论文部分内容阅读
在数字多媒体时代,随着手机、照相机等拍摄设备的日益普及,图像越来越成为重要的信息载体,但是在图像的成像过程中,拍摄设备与成像物体之间很难保持相对静止状态,所以会造成图像的运动模糊,这些模糊图像对信息的传递造成了很大的困扰。在日常生活、交通安全、医学、军事侦察等领域,获得一幅清晰的图像都显得尤为重要。因此,该研究课题对众多领域都具有重要的现实意义。本文首先介绍了图像去模糊的发展与相关理论知识,然后在传统的图像去模糊方法复原效果不甚理想的情况下,深入研究了深度学习中的生成对抗网络和卷积神经网络,提出了基于生成对抗网络的图像盲去运动模糊算法和基于循环多尺度生成对抗网络的图像盲去模糊算法。本文的主要工作如下:1、提出了一种基于生成对抗网络的图像盲去运动模糊算法。考虑到深层网络在训练过程中的梯度弥散问题,在训练生成器时引入残差;在损失函数中引入感知损失、结构相似性损失作为约束项,以提升图像的复原效果。在具有复杂大规模运动模糊图像集Gopro上评估了该算法,取得了较好的去模糊效果,平均PSNR为29.3,平均SSIM为0.946。2、考虑到传统方法模糊核尺寸不同会影响复原效果,参照其在复原过程中逐级估计模糊核的多尺度方法,结合该思路提出了一种基于循环多尺度生成对抗网络的图像盲去运动模糊算法,在生成器中对图像引入多尺度,以获得更好的复原效果。为兼顾图像特征和网络结构复杂度,以循环多尺度编解码网络作为生成器,在图像的不同尺度上共享网络权重,显著减少了网络参数数量,从而训练的复杂度降低,稳定性提高;为克服因网络深度加深导致的信息损失,引入残差学习模块改进编解码网络;考虑到图像具有显著的边缘信息,增加2l范数约束图像梯度。在Go Pro数据集上评估了该算法,结果表明该算法可以比以往算法取得更好的去模糊效果,平均PSNR为30.28,平均SSIM为0.945,模糊图像有更好的复原效果。