训练数据获取、神经网络训练及图像校正方法及装置制造方法及图纸

本公开是关于一种训练数据获取、神经网络训练及图像校正方法及装置。该训练数据获取方法包括:通过图像采集模组获取第一图像，其中，所述第一图像不具有预设模糊；所述预设模糊为均匀模糊以外的不均模糊；根据所述预设模糊的模糊分布规律，处理所述第一图像得到具有所述预设模糊的第二图像；基于所述第一图像和所述第二图像，构建神经网络的训练数据。

【技术实现步骤摘要】
训练数据获取、神经网络训练及图像校正方法及装置
本公开涉及网络
，尤其涉及一种训练数据获取、神经网络训练及图像校正方法及装置。
技术介绍
模糊图像的校正，能够得到校正后的清晰图像。清晰图像的锐度高于模糊图像的锐度；清晰图像的解析力高于模糊图像的解析力。相关技术中通常仅能够对模糊图像进行均匀校正，但是对于模糊程度分布不均的模糊图像而言，这种均匀校正会引入图像的更多的畸变，虽然一定程度上清晰化了图像但是会到导致图像失真度增加。
技术实现思路
本公开提供一种训练数据获取、神经网络训练及图像校正方法及装置、移动终端及存储介质。根据本公开实施例第一方面提供一种训练数据获取方法，包括：通过图像采集模组获取第一图像，其中，所述第一图像不具有预设模糊；所述预设模糊为均匀模糊以外的不均模糊；根据所述预设模糊的模糊分布规律，处理所述第一图像得到具有所述预设模糊的第二图像；基于所述第一图像和所述第二图像，构建神经网络的训练数据。根据本公开实施例第二方面提供一种神经网络的训练方法，包括：本文档来自技高网...

【技术保护点】
1.一种训练数据获取方法，其特征在于，包括：/n通过图像采集模组获取第一图像，其中，所述第一图像不具有预设模糊；所述预设模糊为均匀模糊以外的不均模糊；/n根据所述预设模糊的模糊分布规律，处理所述第一图像得到具有所述预设模糊的第二图像；/n基于所述第一图像和所述第二图像，构建神经网络的训练数据。/n

【技术特征摘要】
1.一种训练数据获取方法，其特征在于，包括：
通过图像采集模组获取第一图像，其中，所述第一图像不具有预设模糊；所述预设模糊为均匀模糊以外的不均模糊；
根据所述预设模糊的模糊分布规律，处理所述第一图像得到具有所述预设模糊的第二图像；
基于所述第一图像和所述第二图像，构建神经网络的训练数据。


2.根据权利要求1所述的方法，其特征在于，所述根据所述预设模糊的模糊分布规律，处理所述第一图像得到具有所述预设模糊的第二图像，包括：
基于体现所述模糊分布规律的预设函数，处理所述第一图像得到所述第二图像。


3.根据权利要求2所述的方法，其特征在于，所述预设模糊为：场曲像差对应的模糊，所述预设函数包括以下之一：
指数函数；
反正切函数。


4.根据权利要求2所述的方法，其特征在于，所述基于体现所述模糊分布规律的预设函数，处理所述第一图像得到所述第二图像，包括：
根据所述预设函数，生成模糊图像，其中，所述模糊图像内各像素值之间的分布规律，与所述模糊分布规律一致；
均匀模糊所述第一图像得到中间图像；
根据所述模糊图像，确定所述中间图像中各像素的融合权重；
基于所述融合权重进行所述中间图像和所述第一图像的逐像素融合，得到所述第二图像。


5.根据权利要求2所述的方法，其特征在于，所述基于体现所述模糊分布规律的预设函数，处理所述第一图像得到所述第二图像，包括：
根据所述预设函数，构建所述第一图像内各像素的卷积核；其中，不同像素的所述卷积核对应的模糊强度之间的分布规律，与所述模糊分布规律一致；
基于所述卷积核，对所述第一图像进行逐像素滤波得到所述第二图像。


6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对所述第二图像中各像素的所述卷积核对应的模糊强度进行归一化处理，得到所述第二图像的模糊图像。


7.根据权利要求4至6任一项所述的方法，其特征在于，所述基于所述第一图像和所述第二图像，构建神经网络的训练数据，包括：
基于所述第一图像、所述第二图像和所述模糊图像，构建所述神经网络的训练数据。


8.根据权利要求1至6任一项所述的方法，其特征在于，所述通过图像采集模组获取第一图像，，包括以下至少之一：
截取第四图像的无所述预设模糊的部分，得到无所述预设模糊的所述第一图像；
基于图像合成技术，合成无所述预设模糊的所述第一图像；
基于截屏技术，截屏获取无所述预设模糊的所述第一图像。


9.一种神经网络的训练方法，其特征在于，包括：
利用权利要求1至8任一项所述的方法构建的训练数据训练预设网络，得到能够校预设模糊的神经网络。


10.根据权利要求9所述的方法，其特征在于，所述预设网络包括：预测子网络和位于所述预测子网络的输出端的重构子网络；
所述利用权利要求1至9任一项所述的方法构建的训练数据训练预设网络，得到能够校预设模糊的神经网络，包括：
以所述训练数据中的第二图像作为训练输入并所述训练数据中的模糊图像作为训练标签，训练所述预测子网络；
以所述训练数据中的第二图像及所述模糊图像作为训练输入，并以所述第一图像作为训练标签，训练所述重构子网络；
其中，训练后的所述预测子网络，用于基于具有模糊不均的输入图像，得到与所述输入图像对应的模糊图像；
训练后的所述重构子网络，用于基于具有场景相差的输入图像和所述预测子网络输出的模糊图像，生成无场曲像差的输出图像。


11.根据权利要求10所述的方法，其特征在于，所述以所述训练数据中的第二图像作为训练输入并所述训练数据中的模糊图像作为训练标签，训练所述预测子网络，包括：
将所述第二图像输入到所述预测子网络，得到所述预测子网络的预测图像；
基于所述预测输出图像和所述第二图像对应的所述模糊图像之间的差异，得到所述预预测子网络的损失值；其中，所述述预预测子网络的损失值，用于确定所述预设网络是否停止训练。


12.根据权利要求10或11所述的方法，其特征在于，所述以所述训练数据中的第二图像及所述模糊图像作为训练输入，并以所述第一图像作为训练标签，训练所述重构子网络，包括：
将所述第二图像和所述第二图像对应的模糊图像输入所述重构子网络，得到所述重构子网络的重构图像；
基于所述重构图像与所述第一图像之间的差异，得到所述重构子网络的损失值；其中，所述重构子网络的损失值，用于确定所述预设网络是否停止训练。


13.根据权利要求10所述的方法，其特征在于，所述利用权利要求1至9任一项所述的方法构建的训练数据训练预设网络，得到能够校预设模糊的神经网络，包括：
基于所述预测子网络的损失值及所述重构子网络的损失值，得到所述预设网络的损失值；
在所述预设网络的损失值小于预设值时，停止所述预设网络的训练得到训练后的所述神经网络。


14.一种图像校正方法，其特征在于，所述方法包括：
获取具有预设模糊的第三图像，其中，所述预设模糊为均匀模糊以外的不均模糊；
将所述第三图像输入神经网络，得到所述神经网络输出的第四图像；
其中，所述神经网络为采用：权利要求1至8任一项提供的训练数据训练得到的；或者，采用权利要求9至13任一项训练得到的神经网络。


15.根据权利要求14所述的方法，其特征在于，所述将所述第三图像输入神经网络，得到所述神经网络输出的第四图像，包括：
将所述第三图像输入到所述神经网络的预测子网络，得到所述预设子网络的输出图像；
将所述输出图像和所述第三图像输入到所述神经网络的重...

【专利技术属性】
技术研发人员：刘霄翔，
申请(专利权)人：北京小米松果电子有限公司，
类型：发明
国别省市：北京;11