CN109447911B - 图像复原的方法、装置、存储介质和终端设备 - Google Patents

Abstract

本发明提出一种图像复原的方法、装置、存储介质和终端设备，其中，所述方法包括：获取待恢复的变形图像；对所述变形图像进行预处理；利用变形系数预测模型，对预处理后的所述变形图像进行计算，获得所述变形图像的变形系数；以及根据所述变形图像的变形系数，复原所述变形图像。采用本发明，识别变形系数的效率高，可以处理大量的变形图像。

Description

图像复原的方法、装置、存储介质和终端设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像复原的方法、装置、存储介质和终端设备。

背景技术

随着移动互联网的发展，以图像、视频为载体的社交网站也随之发展壮大。例如：微博、知乎、虎扑、快手、趣头条等社交网站。网站内或网络之间传递着各种图文信息、短视频等资源。在传输过程中，发送方可以对图像进行拉伸或压缩的操作后，再传递给接收方。如果接收方的客户端直接展示接收到的图像，则显示的图像会扭曲或者失真，影响用户的体验。

为此，常用的方案一般是采用人工审核的方式，过滤被拉伸、被压缩变形的图像或视频，或者对被拉伸、被压缩变形的图像或视频进复原。但是，人工处理的方式耗时耗力、成本高，难以适配海量的图像数据的传输或生产。

发明内容

本发明实施例提供一种图像复原的方法、装置、存储介质和终端设备，以解决或缓解现有技术中的以上一个或多个技术问题。

第一方面，本发明实施例提供了一种图像复原的方法，包括：

获取待恢复的变形图像；

对所述变形图像进行预处理；

利用变形系数预测模型，对预处理后的所述变形图像进行计算，获得所述变形图像的变形系数；以及

根据所述变形图像的变形系数，复原所述变形图像。

第二方面，本发明实施例提供了一种图像复原的装置，包括：

变形图像获取模块，用于获取待恢复的变形图像；

第一预处理模块，用于对所述变形图像进行预处理；

变形系数预测模块，用于利用变形系数预测模型，对预处理后的所述变形图像进行计算，获得所述变形图像的变形系数；以及

变形图像复原模块，用于根据所述变形图像的变形系数，复原所述变形图像。

所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，图像复原的结构中包括处理器和存储器，所述存储器用于图像复原的装置执行上述图像复原的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述图像复原的装置还可以包括通信接口，用于图像复原的装置与其他设备或通信网络通信。

第三方面，本发明实施例还提供一种计算机可读存储介质，用于图像复原的装置所用的计算机软件指令，其中包括用于执行上述图像复原的方法所涉及的程序。

上述技术方案中的任意一个技术方案具有如下优点或有益效果：

本发明实施例可以预先训练生成一个变形系数预测模型，可以准确地识别变形图像的变形系数，识别效率高，可以处理大量的变形图像。此外，相比人工评估变形情况来复原图像的方式，根据模型预测的变形系数来复原变形图像的方式，复原程度高。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1是本发明提供的图像复原的方法的一个实施例的流程示意图；

图2是本发明提供的变形系数的预测过程的一个实施例的流程示意图；

图3是本发明提供的预测模型的训练更新过程的一个实施例的流程示意图；

图4是本发明提供的获取训练样本数据的过程的一个实施例的流程示意图；

图5是本发明提供的图像复原的方法的一个应用示例的流程示意图；

图6是本发明提供的图像复原的装置的一个实施例的结构示意图；

图7是本发明提供的图像复原的装置的另一个实施例的结构示意图；

图8是本发明提供的终端设备的一个实施例的结构示意图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

请参阅图1，本发明实施例提供了一种图像复原的方法，用于复原被拉伸或被压缩的变形图像。本实施例包括步骤S100至步骤S400，具体如下：

S100，获取待恢复的变形图像。

在本实施例中，变形图像包括被拉伸或被压缩的变形图像。例如，沿图像横向方向拉伸或压缩图像、沿图像纵向方向拉伸或压缩图像等。图像可以包括平面图像、三维图像等。图像还可以是动态图像或视频中的帧图像。

S200，对获取到的变形图像进行预处理。

在本实施例中，预处理可以包括剪裁、图像清晰程度判定、翻转等操作。

在一些实施例中，可以判断变形图像的图像清晰程度是否能够使变形系数预测模型对该变形图像进行变形系数的预测。如果不能够，则不利用变形系数预测模型对变形图像的变形系数进行预测，并转为人工处理的方式复原变形图像。如果能够，则可以继续利用变形系数预测模型进行变形系数的预测，以复原变形图像。

在一些实施例中，由于获取的变形图像的来源互不相同，则变形图像互相之间的尺寸、格式等差异可能较大。因此，可以将获取的变形图像转换成统一的格式。示例性地，如果设置图像的标准格为JPG格式，对于非JPG格式的变形图像均转换成JPEG(JointPhotographic Experts Group，联合照片专家组)格式。例如，GIF(Graphics InterchangeFormat，图形交换格式)、BMP(Bitmap，位图)、TIFF(Tag Image File Format，标签图像文件)、PNG(Portable Network Graphics，网络图像)、SVG(Scalable Vector Graphics，可缩放的矢量图像)等格式。在一些实施例中，可以剪裁变形图像以使其符合尺寸要求。剪裁过程不涉及对变形图像进行再次拉伸或压缩的处理。

S300，利用变形系数预测模型，对预处理后的变形图像进行计算，获得变形图像的变形系数。

在本实施例中，变形系数预测模型可以预先利用训练样本数据对神经网络进行训练生成或更新。神经网络可以采用LeNet(Gradient based learning applied todocument recognition，用于手写体字符识别的高效卷积神经网络)、AlexNet(ImageNetClassification with Deep Convolutional Neural Networks，用于图像分类的深度卷积神经网络的)、ResNet(Deep residual learning for image recognition，用于图像识别的深度残差学习)等网络结构。

S400，根据变形图像的变形系数，复原变形图像。

由于图像包括纵向方向和横向方向，所述变形图像的变形系数包括纵向变形系数和横向变形系数。如果对图像横向拉伸或压缩，可以以正数的形式表示此纵向变形系数。如果对图像纵向拉伸或压缩，可以以负数的形式表示此横向变形系数。当然这两种形式也可以反过来，只需要统一标准即可。如果对图像拉伸，则变形系数的数值大于1，如果对图像压缩，则变形系数的数值小于1。例如，如果通过上述步骤预测变形图像的变形系数为{1.2，-0.8}，则此变形图像所对应的原始图像被横向拉伸为原来的1.2倍以及被纵向压缩为原来的0.8倍。如果对此变形图像进行复原，则横向压缩变形图像为原来的

倍，以及纵向拉伸变形图像为原来的1.25倍。

在一些实施例中，为了提高变形图像的变形系数的预测准确度，可以在上述步骤S200的预处理过程中，将变形图像剪裁成多个图像分片。即剪裁变形图像，获得变形图像的至少一个图像分片。则后续可以预测得到多个图像分片的变形系数。可以从中取均值、取中位数或取频数最大的数值作为此变形图像的变形系数。

在一些实施例中，对变形图像的剪裁可以包括：将变形图像按网格剪载多个N*N个图像分片。N的数值可以按需求设置。还可以包括：将一定的图像尺寸，从变形图像的各区域中截取图像分片。所截取到的图像分片可以具有重叠的区域。

在一些实施例中，变形图像中的部分区域可能过于模糊但其他区域是清晰的，则如果直接对此变形图像进行变形系数的预测，所得到的预测结果可能不准确，或者得不到预测结果。因此，可以结合前一实施例，将变形图像剪裁成多个图像分片。然后，根据各图像分片的像素，分别计算各图像分片的图像清晰程度；以及，从各图像分片中，选取图像清晰程度满足图像清晰标准的图像分片。如此，即便是有部分模糊的变形图像，仍然可以通过后续的预测模型准确地预测出此变形图像的变形系数。

在一些实施例中，前述实施例的预处理过程还可以包括：翻转各图像分片。翻转后的图像分片可以对预测过程增加噪声。如果增加噪声后得到的预测结果符合预期，则说明此变形系数预测模型的预测效果好。如果增加噪声后得到的预测结果符合预期，则说明此变形系数预测模型的预测效果不好，需要对此变形系数预测模型进行调整。例如训练更新。

在一些实施例中，在对变形图像进行预处理后，得到变形图像的多个图像分片后，上述步骤S300的预测过程，如图2所示，可以包括步骤S310和步骤S320，如下：

S310，利用变形系数预测模型，预测变形图像的各图像分片的变形系数；以及

S320，根据各图像分片的变形系数的分布情况，确定变形图像的变形系数。

在本实施例中，可以从各图像分片的变形系数中选取出现频数最大的变形系数，作为变形图像的变形系数。或者，可以从各图像分片的变形系数中，选取分布频数较为相近的变形系数的均值或中位数作为变形图像的变形系数。

在一些实施例中，变形系数预测模型的训练更新过程可以如图3所示，包括步骤S510至步骤S530，如下：

S510，获取训练样本数据；其中，训练样本数据包括样本变形图像和样本变形图像的变形系数。

S520，对训练样本数据包括的样本变形图像进行预处理。此处的预处理过程可以类似前述的预处理过程，以制造出更多的样本，提高样本变形图像的利用率，防止对一个图片结构的学习过拟合。

S530，利用预处理后的训练样本数据，对变形系数预测模型进行训练更新。

在训练时，以输入的样本变形图像及其对应的变形系数作为变形系数预测模型的学习标签。根据该学习标签，计算变形系数预测模型的神经网络的网络参数的梯度。然后利用梯度下降法，对该网络参数进行更新，直至网络收敛。网络收敛即网络输出的变形系数基本与输入的图像对应的变形系数一致。如此训练生成的变形系数预测模型可以直接对输入的变形图像进行预测，获得此变形图像的变形系数。

在一些实施例中，如图4所示，上述步骤S510的获取训练样本数据的过程，可以包括：

S512，获取未经变形处理的原始样本图像。

S514，按照预先设置的变形系数，对原始样本图像进行变形处理，获得样本变形图像。

S516，将样本变形图像与变形系数组成一组训练样本数据。

在本实施例中，变形系数可以设置多个，每一个系数均可以对同一个原始样本图像进行拉伸或压缩。也可以一个变形系数对应一个或多个原始样本图像进行拉伸或压缩。

示例性地，如果变形系数包括{1.4，-0.5}，则对原始样本图像横向拉伸为原来的1.4倍，以及对此原始样本图像纵向压缩为原来的一半。如果变形系数包括{2}，则对原始样本图像横向拉伸为原来的2倍。

本发明实施例可以预先训练生成一个变形系数预测模型，可以准确地识别变形图像的变形系数。进而，根据这个变形系数来复原变形图像，复原程度高。此外，通过多种预处理的方式得到图像分片，使得可以利用图像分片的变形系数确定变形图像的变形系数，有利于提高变形系数的预测准确程度。

请参阅图5，在一些实施例中，用户可以传入一张图像到图像复原的系统中。系数对图像进行预处理，并利用模型进行变形系数的预测，获得变形系数。系统可以将根据变形系数直接对此图像进行复原，然后将复原后的图像返回给用户。系统也可以提供变形系数给用户，并在用户显示图像的显示屏中呈现网格。如此，方便用户利用网格中网络线作为参考标准，可以按照变形系数对图像进行反向拉伸或压缩。

请阅图6，本发明实施例提供一种图像复原的装置，包括：

变形图像获取模块100，用于获取待恢复的变形图像。

第一预处理模块200，用于对所述变形图像进行预处理。

变形系数预测模块300，用于利用变形系数预测模型，对预处理后的所述变形图像进行计算，获得所述变形图像的变形系数。

变形图像复原模块400，用于根据所述变形图像的变形系数，复原所述变形图像。

在一些实施例中，所述第一预处理模块200包括：图像剪裁单元，用于剪裁所述变形图像，获得所述变形图像的至少一个图像分片。

在一些实施例中，所述第一预处理模块200包括：

清晰程度计算单元，用于根据各所述图像分片的像素，分别计算各所述图像分片的图像清晰程度；以及

图像分片筛选单元，用于从各所述图像分片中，选取图像清晰程度满足图像清晰标准的图像分片。

在一些实施例中，所述第一预处理模块200包括：图像翻转模块，用于翻转各所述图像分片。

在一些实施例中，所述变形系数预测模块300包括：

预测单元，用于利用所述变形系数预测模型，预测所述变形图像的各图像分片的变形系数；以及

确定单元，用于根据各所述图像分片的变形系数的分布情况，确定所述变形图像的变形系数。

在一些实施例中，如图7所示，所述装置还包括：

样本数据获取模块500，用于获取训练样本数据；其中，所述训练样本数据包括样本变形图像和所述样本变形图像的变形系数；

第二预处理模块600，还用于对所述训练样本数据包括的样本变形图像进行预处理；以及

训练更新模块700，用于利用预处理后的训练样本数据，对所述变形系数预测模型进行训练更新。

在一些实施例中，所述样本数据获取模块500包括：

原始样本获取单元，用于获取未经变形处理的原始样本图像；

图像变形处理单元，用于按照预先设置的变形系数，对所述原始样本图像进行变形处理，获得样本变形图像；以及

样本数据组成单元，用于将所述样本变形图像与所述变形系数组成一组训练样本数据。

所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，图像复原的结构中包括处理器和存储器，所述存储器用于图像复原的装置执行上述第一方面中图像复原的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述图像复原的装置还可以包括通信接口，用于图像复原的装置与其他设备或通信网络通信。

本发明实施例还提供一种图像复原的终端设备，如图8所示，该设备包括：存储器21和处理器22，存储器21内存储有可在处理器22上的计算机程序。处理器22执行计算机程序时实现上述实施例中的图像复原的方法。存储器21和处理器22的数量可以为一个或多个。

该设备还包括：

通信接口23，用于处理器22与外部设备之间的通信。

存储器21可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

如果存储器21、处理器22和通信接口23独立实现，则存储器21、处理器22和通信接口23可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，Extended Industry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器21、处理器22及通信接口23集成在一块芯片上，则存储器21、处理器22及通信接口23可以通过内部接口完成相互间的通信。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

本发明实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于指令执行系统、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的程序，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。存储介质可以是只读存储器，磁盘或光盘等。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种图像复原的方法，其特征在于，包括：

获取待恢复的变形图像；所述变形图像包括被拉伸或被压缩的图像；

对所述变形图像进行预处理；

利用变形系数预测模型，对预处理后的所述变形图像进行计算，获得所述变形图像的变形系数；以及

根据所述变形图像的变形系数，复原所述变形图像；

所述利用变形系数预测模型，对预处理后的变形图像进行计算，获得所述变形图像的变形系数，包括：

利用所述变形系数预测模型，预测所述变形图像的各图像分片的变形系数；所述图像分片的图像清晰程度满足图像清晰标准；以及

根据各所述图像分片的变形系数的分布情况，确定所述变形图像的变形系数；

所述预处理过程包括：翻转各图像分片；

所述方法还包括：利用翻转后的图像分片检测所述变形系数预测模型的预测效果。

2.如权利要求1所述的方法，其特征在于，所述预处理包括：剪裁所述变形图像，获得所述变形图像的至少一个图像分片。

3.如权利要求2所述的方法，其特征在于，所述预处理包括：

根据各所述图像分片的像素，分别计算各所述图像分片的图像清晰程度；

从各所述图像分片中，选取图像清晰程度满足图像清晰标准的图像分片。

4.如权利要求1所述的方法，其特征在于，所述变形系数预测模型通过如下方法训练的，包括：

获取训练样本数据；其中，所述训练样本数据包括样本变形图像和所述样本变形图像的变形系数；

对所述训练样本数据包括的样本变形图像进行预处理；以及

利用预处理后的训练样本数据，对所述变形系数预测模型进行训练更新。

5.如权利要求4所述的方法，其特征在于，所述获取训练样本数据，包括：

获取未经变形处理的原始样本图像；

按照预先设置的变形系数，对所述原始样本图像进行变形处理，获得样本变形图像；以及

将所述样本变形图像与所述变形系数组成一组训练样本数据。

6.一种图像复原的装置，其特征在于，包括：

变形图像获取模块，用于获取待恢复的变形图像；所述变形图像包括被拉伸或被压缩的图像；

第一预处理模块，用于对所述变形图像进行预处理；

变形系数预测模块，用于利用变形系数预测模型，对预处理后的所述变形图像进行计算，获得所述变形图像的变形系数；以及

变形图像复原模块，用于根据所述变形图像的变形系数，复原所述变形图像；

所述变形系数预测模块包括：

预测单元，用于利用所述变形系数预测模型，预测所述变形图像的各图像分片的变形系数；所述图像分片的图像清晰程度满足图像清晰标准；以及

确定单元，用于根据各所述图像分片的变形系数的分布情况，确定所述变形图像的变形系数；

所述第一预处理模块包括：图像翻转单元，用于翻转各所述图像分片；

其中，所述翻转后的图像分片用于检测所述变形系数预测模型的预测效果。

7.如权利要求6所述的装置，其特征在于，所述第一预处理模块包括：图像剪裁单元，用于剪裁所述变形图像，获得所述变形图像的至少一个图像分片。

8.如权利要求6所述的装置，其特征在于，所述第一预处理模块包括：

清晰程度计算单元，用于根据各所述图像分片的像素，分别计算各所述图像分片的图像清晰程度；以及

图像分片筛选单元，用于从各所述图像分片中，选取图像清晰程度满足图像清晰标准的图像分片。

9.如权利要求6所述的装置，其特征在于，所述装置还包括：

样本数据获取模块，用于获取训练样本数据；其中，所述训练样本数据包括样本变形图像和所述样本变形图像的变形系数；

第二预处理模块，还用于对所述训练样本数据包括的样本变形图像进行预处理；以及

训练更新模块，用于利用预处理后的训练样本数据，对所述变形系数预测模型进行训练更新。

10.如权利要求9所述的装置，其特征在于，所述样本数据获取模块包括：

原始样本获取单元，用于获取未经变形处理的原始样本图像；

图像变形处理单元，用于按照预先设置的变形系数，对所述原始样本图像进行变形处理，获得样本变形图像；以及

样本数据组成单元，用于将所述样本变形图像与所述变形系数组成一组训练样本数据。

11.一种实现图像复原的终端设备，其特征在于，所述终端设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-5中任一所述的图像复原的方法。

12.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的图像复原的方法。

Images