本发明专利技术提供一种模糊图像清晰化模型的训练方法、装置、设备及介质，方法包括获取拍摄场景的多个图像样本；对多个图像样本进行分类，以获取清晰图像和模糊图像；对多个清晰图像和多个模糊图像进行数据划分，以获取图像样本的训练数据、验证数据；以及将训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证，以生成完全训练后的多层卷积模糊图像清晰化模型。本发明专利技术可进行图样样本的模糊图像清晰化模型的训练，以提高光照强度分布不均的图像的清晰化处理的效率。光照强度分布不均的图像的清晰化处理的效率。光照强度分布不均的图像的清晰化处理的效率。
【技术实现步骤摘要】
模糊图像清晰化模型的训练方法、装置、设备及介质
[0001]本专利技术涉及图像处理
，特别是涉及一种模糊图像清晰化模型的训练方法、装置、设备及介质。
技术介绍
[0002]图像在拍摄的过程中，当图像中大部分面积光照明亮并且分布均匀时，图像特征容易被识别。而在某些特定场景中，图像中的光照通常具有任意的强度，并且在图像中分布不均匀。例如，在低照度路桥的场景下，获取的图像是车辆行驶方向的侧上方视角图像，灯光照明明暗不一。为此，监控人员提取出监控画面中的图像，手动送至图像清晰化系统中进行分析。或者，将每个摄像头采集的图像自动输送至图像清晰化系统中进行分析，但受限于人力以及摄像头的角度，缺乏针对性，不能很好的过滤掉大部分非必要的图像以及应对突发事件。因此，存在待改进之处。
技术实现思路
[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种模糊图像清晰化模型的训练方法、装置、设备及介质，用于解决现有技术中路桥图像拍摄不清晰的问题。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种模糊图像清晰化模型的训练方法，包括：获取拍摄场景的多个图像样本；对多个所述图像样本进行分类，以获取清晰图像和模糊图像；对多个所述清晰图像和多个所述模糊图像进行数据划分，以获取图像样本的训练数据、验证数据；以及将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证，以生成完全训练后的多层卷积模糊图像清晰化模型。
[0005]在本专利技术的一个实施例中，所述对多个所述清晰图像和多个所述模糊图像进行数据划分，以获取图像样本的训练数据、验证数据的步骤，包括：对多个所述清晰图像和多个所述模糊图像进行90度、180度、270度随机翻转处理；对翻转处理后的多个所述清晰图像和多个所述模糊图像进行数据划分，得到所述训练数据、所述验证数据。
[0006]在本专利技术的一个实施例中，所述将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证的步骤，包括：设置所述图像样本的训练数据为m张图像为，设置m张图像对应的标签为，其中表示所述训练数据中第张图
像，表示所述训练数据中第张图像的标签，；设置所述图像样本的所述验证数据为n张图像，设置n张图像对应的标签为，其中表示所述验证数据中第张图像，表示所述验证数据中第张图像的标签，；将所述训练数据输入至初始多层卷积模糊图像清晰化模型中，通过设定优化器，在全部所述图像样本训练预设次数后更新学习率，使用平方损失函数进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证。
[0007]在本专利技术的一个实施例中，所述平方损失函数满足：；其中，为第个图像中标签的真值，为第个图像中标签的预测值。
[0008]在本专利技术的一个实施例中，所述将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练的步骤，包括：将训练数据送入深度卷积模块进行卷积处理提取特征；将卷积后的特征分别沿高维度和宽维度进行信息聚合，并通过特征的幅度和相位对特征赋值权重；对特征进行采样，得到特征图；对不同尺寸的特征图进行融合，得到融合特征图。
[0009]在本专利技术的一个实施例中，所述对不同尺寸的特征图进行融合，得到融合特征图的步骤，包括：利用编码器和解码器进行特征结合，对不同尺寸的特征图进行融合，得到融合特征，所述融合特征满足：；；；其中，为编码阶段第层融合特征图，为解码阶段第层融合特征图，为编码阶段第层融合特征图，为编码阶段第层融合特征图，Connect为编码器与解码器中不同尺寸的特征进行融合的张量拼接。
[0010]在本专利技术的一个实施例中，所述将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证，以生成完全训练后的多层卷积模糊图像清晰化模型的步骤之后，包括：将所述清晰图像和所述模糊图像对应的测试数据，分批次输入至训练后的所述多层卷积模糊图像清晰化模型，以进行所述多层卷积模糊图像清晰化模型的测试。
[0011]本专利技术还提出一种模糊图像清晰化模型的训练装置，包括：获取单元，用以获取拍摄场景的多个图像样本；分类单元，用以对多个所述图像样本进行分类，以获取清晰图像和模糊图像；提取单元，用以对多个所述清晰图像和多个所述模糊图像进行数据划分，以获取图像样本的训练数据、验证数据；训练单元，用以将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证，以生成完全训练后的多层卷积模糊图像清晰化模型。
[0012]本专利技术还提出一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述模糊图像清晰化模型的训练方法的步骤。
[0013]本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述模糊图像清晰化模型的训练方法的步骤。
[0014]如上所述，本专利技术的模糊图像清晰化模型的训练方法、装置、设备及介质，具有以下有益效果：本专利技术可进行图样样本的模糊图像清晰化模型的训练，以提高光照强度分布不均的图像的清晰化处理的效率。
附图说明
[0015]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，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。
[0016]图1显示为本专利技术模糊图像清晰化模型的训练方法的步骤示意图。
[0017]图2显示为本专利技术图1中步骤S30的一步骤示意图。
[0018]图3显示为本专利技术图1中步骤S30的又一步骤示意图。
[0019]图4显示为本专利技术图1中步骤S40的一步骤示意图。
[0020]图5显示为本专利技术模糊图像清晰化模型的训练方法的一流程示意图。
[0021]图6显示为本专利技术模糊图像清晰化模型的训练方法的算法示意图。
[0022]图7显示为本专利技术模糊图像清晰化模型的训练方法的又一流程示意图。
[0023]图8显示为本专利技术模糊图像清晰化模型的训练方法的又一流程示意图。
[0024]图9显示为本专利技术模糊图像清晰化模型的训练装置的结构示意图。
[0025]图10显示为本专利技术模糊图像清晰化模型的训练方法的一计算机设备结构示意图。
具体实施方式
[0026]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其它优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种模糊图像清晰化模型的训练方法，其特征在于，包括：获取拍摄场景的多个图像样本；对多个所述图像样本进行分类，以获取清晰图像和模糊图像；对多个所述清晰图像和多个所述模糊图像进行数据划分，以获取图像样本的训练数据、验证数据；以及将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证，以生成完全训练后的多层卷积模糊图像清晰化模型。2.根据权利要求1所述的模糊图像清晰化模型的训练方法，其特征在于，所述对多个所述清晰图像和多个所述模糊图像进行数据划分，以获取图像样本的训练数据、验证数据的步骤，包括：对多个所述清晰图像和多个所述模糊图像进行90度、180度、270度随机翻转处理；对翻转处理后的多个所述清晰图像和多个所述模糊图像进行数据划分，得到所述训练数据、所述验证数据。3.根据权利要求1所述的模糊图像清晰化模型的训练方法，其特征在于，所述将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证的步骤，包括：设置所述图像样本的训练数据为m张图像为，设置m张图像对应的标签为，其中表示所述训练数据中第张图像，表示所述训练数据中第张图像的标签，；设置所述图像样本的所述验证数据为n张图像，设置n张图像对应的标签为，其中表示所述验证数据中第张图像，表示所述验证数据中第张图像的标签，；将所述训练数据输入至初始多层卷积模糊图像清晰化模型中，通过设定优化器，在全部所述图像样本训练预设次数后更新学习率，使用平方损失函数进行训练，验证数据对训练部分阶段后的多层卷积模糊图像清晰化模型进行准确性验证。4.根据权利要求3所述的模糊图像清晰化模型的训练方法，其特征在于，所述平方损失函数满足：；其中，为第个图像中标签的真值，为第个图像中标签的预测值。5.根据权利要求1所述的模糊图像清晰化模型的训练方法，其特征在于，所述将所述训练数据输入至初始多层卷积模糊图像清晰化模型中进行训练的步骤，包括：将训练数据送入深度卷积模块进行卷积处理提取特征；将卷积后的特征分别沿高维...
【专利技术属性】
技术研发人员：王雪雁，赵吉祥，刘鑫，王新朋，何志强，夏天怡，
申请(专利权)人：合肥市正茂科技有限公司，
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。