一种基于深度学习的图像去模糊方法及系统技术方案

本发明专利技术提供的一种基于深度学习的图像去模糊方法及系统，获取待去模糊的目标图像，对目标图像进行预处理；将预处理后的目标图像输入至预设神经网络，根据预设神经网络的输出结果，获得目标图像对应的去模糊图像；其中，预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的。该方法及系统能够利用预设神经网络对模糊图像自动进行去模糊处理，获得模糊图像对应的去模糊图像，无需提前获知确切的模糊核，可适用于任意一种类型的模糊图像，具有广泛的普适应；同时在图像处理、识别和应用之前通过对图像进行去模糊处理，能够有效提升图像处理、识别和应用的效率和准确率。

【技术实现步骤摘要】
一种基于深度学习的图像去模糊方法及系统
本专利技术涉及图像处理
，更具体地，涉及一种基于深度学习的图像去模糊方法及系统。
技术介绍
由于受到环境和成像设备(如相机的硬件条件)等影响，图像质量在成像过程中或多或少会有一定的损失，图像模糊即为一种常见的图像降质现象。通常，图像模糊的类型可分为以下几种：散焦模糊、高斯模糊、运动模糊、混合模糊和任意模糊。其中，散焦模糊是指由于镜头未能正确对焦或由于场景景深较大而导致部分场景不在焦点上而造成的图像不清晰；高斯模糊是指由于大气湍流对物体光线的散射影响造成的图像不清晰；运动模糊是指当相机处于静止状态下，长时间曝光时，运动物体与背景混叠造成的图像不清晰；混合模糊是指散焦模糊、高斯模糊和运动模糊三者之中的任意两个或全部三个的组合所导致的图像不清晰；任意模糊则是指由于相机抖动等不规则运动所引发的相机运动轨迹上场景在曝光时间内的混叠。图像模糊会造成图像边缘分辨不清和图像细节丢失，从而严重影响后续的图像处理、识别和应用等。因此，对模糊图像进行去模糊处理突显得尤为重要。现有的去模糊技术包括Lucy-Richardson算法和维纳滤波器，然而这两种现有的去模糊技术均需提前获知确切的模糊核，并不具有普适应。有鉴于此，亟需提供一种普遍适用的图像去模糊方法及系统。
技术实现思路
本专利技术为了克服现有的去模糊技术均需提前获知确切的模糊核，导致不具有普适应的问题，提供一种基于深度学习的图像去模糊方法及系统。一方面，本专利技术提供一种基于深度学习的图像去模糊方法，包括：获取待去模糊的目标图像，对所述目标图像进行预处理；将预处理后的所述目标图像输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述目标图像对应的去模糊图像；其中，所述预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的。优选地，所述对所述目标图像进行预处理，具体为：将所述目标图像的大小调整至预设尺寸。优选地，所述将预处理后的所述目标图像输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述目标图像对应的去模糊图像，具体为：将预处理后的所述目标图像输入至所述预设神经网络的下采样层，利用所述下采样层对预处理后的所述目标图像进行下采样，输出所述目标图像对应的特征向量；将所述特征向量输入至所述预设神经网络的残差网络层，利用所述残差网络层对所述特征向量进行特征补偿，输出补偿后的特征向量；将补偿后的特征向量输入至所述预设神经网络的上采样层，利用所述上采样层对补偿后的特征向量进行上采样，输出所述目标图像对应的去模糊图像。优选地，所述将预处理后的所述目标图像输入至预设神经网络，之前还包括：获取多个清晰图像样本，对于任意一个清晰图像样本，获取该清晰图像样本对应的模糊图像样本，将该清晰图像样本和对应的模糊图像样本的组合作为一个训练样本，获得多个训练样本；利用多个训练样本对所述预设神经网络进行训练。优选地，所述获取该清晰图像样本对应的模糊图像样本，具体为：对于任意一个清晰图像样本，从预设模糊处理方式中选择一种模糊处理方式对该清晰图像样本进行模糊处理，获得该清晰图像样本对应的模糊图像样本；其中，所述预设模糊处理方式包括散焦模糊处理、高斯模糊处理、运动模糊处理、混合模糊处理和任意模糊处理。优选地，所述利用多个训练样本对所述预设神经网络进行训练，具体为：对于任意一个训练样本，将该训练样本输入至所述预设神经网络，根据所述预设神经网络的输出结果，获得该训练样本对应的输出图像；利用预设的损失函数计算该训练样本对应的输出图像与该训练样本中的清晰图像样本之间的损失值；若所述损失值小于预设阈值，则所述预设神经网络训练完成。优选地，所述将该训练样本输入至所述预设神经网络，之前还包括：对该训练样本进行水平翻转和/或上下翻转，并将该训练样本的大小调整至预设尺寸。一方面，本专利技术提供一种基于深度学习的图像去模糊系统，包括：预处理模块，用于获取待去模糊的目标图像，对所述目标图像进行预处理；去模糊模块，用于将预处理后的所述目标图像输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述目标图像对应的去模糊图像；其中，所述预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的。一方面，本专利技术提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述任一所述的方法。一方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述任一所述的方法。本专利技术提供的一种基于深度学习的图像去模糊方法及系统，获取待去模糊的目标图像，对目标图像进行预处理；将预处理后的目标图像输入至预设神经网络，根据预设神经网络的输出结果，获得目标图像对应的去模糊图像；其中，预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的。该方法及系统基于深度学习的思想对预设神经网络进行训练，使得预设神经网络学习模糊图像和清晰图像之间的差别，最终将模糊图像输入至训练好的预设神经网络，即可利用预设神经网络对模糊图像自动进行去模糊处理，获得模糊图像对应的去模糊图像；该方法及系统无需提前获知确切的模糊核，可适用于任意一种类型的模糊图像，具有广泛的普适应；同时在图像处理、识别和应用之前通过对图像进行去模糊处理，能够有效提升图像处理、识别和应用的效率和准确率。附图说明图1为本专利技术实施例的一种基于深度学习的图像去模糊方法的整体流程示意图；图2为本专利技术实施例的预设神经网络去模糊处理的具体流程示意图；图3为本专利技术实施例的一种基于深度学习的图像去模糊系统的整体结构示意图；图4为本专利技术实施例的一种电子设备的结构框架示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1为本专利技术实施例的一种基于深度学习的图像去模糊方法的整体流程示意图，如图1所示，本专利技术提供一种基于深度学习的图像去模糊方法，包括：S1，获取待去模糊的目标图像，对目标图像进行预处理；具体地，首先获取待去模糊处理的模糊图像，将其作为目标图像。再对目标图像进行预处理，将目标图像的大小调整至预设尺寸，从而使得目标图像的大小能够适应预设神经网络的输入图像的要求。此外，还可以对目标图像进行其它预处理操作，可以根据实际需求进行设置，此处不做具体限定。需要说明的是，本实施例中的目标图像可以为各种类型的模糊图像，例如，目标图像可以为散焦模糊、高斯模糊、运动模糊、混合模糊和任意模糊中任意一种类型的模糊图像。即，本实施例的图像去模糊方法适用于任意一种模糊类型的模糊图像。S2，将预处理后的目标图像输入至预设神经网络，根据预设神经网络的输出结果，获得目标图像对应的去模糊图像；其中，预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的。具体地，在对目标图像进行预处理之后，将预处理后的目标图像输入至预设神经网络，其中，预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的，即预设神经网络已经通过训练提前学习了模糊图像和清晰图像之间的差别。本实施例中的预设神经网络包括下采样层、残差网络层、上采样层。预处理后本文档来自技高网...

【技术保护点】
1.一种基于深度学习的图像去模糊方法，其特征在于，包括：获取待去模糊的目标图像，对所述目标图像进行预处理；将预处理后的所述目标图像输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述目标图像对应的去模糊图像；其中，所述预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的。

【技术特征摘要】
1.一种基于深度学习的图像去模糊方法，其特征在于，包括：获取待去模糊的目标图像，对所述目标图像进行预处理；将预处理后的所述目标图像输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述目标图像对应的去模糊图像；其中，所述预设神经网络是根据模糊图像样本和清晰图像样本进行训练后获得的。2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行预处理，具体为：将所述目标图像的大小调整至预设尺寸。3.根据权利要求1所述的方法，其特征在于，所述将预处理后的所述目标图像输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述目标图像对应的去模糊图像，具体为：将预处理后的所述目标图像输入至所述预设神经网络的下采样层，利用所述下采样层对预处理后的所述目标图像进行下采样，输出所述目标图像对应的特征向量；将所述特征向量输入至所述预设神经网络的残差网络层，利用所述残差网络层对所述特征向量进行特征补偿，输出补偿后的特征向量；将补偿后的特征向量输入至所述预设神经网络的上采样层，利用所述上采样层对补偿后的特征向量进行上采样，输出所述目标图像对应的去模糊图像。4.根据权利要求1所述的方法，其特征在于，所述将预处理后的所述目标图像输入至预设神经网络，之前还包括：获取多个清晰图像样本，对于任意一个清晰图像样本，获取该清晰图像样本对应的模糊图像样本，将该清晰图像样本和对应的模糊图像样本的组合作为一个训练样本，获得多个训练样本；利用多个训练样本对所述预设神经网络进行训练。5.根据权利要求4所述的方法，其特征在于，所述获取该清晰图像样本对应的模糊图像样本，具体为：对于任意一个清晰图像样本，从预设模糊处理方式...

【专利技术属性】
技术研发人员：刘一胶，董远，白洪亮，熊风烨，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11