【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种图像盲去模糊方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、目前，为了提高图像的整体视觉质量，如何准确地对图像进行去模糊处理，显得至关重要。
2、传统技术中，在对图像进行去模糊处理的过程中，一般采用提高图像的清晰度的方式为主；但是，这种方式容易导致图像出现纹理细节缺失、色彩偏差、视觉过度锐化等问题，进而造成去模糊图像的美学质量较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高去模糊图像的清晰度和美学质量的图像盲去模糊方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种图像盲去模糊方法，包括：
3、获取待处理图像的语义掩码；
4、通过训练完成的图像盲去模糊模型提取所述待处理图像的图像特征，将所述图像特征和所述语义掩码进行融合处理，得到融合特征；所述训练完成的图像盲去模糊模型是利用预训练的美学属性分布预测模型，对待训练的图像盲去模糊模型进行训练得到的；
5、将所述融合特征和所述融合特征的图像特征进行多次融合处理，得到所述待处理图像的目标融合特征；
6、对所述目标融合特征的图像特征进行图像重建处理，得到所述待处理图像的去模糊图像。
7、在其中一个实施例中，所述将所述图像特征和所述语义掩码进行融合处理，得到融合特征，包括：
8、对所述图像特征进行空间注意力机制处理，得到第
9、对所述第一关键特征和所述第二关键特征进行拼接处理，得到拼接特征；
10、对所述拼接特征的图像特征进行激活处理，得到所述融合特征。
11、在其中一个实施例中，所述对所述图像特征进行空间注意力机制处理，得到第一处理后特征，包括：
12、确定出所述图像特征对应的注意力权重矩阵；
13、对所述图像特征进行分组处理，得到多个子图像特征，以及对所述注意力权重矩阵进行分组处理，得到每个子图像特征对应的子注意力权重矩阵；
14、分别对所述每个子图像特征和所述每个子图像特征对应的子注意力权重矩阵进行拼接处理，得到所述第一处理后特征。
15、在其中一个实施例中，所述对所述第一处理后特征进行通道注意力机制处理，得到所述图像特征对应的第一关键特征，包括：
16、对所述第一处理后特征进行特征提取处理，得到第二处理后特征；
17、对所述第二处理后特征进行降维处理，得到全局特征；
18、对所述全局特征进行激活处理，得到激活后特征；
19、对所述第二处理后特征和所述激活后特征进行融合处理，得到所述第一关键特征。
20、在其中一个实施例中，所述训练完成的图像盲去模糊模型，通过下述方式训练得到：
21、获取第一样本图像的第一样本语义掩码；
22、通过所述待训练的图像盲去模糊模型提取所述第一样本图像的样本图像特征，将所述样本图像特征和所述第一样本语义掩码进行融合处理，得到样本融合特征；所述待训练的图像盲去模糊模型包括预训练的编码模块和待训练的重建模块；所述预训练的编码模块为所述预训练的美学属性分布预测模型中的预训练的编码模块；
23、将所述样本融合特征和所述样本融合特征的样本图像特征进行多次融合处理，得到所述第一样本图像的目标样本融合特征；
24、对所述目标样本融合特征的样本图像特征进行图像重建处理，得到所述第一样本图像的第一预测去模糊图像；
25、获取所述第一样本图像的第一实际去模糊图像，并根据所述第一预测去模糊图像和所述第一实际去模糊图像，对所述待训练的图像盲去模糊模型进行迭代训练，得到所述训练完成的图像盲去模糊模型。
26、在其中一个实施例中，所述根据所述第一预测去模糊图像和所述第一实际去模糊图像，对所述待训练的图像盲去模糊模型进行迭代训练，得到所述训练完成的图像盲去模糊模型，包括：
27、通过所述预训练的美学属性分布预测模型，基于所述第一样本语义掩码，得到所述第一预测去模糊图像对应的第一美学质量分数值和第一美学属性分布值，以及所述第一实际去模糊图像对应的第二美学质量分数值和第二美学属性分布值；所述预训练的美学属性分布预测模型中包括所述预训练的编码模块和训练完成的多层感知机；
28、根据所述第一美学质量分数值和所述第二美学质量分数值之间的差异，得到第一美学质量分数损失值，根据所述第一美学属性分布值和所述第二美学属性分布值之间的差异，得到第一美学属性分布损失值，以及基于所述第一预测去模糊图像和所述第一实际去模糊图像之间的差异，得到均方误差损失值；
29、对所述第一美学质量分数损失值、所述第一美学属性分布损失值和所述均方误差损失值进行加权求和处理，得到第一目标损失值；
30、根据所述第一目标损失值，对所述待训练的图像盲去模糊模型进行迭代训练，得到所述训练完成的图像盲去模糊模型；所述预训练的美学属性分布预测模型中的预训练的编码模块的权重与所述待训练的图像盲去模糊模型中的预训练的编码模块的权重是同步更新的。
31、在其中一个实施例中，所述预训练的美学属性分布预测模型，通过下述方式训练得到：
32、获取第二样本图像的第二样本语义掩码、第二预测去模糊图像和第二实际去模糊图像；
33、通过待训练的美学属性分布预测模型，基于所述第二样本语义掩码，得到所述第二预测去模糊图像对应的第三美学质量分数值和第三美学属性分布值，以及所述第二实际去模糊图像对应的第四美学质量分数值和第四美学属性分布值；所述待训练的美学属性分布预测模型包括待训练的编码模块和待训练的多层感知机；
34、根据所述第三美学质量分数值和所述第四美学质量分数值之间的差异，得到第二美学质量分数损失值，以及根据所述第三美学属性分布值和所述第四美学属性分布值之间的差异，得到第二美学属性分布损失值；
35、对所述第二美学质量分数损失值和所述第二美学属性分布损失值进行加权求和处理，得到第二目标损失值；
36、根据所述第二目标损失值，对所述待训练的美学属性分布预测模型进行迭代训练，得到所述预训练的美学属性分布预测模型。
37、第二方面，本申请还提供了一种图像盲去模糊装置，包括：
38、掩码获取模块，用于获取待处理图像的语义掩码；
39、特征处理模块，用于通过训练完成的图像盲去模糊模型提取所述待处理图像的图像特征，将所述图像特征和所述语义掩码进行融合处理，得到融合特征；所述训练完成的图像盲去模糊模型是利用预训练的美学属性分布预测模型，对待训练的图像盲去模糊模型进行训练得到的；
40、特征融合模块，用于将所述融合特征和所述本文档来自技高网...
【技术保护点】
1.一种图像盲去模糊方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述图像特征和所述语义掩码进行融合处理，得到融合特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述图像特征进行空间注意力机制处理，得到第一处理后特征，包括：
4.根据权利要求2所述的方法，其特征在于，所述对所述第一处理后特征进行通道注意力机制处理，得到所述图像特征对应的第一关键特征，包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述训练完成的图像盲去模糊模型，通过下述方式训练得到：
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一预测去模糊图像和所述第一实际去模糊图像，对所述待训练的图像盲去模糊模型进行迭代训练，得到所述训练完成的图像盲去模糊模型，包括：
7.根据权利要求6所述的方法，其特征在于，所述预训练的美学属性分布预测模型，通过下述方式训练得到：
8.一种图像盲去模糊装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种图像盲去模糊方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述图像特征和所述语义掩码进行融合处理，得到融合特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述图像特征进行空间注意力机制处理，得到第一处理后特征，包括：
4.根据权利要求2所述的方法，其特征在于，所述对所述第一处理后特征进行通道注意力机制处理，得到所述图像特征对应的第一关键特征，包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述训练完成的图像盲去模糊模型，通过下述方式训练得到：
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一预测去模糊图像和所述第一实际去模糊图像，对所述待训练的图像盲去...
【专利技术属性】
技术研发人员：程庆苏，陈影，方丽，王慧芬，张园，
申请(专利权)人：中国电信股份有限公司技术创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。