基于ResNet及损失函数的模糊图像复原算法

以获取模糊图像细节特征，提升模糊图像的清晰度为目的，设计基于ResNet及损失函数的模糊图像复原算法。首先，将模糊图像作为残差神经网络的输入，通过残差神经网络提取模糊图像内的细节特征；其次，将模糊图像细节特征描述为若干幅高分辨率图像同对应的中等分辨率图像小波系数间的差异，并通过残差学习过程提升网络收敛效率；最后，通过残差神经网络输出的特征图与小波变换结果实现超分辨率图像的复原，并利用损失函数优化整体网络，获取更多模糊图像缺失的细节。实验结果表明，该方法在实际应用过程中选择ReLU函数作为激活函数、在迭代次数为200 000次的条件下可获取最优的复原图像，图像复原后峰值信噪比平均值为31.89,结构相似性平均值为0.90,具有较好的模糊图像复原效果。