用于印刷品图像清晰化的神经网络模型的训练方法技术

本公开提供一种用于印刷品图像清晰化的神经网络模型的训练方法，包括：建立样本集，每个样本包括对应于相同印刷品内容的清晰图像和模糊图像；利用样本集对神经网络模型进行训练。建立样本集包括：获取清晰图像；对清晰图像执行模糊操作以得到对应的模糊图像；基于相互对应的清晰图像和模糊图像生成样本。模糊操作包括以下各项中的多个的组合：模拟拍摄时对焦不准导致的模糊的操作；模拟拍摄时抖动导致的模糊的操作；模拟数码变焦导致的模糊的操作；模拟相机的图像传感器的性能限制导致的模糊的操作；模拟拍摄环境导致的模糊的操作；模拟图像分辨率导致的模糊的操作；模拟图像质量导致的模糊的操作。本公开还涉及印刷品图像清晰化的方法。化的方法。化的方法。

【技术实现步骤摘要】
用于印刷品图像清晰化的神经网络模型的训练方法


[0001]本公开涉及图像处理
，尤其是一种用于印刷品图像清晰化的神经网络模型的训练方法。

技术介绍

[0002]当我们拍摄照片或者从网络上下载图片时，经常会遇到图像模糊的问题，这些问题会影响图像的质量和清晰度。为了解决这些问题，人们开发了图像清晰化技术。图像清晰化旨在通过去除噪声、增强对比度、增强细节和增强色彩等方法，从而改善图像的清晰度和质量。
[0003]近年来，神经网络技术的发展为图像清晰化带来了新的突破。神经网络技术的出现使图像清晰化变得更加高效、准确和普适，具有广泛的应用前景。

技术实现思路

[0004]本公开一个或多个实施例的目的之一是提供用于印刷品图像清晰化的神经网络模型的训练方法、装置及计算机可读存储介质。
[0005]根据本公开实施例的第一方面，提供一种用于印刷品图像清晰化的神经网络模型的训练方法，包括：建立样本集，所述样本集中的每个样本包括对应于相同印刷品内容的一对图像，所述一对图像包括清晰图像和模糊图像；以及利用所述样本集对所述神经网络模型进行训练；其中，建立所述样本集包括：获取所述清晰图像；对所述清晰图像执行模糊操作以得到对应的所述模糊图像；以及基于相互对应的所述清晰图像和所述模糊图像生成样本，其中所述模糊操作包括以下各项中的多个的组合：模拟拍摄时对焦不准导致的模糊的操作；模拟拍摄时抖动导致的模糊的操作；模拟数码变焦导致的模糊的操作；模拟相机的图像传感器的性能限制导致的模糊的操作；模拟拍摄环境导致的模糊的操作；模拟图像分辨率导致的模糊的操作；模拟图像质量导致的模糊的操作；模拟光照强度导致的模糊的操作；和模拟光照颜色导致的模糊的操作。
[0006]根据本公开实施例的第二方面，提供一种印刷品图像清晰化的方法，包括：接收待清晰化的模糊图像，所述模糊图像为包含印刷品内容的图像；基于用于印刷品图像清晰化的神经网络模型对所述待清晰化的模糊图像进行处理，以生成所述待清晰化的模糊图像对应的清晰图像；输出生成的清晰图像；其中，所述神经网络模型基于上述任意一个实施例所述的方法训练得到。
[0007]根据本公开实施例的第三方面，提供一种用于印刷品图像清晰化的神经网络模型的训练装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。
[0008]根据本公开实施例的第四方面，提供一种计算机可读存储介质，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述任意一个实施例所述的方法。
[0009]根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，其
中，所述计算机程序被处理器执行时实现上述任意一个实施例所述的方法。
[0010]下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
[0011]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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公开的一些实施例，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。
[0012]图1是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法的流程示意图。
[0013]图2和图3分别是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中的对应于相同印刷品内容的清晰图像和模糊图像。
[0014]图4是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中对图像进行高斯模糊后得到的模糊图像。
[0015]图5是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中对图像添加高斯噪声后得到的模糊图像。
[0016]图6是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中将图像按预设缩小比例缩小再将缩小后的图像放大至原始尺寸后得到的模糊图像。
[0017]图7是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中将图像按照预设压缩比例压缩为有损格式再解压后得到的模糊图像。
[0018]图8是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中的模拟抖动得到的模糊图像。
[0019]图9是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中的模拟光照强度和光照颜色得到的模糊图像。
[0020]图10是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中的进行高斯模糊与添加高斯噪声后的模糊图像。
[0021]图11是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中的进行尺寸变换和有损压缩后的模糊图像。
[0022]图12是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中的进行模拟抖动和改变图像的光照颜色后的模糊图像。
[0023]图13和图14分别是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练方法中的进行边缘和背景去除前的照片，以及进行边缘和背景去除后的照片。
[0024]图15是根据本公开一些实施例的印刷品图像清晰化方法的流程示意图。
[0025]图16和图17分别是根据本公开一些实施例的印刷品图像清晰化方法的待清晰化的模糊图像和生成的清晰图像的示意图。
[0026]图18和图19分别是根据本公开一些实施例的印刷品图像清晰化方法的调节白平衡之前的模糊图像、调节白平衡之后的模糊图像的示意图。
[0027]图20和图21分别是根据本公开一些实施例的印刷品图像清晰化方法的未锐化处理的清晰图像、经过锐化处理的清晰图像的示意图。
[0028]图22是根据本公开一些实施例的用于印刷品图像清晰化的神经网络模型的训练装置的结构示意图。
具体实施方式
[0029]下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0030]除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0031]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0032]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0033]在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0034]应注意到：相似的标号和字母在下面的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于印刷品图像清晰化的神经网络模型的训练方法，包括：建立样本集，所述样本集中的每个样本包括对应于相同印刷品内容的一对图像，所述一对图像包括清晰图像和模糊图像；以及利用所述样本集对所述神经网络模型进行训练；其中，建立所述样本集包括：获取所述清晰图像；对所述清晰图像执行模糊操作以得到对应的所述模糊图像；以及基于相互对应的所述清晰图像和所述模糊图像生成样本，其中所述模糊操作包括以下各项中的多个的组合：模拟拍摄时对焦不准导致的模糊的操作；模拟拍摄时抖动导致的模糊的操作；模拟数码变焦导致的模糊的操作；模拟相机的图像传感器的性能限制导致的模糊的操作；模拟拍摄环境导致的模糊的操作；模拟图像分辨率导致的模糊的操作；模拟图像质量导致的模糊的操作；模拟光照强度导致的模糊的操作；和模拟光照颜色导致的模糊的操作。2.根据权利要求1所述的方法，其中，所述多个为2个或者3个。3.根据权利要求1所述的方法，其中，所述多个包括至少4个，所述方法还包括：在生成样本之前，基于模糊程度对模糊图像进行筛选；其中，生成样本包括：基于通过筛选的模糊图像和与其对应的所述清晰图像生成样本。4.根据权利要求1所述的方法，其中，获取所述清晰图像包括：获取来自于对真实印刷品内容的拍摄的图像；以及对所述图像进行背景去除和/或边缘...

【专利技术属性】
技术研发人员：陈明权，罗欢，何涛，
申请(专利权)人：杭州大拿科技股份有限公司，
类型：发明
国别省市：