图像含糊是由相机或拍摄对象挪动、对焦不精确或应用光圈配置不当导致的图像不清晰。为了取得更清晰的照片，咱们能够应用相机镜头的首选焦点从新拍摄同一张照片，或者应用深度学习常识重现含糊的图像。因为我的特长不是摄影，只能抉择应用深度学习技术对图像进行去模糊解决！
在开始这个我的项目之前，本文假设读者应该理解深度学习的基本概念，例如神经网络、CNN。还要略微相熟一下 Keras、Tensorflow 和 OpenCV。
有各种类型的含糊——静止含糊、高斯含糊、均匀含糊等。但咱们将专一于高斯含糊图像。在这种含糊类型中，像素权重是不相等的。含糊在核心处较高，在边缘处依照钟形曲线缩小。
数据集
在开始应用代码之前，首先须要的是一个由 2 组图像组成的数据集——含糊图像和洁净图像。目前可能没有现成的数据集能够应用，然而就像咱们下面所说的，如果你有opencv的根底这个对于咱们来说是十分个简略的，只有咱们有原始图像，应用opencv就能够本人生成训练须要的数据集。
这里我的数据集大小约为 50 张图像（50 张洁净图像和 50 张含糊图像），因为只是演示目标所以只抉择了大量图像。
编写代码
曾经筹备好数据集，能够开始编写代码了。
依赖项
import numpy as npimport pandas as pdimport matplotlib.pyplot as plt%matplotlib inlineimport randomimport cv2import osimport tensorflow as tffrom tqdm import tqdm这里导入了 tqdm 库来帮忙我创立进度条，这样能够晓得运行代码须要多长时间。
导入数据
good_frames = '/content/drive/MyDrive/mini_clean'bad_frames = '/content/drive/MyDrive/mini_blur'当初创立了2 个列表。咱们将应用 keras 预处理库读取“.jpg”、“jpeg”或“.png”类型的图像，并转换为数组。这里图像尺寸为 128x128。
clean_frames = []for file in tqdm(sorted(os.listdir(good_frames))): if any(extension in file for extension in ['.jpg', 'jpeg', '.png']): image = tf.keras.preprocessing.image.load_img(good_frames + '/' + file, target_size=(128,128)) image = tf.keras.preprocessing.image.img_to_array(image).astype('float32') / 255 clean_frames.append(image)clean_frames = np.array(clean_frames)blurry_frames = []for file in tqdm(sorted(os.listdir(bad_frames))): if any(extension in file for extension in ['.jpg', 'jpeg', '.png']): image = tf.keras.preprocessing.image.load_img(bad_frames + '/' + file, target_size=(128,128)) image = tf.keras.preprocessing.image.img_to_array(image).astype('float32') / 255 blurry_frames.append(image)blurry_frames = np.array(blurry_frames)导入模型库
from keras.layers import Dense, Inputfrom keras.layers import Conv2D, Flattenfrom keras.layers import Reshape, Conv2DTransposefrom keras.models import Modelfrom keras.callbacks import ReduceLROnPlateau, ModelCheckpointfrom keras.utils.vis_utils import plot_modelfrom keras import backend as Krandom.seed = 21np.random.seed = seed将数据集拆分为训练集和测试集
当初咱们按 80:20 的比例将数据集分成训练和测试集。
x = clean_frames;y = blurry_frames;from sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)查看训练和测试数据集的形态
print(x_train[0].shape)print(y_train[0].shape)r = random.randint(0, len(clean_frames)-1)print(r)fig = plt.figure()fig.subplots_adjust(hspace=0.1, wspace=0.2)ax = fig.add_subplot(1, 2, 1)ax.imshow(clean_frames[r])ax = fig.add_subplot(1, 2, 2)ax.imshow(blurry_frames[r])下面的代码能够查看来自训练和测试数据集的图像，例如：
上面初始化一些编写模型时须要用到的参数
# Network Parametersinput_shape = (128, 128, 3)batch_size = 32kernel_size = 3latent_dim = 256# Encoder/Decoder number of CNN layers and filters per layerlayer_filters = [64, 128, 256]编码器模型
自编码器的构造咱们以前的文章中曾经具体介绍过屡次了，这里就不具体阐明了
inputs = Input(shape = input_shape, name = 'encoder_input')x = inputs首先就是输出（图片的数组），获取输出后构建一个 Conv2D(64) - Conv2D(128) - Conv2D(256) 的简略的编码器，编码器将图片压缩为 (16, 16, 256) ，该数组将会是解码器的输出。
for filters in layer_filters: x = Conv2D(filters=filters, kernel_size=kernel_size, strides=2, activation='relu', padding='same')(x)shape = K.int_shape(x)x = Flatten()(x)latent = Dense(latent_dim, name='latent_vector')(x)这里的 K.int_shape()将张量转换为整数元组。
实例化编码器模型，如下
encoder = Model(inputs, latent, name='encoder')encoder.summary()解码器模型
解码器模型相似于编码器模型，但它进行相同的计算。解码器以将输出解码回 (128, 128, 3)。所以这里的将应用 Conv2DTranspose(256) - Conv2DTranspose(128) - Conv2DTranspose(64)。
latent_inputs = Input(shape=(latent_dim,), name='decoder_input')x = Dense(shape[1]*shape[2]*shape[3])(latent_inputs)x = Reshape((shape[1], shape[2], shape[3]))(x)for filters in layer_filters[::-1]: x = Conv2DTranspose(filters=filters, kernel_size=kernel_size, strides=2, activation='relu', padding='same')(x)outputs = Conv2DTranspose(filters=3, kernel_size=kernel_size, activation='sigmoid', padding='same', name='decoder_output')(x)解码器如下：
decoder = Model(latent_inputs, outputs, name='decoder')decoder.summary()整合成自编码器
自编码器 = 编码器 + 解码器
autoencoder = Model(inputs, decoder(encoder(inputs)), name='autoencoder')autoencoder.summary()最初然而十分重要的是在训练咱们的模型之前须要设置超参数。
autoencoder.compile(loss='mse', optimizer='adam',metrics=["acc"])我抉择损失函数为均方误差，优化器为adam，评估指标为准确率。而后还须要定义学习率调整的打算，这样能够在指标没有改良的状况下升高学习率，
lr_reducer = ReduceLROnPlateau(factor=np.sqrt(0.1), cooldown=0, patience=5, verbose=1, min_lr=0.5e-6)学习率的调整须要在训练的每个轮次都调用，
callbacks = [lr_reducer]训练模型
history = autoencoder.fit(blurry_frames, clean_frames, validation_data=(blurry_frames, clean_frames), epochs=100, batch_size=batch_size, callbacks=callbacks)运行此代码后，可能须要大概 5-6 分钟甚至更长时间能力看到最终输入，因为咱们设置了训练轮次为100，
最初后果
当初曾经胜利训练了模型，让咱们看看咱们的模型的预测，
print("\n Input Ground Truth Predicted Value")for i in range(3): r = random.randint(0, len(clean_frames)-1) x, y = blurry_frames[r],clean_frames[r] x_inp=x.reshape(1,128,128,3) result = autoencoder.predict(x_inp) result = result.reshape(128,128,3) fig = plt.figure(figsize=(12,10)) fig.subplots_adjust(hspace=0.1, wspace=0.2) ax = fig.add_subplot(1, 3, 1) ax.imshow(x) ax = fig.add_subplot(1, 3, 2) ax.imshow(y) ax = fig.add_subplot(1, 3, 3) plt.imshow(result)能够看到该模型在去模糊图像方面做得很好，并且简直可能取得原始图像。因为咱们只用了3层的卷积架构，所以如果咱们应用更深的模型，还有一些超参数的调整应该会取得更好的后果。
为了查看训练的状况，能够绘制损失函数和准确率的图表，能够通过这些数据做出更好的决策。
损失的变动
plt.figure(figsize=(12,8))plt.plot(history.history['loss'])plt.plot(history.history['val_loss'])plt.legend(['Train', 'Test'])plt.xlabel('Epoch')plt.ylabel('Loss')plt.xticks(np.arange(0, 101, 25))plt.show()能够看到损失显着缩小，而后从第 80 个 epoch 开始停滞不前。
准确率
plt.figure(figsize=(12,8))plt.plot(history.history['acc'])plt.plot(history.history['val_acc'])plt.legend(['Train', 'Test'])plt.xlabel('Epoch')plt.ylabel('Accuracy')plt.xticks(np.arange(0, 101, 25))plt.show()这里能够看到准确率显着进步，如果训练更多轮，它可能会进一步提高。因而，能够尝试减少 epoch 大小并查看准确率是否的确进步了，或者减少早停机制，让训练主动进行
总结
咱们获得了不错的准确率，为 78.07%。对于理论的利用本文只是开始,例如更好的网络架构,更多的数据,和超参数的调整等等,如果你有什么改良的想法也欢送留言
https://www.overfit.cn/post/d9b6d1a979a444f39c34edc47c647be6
作者:Chandana Kuntala