【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 ...
【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
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。