一种图像去模糊方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种图像去模糊方法、装置、计算机设备及存储介质，方法包括：将输入的模糊图像进行特征提取，分别得到4个不同尺度的特征图，进行多尺度细节恢复得到不同尺度下的细节特征图P1_2、P2_2、P3_2、P4_2；然后将P1_2、P2_2、P3_2与P4_2分别通过不同倍数的上采样操作，再将得到的特征图按位置相加得到融合后的特征图，最后将融合后的特征图进行卷积操作得到复原后的清晰图像；将模糊图像与清晰图像送入至鉴别网络进行训练，将训练好的多尺度卷积神经网络作为最终的模糊图像复原网络；将目标模糊图像送入至所述模糊图像复原网络，输出复原后的目标清晰图像。本发明专利技术能够有效解决因卷积网络过深而导致的效率问题与图像的细节恢复问题。

【技术实现步骤摘要】
一种图像去模糊方法、装置、计算机设备及存储介质
本专利技术涉及图像处理
，特别涉及一种图像去模糊方法、装置、计算机设备及存储介质。
技术介绍
图像作为人类获取外界信息的一个重要途径，在现代社会中占据了非常重要的地位。然而，在图像的拍摄过程中经常会由于相机的抖动或者是场景中物体的运动，使得获取的图像出现模糊的现象，这将严重影响图像的使用及其后续的处理工作。图像去模糊的目的就是使用一定的方法从退化的模糊图像中恢复出清晰的、包含丰富信息的图像。具体的，图像去模糊就是采取一定的数学手段，根据图像的质变原理和统计特征构建数学模型，通过对模型的求解将目标图像从质变图像中恢复出来，从而达到稳像目的。但是现实生活中，模糊核是未知的，所以这类问题也被称为盲去模糊。目前图像去模糊有传统方法和深度学习的方法。传统方法中常用的就是使用正则化的方法，通过对模糊核进行估计进而转变成非盲去模糊问题来解决。虽然传统方法也取得了一定的效果，但是其受制于应用场景，因此还有待提升。随着人工智能的高速发展，基于深度学习的去模糊方法因不用估计模糊核而得到了广泛的应本文档来自技高网...

【技术保护点】
1.一种基于多尺度卷积神经网络的图像去模糊方法，其特征在于，包括：/n将输入的模糊图像送入依次设置的第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块进行特征提取，分别得到4个不同尺度的特征图，表示为P1，P2，P3，P4；/n对P4进行上采样操作，以及对P3进行卷积操作，然后将P4进行上采样操作得到的特征图与P3进行卷积操作得到的特征图按位置相加，得到特征图P3_1；/n对P3_1进行上采样操作，以及对P2进行卷积操作，然后将P3_1进行上采样操作得到的特征图与P2进行卷积操作得到的特征图按位置相加，得到特征图P2_1；/n对P2_1进行上采样操作，以及对P1进行卷积操作，然后将P2_1...

【技术特征摘要】
1.一种基于多尺度卷积神经网络的图像去模糊方法，其特征在于，包括：
将输入的模糊图像送入依次设置的第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块进行特征提取，分别得到4个不同尺度的特征图，表示为P1，P2，P3，P4；
对P4进行上采样操作，以及对P3进行卷积操作，然后将P4进行上采样操作得到的特征图与P3进行卷积操作得到的特征图按位置相加，得到特征图P3_1；
对P3_1进行上采样操作，以及对P2进行卷积操作，然后将P3_1进行上采样操作得到的特征图与P2进行卷积操作得到的特征图按位置相加，得到特征图P2_1；
对P2_1进行上采样操作，以及对P1进行卷积操作，然后将P2_1进行上采样操作得到的特征图与P1进行卷积操作得到的特征图按位置相加，得到特征图P1_2；
对P1_2进行下采样操作，以及对P2、P2_1进行卷积操作，然后将P1_2进行下采样操作得到的特征图、P2进行卷积操作得到的特征图与P2_1进行卷积操作得到的特征图按位置相加，得到特征图P2_2；
对P2_2进行下采样操作，以及对P3、P3_1进行卷积操作，然后将P2_2进行下采样操作得到的特征图、P3进行卷积操作得到的特征图与P3_1进行卷积操作得到的特征图按位置相加，得到特征图P3_2；
对P3_2进行下采样操作，以及对P4进行卷积操作，然后将P3_2进行下采样操作得到的特征图、P4进行卷积操作得到的特征图按位置相加，得到特征图P4_2；
将P1_2、P2_2、P3_2与P4_2分别通过不同倍数的上采样操作得到与原始图片尺寸相同的特征图，再将得到的特征图按位置相加得到融合后的特征图，最后将融合后的特征图进行卷积操作得到复原后的清晰图像；
将模糊图像与清晰图像送入至鉴别网络进行训练，从而构建得到多尺度卷积神经网络，将训练好的多尺度卷积神经网络作为最终的模糊图像复原网络；
将目标模糊图像送入至所述模糊图像复原网络，输出复原后的目标清晰图像。


2.根据权利要求1所述的基于多尺度卷积神经网络的图像去模糊方法，其特征在于，所述第一卷积模块由一个卷积核大小3×3、步长为2、通道数为64的卷积层和一个卷积核大小3×3、步长为2、通道数为64的最大池化层组成；所述第二卷积模块、第三卷积模块和第四卷积模块均由多个卷积结构组成；所述卷积结构包括：卷积核大小1×1的组卷积层、通道随机混合操作层、卷积核大小3×3的深度可分离卷积层、卷积核大小1×1的组卷积层、短路连接层。


3.根据权利要求1所述的基于多尺度卷积神经网络的图像去模糊方法，其特征在于，所述对P4进行上采样操作，以及对P3进行卷积操作，然后将P4进行上采样操作得到的特征图与P3进行卷积操作得到的特征图按位置相加，得到特征图P3_1，包括：对P4进行2倍上采样操作，以及对P3进行卷积核3×3、步长为1、填充值为1的卷积操作，将P4进行上采样得到的特征图与P3进行卷积操作得到的特征图进行按位置相加，得到特征图P3_1；
所述对P3_1进行上采样操作，以及对P2进行卷积操作，然后将P3_1进行上采样操作得到的特征图与P2进行卷积操作得到的特征图按位置相加，得到特征图P2_1，包括：对P3_1进行2倍上采样操作，以及对P2进行卷积核3×3、步长为1、填充值为1的卷积操作，将P3_1进行上采样得到的特征图与P2进行卷积操作得到的特征图进行按位置相加，得到特征图P2_1。


4.根据权利要求3所述的基于多尺度卷积神经网络的图像去模糊方法，其特征在于，所述对P2_1进行上采样操作，以及对P1进行卷积操作，然后将P2_1进行上采样操作得到的特征图与P1进行卷积操作得到的特征图按位置相加，得到特征图P1_2，包括：将P2_1进行2倍上采样操作，以及对P1进行卷积核3×3、步长为1、填充值为1的卷积操作，然后将P2_1进行上采样操作得到的特征图与P1进行卷积操作得到的特征图按位置相加，得到特征图P1_2；
所述对P1_2进行下采样操作，以及对P2、P2_1进行卷积操作，然后将P1_2进行下采样操作得到的特征图、P2进行卷积操作得到的特征图与P2_1进行卷积操作得到的特征图按位置相加，得到特征图P2_2，包括：对P1_2进行2倍下采样操作，以及对P2进行卷积核3×3、步长为1、填充值为1的卷积操作，以及对P2_1进行卷积核3×3、步长为1、填充值为1的卷积操作，将P1_2进行下采样操作得到的特征图、P2进行卷积操作得到的特征图与P2_1进行卷积操作得到的特征图按位置相加，得到特征图P2_2；
所述对P2_2进行下采样操作，以及对P3、P3_1进行卷积操作，然后将P2_2进行下采样操作得到的特征图、P3进行卷积操作得到的特征图与P3_1进行卷积操作得到的特征图按位置相加，得到特征图P3_2，包括：对P2_2进行2倍下采样操作，对...

【专利技术属性】
技术研发人员：石强，刘雨桐，熊娇，张健，王国勋，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：广东;44