(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 202211390819.4 (22)申请日 2022.11.08 (71)申请人 浙江优众新材 料科技有限公司 地址 316054 浙江省舟山市定海区定海工 业园区创园大道10号 (72)发明人 李宁　居法银　张成龙　陈康　 (74)专利代理 机构 宁波市鄞州盛飞专利代理事 务所(特殊普通 合伙) 33243 专利代理师 龙洋 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于先验知识的散焦图像去模糊方法、 装置及介质 (57)摘要 本发明属于图像去模糊技术领域， 提供了一 种基于先验知识的散焦图像去模糊方法、 装置及 介质， 包括： 构建一个用于单图像散焦图模糊的 深度学习网络模型， 其中包括编码器与解码器； 在所述深度学习网络模型中增加先验知识驱动 特征提取模块， 作为特征提取的编码器； 将光场 生成数据集LFDOF作为第一训练数据集对所述深 度学习网络模型进行训练， 并将DPDD数据集作为 第二训练数据集对所述深度学习网络模型进行 微调； 由训练完成的深度学习网络模 型从散焦图 像中恢复清晰的图像。 本发明的优点在于在网络 模型中引入了一个先验知识驱动的特征提取模 块， 该模块使用共享卷积核来提取公共信息， 并 使用私有卷积核来提取特定于模态的信息， 以更 好地处理空间变化的散焦模糊。 权利要求书2页 说明书5页 附图3页 CN 115456914 A 2022.12.09 CN 115456914 A 1.一种基于先验知识的散焦图像去模糊方法， 其特 征在于， 包括： 构建一个用于单图像散焦图模糊的深度学习网络模型， 其中包括编码器与解码器； 在所述深度学习网络模型中增加先验知识驱动特征提取模块， 作为特征提取的编码 器； 将光场生成数据集LFDOF作为第一训练数据集对所述深度学习网络模型进行训练， 并 将DPDD数据集作为第二训练数据集对所述深度学习网络模型进行微调； 由训练完成的深度学习网络模型从散焦图像中恢复清晰的图像。 2.根据权利要求1所述的一种基于先验知识的散焦图像去模糊方法， 其特征在于， 所述 深度学习网络模型由编 码器提取多尺度金字塔特征， 通过跳跃连接将特征添加至解码器的 相应尺度。 3.根据权利要求1所述的一种基于先验知识的散焦图像去模糊方法， 其特征在于， 所述 先验知识驱动特征提取模块包括初始卷积层以及多个先验知识残差块， 输入的特征在经过 所述初始卷积层和多个先验知识残差块的卷积运算后得到包含跨模态图像对中的共享特 征和私有特 征。 4.根据权利要求3所述的一种基于先验知识的散焦图像去模糊方法， 其特征在于， 先验 知识残差块的卷积运 算表示为： ， ； 其中*表示卷积， 输入特征 ｛L,R｝ 对应的第p个先验知识残差块中的第q个卷积层记为 ， 的输出特征记为 ， 分别表示与输入特征  R  和 L 对应的共享卷积核和私有卷积核， C是 中的内核数。 5.根据权利要求4所述的一种基于先验知识的散焦图像去模糊方法， 其特征在于， 经过 所述先验知识 残差块卷积运 算后的输出 特征为： ， ； 其中， ReLU为激活函数。 6.根据权利要求1所述的一种基于先验知识的散焦图像去模糊方法， 其特征在于， 在以 第一训练数据集对所述深度学习网络模型进行训练时， 使用L1范数作为损失函数， 其表示 为： 其中， 为恢复得到的清晰图像， y为第一训练数据集中与输入网络训练图像对应的全焦 图像。 7.根据权利要求6所述的一种基于先验知识的散焦图像去模糊方法， 其特征在于， 以第 二训练数据集对所述深度学习网络模型进行微调时， 在特征空间中计算特征损失， 其损失 函数表示 为：权　利　要　求　书 1/2 页 2 CN 115456914 A 2其中， 来表示损失网络 。 8.一种基于先验知识的散焦图像去模糊装置， 包括至少一个处理器、 以及至少一个存 储器， 其中， 所述存储器存储有计算机程序， 当所述程序被所述处理器执行时， 使得所述处理器能 够执行权利要求1 ‑7任一项所述的基于先验知识的散焦图像去模糊方法。 9.一种计算机可读存储介质， 当所述存储介质中的指令由设备内的处理器执行时， 使 得所述设备能够执 行权利要求1 ‑7任一项所述的基于先验知识的散焦图像去模糊方法。权　利　要　求　书 2/2 页 3 CN 115456914 A 3