(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211061799.6 (22)申请日 2022.08.31 (71)申请人 天津津航计算 技术研究所 地址 300000 天津市东 丽区空港经济区保 税路357号 (72)发明人 王佳宇　唐海亮　 (74)专利代理 机构 天津市鼎拓知识产权代理有 限公司 12 233 专利代理师 朱丽丽 (51)Int.Cl. G06T 5/00(2006.01) G06T 3/40(2006.01) G06T 5/20(2006.01) G06T 5/50(2006.01) G06T 7/90(2017.01)G06V 10/40(2022.01) G06V 10/74(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01) (54)发明名称 一种基于生成式对抗模型的图像清晰度增 强算法 (57)摘要 本申请提供一种基于生成对抗模型的图像 清晰度增强算法， 包括S1、 选 择图像模糊类型， 基 于图像模糊类型构建图像清晰度增强数据集； S2、 采用残差密集块对 所述图像清晰度增强数据 集进行特征提取形成特征图， 并联合多尺度特征 提取结构与尺度变化结构， 构建图像清晰度增强 的深度卷积神经网络； S3、 选 择判别模型， 使用所 述图像清晰度增强数据集对所述深度卷积神经 网络与所述判别模型进行对抗训练， 得到用于提 升图像清晰度的生成模型。 使用本方法能够有效 提取到模糊图像中的多尺度信息， 并且经生成模 型输出的图像较原有的清晰图像相比， 其清晰度 更高。 权利要求书1页 说明书4页 附图2页 CN 115439359 A 2022.12.06 CN 115439359 A 1.一种基于生成对抗模型的图像清晰度增强算法， 其特 征在于， 包括： S1、 选择图像模糊类型， 基于图像模糊类型构建图像清晰度增强数据集； S2、 采用残差密集块对所述图像清晰度增强数据集进行特征提取形成特征图， 并联合 多尺度特 征提取结构与尺度变化结构， 构建图像清晰度增强的深度卷积神经网络； S3、 选择判别模型， 使用所述图像清晰度增强数据集对所述深度卷积神经网络与所述 判别模型进行对抗训练， 得到用于提升图像清晰度的生成模型。 2.根据权利要求1所述的基于生成对抗模型的图像清晰度增强算法， 其特征在于， 步骤 S2中， 构建图像清晰度增强的深度卷积神经网络包括： 通过所述尺度变化结构将所述特征图的尺寸进行降低， 并在不同尺度 上使用残差密集 块提取多尺度特 征形成第一特 征图； 通过所述尺度变化结构将所述第 一特征图的尺寸进行放大， 在不同尺度 上使用所述残 差密集块提取多尺度特 征， 并使用卷积 操作进行融合， 形成第二特 征图； 将所述第二特 征图与来自所述S1数据集中的输入图像相加； 完成图像清晰度增强的操作。 3.根据权利要求2所述的基于生成对抗模型的图像清晰度增强算法， 其特征在于， 每个 尺度的特 征图使用2个所述残差密集 块进行特征提取； 每个所述残差密集 块包括五个卷积层和一个通道 注意力机制。 4.根据权利要求1所述的基于生成对抗模型的图像清晰度增强算法， 其特征在于， 所述 尺度变化结构， 包括： 上采样模块与下采样模块， 所述上采样模块使用子像素卷积方式实 现； 所述下采样模块使用池化操作实现。 5.根据权利要求3所述的基于生成对抗模型的图像清晰度增强算法， 其特征在于， 所述 残差密集 块中的各 卷积层之间的特 征传递采用密集连接方式； 所述残差密集 块的输入和输出采用残差连接的方式。 6.根据权利要求1所述的基于生成对抗模型的图像清晰度增强算法， 其特征在于， 在对 抗训练过程中， 包括： 由判别模型对生成模型中的清晰度增强数据集中的图片和清晰的图片进行判别； 当训 练过程趋 于稳定， 则停止训练， 得到用于提升图像清晰度的生成模型。权　利　要　求　书 1/1 页 2 CN 115439359 A 2一种基于生成式对抗模型的图像清晰度增强算法 技术领域 [0001]本申请涉及数字图像处理领域， 尤其涉及 一种基于生成对抗模型的图像清晰度增 强算法。 背景技术 [0002]随着互联网与多媒体技术的不断发展， 数字图像已经成为了信息传递的重要媒 介， 推动着科技创新与社会进步。 在数字图像处理的过程中， 会有一些操作对图像的清晰度 造成影响。 例如， 中值滤波操作由于在去除椒盐噪声等方面具有良好的效果， 被广泛应用于 图像去噪、 医学图像增强等领域， 但是中值滤波操作是一种图像模糊操作， 会造成图像中细 节信息的丢失， 从而无法提取到模糊图像中的多尺度信息， 影响图像的清晰程度与视觉质 量。 因此， 设计一种提升模糊图像清晰度的方法， 能够让图像中的细节信息更加丰富。 发明内容 [0003]本申请的目的是针对以上问题， 提供一种基于生成对抗模型的图像清晰度增强算 法。 [0004]本申请提供一种基于生成对抗模型的图像清晰度增强算法， 包括： [0005]S1、 选择图像模糊类型， 基于图像模糊类型构建图像清晰度增强数据集； [0006]S2、 采用残差密集块对所述图像清晰度增强数据集进行特征提取形成特征 图， 并 联合多尺度特 征提取结构与尺度变化结构， 构建图像清晰度增强的深度卷积神经网络； [0007]S3、 选择判别模型， 使用所述图像清晰度增强数据集对所述深度卷积神经网络与 所述判别模型进行对抗训练， 得到用于提升图像清晰度的生成模型。 [0008]根据本申请实施例提供的技术方案， 步骤S2中， 构建图像清 晰度增强的深度卷积 神经网络包括： [0009]通过所述尺度变化结构将所述特征图的尺寸进行降低， 并在不同尺度上使用残差 密集块提取多尺度特 征形成第一特 征图； [0010]通过所述尺度变化结构将所述第一特征图的尺寸进行放大， 在 不同尺度上使用所 述残差密集 块提取多尺度特 征， 并使用卷积 操作进行融合， 形成第二特 征图； [0011]将所述第二特 征图与来自所述S1数据集中的输入图像相加； [0012]完成图像清晰度增强的操作。 [0013]根据本申请实施例提供的技术方案， 每个尺度的特征 图使用2个所述残差密集块 进行特征提取； [0014]每个所述残差密集 块包括五个卷积层和一个通道 注意力机制。 [0015]根据本申请实施例提供的技术方案， 所述尺度变化结构， 包括： 上采样模块与下采 样模块， 所述上采样模块使用子像素 卷积方式实现； 所述下采样模块使用池化操作实现。 [0016]根据本申请实施例提供的技术方案， 所述残差密集块中的各卷积层之间的特征传 递采用密集连接方式；说　明　书 1/4 页 3 CN 115439359 A 3