成网络的损失函数中增加图像保真项,用于约束复原图像的分布更接近于清晰图像。(4)设计并进行相关验证实验。实验分为两部分:一是提出的双框架卷积神经网络的性能测试。二是与目前优秀的传统方法以及基于深度学习的模糊图像盲复原方法的比较实验。实验结果表明,本文提出的双框架卷积神经网络简单、模型求解容易,对运动模糊图像复原质量高,速度快。