技术摘要：
本发明提供一种基于生成对抗网络的图像盲去模糊方法。本发明首先建立用于网络训练的损失函数，包括对抗损失项(Adversarial Loss)和内容损失项(Content Loss)；然后进行生成对抗网络结构的搭建；再采用基于随机轨迹的的运动模糊数据集生成方法，生成清晰‑模糊图像对；  全部
背景技术：
本发明是针对单个照片的盲运动去模糊。近几十年来已经开发出用于消除运动模 糊的高质量方法，但是大多数都需要大量的计算或者前提假设，因此很难使用这些方法来 恢复实际应用中的模糊图像。 本发明使用生成对抗网络解决图像去模糊的问题。生成对抗网络(GAN) [I .J .Goodfellow ,J .Pouget-Abadie ,M .Mirza ,B .Xu ,D .Warde-Farley ,S .Ozair , A.Courville,and  Y.Bengio.Gen-erative  Adversarial  Networks.June  2014.]，近几年 在图像超分辨率和和图像修复的相关领域取得了重大进展。GAN以保留图像中的纹理细节， 创建接近真实图像流形并在视觉上令人信服的解决方案而闻名。受最近关于图像超分辨率 和生成对抗网络的图像到图像翻译的工作的启发，我们将去模糊视为此类图像到图像翻译 的特例。我 们提出去模糊G A N ，一种基于条件生成对抗网络[ M .M i r z a  a n d  S.Osindero.Conditional  generative  adversar-ial  nets.CoRR,abs/1411.1784,2014.] 和多分量损失函数的方法。与以前的工作不同，我们使用Wasserstein  GAN[M.Arjovsky , S.Chintala,and  L.Bottou.Wasserstein  GAN.ArXiv  e-prints,Jan.2017.]以及用梯度惩 罚(gradient  penalty)和知觉损失(perceptual  loss)作为优化目标。与使用传统的均方 根误差(MSE)作为优化目标相比，这实现了在视觉上难以与真正的清晰图像区分开的解决 方案，并允许恢复更精细的纹理细节。 W G A N - G P [ I .G u l ra ja n i ,F .A h m ed ,M .A r j o v s k y ,V .D u m o u l i n ,a nd  A.Courville.Improved  Training  of  Wasserstein  GANs.ArXive-prints,Mar.2017] Perceptual  Loss计算内容损失项[J .Johnson ,A .Alahi ,and  L .Fei- Fei.Perceptual  losses  for  real-time  style  transfer  and  super-resolution.In  European  Conference  on  Computer  Vision,2016.1] Dropout正则化[N .Srivastava ,G .Hinton ,A .Krizhevsky ,I .Sutskever ,and  R .Salakhutdinov .Dropout:A  simple  way  to  prevent  neural  networks  from  overfitting.J.Mach.Learn.Res.,15(1):1929–1958,Jan.2014.] Boracchi和Foi提出的随机轨迹生成的思想[G.Boracchi  and  A.Foi.Modeling  the  performance  of  im-age  restoration  from  motion  blur.Image  Processing,IEEE  Transactions  on,21(8):3502–3517,aug.2012.]。
技术实现要素：
针对现有技术中存在的不足，本发明提出了一种基于生成对抗网络的图像盲去模 糊方法。本发明方法主要基于条件GAN和内容损失。本发明在结构相似性指标(SSIM)和图像 4 CN 111612703 A 说　明　书 2/3 页 外观上均达到了最先进的性能。还可以通过一种新颖的方式用真实世界的问题(对去模糊 图像上的目标进行检测)来评估本发明去模糊模型的质量。同时本发明还介绍了一种从尖 锐的图像生成合成运动模糊图像的新颖方法，从而可以实现逼真的数据集扩充。 一种基于生成对抗网络的图像盲去模糊方法，步骤如下： 步骤1、建立用于网络训练的损失函数，包括对抗损失项(Adversarial  Loss)和内 容损失项(Content  Loss)。 步骤2、生成对抗网络结构的搭建。 步骤3、采用基于随机轨迹的的运动模糊数据集生成方法，生成清晰-模糊图像对。 步骤4、采用步骤3生成的清晰-模糊图像对，训练生成对抗网络网络。 本发明有益结果如下： 1 .本发明提出的网络是端到端的网络模型，输入模糊图可直接输出去模糊模型， 并且本发明能得到目前最好的模糊图像盲去模糊效果。 2.本发明在低计算资源消耗的情况下，能做到相对较快的图像去模糊速度，并明 显快于其他去模糊方法。 3.本发明提出了一种基于随机轨迹的运动模糊数据集生成方法，可以任意生成大 量的清晰-模糊图像对，以此更好的训练网络，提高网络的泛化能力。 附图说明 图1是本发明的网络架构； 图2是本发明对各类模糊图片进行去模糊的前后对比。