技术摘要：
本发明提供了一种复杂图像去模糊方法，包括步骤：输入模糊图像；对模糊图像进行下采样，得到采样后图片；编码残差块从采样后图片提取特征；将提取的特征输入残差网络训练；解码模块重构输出图片；生成当前尺度的去模糊图片；调整生成的当前尺度的去模糊图片尺寸，然后  全部
背景技术：
图像去模糊一直以来都是计算机视觉和图像处理领域内的一个重要问题。传统方 法是通过对模糊的原理进行简化和建模，并使用不同的自然图像先验来约束解空间。这些 方法大多数都涉及到大量的(有时是试验式的)参数调整和成本高昂的计算。此外，简化后 的模糊模型往往不利于它们在真实拍摄样本上的表现。虽然到后面有研究者提出基于学习 的方法，开始使用端到端的可训练网络来进行图像和视频的去模糊。但近年来的基于机器 学习的方法过于依赖人工合成的模糊数据集。这使得传统的去模糊方法对于去除模糊核难 以估计或参数化(例如物体运动边界)的模糊无能为力。 因此，研究一种更简单的方法，使其能用更少的训练参数以更快的训练速度得到 更优的去模糊效果，具有极大的研究意义和实用价值。
技术实现要素：
本发明的目的在于克服现有技术的缺点与不足，提供一种复杂图像去模糊方法， 该方法基于尺度循环网络(SRN，scale-recurrent  network)，相较于现有技术，该网络具有 更少的参数，而且更加容易训练，训练收敛快、参数少、去模糊效果好、而且无需计算模糊 核、更有效。 本发明的目的通过以下的技术方案实现：一种复杂图像去模糊方法，包括步骤： S1、输入模糊图像； S2、对模糊图像进行下采样，得到采样后图片； S3、编码残差块从采样后图片提取特征； S4、将提取的特征输入残差网络训练； S5、解码模块重构输出图片； S6、生成当前尺度的去模糊图片； S7、调整生成的当前尺度的去模糊图片尺寸，然后将调整后的图片与下个尺度输 入模糊图片结合，返回执行步骤S3； S8、尺度循环结束，生成并输出最终的去模糊图片。 优选的，本发明共三个尺度，故每个尺度输入一张与其他尺度面积大小不同的模 糊图片，三个尺度的输入图像按照面积从小到大的顺序排列。 优选的，在每一个编码残差块中,先通过步长为2的卷积，将图片尺寸缩小一半，同 时将特征维度增加一倍，把输入图片数据编成小尺寸、多通道的特征。 更进一步的，所述编码残差块由一个卷积层和三个残差块ResBlock组成；其中每 个残差块包含2个卷积层，卷积层的步幅是2，所有卷积层都具有相同数量的内核。 3 CN 111583143 A 说　明　书 2/5 页 优选的，将提取的特征输入残差网络训练，残差网络采用ResNet优化算法。从而可 减少训练误差，防止梯度消失和梯度爆炸。 更进一步的，残差网络中残差网络函数为： 其中， 为合并后的卷积核窗口参数矩阵(这个参数已经蕴含了卷积操作和跳层 操作)，I代表ResNet中的跳层操作的参数，W代表ResNet中的卷积操作的参数，diag(a)是一 个可训练的向量参数，用来控制需要跳层连接的程度，I是由卷积窗口导出的单位参数矩 阵，也叫Dirac  delta变换，任何输入经过这个I矩阵的变换，其输出还是输入本身。通过训 练diag(a)，可以控制ResNet中的跳层操作和卷积操作两者的权重。 优选的，解码模块的结构与编码残差块对称，用于将特征尺寸增加一倍，特征维度 减少一半，把特征解码成与采样后图片相同形状的输出。 本发明与现有技术相比，具有如下优点和有益效果： 1、本发明提供了一种高效高质量去除复杂图像模糊的方法，其有一个更简单的网 络结构，更少的参数，而且更加容易训练，训练收敛快、参数少、去模糊效果好。 2、本发明将模糊图像进行多尺度处理，将上一尺度处理的去模糊图片与下一尺度 的模糊图片进行融合，然后在此基础上再进行处理，使得处理的效果更好。 附图说明 图1是根据本发明实施例复杂图像去模糊方法的流程示意图。 图2是根据本发明实施例复杂图像去模糊方法的测试样本图1。 图3是根据本发明实施例复杂图像去模糊方法的实验结果图1。 图4是根据本发明实施例复杂图像去模糊方法的测试样本图2。 图5是根据本发明实施例复杂图像去模糊方法的实验结果图2。 图6是根据本发明实施例复杂图像去模糊方法的特征提取图1。 图7是根据本发明实施例复杂图像去模糊方法的特征提取图2。 图8是根据本发明实施例复杂图像去模糊方法的特征提取图3。 图9是根据本发明实施例复杂图像去模糊方法的面积为小的原始图片B1和尺度一 图片生成的预测结果L1。 图10是根据本发明实施例复杂图像去模糊方法的面积为中的原始图片B2和尺度 二图片生成的预测结果L2。 图11是根据本发明实施例复杂图像去模糊方法的面积为大的原始图片B3和尺度 三图片生成的预测结果L3。