2021年6期
创新前沿
科技创新与应用
Technology Innovation and Application
张嘉晖，沈文忠
（上海电力大学电子与信息工程学院，上海200090）
运动模糊是图像质量中较为常见的一个问题，一般是由相机抖动和物体运动引起的。在光线较差的条件下，相机会增加曝光时间，同样会引起较大的图像降质。近年来，随着图像处理技术的迅速发展，社会各界对这一经典问题进行了大量的研究。 图像产生运动模糊这一过程在数学上可以看成清晰的图像与模糊核卷积，加上噪声，用数学模型表示为：
B=F ⊗K+N
（1）其中B 为模糊图像，F 为复原后的清晰图像，K 为模糊核，N 为随机噪声，⊗为卷积算子。
图像去模糊研究的重点便在于确定模糊核。去模糊方法便根据模糊核分为两类：非盲去模糊和盲去模糊。非盲去模糊是在模糊核已知的条件下进行图像复原，其算法训练时所用的图片添加了相同的模糊核，这种方法对于实际场景中的应用效果较差；盲去模糊是在模糊核未知的条件下进行图像复原，与实际场景的应用较为贴切。目前绝大多数盲去模糊算法都是根据图像的先验信息估计模糊核。早期，Levin [1]等利用一种超拉普拉斯先验建模图像的梯度来估计模糊核。Pan [2]提出了一种基于图像暗通道先验的模糊核估计方法，然而泛化能力并不理想。近年来，随着深度学习的快速发展，其强大的学习能力能够
有效地解决图像修复存在的一些问题。Su [3]首先利用卷积神经网络实现端到端的视频去模糊。Xu [4]通过卷积神经
网络中的非线性映射函数将图像的模糊像素映射为清晰的细节纹理信息，实现图像去模糊。但是该网络的层次较浅，在图像复原的过程中会丢失大量的细节信息，降低复原的精度。
柔性管接头
综上所述，基于模型的图像去模糊算法精度仍需提
丁香人妻小说
升，
模型大小也仍需优化，对于细节信息的学习能力仍需提高。因此，本文提出一种基于循环卷积网络的去模糊算法。
1网络设计
1.1网络整体框架
网络结构如图1所示，模糊图像输入后经由两层卷积层进行特征提取，随后进入循环模块，经6次循环后得到6个共享参数的卷积层，再经由两层卷积层进行图像修复整合，
得到6个复原图像，并将其加权平均得到最终输出的清晰图像。循环模块作为图像细节信息复原的关键所在，借鉴了循环神经网络（RNN ）的结构。本文受Resnet [5]启发，在输入层和整合环节之间加入了跳跃连接
（skip connection ），skip connection 将图像特征并行排列，特征大小不变，能够有效地提高网络的非线性映射能力。
摘要：为有效地提升图像去模糊的效果，文章提出一种基于深度循环卷积网络的图像去模糊算法。该
算法由多层循环卷积单元构成，深层次的循环网络可以有效地提升网络性能。同时，在网络训练环节，采用跳跃连接的方法降低训练难度。为了评估算法的性能，将提出的网络在Gopro 数据集上进行训练及测试。实验结果表明，提出的这种基于循环卷积网络的去模糊算法具有较好的复原能力，且能够获得更高的峰值信噪比（PSNR ）和结构相似度（SSIM ）。
关键词：图像去模糊；运动模糊；卷积神经网络；图像复原中图分类号:TP391.4
文献标志码:A
文章编号:2095-2945(2021)06-0026-03
Abstract :In order to improve the effect of image deblur effectively,this paper proposes an image deblur method based on
deep recursive convolution network.The algorithm is composed of multi-layer recursive convolution unit,and the deep-level
recursive network can effectively improve the network performance.At the same time,in the network training link,the method
国有资产评估管理办法
of skip -connection is used to reduce the difficulty of training.To evaluate the performance of the method,the proposed network was trained and tested on the Gopro dataset.Experimental results show that the proposed deblur algorithm based on
recursive convolutional networks has better recovery capability and can obtain ahigher peak signal-to-noise ratio (PSNR)and
astructural similarity index (SSIM).
Keywords :image deblur;motion blur;convolution neural network(CNN);image restoration
作者简介：张嘉晖（1996-），男，硕士研究生，研究领域：虹膜识别、图像质量评估、
图像复原。26--
2021年6期
创新前沿
科技创新与应用
Technology Innovation and Application
1.2网络参数设置
网络的特征提取模块和循环模块均由卷积层和Re -LU 激活函数层构成。由于图像修复问题的特殊性，深度
学习领域一般不添加池化层，池化层的添加可能会导致本就缺少细节信息的模糊输入丢失更多重要的信息。特征提取部分采用两个3×3的卷积核堆叠，这样在保证感受野的同时计算量也比较小，且具有较强的非线性映射能力。循环模块所采用的3×3卷积核会在每一次循环中扩大感受野，开始阶段感受野比较小，对于细微的纹理信息比较敏感，随着循环次数的增加，感受野逐渐变大，能够提取到输入图像中更加丰富的结构信息。由于没有池化层的存在，不需要考虑尺寸问题，循环模块所输出的6个
逐渐细化的复原图像通过skip connection 与输入图像直接融合做加权平均，将其作为整合模块的输入，经由两层卷积核的整合后，输出最终复原后的图像。
1.3损失函数
图像去模糊的目标在于重建清晰的图像，使网络复原的清晰图像尽可能地与原图接近。
本网络所选取均方误差（MSE ）作为损失函数，定义如下：
MSE=1M*N
∑M x=1∑y=1N
（f 1(x ，y)-f (x ，y)）
2
其中，f 1(x ，y)
为清晰图像在（x ，y ）处的像素值，f (x ，y)
为网络
输出的复原图像在（x ，y ）处的像素值，M 和N 代表图像的宽和高。
2实验结果与分析
2.1GOPRO 数据集
GOPRO [6]
数据集是目前利用深度学习进行去模糊算
法研究最常用的数据集，图像数量多。GOPRO 数据集由
astm e18Nah 建立，使用GOPRO4相机拍摄240帧/秒的视频，通过平均地合成不同数量的连续潜在帧，生成不同强度的模糊图片，该样能够高度还原真实的运动模糊。并且选取用于生成模糊图像的清晰帧序列中的中心帧作为每一个模糊图像对应的清晰图像。
数据集由3214对清晰和模糊的图像组成，分辨率为1280×720。同时，由于网络的输入
要求，本文将GOPRO 数据集中的图片裁剪为256×256的图像块。
2.2评价指标
图像修复的效果通常选用结构相似性
（Structural Similarity ，SSIM ）和峰值信噪比（Peak Signal to Noise
Ratio ，PSNR ）两项指标进行评价。
PSNR 是使用最为普遍的一种图像客观评价指标，通
过计算对应像素点之间的误差来评价图像的质量。SSIM 是一种衡量两幅图片相似度的指标。
它分别从亮度、对比度、结构三方面度量图像相似性。
2.3GOPRO 数据集算法比较
在GOPRO 数据集上，本文与集中较为常见的模糊算法进行比较，表1为不同去模糊算法在GOPRO 数据集上的质量评估结果。
表1GOPRO 数据集不同算法质量评估结果
从表1中可以看出，相较于其他方法，本文的算法在
博士点基金PSNR 和SSIM 指标上都略有提升。由于网络采用循环模块，其复原能力大大提升，从而更多的细节信息被补全，
去模糊效果得到了显著提升。
3结束语
针对目前去模糊算法的一些普遍问题，本文提出了一种基于循环卷积神经网络的去模糊算法，以端到端的方式实现速度更快、精度更高的模糊图像复原。实验结果表明，本文提出的算法复原图像客观评价指标较高，细节信息抓取准确，可以恢复出较高质量的清晰图像。未来的研究工作将围绕两个方面开展：一是对网络结构进行优化改进，使评价指标得到更大的提升，二是将网络压缩成更加轻型的网络，从而使得本文提出的深度模型能够
部
图1网络结构图
方法 PSNR SSIM Su [7] 27.31 0.8255 Kim [8] 26.82 0.8245 Wieschollek [9] 25.19 0.7794 本文方法
27.89
0.8413
(下转30页)
27--
2021年6期
创新前沿
科技创新与应用
Technology Innovation and Application
本文对小波分析在输电线路故障检测中的应用作了广泛的研究，总结了利用MODWT 对故障数据进行时频分析的一般方法，通过原始数据获取，MODWT 处理，特征量选取以及基于特征量的故障检测和诊断。在此基础
上，介绍了数据采集过程中采样频率对研究的影响、MODWT 处理后数据的组成及含义、以及一些故障特征选取的思路，并强调了故障分析的结果主要取决于特征量的选取。考虑到实际应用，简单的基于MODWT 的算法保护无法进行多段保护、两端供电保护，因此，在单侧供
电网应各段进行时间整定，两端供电网应配合方向保护，在大型复杂电力网络中还应配合其他保护。此外，由于硬件的存储和计算能力的限制，在采样频率和采样区间方面也应根据实际情况要求进行调整。因此，从算法设计到实际应用，还存在很多问题需要解决。参考文献:
[1]茹予波.智能电网背景下的继电保护新技术分析[J].科技创新与应用，2020（31）：150-151.
[2]李琳.基于小波变换与神经网络的输电线路故障分析与继
电保护[D].青岛科技大学，2015.
[3]董洋，李洁，杨莉.国内外金属期货市场间的动态联动以及多尺度特征研究———基于时频视角分析[J].昆明理工大学学报（自然科学版），2019，44（02）：127-136.
[4]李东明，王典洪，
严军，等.基于MODWT 的运动想象脑电信号识别[J].计算机工程，2014，40（10）：161-167.
[5]W.Li ，A.Monti and F.Ponci ，
“Fault Detection and Clas -sification in Medium Voltage DC Shipboard Power Systems With Wavelets and Artificial Neural Networks ，”in IEEE
Transactions on Instrumentation and Measurement ，vol.63，
no.11，pp.2651-2665，Nov.2014.
[6]K.M.Silva ，B.A.Souza and N.S.D.Brito ，“Fault de -
tection and classification in transmission lines based on wavelet transform and ANN ，
”in IEEE Transactions on Power Delivery ，vol.21，no.4，pp.2058-2063，Oct.2006.
[7]I.M.Karmacharya and R.Gokaraju ，“Fault Location in Ungrounded Photovoltaic System Using Wavelets and ANN ，”in IEEE Transactions on Power Delivery ，vol.33，no.2，pp.549-559，April 2018.
[8]J.J.Q.Yu ，Y.Hou ，A.Y.S.Lam and V.O.K.Li ，“Intelligent Fault Detection Scheme for Microgrids With Wavelet-Based Deep Neural Networks ，”in IEEE Transactions
on Smart Grid ，vol.10，no.2，pp.1694-1703，March 2019.
李民庆[9]D.K.J.S.Jayamaha ，N.W.A.Lidula and A.D.Ra -japakse ，“Wavelet-Multi Resolution Analysis Based ANN Ar -chitecture for Fault Detection and Localization in DC Micro -
grids ，
”in IEEE Access ，vol.7，pp.145371-145384，2019.[10]尹璇，邓祥力，游及第.基于MODWT 的变压器绕组轻微故障检测及分类研究[J].电测与仪表，2019，56（14）：103-109.
署在计算资源有限的嵌入式设备上。参考文献:
[1]Levin A ，Weiss Y ，Durand F ，Freeman W T.Under -
standing and evaluating blind deconvolution algorithms.In ：Proceedings of 2009IEEE Conference on Computer Vision and Pattern Recognition.Miami ，FL ，USA ：IEEE ，2009.1964-1971.
[2]Pan J ，Sun D ，Pfifister H ，Yan M.Deblurring images via
dark channel prior.IEEE Transactions on Pattern Analysis and Machine Intelligence ，2018，40（10）：2315-2328.
[3]Su S ，Delbracio M ，Wang J ，Sapiro G ，Heidrich W ，Wang O.Deep video deblurring for hand-held cameras.In ：Proceedings of 2017IEEE Conference on Computer Vision and
Pattern
Recognition.
Honolulu ，HI ，USA ：IEEE ，2017.237-246.
[4]Xu L ，
Ren JSJ ，Liu C ，et al.Deep convolutional neural network for image deconvolution [J].Advances in neural in -
for ———mation processing systems ，2014，2：1790-1798.
[5]Kaiming He ，Xiangyu Zhang ，Shaoqing Ren ，Jian Sun;
Deep Residual Learning for Image Recognition.Proceedings of the IEEE Conference on Computer Vision and Pattern Recog -nition （CVPR ），2016，pp.770-778
[6]Nah ，Seungjun and Kim ，Tae Hyun and Lee ，Kyoung Mu.
Deep Multi-Scale Convolutional Neural Network for Dynamic
Scene Deblurring.The IEEE Conference on Computer Vision and Pattern Recognition （CVPR ）.20
17，July.
[7]ShuochenSu ，Mauricio Delbracio ，Jue Wang ，Guillermo
Sapiro ，Wolfgang Heidrich ，and Oliver Wang.Deep video de -blurring for hand-held cameras.In CVPR ，pages 237-246，
2017.
[8]Tae Hyun Kim ，Kyoung Mu Lee ，Bernhard Scholkopf ，and
Michael Hirsch.Online video deblurring via dynamic temporal blending network.In ICCV ，pages 4058-4067，2017.
[9]Patrick Wieschollek ，Michael Hirsch ，Bernhard Scholkopf ，
and Hendrik P.A.Lensch.Learning blind motion deblurring.In ICCV ，pages 231-240，2017.
(上接27页)
30--
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议