基于深度学习的图像去模糊方法及装置、电子设备制造方法及图纸

本申请的实施例揭示了一种基于深度学习的图像去模糊方法及装置，该方法包括：确定待处理图像对应的模糊类型；基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据所述模糊类型对应的多个样本图像对进行训练得到的，所述多个样本图像对由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；将所述待处理图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述待处理图像进行去模糊处理；获取所述模糊处理网络输出的去模糊图像。本申请实施例的技术方案能够对待处理进行全盲性的去模糊处理。

【技术实现步骤摘要】
基于深度学习的图像去模糊方法及装置、电子设备
本申请涉及人工智能
，具体涉及一种基于深度学习的图像去模糊方法及装置、电子设备以及计算机可读存储介质。
技术介绍
病理显微镜可以快速地获取病理切片的数字病理图像，但是获取到的数字病理图像常常存在模糊情况，导致医生通过查看数字病理图像难以得到准确的病理信息，为病理诊断带来障碍。因此，如何去除数字病理图像中含有的模糊因素以得到清晰的数字病理图像，是现有技术中还有待解决的技术问题。
技术实现思路
为解决上述技术问题，本申请的实施例提供了一种基于深度学习的图像去模糊方法及装置，还提供了一种电子设备以及计算机可读存储介质，基于本申请的实施例对待处理图像进行去模糊处理，能够得到的清晰的去模糊图像。其中，本申请所采用的技术方案为：一种基于深度学习的图像去模糊方法，包括：确定待处理图像对应的模糊类型；基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据多个样本图像对进行训练得到的，所述多个样本图像对是由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；将所述图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述图像进行去模糊处理；获取所述模糊处理网络输出的去模糊图像。一种基于深度学习的图像去模糊装置，包括：模糊类型确定模块，用于确定待处理图像对应的模糊类型；模糊网络确定模块，用于基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据多个样本图像对进行训练得到的，所述多个样本图像对是由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；图像模糊处理模块，用于将所述图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述图像进行去模糊处理；去模糊图像获取模块，用于获取所述模糊处理网络输出的去模糊图像。一种电子设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的基于深度学习的图像去模糊方法。一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的基于深度学习的图像去模糊方法。在上述技术方案中，预先针对不同的模糊类型训练得到不同的模糊处理网络，其中，对模糊处理网络进行训练的训练数据包括相应模糊类型的多个样本图像对，并且多个样本图像对是由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成的，使得模糊处理网络在训练过程中能够不断地学习不同模糊程度的模糊样本图像与清晰样本图像之间的特征映射关系，使得模糊处理网络具有很高的模糊程度包容性，进而能够具有很好的去模糊效果。在实际应用中，待处理图像可以是基于病理显微镜获取的病理切片的数字病理图像，基于所确定的待处理图像对应的模糊类型，选择该模糊类型相匹配的模糊处理网络对待处理图像进行去模糊处理，使得模糊处理网络基于训练过程中学习得到的特征映射关系，有针对性地去除待处理图像中含有的模糊因素，从而得到清晰的去模糊图像。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1是一示例性实施例示出的一种去模糊处理模型的结构示意图；图2是一示例性实施例示出的一种离焦模糊处理网络的结构示意图；图3是本申请涉及的一种示例性应用场景的示意图；图4是一示例性实施例示出的一种基于深度学习的图像去模糊方法的流程图；图5是一示例性实施例示出的一种基于深度学习的图像去模糊装置的框图；图6是根据一示例性实施例示出的一种电子设备的结构示意图。具体实施方式这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。在本申请的描述中，除非另有说明，“多个”的含义是至少两个。首先需要说明的是，人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、信息抽取技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习(MachineLearning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。深度学习(DeepLearning，DL)是机器学习领域中一个的研究方向，它被引入机器学习使其更接近于最初的目标，是一个复杂的机器学习算法。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。本申请提出的图像去模糊方案具体涉及基于深度学习领域，以下将通过具体的实施例对本申请提出的图像去模糊方案进行详细说明。并且本申请提出本文档来自技高网...

【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：/n确定待处理图像对应的模糊类型；/n基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据所述模糊类型对应的多个样本图像对进行训练得到的，所述多个样本图像对由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；/n将所述待处理图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述待处理图像进行去模糊处理；/n获取所述模糊处理网络输出的去模糊图像。/n

【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：
确定待处理图像对应的模糊类型；
基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据所述模糊类型对应的多个样本图像对进行训练得到的，所述多个样本图像对由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；
将所述待处理图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述待处理图像进行去模糊处理；
获取所述模糊处理网络输出的去模糊图像。


2.根据权利要求1所述的方法，其特征在于，所述模糊处理网络在训练中学习到的所述特征映射关系包括编码特征映射关系和解码特征映射关系；对所述待处理图像进行去模糊处理，包括：
基于所述模糊处理网络学习到的所述编码特征映射关系，对输入的所述待处理图像进行特征编码处理，得到所述待处理图像对应的编码图像特征，所述编码图像特征中含有所述待处理图像相对于所述去模糊图像的差异特征；
对所述编码图像特征进行特征解码处理，以基于所述解码特征映射关系，将所述差异特征更改为去模糊特征，得到所述去模糊图像对应的图像特征。


3.根据权利要求2所述的方法，其特征在于，所述模糊处理网络包括特征编码子网络，所述特征编码子网络中的网络参数是基于所述编码特征映射关系更新得到的；对输入的所述待处理图像进行特征编码处理，包括：
根据所述特征编码子网络中依次排列的多个卷积网络层，对所述待处理图像对应的图像特征进行卷积计算，所述多个卷积网络层中的第一指定卷积网络层用于对所述第一指定卷积网络层的输入信号进行卷积计算得到卷积信号，并将所述卷积信号进行非线性处理得到非线性信号，再将所述输入信号与所述非线性信号堆叠得到所述第一指定卷积网络层的输出信号；
将所述特征编码子网络中最后一个卷积网络层的输出信号作为所述编码图像特征。


4.根据权利要求2所述的方法，其特征在于，所述模糊处理网络还包括特征解码子网络，所述特征解码子网络中的网络参数是基于所述解码特征映射关系更新得到的；对所述编码图像特征进行特征解码处理，包括：
根据所述特征解码子网络中依次排列的多个卷积网络层，对所述图像编码特征进行卷积计算，所述多个卷积网络层中含有第二指定卷积网络层，所述第二指定卷积网络层的输入信号包括上层卷积网络的输出信号，以及所述特征编码子网络中的卷积网络层的输出信号；
将所述特征解码子网络中最后一个卷积网络层的输出信号作为所述去模糊图像对应的图像特征。


5.根据权利要求1所述的方法，其特征在于，所述模糊类型包括离焦模糊类型；所述方法还包括：
获取在同一图像采集视野下采集的清晰样本图像和多张模糊样本图像，所述多张模糊样本图像是基于不同的离焦距离采集得到的；
将所述多张模糊样本图像分别与所述清晰样本图像进行组合，以及将所述清晰样本图像与自身进行组合，得到多个样本图像对；
将所述多个样本图像对输入第一深度学习网络中，以基于所述多个样本图像对训练所述第一深度学习网络，将训练好的第一深度学习网络作为与所述离焦模糊类型相匹配的模糊处理网络。


6.根据权利要求5所述的方法，其特征在于，基于所述多个样本图像对训练所述第一深度学习网络，包括：
获取所述样本图像对所对应的图像对特征，所述图像对特征中含有所述模糊样本图像对应的图像特征和所述清晰样本图像对应的图像特征；
基于所述第一深度学习网络，对所述模糊样本图像对应的图像特征进行去模糊处理，得到所述模糊样本图像对应的去模糊特征；
根据所述模糊样本对应的去模糊特征与所述清晰样本图像对应的图像特征之间的特征差别，对第一深度学习网络中含有的网络参数进行更新...

【专利技术属性】
技术研发人员：江铖，廖俊，姚建华，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44