基于深度残差网络的局部模糊图像无损复原方法

徐亚

（云南能源职业技术学院，云南曲靖，655000）

0 引言

图像复原是针对降质的模糊图像进行恢复的过程，依据各种先验条件，通过建立图像复原数学模型，将模糊图像根据模糊核所在位置划分为局部模糊图像，在不同像素的位置条件下，对局部模糊图像进行修复复原[1]。传统的模糊图像复原方法包括非盲复原与盲复原两种类型[2]。依据模糊图像的退化模型进行卷积求解，通过求解的模糊核函数，实现模糊图像的PSF迭代复原[3]。传统的模糊图像复原方法由于噪声分布具有一定的随机性，在卷积计算求解过程中，会导致复原图像与原始图像的均方差存在一定的偏差，使图像局部出现极值点，降低修复后的图像质量[4]。深度残差网络作为一种表示学习的方法，适用于具有较多复杂结构的高维数据中，打破图像无损复原方法中图像识别的制约，加速图像复原过程中的各项数据分析[5]。通过自动发现并检测数据的特征变化，进行多层次的学习，将非线性的模块进行深度组合，转换为较高级别的模块[6]。深度残差网络通常能够根据图像的特征，对图像进行位置与方向上的深度检测，改善了复原过程中函数复杂的情况[7]。深度残差网络能够根据图像的身份映射，构建对应的学习框架，能够有效地提高模糊图像无损复原的精度与图像质量[8]。

综上所述，本文针对模糊图像的问题，提出了基于深度残差网络的局部模糊图像无损复原方法设计，改善传统模糊图像复原方法的不足。

1 方法设计

■ 1.1 构建深度残差网络模型

针对局部模糊图像无损复原工作，首先，本文构建了深度残差网络模型，通过模型提取局部模糊图像的各项参数，为后续评估图像噪声的敏感性提供重要依据[9]。

在残差单元中输入图像，在图像中添加对应的信息标签，完成图像预测嵌入强度的操作。深度残差网络的基本残差单元如图1所示。

图1 深度残差网络的基本残差单元结构图

为了提高模型的精确度，增加相关的图像样本数量，并将图像划分为45＊45的图像块，构建图像残差单元[10]。根据残差网络结构的不断加深，训练集的准确率会出现短暂性的下降趋势，为了避免对模型的网络梯度造成影响，应当构建堆叠网络的结构，提升模型的性能。设置模型中x表示残差单元的输入， ()Hx表示模型中残差单元的输出，则深度残差学习是多个含有参数的网络层共同学习输入与输出之间的残差，表达式为：

在本文构建的深度残差网络模型中，设置残差单元的表达式为：

其中，F(x,{Wi})表示模型中网络学习的残差函数；W1、 2W分别表示函数的权重；σ表示深度残差网络激活函数。

在本文构建的模型中，为了操作的简便性，采用元素相加的方式进行模型间的连接。保证模型中图像输入向量与残差函数维度的一致性，减少额外参数的引入，降低深度残差网络模型计算的复杂度。

设置深度残差网络模型一共包括15层，根据图像模糊核大小的不同，将模型的结构层次进行划分，保证每一个结构层中包含较多的特征信息。在网络步长为4的结构层中进行图像采样，保持步长与图像边缘的填充一致。依据模糊核的设计规则，设定图像的嵌入强度，结合梯度下降方法，将权重函数的损失降到最小，对深度残差网络激活函数进行归一化处理，随机选取32个图像作为模型中的网络训练样本。

为了降低图像像素溢出的概率，在进行局部模糊图像无损复原之前，对图像的像素进行可逆性调整，获取到图像的小波变换分解图像。基于深度残差网络模型的相关参数，计算局部模糊图像的嵌入强度。

■ 1.2 提取局部模糊图像特征

基于上述构建的深度残差网络模型完毕后，获取到图像的嵌入强度、残差网络激活函数等参数。接下来，本文通过残差分块的方式提取局部模糊图像的各项特征。在残差网络深度不断增加的背景下，模糊图像的重建能力会相应地发生变化，图像的特征在传输过程中会出现一定的波动。根据模型的卷积层结构，提取出具有先验信息的特征条件，分别添加具有参数特征的元素，采用分类网络作为图像特征提取网络，用于局部模糊图像的特征提取网络训练中，这一过程如图2所示。

图2 局部模糊图像特征提取过程

根据网络的分支训练，获取图像监督信息，利用中间帧调节图像中的结构信息。采用堆叠深度残差块的方式，增加特征提取网络的深度，提高提取的效率与精度。在图像的特征图中，加入共享相同的卷积核组，对特征图进行离散卷积操作，获取到方便于检测的局部图像特征。当局部模糊图像的特征图大小发生变化时，表明图像内的模糊核数量也发生了改变。此时，应当保持深度残差网络模型每一层的结构相同，控制残差网络激活函数的变化。

将局部模糊图像进行像素强度划分，划分为位置像素强度不同的模块，进行矩阵叠加操作，通过多层使用的图像网络，将深度残差网络模型中的任意两个结构层次进行连接，设置每一层结构的输入都是所有层结构的并集处理结果，减少在特征提取过程中梯度弥散的情况。设定残差分块的图像层次特征融合结构输出为：

其中，M0表示第一层模型结构的输出；表示特征融合结构的级联操作；b表示特征融合结构的常量。基于多尺度的残差分块方式，学习模型中不同结构层次下的图像特征，结合模糊图像的初始化信息，将多个尺度下的模糊图像特征进行融合，保证每个模糊图像中使用不同的模糊核。对于局部模糊图像的残差学习部分，为了提高模糊图像特征提取的效率，采用全连接残差分块的方式，在各个元素间建立快捷连接，全方位地提高图像特征信息的提取性能。

■ 1.3 图像模糊核尺寸计算与无损复原

根据上述的局部模糊图像特征提取结果，对图像的模糊核尺寸进行如下计算。采用卷积算法进行预输入参数操作，根据局部模糊图像模糊核的非有效区域，估计图像模糊核的宽度与高度。在图像模糊核的尺寸计算中，首先，确定图像的模糊核模块bp，根据模糊核模块估计图像相应的模糊核尺寸s= {w,h}。其中，w和h分别代表图像模糊核的宽度与高度。

将图像模糊核的尺寸计算看作向量的回归处理问题，设置训练回归器r，图像模块的真实尺寸向量为gts，根据向量的映射作用，将尺寸计算的误差范围缩小，得出图像模块真实尺寸向量的表达式为：

其中，ε表示训练回归器的系数。通过表达式可以得出模糊核的尺寸向量。本文设计的基于深度残差网络的局部模糊图像无损复原方法中，由于构建的模型存在全连接层，在输入图像尺寸时应当输入具体的固定值，对于模糊核尺寸的计算具有一定的帮助。保证局部模糊图像与模糊核的尺寸的缩放比例大小接近，存在较小的差异性。根据局部模糊图像的变化，记录模糊核尺寸的缩放比例，将训练集图像数据的标签表达为：

式中，W表示局部模糊图像的具体宽度；H表示局部模糊图像的具体高度，根据尺寸缩放比例的相对变化能够获取深度残差网络的局部模糊图像模糊核尺寸。

基于上述得到的计算结果，得出图像相应的模糊核，采用非盲解卷积的方法，对局部模糊图像进行正则化潜像复原。首先，减少局部模糊图像的曝光时间，提高图像的信噪比，降低模糊图像传输介质的噪声影响。

将扩散函数的卷积结果加入噪声的过程描述中，调节局部模糊图像的噪声功率谱密度，将图像的噪声带宽调节为大于图像的带宽。局部模糊图像在噪声的影响下，经过一定的周期变化，最终生成局部模糊退化图像，结合逆滤波方法，对局部模糊图像进行复原操作，实现图像去模糊的目标。

综上所述，基于深度残差网络的局部模糊图像无损复原流程如图3所示。

图3 基于深度残差网络的局部模糊图像无损复原流程

2 实验与结果分析

为了验证本文提出的基于深度残差网络的局部模糊图像无损复原方法的有效性，进行了如下实验分析。

■ 2.1 实验准备

本次实验采用的原始图像数据为256×256像素大小的局部模糊图像，对图像进行拼接处理，使图像数据具有左右对称的特性。采用某实验室的开放数据集，对局部模糊图像进行相应的特征标记，将标记后的图像进行模块划分。设置本次实验中数据集的图像数量为3000，其中，训练集图像的数量为2000，测试数据集数量为1000，将局部模糊图像无损复原的训练与测试原始数据进行对应的文件划分。基于本文构建的深度残差网络模型初始化处理图像参数，获取到模糊图像的残差函数与残差表达式。设置本次实验训练数据集在每个周期内的迭代训练次数为100，在每次迭代训练后，记录模糊图像的网络权重，根据网络权重判断图像输出矩阵的均值。

■ 2.2 结果分析

首先对本文方法展开初步验证，利用本文方法对图4中的局部模糊图像进行处理，处理过程及结果如图5所示。

图4 原始图像

观察图4、图5可知，图4中，左侧花朵存在局部模糊情况，经本文方法处理后，局部模糊情况消失，初步验证了本文方法具有有效性。

图5 处理过程及结果图

为了使实验的结果更加具有说服力，选取MLP图像复原方法与模糊图像边缘复原方法，共同与本文提出的无损复原方法进行对比，对比三种复原方法图像的峰值信噪比与复原后图像的结构相似度，根据对比结果对模糊图像复原的整体性能进行评价，结果如表1、表2所示。

表1 三种模糊图像复原方法峰值信噪比

表2 三种模糊图像复原方法复原后图像结构相似度

如表1、表2所示，本文提出的基于深度残差网络的局部模糊图像无损复原方法在峰值信噪比与图像的结构相似度方面，均较传统的复原方法相比存在较大的优势，复原后的图像结构相似度较高，表明与原图更加接近，复原得到的图像质量更好。

3 结束语

综上所述，针对传统模糊图像复原方法在图像质量方面的不足，本文提出了基于深度残差网络的局部模糊图像无损复原方法。在传统图像复原方法的基础上，融入了深度残差网络模型，避免图像在复原过程中出现像素溢出的情况，保证了局部模糊图像的完整性，对于出现的噪声信号攻击具有较强的稳健性，提高了无损复原的局部模糊图像的鲁棒性。