一種基于U-Net的圖像去模糊方法

張乾俊，廉佐政，趙紅艷

一種基于U-Net的圖像去模糊方法

張乾俊，廉佐政，趙紅艷

（齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

針對現有深度學習的圖像去模糊方法存在網絡接受域小、制約去模糊效果的問題，提出了一種改進的U-Net（U形卷積神經網絡）模型，該模型使用深度可分離卷積實現標準卷積操作，以減少模型計算和參數．模型中嵌入小波變換，分離圖像的上下文和紋理信息，降低模型訓練的難度．設計的密集多接受域通道模塊可以提取圖像細節信息，從而提高小波重構圖像的質量．實驗表明，該方法在峰值信噪比（PSNR）和結構相似性（SSIM）方面具有較好的性能，模型參數較少，圖像恢復時間較短．

深度可分離卷積；U-Net模型；密集多接受域通道模塊；小波變換

目前，模糊圖像廣泛存在，引起圖像模糊的原因很多，如光學系統的像差、成像過程中目標的相對運動、低光照、環境噪聲等．這些模糊圖像不僅主觀上影響視覺體驗，而且影響了目標檢測等后續的視覺任務．因此，圖像去模糊是計算機視覺中的一個關鍵性問題．圖像模糊問題的解決方法主要包括非盲和盲去模糊兩大類，前者需要已知圖像的模糊過程，來確定模糊核函數，后者則不需要．在實際應用中，模糊圖像的模糊過程大多是未知的，因此盲去模糊方法應用廣泛．傳統的盲去模糊方法大多采用正則化和手工制作圖像先驗來估計模糊核，再用迭代優化的方式逐步恢復……