CN110728632A - 图像模糊处理方法、装置、计算机设备和存储介质 - Google Patents

图像模糊处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110728632A
CN110728632A CN201910833346.2A CN201910833346A CN110728632A CN 110728632 A CN110728632 A CN 110728632A CN 201910833346 A CN201910833346 A CN 201910833346A CN 110728632 A CN110728632 A CN 110728632A
Authority
CN
China
Prior art keywords
image
region
blurred
fuzzy
original image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910833346.2A
Other languages
English (en)
Other versions
CN110728632B (zh
Inventor
刘思阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN201910833346.2A priority Critical patent/CN110728632B/zh
Publication of CN110728632A publication Critical patent/CN110728632A/zh
Application granted granted Critical
Publication of CN110728632B publication Critical patent/CN110728632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/73—

Abstract

本申请涉及一种图像模糊处理方法、装置、计算机设备和存储介质。所述方法包括：确定原始图像对应的至少两个待模糊区域；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。由于图像中不同的区域所需要的模糊需求不同，通过不同的模糊模型对图像的不同区域进行针对性的模糊，模拟真实环境的模糊，得到与真实环境对应的训练数据，采用这类型的训练数据，即采用针对区域模糊得到的图像，对模型进行训练，提高了模型的范化能力。

Description

图像模糊处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种图像模糊处理方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的发展，计算能力，网络带宽等大幅提升，深度学习领域得到爆发式的发展，各种算法框架不断涌现。其中在智能分析上，深度学习可以对目标和行为进行识别。随着算力的提升和深度学习领域的发展，基于深度学习的识别算法被提出，通过大量带有标注的数据的训练，网络可以对各种类型的对象和行为等进行识别，且泛化能力很强。
目前基于深度学习的数据集均为照片，拍摄效果较好，非常清晰。但实际算法遇到的输入可能由于各自原因与数据集的数据分布并不一样，比如：由于手机硬件原因造成拍摄效果差，由于目标快速运动造成的运动模糊等。由于训练时的训练样本较为单一，导致训练后的模型仅对清晰的图片识别效果非常好，但由于现实场景中拍摄的图像各种各样，训练后的模型适用性差，而模型的适用性差是因为训练样本与真实情况中的图像存在较大差异。
发明内容
为了解决上述技术问题，本申请提供了一种图像模糊处理方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种图像模糊处理方法，包括：
确定原始图像对应的至少两个待模糊区域；
分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；
确定每个中间模糊图像中待模糊区域对应的模糊区域图像；
融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
第二方面，本申请提供了一种图像模糊处理装置，包括：
模糊区域确定模块，用于确定原始图像对应的至少两个待模糊区域；
图像模糊模块，用于分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；
模糊区域图像生成模块，用于确定每个中间模糊图像中待模糊区域对应的模糊区域图像；
模糊图像生成模块，用于融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：
确定原始图像对应的至少两个待模糊区域；
分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；
确定每个中间模糊图像中待模糊区域对应的模糊区域图像；
融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定原始图像对应的至少两个待模糊区域；
分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；
确定每个中间模糊图像中待模糊区域对应的模糊区域图像；
融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
上述图像模糊处理方法、装置、计算机设备和存储介质，所述方法包括：确定原始图像对应的至少两个待模糊区域；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。由于图像中不同的区域所需要的模糊需求不同，通过不同的模糊模型对图像的不同区域进行针对性的模糊，模拟真实环境的模糊，得到与真实环境对应的训练数据，采用这类型的训练数据，即采用针对区域模糊得到的图像，对模型进行训练，提高了模型的范化能力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中图像模糊处理方法的应用环境图；
图2为一个实施例中图像模糊处理方法的流程示意图；
图3为一个实施例中图像模糊处理方法的模块示意图；
图4为一个实施例中图像模糊处理结果的对照示意图；
图5为一个实施例中图像模糊处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
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的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为一个实施例中图像模糊处理方法的应用环境图。参照图1，该图像模糊处理方法应用于图像模糊处理系统。该图像模糊处理系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端或服务器确定原始图像对应的至少两个待模糊区域；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示，在一个实施例中，提供了一种图像模糊处理方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明。参照图2，该图像模糊处理方法具体包括如下步骤：
步骤S201，确定原始图像对应的至少两个待模糊区域。
具体地，原始图像是指需要进行模糊处理的图像，原始图像的来源包括但不限于图像文件和视频流等等。原始图像可以是用户拍摄的后或下载后，上传至图像模糊系统中的图像。待模糊区域是通过对原始图像进行区域划分后得到的区域，其中区域划分的划分规则可以自定义，如可以将图像划分为前景区域和背景区域等等，其中前景区域可以包括多个不同类型的区域，如可以按照图像中包含的目标类型或预设的运动参数进行区域划分，目标类型包括人、动物、植物、设备等等。人、动物、植物和设备等在拍摄过程中，由于运动会造成运动模糊。图像中可以包括一个或多个目标，各个目标可以为同一类型的目标，也可以为不同类型的目标。图像进行区域划分后，得到的区域可以仅包括待模糊区域，也还可以包括非模糊区域。其中待模糊区域是指需要执行模糊处理的区域，非模糊区域是指不需要执行模糊处理的区域。可以对划分得到的全部区域执行对应的模糊处理，也可以仅对划分后得到的部分区域执行对应的模糊处理。待模糊区域可以根据需求自定义，如原始图像划分后的区域包括前景区域和背景区域，可以将前景区域定义为待模糊区域，背景区域定义为待模糊区域或非模糊区域。
在一个实施例中，待模糊区域采用与原始图像相同尺寸的二值化图像表示。
在一个实施例中，输入原始图像至区域检测模型，得到至少一个第一区域，根据每个第一区域对原始图像进行区域筛选，生成第二区域；确定原始图像对应的至少两个待模糊区域，包括：从第一区域和第二区域中筛选出至少链各个区域作为待模糊区域。
具体地，区域检测模型是用于检测原始图像中的区域，根据预先定义的区域检测模型对原始图像进行区域检测，得到一个或多个检测区域，将得到的各个区域生成对应的第一区域。各个第一区域互不重叠。其中区域检测模型可以为一个或多个，当包含多个区域检测模型时，各个区域检测模型用于检测不同的区域，如可以设置人像检测模型、动物检测模型、文字检测模型和设备检测模型等等，检测得到目标区域，目标区域为人像区域、动物区域、文字区域和设备区域等等，根据检测得到的各个类型的区域生成对应的第一区域。根据第一区域对原始图像进行区域筛选，得到第二区域，即从原始图像中将第一区域去除，得到第二区域。从第一区域和第二区域中选取至少两个区域作为待模糊区域。
在一个实施例中，输入原始图像至区域检测模型，得到至少一个第一区域之后，还包括：获取各个第一区域对应的膨胀因子，根据各个第一区域和对应的膨胀因子更新第一区域，得到膨胀后第一区域；根据各个第一区域对原始图像进行区域筛选，生成第二区域，包括：根据各个膨胀后的第一区域对原始图像进行区域筛选，得到更新后的第二区域。
具体地，膨胀因子是用于对第一区域进行膨胀操作的参数，膨胀操作对应的参数可以自定义设置，根据不同的需求设置不同的参数。对第一区域进行膨胀，是因为运动产生的模糊所占用的区域，相对于目标本身所占用的区域大，对第一区域进行膨胀，膨胀后得到的第一区域比未更新前的第一区域占用的面积大。根据膨胀后的区域对原始图像进行筛选，得到更新后的第二区域。更新后的第二区域比更新前的第二区域占用的区域面积小。
步骤S202，分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像。
具体地，图像模糊模型是用于对原始图像进行模糊处理的模型，各个图像模糊模型的模糊因子与待模糊图像对应。其中模糊因子包括高斯模糊因子和运动模糊因子等等，模糊因子不同对图像执行模糊后的模糊程度不同。针对不同的图像区域采用不同的模糊模型，即对不同区域进行不同程度的模糊，运动速度越快对应的区域模糊程度越高，运动速度越慢模糊程度越低。其中图像模糊模型包括但不限于前景模糊模型和背景模糊模型。前景模糊模型可以分为多个不同模糊程度的模糊模型，各个模糊模型的模糊程度根据需求自定义设置。通过设置多个不同的模糊模型对同一张图像的不同区域进行模糊处理，增加图像多样性，使得模糊后的图像更符合实际的图像模糊。
在一个实施例中，前景模糊模型的模糊程度大于背景模糊模型的模糊程度。如可以设置前景模糊模型的模糊程度为背景背景模糊模型的模糊程度的2倍到5倍等等。之所以设置前景模糊模型大于背景模糊模型的模糊程度，是因为前景区域一般属于会产生运动的区域，背景区域一般属于静止区域。
在一个实施例中，分别输入原始图像至各个待模糊区域对应的图像模糊模型，根据各个图像模糊模型中的模糊因子对原始图像进行模糊处理，得到与每个待模糊区域对应的中间模糊图像。
具体地，输入原始图像至各个待模糊区域对应的图像模糊模型，待模糊图像包括但不限于前景区域图像、背景区域图像、文字区域图像和图标区域图像等等。不同类型的待模糊图像对应的不同的图像模糊模型，如前景区域图像对应前景模糊模型，背景区域图像对应背景模糊模型，文字区域图像对应文字模糊模型，图标区域图像对应图标模糊模型。分别输入原始图像至各个待模糊区域对应的图像模糊模型，分别通过各个图像模糊模型中的模糊因子对原始图像进行模糊处理，输出各个图像模糊模型对应的模糊图像，即得到各个待模糊图像对应的中间模糊图像。
步骤S203，确定每个中间模糊图像中待模糊区域对应的模糊区域图像。
具体地，通过各个待模糊区域对中间模糊图像进行区域筛选，生成各个待模糊区域对应的模糊区域图像。如待模糊区域为前景区域，则前景区域对应的中间模糊图像为前景模糊图像，根据前景区域对前景模糊图像进行分割得到前景模糊区域图像。其中前景区域可以采用前景检测算法进行检测后得到，即得到前景区域对应的蒙版图像，蒙版图像是指与原始图像具有相同尺寸，且除了前景区域之外的图像像素值为0的图像，前景区域的像素值为1，通过前景区域的蒙版图像对前景模糊图像进行区域分割，得到包含前景区域的模糊图像，作为前景模糊区域图像。同理可以得到背景模糊区域图像、文字区域模糊图像和图标区域模糊图像等等。
步骤S204，融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
具体地，原始图像进行区域检测后得到的全部区域图像中的区域组成原始图像，当区域图像全部为待模糊图像时，直接对个区域模糊图像中的目标区域进行合并，得到目标模糊图像。
在一个实施例中，原始图像包括前景区域和背景区域，图像模糊模型包括前景模糊模型和背景模糊模型。
在本实施例中，步骤S202包括：输入原始图像至前景模糊模型，输出前景模糊图像，输入原始图像至背景模糊模型，输出背景模糊图像。
在本实施例中，步骤S203，包括：根据前景区域图像和前景模糊图像生成前景模糊区域，根据背景区域图像和背景模糊图像生成背景模糊区域图像。
在本实施例中，步骤S204，包括：融合前景模糊区域图像和背景模糊区域图像，得到目标模糊图像。
具体地，其中输入原始图像至前景模糊模型和背景模糊模型为并行的步骤，即同时输入原始图像至两个模糊模型中，分别输出两个模糊模型对应的中间模糊图像，即前景模糊图像和背景模糊图像。根据前景区域对前景模糊图像进行区域分割，得到前景模糊区域图像。根据前景区域对前景模糊图像的分割方法采用步骤S203中的区域分割方法。同理得到前景模糊区域图像。前景模糊区域图像与背景模糊区域图像进行求和得到目标模糊图像，其中求和采用的像素级别的求和。
在一个具体的实施例中，参照图3，上述图像模糊处理方法，包括：
获取原始图像I，分别输入原始图像至前景检测模型、前景模糊模型、背景模糊模型，分别输出根据前景区域生成的前景区域图像Maskf、前景模糊图像If＝Bf*I和背景模糊图像Ib＝Bb*I。其中前景区域图像为二值化图像，即蒙版图像。前景模糊模型的模糊因子为Bf，背景模糊模型的模糊因子为Bb，则Bf＝a*Bb，a在2～5之间，即前景模糊程度大于背景模糊程度。根据前景区域图像Maskf进行膨胀操作，得到膨胀的前景区域图像Maskf1，对膨胀的前景区域图像Maskf1进行取反，得到背景区域图像Maskb，其中背景区域图像为蒙版图像。前景区域图像Maskf和背景区域图像Maskb为蒙版图像。通过膨胀后的前景区域图像Maskf1和前景模糊图像If生成前景模糊区域图像If1＝Maskf1*If，通过背景区域图像Maskb和前景模糊图像If生成前景模糊区域图像Ib1＝Maskb*Ib，则目标模糊图像Img＝If1+Ib1。其中前景检测模型可以采用常见的DeepLab网络，MMNet网络和Unet网络等。
参照图4，图4为一组图像的对照图，图4A为原始图像，图4B为目标模糊图像，图4C为前景区域图像Maskf1(蒙版图像)，图4D为背景区域图像Maskb(蒙版图像)。从图4B可以看出，前景区域和背景区域的模糊程度不相同，图4C和图4D为相反的图像，即图4C中的区域410中的像素值为1，区域420的像素值为0，而图4D中的区域410中的像素值为0，区域420的像素值为1。对前景区域图像Maskf1进行取反是指将图像中的像素值为0的像素变为1，反之则把像素值为1的像素变为0。
在一个实施例中，原始图像还包括非模糊区域，则融合各个非模糊区域对应的非模糊区域图像和各个模糊区域图像，得到目标模糊图像。
具体地，非模糊区域是指不进行模糊处理的区域。通过对进行模糊处理后的区域(模糊区域图像)和不进行模糊处理的区域(非模糊区域图像)进行求和得到原始图像对应的目标模糊图像。
上述图像模糊处理方法，包括：确定原始图像对应的至少两个待模糊区域；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。由于图像中不同的区域所需要的模糊需求不同，通过不同的模糊模型对各个不同的区域进行针对性的图像模糊，模拟真实环境的图像模糊，为后续模型训练准备更多的训练数据，采用针对区域模糊得到的模糊图像，对图像识别模型进行训练，提高了图像识别模型的范化能力。
图2为一个实施例中图像模糊处理方法的流程示意图。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种图像模糊处理装置200，包括：
模糊区域确定模块201，用于确定原始图像对应的至少两个待模糊区域。
图像模糊模块202，用于分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像。
模糊区域图像生成模块203，用于确定每个中间模糊图像中待模糊区域对应的模糊区域图像。
模糊图像生成模块204，用于融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
在一个实施例中，模糊区域图像生成模块203中每个待模糊区域对应的图像模糊模型为不同的模型。
在一个实施例中，模糊图像生成模块204还用于原始图像还包括非模糊区域，融合各个非模糊区域对应的非模糊区域图像和各个模糊区域图像，得到目标模糊图像。
在一个实施例中，图像模糊处理装置200，还包括：
区域检测模块，用于输入原始图像至区域检测模型，得到至少一个第一区域。
模糊区域确定模块201具体用于根据各个第一区域对原始图像进行区域筛选，生成第二区域。
在一个实施例中，图像模糊处理装置200，还包括：
膨胀因子获取模块，用于获取各个第一区域对应的膨胀因子。
膨胀模块，用于根据各个第一区域和对应的膨胀因子更新第一区域，得到膨胀后的第一区域；
区域图像生成模块还用于根据各个膨胀后的第一区域对原始图像进行区域筛选，得到更新后的第二区域。
在一个实施例中，图像模糊模块202具体用于分别输入原始图像至各个待模糊区域对应的图像模糊模型，根据各个图像模糊模型中的模糊因子对原始图像进行模糊处理，得到与每个待模糊区域对应的中间模糊图像。
在一个实施例中，图像模糊模块202具体用于输入原始图像至前景模糊模型，输出前景模糊图像，输入原始图像至背景模糊模型，输出背景模糊图像，区域图像包括前景区域图像和背景区域图像，图像模糊模型包括前景模糊模型和背景模糊模型。
模糊区域图像生成模块203具体用于根据前景区域图像和前景模糊图像生成前景模糊区域图像，根据背景区域图像和背景模糊图像生成背景模糊区域图像。
模糊图像生成模块204具体用于融合前景模糊区域图像和背景模糊区域图像，得到目标模糊图像。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图6所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图像模糊处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行图像模糊处理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的图像模糊处理装置可以实现为一种计算机程序的形式，计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该图像模糊处理装置的各个程序模块，比如，图5所示的模糊区域确定模块201、图像模糊模块202、模糊区域图像生成模块203和模糊图像生成模块204。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的图像模糊处理方法中的步骤。
例如，图6所示的计算机设备可以通过如图5所示的图像模糊处理装置中的模糊区域确定模块201，用于确定原始图像对应的至少两个待模糊区域。计算机设备可以通过图像模糊模块202执行分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像。计算机设备可以通过模糊区域图像生成模块203执行确定每个中间模糊图像中待模糊区域对应的模糊区域图像。计算机设备可以通过模糊图像生成模块204执行融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：确定原始图像对应的至少两个待模糊区域；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
在一个实施例中，每个待模糊区域对应的图像模糊模型为不同的模型。
在一个实施例中，原始图像还包括非模糊区域，融合各个模糊区域图像，得到与原始图像对应的目标模糊图像，包括：融合各个非模糊区域和各个模糊区域图像，得到目标模糊图像。
在一个实施例中，输入原始图像至区域检测模型，得到至少一个第一区域，根据各个第一区域对原始图像进行区域筛选，生成第二区域；确定原始图像对应的至少两个待模糊区域，包括：从第一区域和第二区域中筛选出至少两个区域作为待模糊区域。
在一个实施例中，输入原始图像至区域检测模型，得到至少一个第一区域之后，处理器执行计算机程序时还实现以下步骤：获取各个第一区域对应的膨胀因子；根据各个第一区域和对应的膨胀因子更新第一区域，得到膨胀后的第一区域；根据各个第一区域对原始图像进行区域筛选，生成第二区域，包括：根据各个膨胀后的第一区域对原始图像进行区域筛选，得到更新后的模糊区域图像第二区域。
在一个实施例中，分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像，包括：分别输入原始图像至各个待模糊区域对应的图像模糊模型；根据各个图像模糊模型中的模糊因子对原始图像进行模糊处理，得到每个待模糊区域对应的中间模糊图像。
在一个实施例中，区域图像包括前景区域和背景区域，图像模糊模型包括前景模糊模型和背景模糊模型；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像，包括：输入原始图像至前景模糊模型，输出前景模糊图像，输入原始图像至背景模糊模型，输出背景模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像，包括：根据前景区域和前景模糊图像生成前景模糊区域图像，根据背景区域和背景模糊图像生成背景模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像，包括：融合前景模糊区域图像和背景模糊区域图像，得到目标模糊图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：确定原始图像对应的至少两个待模糊区域；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像。
在一个实施例中，每个待模糊区域对应的图像模糊模型为不同的模型。
在一个实施例中，原始图像还包括非模糊区域，融合各个模糊区域图像，得到与原始图像对应的目标模糊图像，包括：融合各个非模糊区域和各个模糊区域图像，得到目标模糊图像。
在一个实施例中，输入原始图像至区域检测模型，得到至少一个第一区域，根据各个第一区域对原始图像进行区域筛选，生成第二区域，确定原始图像对应的至少两个待模糊区域，包括：从第一区域和第二区域中筛选出至少两个区域作为待模糊区域。
在一个实施例中，输入原始图像至区域检测模型，得到至少一个第一区域之后，计算机程序被处理器执行时还实现以下步骤：获取各个第一区域对应的膨胀因子；根据各个第一区域和对应的膨胀因子更新第一区域，得到膨胀后的第一区域；根据各个第一区域对原始图像进行区域筛选，生成第二区域，包括：根据各个膨胀后的第一区域对原始图像进行区域筛选，得到更新后的第二区域。
在一个实施例中，分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像，包括：分别输入原始图像至各个待模糊区域对应的图像模糊模型；根据各个图像模糊模型中的模糊因子对原始图像进行模糊处理，得到每个待模糊区域对应的中间模糊图像。
在一个实施例中，区域图像包括前景区域和背景区域，图像模糊模型包括前景模糊模型和背景模糊模型；分别输入原始图像至各个待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像，包括：输入原始图像至前景模糊模型，输出前景模糊图像，输入原始图像至背景模糊模型，输出背景模糊图像；确定每个中间模糊图像中待模糊区域对应的模糊区域图像，包括：根据前景区域和前景模糊图像生成前景模糊区域图像，根据背景区域和背景模糊图像生成背景模糊区域图像；融合各个模糊区域图像，得到与原始图像对应的目标模糊图像，包括：融合前景模糊区域图像和背景模糊区域图像，得到目标模糊图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种图像模糊处理方法，其特征在于，所述方法包括：
确定原始图像对应的至少两个待模糊区域；
分别输入所述原始图像至各个所述待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；
根据每个所述中间模糊图像中待模糊区域对应的模糊区域图像；
融合各个所述模糊区域图像，得到与所述原始图像对应的目标模糊图像。
2.根据权利要求1所述的方法，其特征在于，每个所述待模糊区域对应的图像模糊模型为不同的模型。
3.根据权利要求2所述的方法，其特征在于，所述原始图像还包括非模糊区域，所述融合各个所述模糊区域图像，得到与所述原始图像对应的目标模糊图像，包括：
融合各个所述非模糊区域对应的非模糊区域图像和各个所述模糊区域图像，得到所述目标模糊图像。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
输入所述原始图像至区域检测模型，得到至少一个第一区域，据各个所述第一区域对所述原始图像进行区域筛选，生成第二区域；
所述确定原始图像对应的至少两个待模糊区域，包括：从所述第一区域和所述第二区域中筛选出至少两个区域作为所述原始图像对应的待模糊区域。
5.根据权利要求4所述的方法，其特征在于，所述输入所述原始图像至所述区域检测模型，得到至少一个第一区域之后，所述方法还包括：
获取各个所述第一区域对应的膨胀因子；
根据各个所述第一区域和对应的膨胀因子更新所述第一区域，得到膨胀后的第一区域；
所述根据各个所述第一区域对所述原始图像进行区域筛选，生成第二区域，包括：根据各个所述膨胀后的第一区域对所述原始图像进行区域筛选，得到更新后的第二区域。
6.根据权利要求2所述的方法，其特征在于，所述分别输入所述原始图像至各个所述待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像，包括：
分别输入所述原始图像至各个所述待模糊区域对应的图像模糊模型；
根据各个所述图像模糊模型中的模糊因子对所述原始图像进行模糊处理，得到每个待模糊区域对应的中间模糊图像。
7.根据权利要求2至6中任一项所述的方法，其特征在于，所述待模糊区域包括前景区域和背景区域，所述图像模糊模型包括前景模糊模型和背景模糊模型；
分别输入所述原始图像至各个所述待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像，包括：输入所述原始图像至所述前景模糊模型，输出前景模糊图像，输入所述原始图像至所述背景模糊模型，输出背景模糊图像；
所述确定每个中间模糊图像中待模糊区域对应的模糊区域图像，包括：根据所述前景区域和所述前景模糊图像生成前景模糊区域，根据所述背景区域和所述背景模糊图像生成背景模糊区域；
所述融合各个所述模糊区域图像，得到与所述原始图像对应的目标模糊图像，包括：融合所述前景模糊区域图像和所述背景模糊区域图像，得到所述目标模糊图像。
8.一种图像模糊处理装置，其特征在于，所述装置包括：
模糊区域确定模块，用于确定原始图像对应的至少两个待模糊区域；
图像模糊模块，用于分别输入所述原始图像至各个所述待模糊区域对应的图像模糊模型，得到与每个待模糊区域对应的中间模糊图像；
模糊区域图像生成模块，用于确定每个中间模糊图像中待模糊区域对应的模糊区域图像；
模糊图像生成模块，用于融合各个所述模糊区域图像，得到与所述原始图像对应的目标模糊图像。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910833346.2A 2019-09-04 2019-09-04 图像模糊处理方法、装置、计算机设备和存储介质 Active CN110728632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833346.2A CN110728632B (zh) 2019-09-04 2019-09-04 图像模糊处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833346.2A CN110728632B (zh) 2019-09-04 2019-09-04 图像模糊处理方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110728632A true CN110728632A (zh) 2020-01-24
CN110728632B CN110728632B (zh) 2022-07-12

Family

ID=69218880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833346.2A Active CN110728632B (zh) 2019-09-04 2019-09-04 图像模糊处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110728632B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651883A (zh) * 2021-01-18 2021-04-13 广东工业大学 一种图像高速场景恢复方法、设备及介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0620409A2 (en) * 1993-04-12 1994-10-19 Hughes Missile Systems Company Electro-optical target and background simulation
US20160028944A1 (en) * 2014-07-28 2016-01-28 Canon Kabushiki Kaisha Image processing apparatus, imaging apparatus, and image processing method
CN105303514A (zh) * 2014-06-17 2016-02-03 腾讯科技（深圳）有限公司 图像处理方法和装置
CN105513105A (zh) * 2015-12-07 2016-04-20 天津大学 基于显著图的图像背景虚化方法
CN105989574A (zh) * 2015-02-25 2016-10-05 光宝科技股份有限公司 图像处理装置及图像景深处理方法
WO2017016050A1 (zh) * 2015-07-24 2017-02-02 青岛海信移动通信技术股份有限公司 一种图像的预览方法、装置及终端
CN107613202A (zh) * 2017-09-21 2018-01-19 维沃移动通信有限公司 一种拍摄方法及移动终端
CN108076286A (zh) * 2017-11-30 2018-05-25 广东欧珀移动通信有限公司 图像虚化方法、装置、移动终端和存储介质
CN108230252A (zh) * 2017-01-24 2018-06-29 深圳市商汤科技有限公司 图像处理方法、装置以及电子设备
CN108564541A (zh) * 2018-03-28 2018-09-21 麒麟合盛网络技术股份有限公司 一种图像处理方法及装置
CN108776800A (zh) * 2018-06-05 2018-11-09 Oppo广东移动通信有限公司 一种图像处理方法、移动终端及计算机可读存储介质
CN108921178A (zh) * 2018-06-22 2018-11-30 北京小米移动软件有限公司 获取图像模糊程度分类的方法、装置、电子设备
CN109285178A (zh) * 2018-10-25 2019-01-29 北京达佳互联信息技术有限公司 图像分割方法、装置及存储介质
CN109325532A (zh) * 2018-09-18 2019-02-12 成都网阔信息技术股份有限公司 一种小样本下扩充数据集的图像处理方法
US20190132495A1 (en) * 2017-11-01 2019-05-02 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Image processing method, and device
CN109712177A (zh) * 2018-12-25 2019-05-03 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备和计算机可读存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0620409A2 (en) * 1993-04-12 1994-10-19 Hughes Missile Systems Company Electro-optical target and background simulation
CN105303514A (zh) * 2014-06-17 2016-02-03 腾讯科技（深圳）有限公司 图像处理方法和装置
US20160028944A1 (en) * 2014-07-28 2016-01-28 Canon Kabushiki Kaisha Image processing apparatus, imaging apparatus, and image processing method
CN105989574A (zh) * 2015-02-25 2016-10-05 光宝科技股份有限公司 图像处理装置及图像景深处理方法
WO2017016050A1 (zh) * 2015-07-24 2017-02-02 青岛海信移动通信技术股份有限公司 一种图像的预览方法、装置及终端
CN105513105A (zh) * 2015-12-07 2016-04-20 天津大学 基于显著图的图像背景虚化方法
CN108230252A (zh) * 2017-01-24 2018-06-29 深圳市商汤科技有限公司 图像处理方法、装置以及电子设备
CN107613202A (zh) * 2017-09-21 2018-01-19 维沃移动通信有限公司 一种拍摄方法及移动终端
US20190132495A1 (en) * 2017-11-01 2019-05-02 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Image processing method, and device
CN108076286A (zh) * 2017-11-30 2018-05-25 广东欧珀移动通信有限公司 图像虚化方法、装置、移动终端和存储介质
CN108564541A (zh) * 2018-03-28 2018-09-21 麒麟合盛网络技术股份有限公司 一种图像处理方法及装置
CN108776800A (zh) * 2018-06-05 2018-11-09 Oppo广东移动通信有限公司 一种图像处理方法、移动终端及计算机可读存储介质
CN108921178A (zh) * 2018-06-22 2018-11-30 北京小米移动软件有限公司 获取图像模糊程度分类的方法、装置、电子设备
CN109325532A (zh) * 2018-09-18 2019-02-12 成都网阔信息技术股份有限公司 一种小样本下扩充数据集的图像处理方法
CN109285178A (zh) * 2018-10-25 2019-01-29 北京达佳互联信息技术有限公司 图像分割方法、装置及存储介质
CN109712177A (zh) * 2018-12-25 2019-05-03 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"五、P23 摄影测量与遥感学", 《测绘文摘》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651883A (zh) * 2021-01-18 2021-04-13 广东工业大学 一种图像高速场景恢复方法、设备及介质
CN112651883B (zh) * 2021-01-18 2023-04-07 广东工业大学 一种图像高速场景恢复方法、设备及介质

Also Published As

Publication number Publication date
CN110728632B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN112052787B (zh) 基于人工智能的目标检测方法、装置及电子设备
Wu et al. Fast-vqa: Efficient end-to-end video quality assessment with fragment sampling
CN109670558B (zh) 使用深度学习的数字图像完成
WO2022142450A1 (zh) 用于图像分割模型训练和图像分割的方法及装置
CN110909595B (zh) 面部动作识别模型训练方法、面部动作识别方法
CN111080628A (zh) 图像篡改检测方法、装置、计算机设备和存储介质
CN109472193A (zh) 人脸检测方法及装置
CN111695421B (zh) 图像识别方法、装置及电子设备
CN111340028A (zh) 一种文本定位方法、装置、电子设备及存储介质
CN114549913B (zh) 一种语义分割方法、装置、计算机设备和存储介质
CN112348828A (zh) 基于神经网络的实例分割方法和装置以及存储介质
CN112101386B (zh) 文本检测方法、装置、计算机设备和存储介质
CN111222450A (zh) 模型的训练及其直播处理的方法、装置、设备和存储介质
CN112418195A (zh) 一种人脸关键点检测方法、装置、电子设备及存储介质
CN110175974A (zh) 图像显著性检测方法、装置、计算机设备和存储介质
CN113269149A (zh) 活体人脸图像的检测方法、装置、计算机设备及存储介质
CN107578375B (zh) 图像处理方法及装置
CN110728632B (zh) 图像模糊处理方法、装置、计算机设备和存储介质
WO2024041108A1 (zh) 图像矫正模型训练及图像矫正方法、装置和计算机设备
CN112418481A (zh) 雷达回波图预测方法、装置、计算机设备和存储介质
Wang et al. A multi-scale attentive recurrent network for image dehazing
CN114998814B (zh) 目标视频生成方法、装置、计算机设备和存储介质
CN113065459B (zh) 一种基于动态条件卷积的视频实例分割方法及系统
CN111754518B (zh) 图像集合的扩充方法、装置及电子设备
CN113706390A (zh) 图像转换模型训练方法和图像转换方法、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant