图像去模糊方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例公开了一种图像去模糊方法、装置、电子设备及存储介质，所述方法包括：获取待处理的模糊图像；将所述待处理的模糊图像输入图像处理网络模型，得到清晰图像；其中，所述图像处理网络模型是通过生成对抗网络模型训练得到的，所述生成对抗网络模型对应的模型参数以及模型超参数是经过多次交叉迭代训练后更新得到，所述交叉迭代训练是指一次迭代训练仅针对所述模型参数以及模型超参数中的一种参数进行迭代训练。实施该实施例，能够提高模糊图像的去模糊效果。糊图像的去模糊效果。糊图像的去模糊效果。

【技术实现步骤摘要】
图像去模糊方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种图像去模糊方法、装置、电子设备及存储介质。

技术介绍

[0002]当下图像去模糊
中，深度学习能够在模糊核未知的情况下直接获得清晰图像，属于一种较为常见且实用的方法，尤其是深度学习中的生成对抗网络模型，在图像去模糊中取得了较好的效果，为图像去模糊技术打开了新的视野。生成对抗网络模型的模型超参数，通常为技术人员手动设置，而手动设置模型超参数往往需要多次试探，耗时耗力且无法确定最优参数，而模型超参数可以影响生成对抗网络模型的训练效果，从而导致模糊图像的去模糊效果较差。

技术实现思路

[0003]本申请实施例公开了一种图像去模糊方法、装置、电子设备及存储介质，能够提高模糊图像的去模糊效果。
[0004]本申请实施例公开了一种图像去模糊方法，方法包括：
[0005]获取待处理的模糊图像；
[0006]将所述待处理的模糊图像输入图像处理网络模型，得到清晰图像；
[0007]其中，所述图像处理网络模型是通过生成对抗网络模型训练得到的，所述生成对抗网络模型对应的模型参数以及模型超参数是经过多次交叉迭代训练后更新得到，所述交叉迭代训练是指一次迭代训练仅针对所述模型参数以及模型超参数中的一种参数进行迭代训练。
[0008]在一个实施例中，所述方法还包括：
[0009]构建所述生成对抗网络模型，所述生成对抗网络模型包括生成网络模型、第一判别网络模型以及第二判别网络模型，所述模型超参数包括所述第一判别网络模型对应的第一超参数以及所述第二判别网络模型对应的第二超参数；
[0010]基于训练图像集合，对所述生成对抗网络模型进行所述多次交叉迭代训练，得到所述图像处理网络模型；其中，所述训练图像集合包括多个模糊图像以及各个所述模糊图像对应的清晰图像；
[0011]在每次所述迭代训练中，对所述生成对抗网络模型对应的模型参数以及模型超参数中的一项进行更新。
[0012]在一个实施例中，所述多次交叉迭代训练对应若干个训练周期，所述迭代训练包括第一迭代训练以及第二迭代训练，所述在每次所述迭代训练中，对所述生成对抗网络模型对应的模型参数以及模型超参数中的一项进行更新，包括：
[0013]在每个所述训练周期中，对所述生成对抗网络模型进行N次所述第一迭代训练以及M次所述第二迭代训练，所述N以及所述M为大于0的整数；
[0014]在所述第一迭代训练中，对所述生成对抗网络模型对应的模型参数进行更新；
[0015]在所述第二迭代训练中，对所述生成对抗网络模型对应的模型超参数进行更新。
[0016]在一个实施例中，所述N次所述第一迭代训练为连续的训练，所述M次所述第二迭代训练为连续的训练，所述方法还包括：
[0017]在所述第一迭代训练中，保持所述模型超参数不变；
[0018]在所述第二迭代训练中，保持所述模型参数不变。
[0019]在一个实施例中，所述方法还包括：
[0020]在每个所述训练周期结束后，判断所述迭代训练的次数是否大于或等于预设迭代次数；
[0021]若否，则进行下一所述训练周期；
[0022]若是，则确定所述生成对抗网络模型训练完成，得到所述图像处理网络模型。
[0023]在一个实施例中，所述对所述生成对抗网络模型对应的模型超参数进行更新，包括：
[0024]确定所述生成对抗网络模型对应的损失函数；
[0025]确定所述损失函数的目标梯度；
[0026]根据所述目标梯度以及预设学习率，对所述第一超参数进行更新，得到更新的第一超参数；
[0027]根据所述更新的第一超参数，再对所述第二超参数进行更新，得到更新的第二超参数；
[0028]其中，所述第一超参数与所述第二超参数的和为固定值。
[0029]在一个实施例中，所述第一判别网络模型以及所述第二判别网络模型为基于胶囊网络构建的模型。
[0030]本申请实施例公开了一种图像去模糊装置，所述装置包括：
[0031]图像获取模块，用于获取待处理的模糊图像；
[0032]图像生成模块，用于将所述待处理的模糊图像输入图像处理网络模型，得到清晰图像；
[0033]其中，所述图像处理网络模型是通过生成对抗网络模型训练得到的，所述生成对抗网络模型对应的模型参数以及模型超参数是经过多次交叉迭代训练后更新得到，所述交叉迭代训练是指一次迭代训练仅针对所述模型参数以及模型超参数中的一种参数进行迭代训练。
[0034]在一个实施例中，图像去模糊装置还包括模型训练模块，用于构建所述生成对抗网络模型，所述生成对抗网络模型包括生成网络模型、第一判别网络模型以及第二判别网络模型，所述模型超参数包括所述第一判别网络模型对应的第一超参数以及所述第二判别网络模型对应的第二超参数；基于训练图像集合，对所述生成对抗网络模型进行所述多次交叉迭代训练，得到所述图像处理网络模型；其中，所述训练图像集合包括多个模糊图像以及各个所述模糊图像对应的清晰图像；在每次所述迭代训练中，对所述生成对抗网络模型对应的模型参数以及模型超参数中的一项进行更新。
[0035]在一个实施例中，所述多次交叉迭代训练对应若干个训练周期，所述迭代训练包括第一迭代训练以及第二迭代训练，所述模型训练模块，还用于在每个所述训练周期中，对
所述生成对抗网络模型进行N次所述第一迭代训练以及M次所述第二迭代训练，所述N以及所述M为大于0的整数；在所述第一迭代训练中，对所述生成对抗网络模型对应的模型参数进行更新；在所述第二迭代训练中，对所述生成对抗网络模型对应的模型超参数进行更新。
[0036]在一个实施例中，所述N次所述第一迭代训练为连续的训练，所述M次所述第二迭代训练为连续的训练，所述模型训练模块，还用于在所述第一迭代训练中，保持所述模型超参数不变；在所述第二迭代训练中，保持所述模型参数不变。
[0037]在一个实施例中，所述模型训练模块，还用于在每个所述训练周期结束后，判断所述迭代训练的次数是否大于或等于预设迭代次数；若否，则进行下一所述训练周期；若是，则确定所述生成对抗网络模型训练完成，得到所述图像处理网络模型。
[0038]在一个实施例中，所述模型训练模块，还用于确定所述生成对抗网络模型对应的损失函数；确定所述损失函数的目标梯度；根据所述目标梯度以及预设学习率，对所述第一超参数进行更新，得到更新的第一超参数；根据所述更新的第一超参数，再对所述第二超参数进行更新，得到更新的第二超参数；其中，所述第一超参数与所述第二超参数的和为固定值。
[0039]在一个实施例中，所述第一判别网络模型以及所述第二判别网络模型为基于胶囊网络构建的模型。
[0040]本申请实施例公开了一种电子设备，包括：
[0041]存储有可执行程序代码的存储器；
[0042]与所述存储器耦合的处理器；
[0043]所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去模糊方法，其特征在于，所述方法包括：获取待处理的模糊图像；将所述待处理的模糊图像输入图像处理网络模型，得到清晰图像；其中，所述图像处理网络模型是通过生成对抗网络模型训练得到的，所述生成对抗网络模型对应的模型参数以及模型超参数是经过多次交叉迭代训练后更新得到，所述交叉迭代训练是指一次迭代训练仅针对所述模型参数以及模型超参数中的一种参数进行迭代训练。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：构建所述生成对抗网络模型，所述生成对抗网络模型包括生成网络模型、第一判别网络模型以及第二判别网络模型，所述模型超参数包括所述第一判别网络模型对应的第一超参数以及所述第二判别网络模型对应的第二超参数；基于训练图像集合，对所述生成对抗网络模型进行所述多次交叉迭代训练，得到所述图像处理网络模型；其中，所述训练图像集合包括多个模糊图像以及各个所述模糊图像对应的清晰图像；在每次所述迭代训练中，对所述生成对抗网络模型对应的模型参数以及模型超参数中的一项进行更新。3.根据权利要求2所述的方法，其特征在于，所述多次交叉迭代训练对应若干个训练周期，所述迭代训练包括第一迭代训练以及第二迭代训练，所述在每次所述迭代训练中，对所述生成对抗网络模型对应的模型参数以及模型超参数中的一项进行更新，包括：在每个所述训练周期中，对所述生成对抗网络模型进行N次所述第一迭代训练以及M次所述第二迭代训练，所述N以及所述M为大于0的整数；在所述第一迭代训练中，对所述生成对抗网络模型对应的模型参数进行更新；在所述第二迭代训练中，对所述生成对抗网络模型对应的模型超参数进行更新。4.根据权利要求3所述的方法，其特征在于，所述N次所述第一迭代训练为连续的训练，所述M次所述第二迭代训练为连续的训练，所述方法还包括：在所述第一迭代训练中，保持所述模型超参数不变...

【专利技术属性】
技术研发人员：高娜，
申请(专利权)人：无锡闻泰信息技术有限公司，
类型：发明
国别省市：