技术摘要：
本发明公开了一种基于深度学习的图像运动模糊盲去除算法，涉及图像的运动模糊技术领域；它的算法如下：步骤一：采用深度学习的方法，在仅具有一张未知模糊图像的情况下，复原出清晰图像；步骤二：建立图像运动模糊的问题模型；步骤三：确定神经网络类型；步骤四：确定 全部
背景技术：
传统可变模糊盲去除方法的应用范围受限，运行耗时长，自动化程度不高。而现存 的基于深度学习的方法虽然能够在一定程度上消除上诉弊端，但仍然存在下列缺陷：1)、没 有脱离传统的清晰图像复原方法，运行速度慢；2)、对于同时预测多个模糊核的模糊参数， 需进行分块和融合处理。
技术实现要素：
为解决现有的问题；本发明的目的在于提供一种基于深度学习的图像运动模糊盲 去除算法。 本发明的一种基于深度学习的图像运动模糊盲去除算法，它的算法如下： 步骤一：采用深度学习的方法，在仅具有一张未知模糊图像的情况下，复原出清晰 图像； 步骤二：建立图像运动模糊的问题模型： 模糊图像通常被建模为一张清晰图像与点扩散函数卷积再加上随机噪声的过程。 即： Ib＝Io*q ε (1-1) 其中，Ib代表模糊图像；Io代表真实清晰图像；q代表模糊核或点扩散函数，在模糊 可变的模糊模型中，q是空间可变的；ε代表加性噪声；对于随机噪声ε，在图像模糊复原领域 通常被建模为加性白噪声，白噪声具备均值为0的特性，即E[ε]＝0； 图像去模糊可以看作根据模糊图像Ib，模糊核q，噪声ε，反向求解清晰图像Io的过 程；由于图像去模糊问题的不适定性特别是在模糊核和噪声都没办法提前获知的情况下， 精确的求解真实清晰图像Io是不现实的，最终只能求解得真实图像的最优近似 这个求 解最优近似的任务可以被描述为如下求最优的问题： 其中D表示距离度量函数，在传统模糊去除问题中，一般取均方误差；在实际运用 过程中不能直接使用二维连续信号的退化模型，其原因在于计算机只能处理离散信号，因 此需要将连续的模糊图像和点扩散函数PSF离散化；即分别对输入清晰图像、输出模糊图像 和点扩散函数PSF进行等间隔采样并转换成计算机可以处理和计算的矩阵形式；针对图像 退化过程中的加性噪声，现有的图像去噪算法能够较好的去除，因此忽略式(1-1)中的噪 声，仅对图像运动模糊的盲去除进行研究； 步骤三：确定神经网络类型：深入学习卷积神经网络，在仔细研究基于深度学习的 3 CN 111598809 A 说 明 书 2/3 页 盲去模糊方法的基础上，选取一种最优的神经网络，即一种对图像模糊估计粒度足够精细、 适用于单幅图片具有多个模糊核的情况、算法耗费时长相对较短的神经网络； 步骤四：确定网络的总体结构，进行神经网络的具体设计： 用两个端对端的子网络解决运动模糊参数估计和运动模糊非盲去除问题；两个子 网络分别是参数估计子网络和条件生成子网络，即参数估计网络用于实现模糊核参数的估 计，条件生成网络用于模糊的非盲去除，完成图像复原，输出清晰图像； 步骤五：查找并选定网络训练使用的数据集，包括训练数据集和测试数据集；准备 工作完成后，进行训练实验，分析实验结果并总结，进行进一步调试。 与现有技术相比，本发明的有益效果为： 一、能够在一次网络前馈传播中，同时预测多个模糊核的像素级模糊参数，并给出 清晰图像复原结果； 二、减小模糊参数估计的误差、提高模糊参数估计的精度，得到的清晰图像的质量 评价更优、视觉效果更佳；加快算法的运行速度、减小占用的存储空间。
本发明公开了一种基于深度学习的图像运动模糊盲去除算法，涉及图像的运动模糊技术领域；它的算法如下：步骤一：采用深度学习的方法，在仅具有一张未知模糊图像的情况下，复原出清晰图像；步骤二：建立图像运动模糊的问题模型；步骤三：确定神经网络类型；步骤四：确定 全部
背景技术：
传统可变模糊盲去除方法的应用范围受限，运行耗时长，自动化程度不高。而现存 的基于深度学习的方法虽然能够在一定程度上消除上诉弊端，但仍然存在下列缺陷：1)、没 有脱离传统的清晰图像复原方法，运行速度慢；2)、对于同时预测多个模糊核的模糊参数， 需进行分块和融合处理。
技术实现要素：
为解决现有的问题；本发明的目的在于提供一种基于深度学习的图像运动模糊盲 去除算法。 本发明的一种基于深度学习的图像运动模糊盲去除算法，它的算法如下： 步骤一：采用深度学习的方法，在仅具有一张未知模糊图像的情况下，复原出清晰 图像； 步骤二：建立图像运动模糊的问题模型： 模糊图像通常被建模为一张清晰图像与点扩散函数卷积再加上随机噪声的过程。 即： Ib＝Io*q ε (1-1) 其中，Ib代表模糊图像；Io代表真实清晰图像；q代表模糊核或点扩散函数，在模糊 可变的模糊模型中，q是空间可变的；ε代表加性噪声；对于随机噪声ε，在图像模糊复原领域 通常被建模为加性白噪声，白噪声具备均值为0的特性，即E[ε]＝0； 图像去模糊可以看作根据模糊图像Ib，模糊核q，噪声ε，反向求解清晰图像Io的过 程；由于图像去模糊问题的不适定性特别是在模糊核和噪声都没办法提前获知的情况下， 精确的求解真实清晰图像Io是不现实的，最终只能求解得真实图像的最优近似 这个求 解最优近似的任务可以被描述为如下求最优的问题： 其中D表示距离度量函数，在传统模糊去除问题中，一般取均方误差；在实际运用 过程中不能直接使用二维连续信号的退化模型，其原因在于计算机只能处理离散信号，因 此需要将连续的模糊图像和点扩散函数PSF离散化；即分别对输入清晰图像、输出模糊图像 和点扩散函数PSF进行等间隔采样并转换成计算机可以处理和计算的矩阵形式；针对图像 退化过程中的加性噪声，现有的图像去噪算法能够较好的去除，因此忽略式(1-1)中的噪 声，仅对图像运动模糊的盲去除进行研究； 步骤三：确定神经网络类型：深入学习卷积神经网络，在仔细研究基于深度学习的 3 CN 111598809 A 说 明 书 2/3 页 盲去模糊方法的基础上，选取一种最优的神经网络，即一种对图像模糊估计粒度足够精细、 适用于单幅图片具有多个模糊核的情况、算法耗费时长相对较短的神经网络； 步骤四：确定网络的总体结构，进行神经网络的具体设计： 用两个端对端的子网络解决运动模糊参数估计和运动模糊非盲去除问题；两个子 网络分别是参数估计子网络和条件生成子网络，即参数估计网络用于实现模糊核参数的估 计，条件生成网络用于模糊的非盲去除，完成图像复原，输出清晰图像； 步骤五：查找并选定网络训练使用的数据集，包括训练数据集和测试数据集；准备 工作完成后，进行训练实验，分析实验结果并总结，进行进一步调试。 与现有技术相比，本发明的有益效果为： 一、能够在一次网络前馈传播中，同时预测多个模糊核的像素级模糊参数，并给出 清晰图像复原结果； 二、减小模糊参数估计的误差、提高模糊参数估计的精度，得到的清晰图像的质量 评价更优、视觉效果更佳；加快算法的运行速度、减小占用的存储空间。
