CN110189251B - 一种模糊图像生成方法及装置 - Google Patents

Abstract

本申请提供一种模糊图像生成方法及装置，所述方法包括：通过预设的图像模糊方法，生成第一模糊图像，通过生成式对抗网络得到第二模糊图像，然后再根据由待处理清晰图像和采集的第三模糊图像训练生成的判别网络对第二模糊图像进行判别，得到判定分值。再根据第一模糊图像、第二模糊图像、第三模糊图像及判定分值计算得到丢失参数，根据丢失参数对生成式对抗网络进行调整，训练得到目标生成式对抗模型，再将待处理清晰图像输入到目标生成式对抗模型中，即可得到目标模糊图像。采用本申请提供的模糊图像生成方法改善了模糊图像数据缺少，获取难的问题。

Description

一种模糊图像生成方法及装置

技术领域

本申请涉及图像处理领域，具体而言，涉及一种模糊图像生成方法及装置。

背景技术

目前，在各种分割算法或检测算法中，用于训练的数据图像一般都是用相对清晰的图像，而在物体检测中，若目标物体是模糊的，往往会出现漏检或检测效果不佳的情况。

现有技术中，通常可以针对特定模糊(例如运动模糊)情况进行数据的添加，然而用于训练算法的模糊图像数据在网络上很难获取，其原因在于符合条件数据基数小，在大量数据中找到这种基数小的数据，会增加大量成本。也可以采用实际拍摄的方式来生成模糊图像，但通过此方法创建真实图片的模糊图像，会将图像空间局限在拍摄的视频中出现的场景，并将数据集变得更复杂，并且不是一个高效的生成方案。

有鉴于此，如何便捷地生成所需量的模糊图片，是目前需要解决的问题。

发明内容

本申请提供一种模糊图像生成方法及装置。

第一方面，本申请提供一种模糊图像生成方法，应用于计算机设备，所述方法包括：

根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像；

将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像；

根据预存的用于判别图片模糊与否的判别网络对所述第二模糊图像进行判定，得到判定分值，其中，所述判别网络根据第三模糊图像和所述待处理清晰图像对卷积神经网络进行训练得到；

计算所述第二模糊图像和第三模糊图像的差值，并根据所述差值与所述判定分值计算得到第一特性值；

计算所述第一模糊图像和第二模糊图像的差值，并根据该差值与所述判定分值计算得到第二特性值；

根据所述第一特性值和第二特性值，计算得到丢失参数；

根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型；

将目标清晰图像输入至所述目标生成式对抗模型，得到目标模糊图片。

可选地，所述根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型，包括：

重复所述根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像至根据所述第一特性值和第二特性值，计算得到丢失参数的步骤，直至所述丢失参数的变化小于预设阈值，得到通过所述生成式对抗网络训练得到的目标生成式对抗模型。

可选地，所述根据所述差值与所述判定分值计算得到第一特性值，包括：

对所述判定分值进行归一化的操作；

将所述第二模糊图像和第三模糊图像的差值与归一化后的所述判定分值进行累加，得到所述第一特性值。

可选地，所述根据所述第一特性值和第二特性值，计算得到丢失参数，包括：

根据所述第一特性值和第二特性值的权重，将所述第一特性值和第二特性值进行累加，得到所述丢失参数。

可选地，所述将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像，包括：

将所述待处理清晰图像通过所述生成式对抗网络进行卷积，并将卷积后的所述待处理清晰图像通过模糊核进行反卷积，计算得到所述第二模糊图像。

第二方面，本申请提供一种模糊图像生成装置，应用于计算机设备，所述装置包括：

处理模块，用于根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像；

将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像；

判别模块，用于根据预存的用于判别图片模糊与否的判别网络对所述第二模糊图像进行判定，得到判定分值，其中，所述判别网络根据第三模糊图像和所述待处理清晰图像对卷积神经网络进行训练得到；

计算模块，用于计算所述第二模糊图像和第三模糊图像的差值，并根据所述差值与所述判定分值计算得到第一特性值；

计算所述第一模糊图像和第二模糊图像的差值，并根据该差值与所述判定分值计算得到第二特性值；

根据所述第一特性值和第二特性值，计算得到丢失参数；

调整模块，用于根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型；

生成模块，用于将目标清晰图像输入至所述目标生成式对抗模型，得到目标模糊图片。

可选地，所述调整模块具体用于：

重复所述根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像至根据所述第一特性值和第二特性值，计算得到丢失参数的步骤，直至所述丢失参数的变化小于预设阈值，得到通过所述生成式对抗网络训练得到的目标生成式对抗模型。

可选地，所述计算模块具体用于：

对所述判定分值进行归一化的操作；

将所述第一模糊图像和第三模糊图像的差值与归一化后的所述判定分值进行累加，得到所述第一特性值。

可选地，所述计算模块具体还用于：

根据所述第一特性值和第二特性值的权重，将所述第一特性值和第二特性值进行累加，得到所述丢失参数。

可选地，所述处理模块具体用于：

将所述待处理清晰图像通过所述生成式对抗网络进行卷积，并将卷积后的所述待处理清晰图像通过模糊核进行反卷积，计算得到所述第二模糊图像。

本申请实施例提供一种模糊图像生成方法及装置，所述方法包括：通过预设的图像模糊方法，生成第一模糊图像，通过生成式对抗网络得到第二模糊图像，然后再根据由待处理清晰图像和采集的第三模糊图像训练生成的判别网络对第二模糊图像进行判别，得到判定分值。再根据第一模糊图像、第二模糊图像、第三模糊图像及判定分值计算得到丢失参数，根据丢失参数对生成式对抗网络进行调整，训练得到目标生成式对抗模型，再将待处理清晰图像输入到目标生成式对抗模型中，即可得到目标模糊图像。采用本申请提供的模糊图像生成方法，能够便捷地生成大量模糊图像数据，改善了模糊图像数据缺少，获取难的问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定。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相关的附图。

图1为本申请实施例提供的计算机设备的结构框图；

图2为本申请实施例提供的模糊图像生成方法的步骤流程示意框图；

图3为图2中步骤S204的子步骤流程示意框图；

图4为本申请实施例提供的模糊图像生成装置的结构示意图。

图标：100-计算机设备；110-模糊图像生成装置；111-存储器；112-处理器；113-通信单元；1101-处理模块；1102-判别模块；1103-计算模块；1104-调整模块；1105-生成模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的具体实施方式进行详细说明。

请参照图1，图1为本申请实施例提供的计算机设备的结构框图。所述计算机设备100包括模糊图像生成装置110、存储器111、处理器112及通信单元113。

所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述模糊图像生成装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述计算机设备100的操作系统(operatingsystem，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述模糊图像生成装置110所包括的软件功能模块及计算机程序等。

其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序或者数据。

请参照图2，图2为本申请实施例提供的模糊图像生成方法的步骤流程示意框图。所述方法包括步骤S201、步骤S202、步骤S203、步骤S204、步骤S205、步骤S206、步骤S207和步骤S208。

步骤S201，根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像。

在本实施例中，预设图像模糊方法可以是指现有技术中的图像模糊方法，例如高斯模糊法。第一模糊图像可以是由现有技术中的图像模糊方法通过对待处理清晰图像进行处理后得到。在本实施例中，可以用A(a1，a2，a3…an)的合集表示待处理清晰图像的数据集，现有技术中的图像模糊方法可以有M种，通过M种现有的图像模糊方法对待处理清晰图像进行处理，得到第一模糊图像对应的数据集(a11，a21，…，anM)，A2(a21，a22，…，a2M)，…，An(an1,an2，…，anM)，可以记为集合AA。

步骤S202，将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像。

进一步地，步骤S202包括：

将所述待处理清晰图像通过所述生成式对抗网络(Generative AdversarialNetworks，简称GAN)进行卷积，并将卷积后的所述待处理清晰图像通过模糊核进行反卷积，计算得到所述第二模糊图像。

在本实施例中，可以将待处理清晰图像的数据集A(a1，a2，a3…an)一一输入到生成式对抗网络中，处理得到第二模糊图像，可以将第二模糊图像的数据集表示为A”(a1”，a2”，…，an”)。

步骤S203，根据预存的用于判别图片模糊与否的判别网络对所述第二模糊图像进行判定，得到判定分值，其中，所述判别网络根据第三模糊图像和所述待处理清晰图像对卷积神经网络进行训练得到。

在本实施例中，可以先由待处理清晰图像和第三模糊图像训练得到一个能够对模糊图像进行判别的判别网络，其中，第三模糊图像可以是从网络上获取的模糊图像，也可以是通过其他方式生成的模糊图像，应当理解的是，为了训练出判别网络，第三模糊图像的数量与待处理清晰图案的数量是相同的，第三模糊图像的数据集可以表示为A’(a1’，a2’，…，an’)。判定网络对第二模糊图像进行判定后，对应第二模糊图像的数据集为A”(a1”，a2”，…，an”)可以得到每个图像的判定分值(w1，w2，…，wn)，其中w1，w2，…，wn可以是0-1之间的数值。

步骤S204，计算所述第二模糊图像和第三模糊图像的差值，并根据所述差值与所述判定分值计算得到第一特性值。

请参照图3，图3为图2中步骤S204的子步骤流程示意框图。在本实施例中，步骤S204可以包括子步骤S2041和子步骤S2042。

步骤S2041，对所述判定分值进行归一化的操作。

步骤S2042，将所述第二模糊图像和第三模糊图像的差值与归一化后的所述判定分值进行累加，得到所述第一特性值。

在本实施例中，可以对判定得到的分值进行归一化的操作，以方便计算，例如，计算的判定分值w1＝0.5，w2＝0.5，w3＝0.5，w4＝0.5，归一化后，按照各自的占比，在总和等于1的情况下进行调整，归一化后可以对应表示为W1＝0.25，W2＝0.25，W3＝0.25，W4＝0.25，W1+W2+W3+W4＝1。可以将归一化后的判定分值表示为W(W1，W2，…，Wn)。

在本实施例中，可以先计算第二模糊图像(即数据集A”)和第三模糊图像(即数据集A’)的差值，例如，a1”，a1’之间的差值可以表示为b1(a1”，a1’)，a2”，a2’之间的差值可以表示为b2(a2”，a2’)，…，an”，an’之间的差值可以表示为bn(an”，an’)，可以将第一模糊图像和第三模糊图像的差值的数据集表示为B1(b1，b2，…，bn)。然后可以将归一化后的判定分值W累加第一模糊图像和第三模糊图像的差值B1，得到第一特性值，可以表示为WB(W1b1，W2b2，…，Wnbn)。

步骤S205，计算所述第一模糊图像和第二模糊图像的差值，并根据该差值与所述判定分值计算得到第二特性值。

在本实施例中，可以先计算第一模糊图像(即数据集AA)和第二模糊图像(即数据集A”)的差值，可以分别计算A’和A1的累计差值，A’和A2的累计差值，…，A’和An的累计差值，再与归一化后的判定分值形成WBM(M对应M种现有技术图像模糊方法)差值对，即第二特性值。

应当理解的是，在本实施例中，通过计算第二模糊图像和第三模糊图像的差值，可以得到生成式抗网络生成的模糊图片与真实模糊图片的区别，而通过计算第一模糊图像和第二模糊图像的差值，可以得到生成式抗网络生成的模糊图片与其他现有技术模糊图像生成方法(例如高斯模糊)生成的模糊图片的区别。

步骤S206，根据所述第一特性值和第二特性值，计算得到丢失参数。

进一步地，步骤S206包括：根据所述第一特性值和第二特性值的权重，将所述第一特性值和第二特性值进行累加，得到所述丢失参数。

在本实施例中，可以将WB与WBM差值对根据权重，按照一定比例进行累加，将累加的结果作为丢失参数(即loss)。权重的分配可以是根据参与其中的图像模糊方法效果的好坏来决定。

步骤S207，根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型。

进一步地，步骤S207包括：

重复所述根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像至根据所述第一特性值和第二特性值，计算得到丢失参数的步骤，直至所述丢失参数的变化小于预设阈值，得到通过所述生成式对抗网络训练得到的目标生成式对抗模型。

在本实施例中，可以通过重复步骤S201至步骤S206对生成式对抗网络进行调整。每一次调整后的生成式对抗网络都会在步骤S202中生成新的第二模糊图像，一直重复，直至在步骤S206中生成的丢失参数的变化小于预设阈值，此时可以认为目标生成式对抗模型训练完整。

步骤S208，将目标清晰图像输入至所述目标生成式对抗模型，得到目标模糊图片。

请参照图4，图4为本申请实施例提供的模糊图像生成装置110的结构示意图。所述装置包括：

处理模块1101，用于根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像；

将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像。

判别模块1102，用于根据预存的用于判别图片模糊与否的判别网络对所述第二模糊图像进行判定，得到判定分值，其中，所述判别网络根据第三模糊图像和所述待处理清晰图像对卷积神经网络进行训练得到；

计算模块1103，用于计算所述第二模糊图像和第三模糊图像的差值，并根据所述差值与所述判定分值计算得到第一特性值；

计算所述第一模糊图像和第二模糊图像的差值，并根据该差值与所述判定分值计算得到第二特性值。

根据所述第一特性值和第二特性值，计算得到丢失参数。

调整模块1104，用于根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型。

生成模块1105，用于将目标清晰图像输入至所述目标生成式对抗模型，得到目标模糊图片。

进一步地，所述调整模块1104具体用于：

重复所述根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像至根据所述第一特性值和第二特性值，计算得到丢失参数的步骤，直至所述丢失参数的变化小于预设阈值，得到通过所述生成式对抗网络训练得到的目标生成式对抗模型。

进一步地，所述计算模块1103具体用于：

对所述判定分值进行归一化的操作；

将所述第一模糊图像和第三模糊图像的差值与归一化后的所述判定分值进行累加，得到所述第一特性值。

进一步地，所述计算模块1103具体还用于：

根据所述第一特性值和第二特性值的权重，将所述第一特性值和第二特性值进行累加，得到所述丢失参数。

进一步地，所述处理模块1101具体用于：

将所述待处理清晰图像通过所述生成式对抗网络进行卷积，并将卷积后的所述待处理清晰图像通过模糊核进行反卷积，计算得到所述第二模糊图像。

在本实施例中，模糊图像生成装置110的实现原理请参考前述模糊图像生成方法的实现原理，在此不再赘述。

综上所述，采用本申请提供的模糊图像生成方法，能够便捷地生成大量模糊图像数据，改善了模糊图像数据缺少，获取难的问题。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种模糊图像生成方法，其特征在于，应用于计算机设备，所述方法包括：

根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像；

将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像；

根据预存的用于判别图片模糊与否的判别网络对所述第二模糊图像进行判定，得到判定分值，其中，所述判别网络根据第三模糊图像和所述待处理清晰图像对卷积神经网络进行训练得到；

计算所述第二模糊图像和第三模糊图像的差值，并根据所述差值与所述判定分值计算得到第一特性值；

计算所述第一模糊图像和第二模糊图像的差值，并根据该差值与所述判定分值计算得到第二特性值；

根据所述第一特性值和第二特性值，计算得到丢失参数；

根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型；

将目标清晰图像输入至所述目标生成式对抗模型，得到目标模糊图片；

其中，所述根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型，包括：

重复所述根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像至根据所述第一特性值和第二特性值，计算得到丢失参数的步骤，直至所述丢失参数的变化小于预设阈值，得到通过所述生成式对抗网络训练得到的目标生成式对抗模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述差值与所述判定分值计算得到第一特性值，包括：

对所述判定分值进行归一化的操作；

将所述第二模糊图像和第三模糊图像的差值与归一化后的所述判定分值进行累加，得到所述第一特性值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一特性值和第二特性值，计算得到丢失参数，包括：

根据所述第一特性值和第二特性值的权重，将所述第一特性值和第二特性值进行累加，得到所述丢失参数。

4.根据权利要求1所述的方法，其特征在于，所述将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像，包括：

将所述待处理清晰图像通过所述生成式对抗网络进行卷积，并将卷积后的所述待处理清晰图像通过模糊核进行反卷积，计算得到所述第二模糊图像。

5.一种模糊图像生成装置，其特征在于，应用于计算机设备，所述装置包括：

处理模块，用于根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像；

将所述待处理清晰图像输入生成式对抗网络，得到第二模糊图像；

判别模块，用于根据预存的用于判别图片模糊与否的判别网络对所述第二模糊图像进行判定，得到判定分值，其中，所述判别网络根据第三模糊图像和所述待处理清晰图像对卷积神经网络进行训练得到；

计算模块，用于计算所述第二模糊图像和第三模糊图像的差值，并根据所述差值与所述判定分值计算得到第一特性值；

计算所述第一模糊图像和第二模糊图像的差值，并根据该差值与所述判定分值计算得到第二特性值；

根据所述第一特性值和第二特性值，计算得到丢失参数；

调整模块，用于根据所述丢失参数对所述生成式对抗网络进行调整，得到目标生成式对抗模型；

生成模块，用于将目标清晰图像输入至所述目标生成式对抗模型，得到目标模糊图片；

其中，所述调整模块具体用于：

重复所述根据预设图像模糊方法，将待处理清晰图像进行处理得到第一模糊图像至根据所述第一特性值和第二特性值，计算得到丢失参数的步骤，直至所述丢失参数的变化小于预设阈值，得到通过所述生成式对抗网络训练得到的目标生成式对抗模型。

6.根据权利要求5所述的装置，其特征在于，所述计算模块具体用于：

对所述判定分值进行归一化的操作；

将所述第一模糊图像和第三模糊图像的差值与归一化后的所述判定分值进行累加，得到所述第一特性值。

7.根据权利要求5所述的装置，其特征在于，所述计算模块具体还用于：

根据所述第一特性值和第二特性值的权重，将所述第一特性值和第二特性值进行累加，得到所述丢失参数。

8.根据权利要求5所述的装置，其特征在于，所述处理模块具体用于：

将所述待处理清晰图像通过所述生成式对抗网络进行卷积，并将卷积后的所述待处理清晰图像通过模糊核进行反卷积，计算得到所述第二模糊图像。

Images