技术特征：
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。
技术总结
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。更高。更高。
技术研发人员：王佳宇 唐海亮
受保护的技术使用者：天津津航计算技术研究所
技术研发日：2022.08.31
技术公布日：2022/12/5