【技术实现步骤摘要】
本专利技术属于计算机图像识别，特别涉及一种基于深度学习的图像去模糊方法、系统和设备。
技术介绍
1、模糊图像增强是计算机视觉领域的底层任务，是指利用计算机技术对由于拍摄原因或者摄像头硬件原因等引起的模糊图片中所存在的散焦模糊、运动模糊等问题进行处理，从而提升视觉质量，并且保持原图中物体的纹理、结构色彩信息，以满足人们在各领域的研究使用需要。
2、传统的图像增强方法如滤波、稀疏方法、非局部均值算法和非自适应算法常被用于图像恢复，但是这些传统的算法，通常计算比较复杂，场景单一使得算法的泛化性较差。现有的技术，例如小波变换与cnn结合、非局部均值与cnn结合、自监督与cnn结合的方法来处理图像去噪问题，这些方法存在时间复杂度高，网络难以收敛等问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提出了一种基于深度学习的图像去模糊方法、系统和设备，利用深度学习强大的特征提取能力，大大的提高了图像去模糊能力和超分重建能力的准确性和可靠性。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于深度学习的图像去模糊方法，包括以下步骤：
4、获取现场环境的第一历史图像，将所述第一历史图像模糊化处理后得到与第一历史图像对应的第二历史图像；第一历史图像和第二历史图像构成同一场景下的图像对；
5、利用图像对数据集对去模糊网络进行训练得到训练后的去模糊网络模型；下载开源数据集，利用开源数据集对超分重建网络进行迭代训练得到训练后的超分
6、获取现场环境的当前图像，如果判断当前图像的模糊化程度小于预设阈值，则将当前图像输入至训练后的去模糊网络模型进行二次模糊化后得到去模糊化后的第三图像；判断第三图像的分辨率是否小于分辨率阈值，如果小于分辨率第一预设值，则将第三图像输入至训练后的超分重建模型输出最终图像；如果大于第一分辨率预设值，则将第三图像直接输出为最终图像。
7、进一步的，将所述第一历史图像模糊化处理后得到与第一历史图像对应的第二历史图像的过程包括：将第一历史图像进行运动模糊、对焦模糊或者为第一历史图像添加噪点得到第二历史图像；其中第一历史图像为现场环境中不同光照条件和不同拍摄条件下的历史图像，且第一历史图像的分辨率超过分辨率第二预设值。
8、进一步的，所述将第一历史图像进行运动模糊、对焦模糊或者为第一历史图像添加噪点得到第二历史图像的过程包括：将第一历史图像利用filter2d函数生成运动模糊、利用gaussianblur函数生成对焦模糊或者利用normalize函数为第一历史图像添加噪点得到第二历史图像。
9、进一步的，所述利用图像对数据集对去模糊网络进行训练得到训练后的去模糊网络模型的过程包括：
10、将图像对数据集按照预设比例分成训练集、测试集和验证集；利用训练集对去模糊网络模型进行训练，利用测试集对去模糊网络模型进行测试，利用验证集对去模糊网络模型训练过程中阶段验证。
11、进一步的，所述利用图像对数据集对去模糊网络进行训练的过程中，设置损失函数；损失函数的公式为：
12、
13、其中，lmix为损失函数；a为超参数；lms_ssim表示ms_ssim损失；是计算ms_ssim中的第m个尺度的高斯核；表示l1损失。
14、进一步的，所述下载开源数据集，利用开源数据集对超分重建网络进行迭代训练得到训练后的超分重建模型的过程包括：
15、下载开源数据集div2k和flickr2k，并将开源数据集按照统一格式；
16、利用统一格式的开源数据集对超分重建网络srgan进行迭代训练得到训练后的超分重建模型。
17、进一步的，所述获取现场环境的当前图像，如果判断当前图像的模糊化程度小于预设阈值，则将当前图像输入至训练后的去模糊网络模型进行二次模糊化后得到去模糊化后的第三图像的过程包括：
18、利用高斯模糊算法对当前图像进行处理得到当前图像的退化图像，对比当前图像和退化图像相邻像素值的变化情况，根据相邻像素值的变化大小确定模糊化程度；
19、判断所述模糊化程度是否小于预设阈值，如果小于预设阈值，则将当前图像输入至训练后的去模糊网络模型进行二次模糊化后得到去模糊化后的第三图像。
20、进一步的，所述判断第三图像的分辨率是否小于分辨率阈值的过程包括：判断第三图像的长和宽是否均小于长度阈值，如果均小于长度阈值，则将所述第三图像输入至训练后的超分重建模型输出最终图像。
21、本专利技术还提出了一种基于深度学习的图像去模糊系统，包括预处理模块、训练模块和去模糊模块；
22、所述预处理模块用于获取现场环境的第一历史图像，将所述第一历史图像模糊化处理后得到与第一历史图像对应的第二历史图像；第一历史图像和第二历史图像构成同一场景下的图像对；
23、所述训练模块用于利用图像对数据集对去模糊网络进行训练得到训练后的去模糊网络模型；下载开源数据集，利用开源数据集对超分重建网络进行迭代训练得到训练后的超分重建模型；
24、所述去模糊模块用于获取现场环境的当前图像，如果判断当前图像的模糊化程度小于预设阈值，将当前图像输入至训练后的去模糊网络模型进行二次模糊化后得到去模糊化后的第三图像；判断第三图像的分辨率是否小于分辨率阈值，如果小于分辨率第一预设值，则将第三图像输入至训练后的超分重建模型输出最终图像；如果大于第一分辨率预设值，则将第三图像直接输出为最终图像。
25、本专利技术还提出了一种基于深度学习的图像去模糊设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时所述的一种基于深度学习的图像去模糊方法。
26、
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
27、本专利技术提出了一种基于深度学习的图像去模糊方法、系统和设备，该方法包括以下步骤：获取现场环境的第一历史图像，将第一历史图像模糊化处理后得到与第一历史图像对应的第二历史图像；第一历史图像和第二历史图像构成同一场景下的图像对；利用图像对数据集对去模糊网络进行训练得到训练后的去模糊网络模型；下载开源数据集，利用开源数据集对超分重建网络进行迭代训练得到训练后的超分重建模型；获取现场环境的当前图像，如果判断当前图像的模糊化程度小于预设阈值，则将当前图像输入至训练后的去模糊网络模型得到去模糊化后的第三图像；判断第三图像的分辨率是否小于分辨率阈值，如果小于分辨率第一预设值，则将第三图像输入至训练后的超分重建模型输出最终图像；如果大于第一分辨率预设值，则将第三图像直接输出为最终图像。基于一种基于深度学习的图像去模糊方法，还提出了一种基于深度学习的图像去模糊系统和设备。本专利技术利用深度学习强大的特征提取能力，大大的提高了图像去模糊能力和超分重建能力的准确性和可靠性，同时满足在众本文档来自技高网...
【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，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的图像去模糊方法，其特征在于，将所述第一历史图像模糊化处理后得到与第一历史图像对应的第二历史图像的过程包括：将第一历史图像进行运动模糊、对焦模糊或者为第一历史图像添加噪点得到第二历史图像；其中第一历史图像为现场环境中不同光照条件和不同拍摄条件下的历史图像，且第一历史图像的分辨率超过分辨率第二预设值。
3.根据权利要求2所述的一种基于深度学习的图像去模糊方法，其特征在于，所述将第一历史图像进行运动模糊、对焦模糊或者为第一历史图像添加噪点得到第二历史图像的过程包括：将第一历史图像利用filter2D函数生成运动模糊、利用GaussianBlur函数生成对焦模糊或者利用normalize函数为第一历史图像添加噪点得到第二历史图像。
4.根据权利要求1所述的一种基于深度学习的图像去模糊方法，其特征在于，所述利用图像对数据集对去模糊网络进行训练得到训练后的去模糊网络模型的过程包括：
5.根据权利要求4所述的一种基于深度学习的图像去模糊方法
6.根据权利要求1所述的一种基于深度学习的图像去模糊方法，其特征在于，所述下载开源数据集，利用开源数据集对超分重建网络进行迭代训练得到训练后的超分重建模型的过程包括：
7.根据权利要求1所述的一种基于深度学习的图像去模糊方法，其特征在于，所述获取现场环境的当前图像，如果判断当前图像的模糊化程度小于预设阈值，则将当前图像输入至训练后的去模糊网络模型进行二次模糊化后得到去模糊化后的第三图像的过程包括：
8.根据权利要求1所述的一种基于深度学习的图像去模糊方法，其特征在于，所述判断第三图像的分辨率是否小于分辨率阈值的过程包括：判断第三图像的长和宽是否均小于长度阈值，如果均小于长度阈值，则将所述第三图像输入至训练后的超分重建模型输出最终图像。
9.一种基于深度学习的图像去模糊系统，其特征在于，包括预处理模块、训练模块和去模糊模块；
10.一种基于深度学习的图像去模糊设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现权利要求1至8任一项所述的一种基于深度学习的图像去模糊方法。
...【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，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的图像去模糊方法，其特征在于，将所述第一历史图像模糊化处理后得到与第一历史图像对应的第二历史图像的过程包括：将第一历史图像进行运动模糊、对焦模糊或者为第一历史图像添加噪点得到第二历史图像；其中第一历史图像为现场环境中不同光照条件和不同拍摄条件下的历史图像，且第一历史图像的分辨率超过分辨率第二预设值。
3.根据权利要求2所述的一种基于深度学习的图像去模糊方法，其特征在于，所述将第一历史图像进行运动模糊、对焦模糊或者为第一历史图像添加噪点得到第二历史图像的过程包括：将第一历史图像利用filter2d函数生成运动模糊、利用gaussianblur函数生成对焦模糊或者利用normalize函数为第一历史图像添加噪点得到第二历史图像。
4.根据权利要求1所述的一种基于深度学习的图像去模糊方法，其特征在于，所述利用图像对数据集对去模糊网络进行训练得到训练后的去模糊网络模型的过程包括：
5.根据权利要求4所述的一种基于深度学习的图像去模糊方法，其特征在于，所述利用图像对数据集对去模糊网络进行训练的过程中...
【专利技术属性】
技术研发人员：张亚辉，赵砚青，李睿，胡志坤，方亮，崔醒龙，
申请(专利权)人：智洋创新科技股份有限公司，
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。