CN112102205A - 图像去模糊方法、装置、电子设备及存储介质 - Google Patents
图像去模糊方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112102205A CN112102205A CN202011105925.4A CN202011105925A CN112102205A CN 112102205 A CN112102205 A CN 112102205A CN 202011105925 A CN202011105925 A CN 202011105925A CN 112102205 A CN112102205 A CN 112102205A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- processed
- deblurring
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 62
- 238000012360 testing method Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012805 post-processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理，提供一种图像去模糊方法、装置、电子设备及存储介质。该方法能够当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；融合所述多个不同尺寸的特征信息，得到融合特征图；对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；将所述初始图像输入至预先构建的判别器中，得到判别结果；当所述判别结果为真实图像时，将所述初始图像确定为所述待处理图像的目标图像。本发明通过判别器对生成的初始图像进行判别，能够确保所述目标图像的去模糊质量。此外，本发明还涉及区块链技术，所述目标图像可存储于区块链中。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像去模糊方法、装置、电子设备及存储介质。
背景技术
在图像摄像过程中，很容易因为摄影对象快速移动或者相机摇晃等原因造成摄影对象失焦而模糊，导致图像质量下降，为了提高图像质量，通常利用模糊原理进行建模，进而利用建模生成的调整模型对图像进行去模糊化，然而，由于调整模型并未考虑图像在拍摄场景的表现，导致去模糊化后的图像质量不高。
发明内容
鉴于以上内容，有必要提供一种图像去模糊方法、装置、电子设备及存储介质，能够确保所述目标图像的去模糊质量。
一方面，本发明提出一种图像去模糊方法，所述图像去模糊方法包括：
当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；
提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；
融合所述多个不同尺寸的特征信息，得到融合特征图；
对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；
将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；
当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
根据本发明优选实施例，所述从所述图像去模糊请求中提取待处理图像包括：
获取预设线程连接池，所述预设线程连接池中包括多个预先设定的线程；
从所述预设线程连接池中获取闲置线程；
利用所述闲置线程解析所述图像去模糊请求，得到所述图像去模糊请求携带的数据信息；
获取预设标签，所述预设标签用于指示所述待处理图像的存储位置；
从所述数据信息中获取与所述预设标签对应的信息作为图像存储位置；
从所述图像存储位置中获取所述待处理图像。
根据本发明优选实施例，所述提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息包括：
按照多个预设比例对所述待处理图像进行尺度变换，得到多个不同尺寸的尺度图像；
对每个尺度图像进行编码，得到每个尺度图像的编码矩阵；
获取每个尺度图像的任意像素，并将所述任意像素的相邻像素点确定为相邻像素；
从所述编码矩阵中获取所述任意像素的第一编码向量，并从所述编码矩阵中获取所述相邻像素的第二编码向量；
根据所述第一编码向量及所述第二编码向量确定每个尺度图像的特征，得到所述图像特征。
根据本发明优选实施例，所述方法还包括：
当所述判别结果为生成图像时，根据所述初始图像及所述待处理图像确定所述初始图像的损失值；
当所述损失值小于预设阈值时，根据所述预设阈值确定学习率，并根据所述学习率调整所述判别器，得到调整后的判别器，并将所述初始图像输入至所述调整后的判别器进行训练；或者
当所述损失值大于或者等于所述预设阈值时，调整所述多个预设比例的取值，得到调整后的预设比例，并利用所述调整后的预设比例对所述待处理图像进行尺度变换。
根据本发明优选实施例，所述融合所述多个不同尺寸的特征信息，得到融合特征图包括：
将所述多个不同尺寸的特征信息对应的尺度图像确定为特征图像，并对同一特征图像的特征信息进行融合处理，得到多个第一特征图及所述第一特征图对应的特征尺寸；
按照所述特征尺寸从大至小的顺序对所述多个第一特征图进行排序，得到第一队列，并按照所述特征尺寸从小至大的顺序对所述多个第一特征图进行排序，得到第二队列；
按照所述第一队列与所述第二队列的队列顺序融合所述第一队列中的所述多个第一特征图与所述第二队列中的所述多个第一特征图，得到所述融合特征图。
根据本发明优选实施例，所述对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像包括：
对所述融合特征图进行卷积处理，得到多个尺寸相同的第二特征图；
对所述多个尺寸相同的第二特征图进行相加处理，得到所述初始图像。
根据本发明优选实施例，在将所述初始图像输入至预先构建的判别器中，得到判别结果之前，所述方法还包括：
获取图像训练集，所述图像训练集包括多张拍摄图像及多张合成图像；
确定所述图像训练集的图像数量，并将所述图像数量乘以第一配置值，得到训练数量；
从所述图像训练集中获取数量为所述训练数量的训练图像；
训练所述训练图像，得到学习器；
将所述图像数量乘以第二配置值，得到测试数量，并从所述图像训练集中获取数量为所述测试数量的测试图像；
利用所述测试图像测试所述学习器，得到测试结果，并根据所述测试数量及所述测试结果确定测试通过率；
当所述测试通过率大于测试阈值时，将所述学习器确定为所述判别器。
另一方面，本发明还提出一种图像去模糊装置，所述图像去模糊装置包括：
提取单元，用于当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；
所述提取单元，还用于提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；
融合单元，用于融合所述多个不同尺寸的特征信息，得到融合特征图；
处理单元，用于对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；
输入单元，用于将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；
确定单元，用于当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述图像去模糊方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述图像去模糊方法。
由以上技术方案可以看出，本发明能够当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；融合所述多个不同尺寸的特征信息，得到融合特征图；对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。本发明通过判别器对生成的初始图像进行判别，能够确保所述目标图像的去模糊质量。
附图说明
图1是本发明图像去模糊方法的较佳实施例的流程图。
图2是本发明图像去模糊装置的较佳实施例的功能模块图。
图3是本发明实现图像去模糊方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明图像去模糊方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述图像去模糊方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像。
在本发明的至少一个实施例中，所述图像去模糊请求可以由用户触发，也可以在配置时间内触发。
在本发明的至少一个实施例中，所述图像去模糊请求中携带的数据信息包括，但不限于：请求编号、预设标签、图像存储位置等。
进一步地，所述预设标签是指预先定义好的标签，所述预设标签与所述图像存储位置相对应。例如，所述预设标签可以是address。
更进一步地，所述图像存储位置上存储所述待处理图像。例如：所述图像存储位置可以是某个文件夹下的子文件夹，所述图像存储位置也可以是磁盘上的某条磁道。
在本发明的至少一个实施例中，所述待处理图像可以是人脸图像，也可以是动物图像，还可以是风景图像等。
在本发明的至少一个实施例中，所述电子设备从所述图像去模糊请求中提取待处理图像包括：
获取预设线程连接池，所述预设线程连接池中包括多个预先设定的线程；
从所述预设线程连接池中获取闲置线程；
利用所述闲置线程解析所述图像去模糊请求，得到所述图像去模糊请求携带的数据信息；
获取预设标签，所述预设标签用于指示所述待处理图像的存储位置；
从所述数据信息中获取与所述预设标签对应的信息作为图像存储位置；
从所述图像存储位置中获取所述待处理图像。
通过从所述预设线程连接池中获取闲置线程，能够节省创建闲置线程的时间，进而利用闲置线程处理所述图像去模糊请求，无需等待闲置线程处理其他优先级较高的请求，提高图像去模糊请求的解析效率，通过预设标签与图像存储位置的映射关系，能够准确获取到所述待处理图像。
S11，提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息。
在本发明的至少一个实施例中，所述图像特征是指所述待处理图像上的关键点特征，所述关键点特征可以包括所述待处理图像上模糊位置的像素。
在本发明的至少一个实施例中，所述电子设备提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息包括：
按照多个预设比例对所述待处理图像进行尺度变换，得到多个不同尺寸的尺度图像；
对每个尺度图像进行编码，得到每个尺度图像的编码矩阵；
获取每个尺度图像的任意像素，并将所述任意像素的相邻像素点确定为相邻像素；
从所述编码矩阵中获取所述任意像素的第一编码向量，并从所述编码矩阵中获取所述相邻像素的第二编码向量；
根据所述第一编码向量及所述第二编码向量确定每个尺度图像的特征，得到所述图像特征。
其中，所述多个预设比例可以包括，但不限于：0.8、1.2、1.5等。
通过尺度变换后的尺度图像上像素间的像素关系，能够准确获取到多个不同尺寸的图像特征。
在其他实施例中，所述电子设备可以利用特征金字塔中的多个特征提取层对所述待处理图像进行尺度变换。
具体地，所述电子设备通过向量映射表对每个尺度图像进行编码，得到每个尺度图像的编码矩阵。
其中，所述向量映射表中存储多个像素及所述多个像素的向量。可以理解的是，模糊像素的向量值通常小于清晰像素的向量值。
具体地，所述电子设备根据所述第一编码向量及所述第二编码向量确定每个尺度图像的特征，得到所述图像特征包括：
计算所述第一编码向量对应的第一向量值，并计算所述第二编码向量对应的第二向量值；
比较所述第一向量值与所述第二向量值；
当所述第一向量值大于所述第二向量值时，将所述第二向量值对应的像素确定为所述图像特征；或者
当所述第一向量值小于或者等于所述第二向量值时，将所述第一向量值对应的像素确定为所述图像特征。
例如，当第一编码向量为(3，4，5)时，经计算，得到第一向量值为50。
由于模糊像素的向量值通常小于清晰像素的向量值，因此，通过上述实施方式，能够准确确定出所述图像特征。
S12，融合所述多个不同尺寸的特征信息，得到融合特征图。
在本发明的至少一个实施例中，所述融合特征图中包括多张不同尺寸的图像。所述融合特征图兼具有多个位置信息及多个特征信息。
在本发明的至少一个实施例中，所述电子设备融合所述多个不同尺寸的特征信息，得到融合特征图包括：
将所述多个不同尺寸的特征信息对应的尺度图像确定为特征图像，并对同一特征图像的特征信息进行融合处理，得到多个第一特征图及所述第一特征图对应的特征尺寸；
按照所述特征尺寸从大至小的顺序对所述多个第一特征图进行排序，得到第一队列，并按照所述特征尺寸从小至大的顺序对所述多个第一特征图进行排序，得到第二队列；
按照所述第一队列与所述第二队列的队列顺序融合所述第一队列中的所述多个第一特征图与所述第二队列中的所述多个第一特征图，得到所述融合特征图。
例如，图像特征A、图像特征D和图像特征E的特征图像为尺寸大小为20*20的图像一、图像特征B和图像特征F的特征图像为尺寸大小为200*200的图像二、图像特征C和图像特征G的特征图像为尺寸大小为40*40的图像三，将图像特征A、图像特征D和图像特征E进行融合，得到特征尺寸为20*20的第一特征图甲，将图像特征B和图像特征F进行融合，得到特征尺寸为200*200的第一特征图乙，将图像特征C和图像特征G进行融合，得到特征尺寸为40*40的第一特征图丙，经排序，得到第一队列为第一特征图乙、第一特征图丙、第一特征图甲，第二队列为第一特征图甲、第一特征图丙、第一特征图乙，融合所述第一特征图乙与所述第一特征图甲，得到融合特征图X，融合所述第一队列中的第一特征图丙与所述第二队列中的第一特征图丙，得到融合特征图Y。
由于尺寸较大的特征图包含较多的位置信息，而尺寸较小的特征图包含较多的特征信息，因此，通过上述实施方式，能够生成兼具有较多的位置信息和较多的特征信息的融合特征图。
S13，对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像。
在本发明的至少一个实施例中，所述初始图像是指对所述待处理图像进行去模糊化后的图像。
在本发明的至少一个实施例中，所述电子设备对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像包括：
对所述融合特征图进行卷积处理，得到多个尺寸相同的第二特征图；
对所述多个尺寸相同的第二特征图进行相加处理，得到所述初始图像。
通过上述实施方式，能够实现对所述待处理图像的重建以得到所述初始图像。
S14，将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像。
在本发明的至少一个实施例中，所述判别结果包括真实图像及生成图像两种结果。所述真实图像是指所述初始图像是由摄像机摄像得到的，并未经过后期处理，所述真实图像用于表征所述初始图像的去模糊质量高。所述生成图像是指所述初始图像是经过后期处理得到的，所述生成图像用于表征所述初始图像的去模糊质量低。
在本发明的至少一个实施例中，在将所述初始图像输入至预先构建的判别器中，得到判别结果之前，所述方法还包括：
获取图像训练集，所述图像训练集包括多张拍摄图像及多张合成图像；
确定所述图像训练集的图像数量，并将所述图像数量乘以第一配置值，得到训练数量；
从所述图像训练集中获取数量为所述训练数量的训练图像；
训练所述训练图像，得到学习器；
将所述图像数量乘以第二配置值，得到测试数量，并从所述图像训练集中获取数量为所述测试数量的测试图像；
利用所述测试图像测试所述学习器，得到测试结果，并根据所述测试数量及所述测试结果确定测试通过率；
当所述测试通过率大于测试阈值时，将所述学习器确定为所述判别器。
其中，所述第一配置值及所述第二配置值是小于1的比例，所述第一配置值的取值通常小于所述第二配置值的取值，例如，所述第一配置值可以是0.7，所述第二配置值可以是0.1。
通过上述实施方式，能够生成较为精准的判别器，进而提高所述初始图像的判别精准度。
在其他实施例中，当时所述测试通过率小于或者等于所述测试阈值时，从所述图像训练集中获取验证图像，利用所述验证图像调整所述学习器，直至所述学习器的测试通过率大于所述测试阈值，得到所述判别器。
S15，当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
需要强调的是，为进一步保证上述目标图像的私密和安全性，上述目标图像还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述目标图像是指对所述待处理图像进行去模糊化处理后的清晰图像。
在本发明的至少一个实施例中，所述方法还包括：
当所述判别结果为生成图像时，根据所述初始图像及所述待处理图像确定所述初始图像的损失值；
当所述损失值小于预设阈值时，根据所述预设阈值确定学习率，并根据所述学习率调整所述判别器，得到调整后的判别器，并将所述初始图像输入至所述调整后的判别器进行训练；或者
当所述损失值大于或者等于所述预设阈值时，调整所述多个预设比例的取值，得到调整后的预设比例，并利用所述调整后的预设比例对所述待处理图像进行尺度变换。
通过上述实施方式，能够在所述判别结果为所述生成图像，及所述损失值大于或者等于所述预设阈值时调整所述多个预设比例的取值，进而提高所述目标图像的去模糊质量，此外，由于只需调整预设比例这一参数，能够提高调整效率。
在本发明的至少一个实施例中，在将所述初始图像输入至所述调整后的判别器进行训练之后，得到调整后的判别结果，检测所述调整后的判别结果是否为所述真实图像，当所述调整后的判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
在本发明的至少一个实施例中，在利用所述调整后的预设比例对所述待处理图像进行尺度变换之后，得到调整后的尺度图像，并提取所述调整后的尺度图像上的特征作为调整后的图像特征，融合所述调整后的图像特征，得到调整后的特征图，对所述调整后的特征图进行上采样处理，直至得到的图像经所述判别器判别为真实图像。
在其他实施例中，当所述判别结果为生成图像时，利用调整后的多个预设比例对所述待处理图像进行处理。
由以上技术方案可以看出，本发明能够当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；融合所述多个不同尺寸的特征信息，得到融合特征图；对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。本发明通过判别器对生成的初始图像进行判别，能够确保所述目标图像的去模糊质量。
如图2所示，是本发明图像去模糊装置的较佳实施例的功能模块图。所述图像去模糊装置11包括提取单元110、融合单元111、处理单元112、输入单元113、确定单元114、获取单元115、训练单元116及调整单元117。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到图像去模糊请求时，提取单元110从所述图像去模糊请求中提取待处理图像。
在本发明的至少一个实施例中，所述图像去模糊请求可以由用户触发，也可以在配置时间内触发。
在本发明的至少一个实施例中，所述图像去模糊请求中携带的数据信息包括，但不限于：请求编号、预设标签、图像存储位置等。
进一步地，所述预设标签是指预先定义好的标签，所述预设标签与所述图像存储位置相对应。例如，所述预设标签可以是address。
更进一步地，所述图像存储位置上存储所述待处理图像。例如：所述图像存储位置可以是某个文件夹下的子文件夹，所述图像存储位置也可以是磁盘上的某条磁道。
在本发明的至少一个实施例中，所述待处理图像可以是人脸图像，也可以是动物图像，还可以是风景图像等。
在本发明的至少一个实施例中，所述提取单元110从所述图像去模糊请求中提取待处理图像包括：
获取预设线程连接池，所述预设线程连接池中包括多个预先设定的线程；
从所述预设线程连接池中获取闲置线程；
利用所述闲置线程解析所述图像去模糊请求，得到所述图像去模糊请求携带的数据信息；
获取预设标签，所述预设标签用于指示所述待处理图像的存储位置；
从所述数据信息中获取与所述预设标签对应的信息作为图像存储位置；
从所述图像存储位置中获取所述待处理图像。
通过从所述预设线程连接池中获取闲置线程，能够节省创建闲置线程的时间，进而利用闲置线程处理所述图像去模糊请求，无需等待闲置线程处理其他优先级较高的请求，提高图像去模糊请求的解析效率，通过预设标签与图像存储位置的映射关系，能够准确获取到所述待处理图像。
所述提取单元110提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息。
在本发明的至少一个实施例中，所述图像特征是指所述待处理图像上的关键点特征，所述关键点特征可以包括所述待处理图像上模糊位置的像素。
在本发明的至少一个实施例中，所述提取单元110提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息包括：
按照多个预设比例对所述待处理图像进行尺度变换，得到多个不同尺寸的尺度图像；
对每个尺度图像进行编码，得到每个尺度图像的编码矩阵；
获取每个尺度图像的任意像素，并将所述任意像素的相邻像素点确定为相邻像素；
从所述编码矩阵中获取所述任意像素的第一编码向量，并从所述编码矩阵中获取所述相邻像素的第二编码向量；
根据所述第一编码向量及所述第二编码向量确定每个尺度图像的特征，得到所述图像特征。
其中，所述多个预设比例可以包括，但不限于：0.8、1.2、1.5等。
通过尺度变换后的尺度图像上像素间的像素关系，能够准确获取到多个不同尺寸的图像特征。
在其他实施例中，所述提取单元110可以利用特征金字塔中的多个特征提取层对所述待处理图像进行尺度变换。
具体地，所述提取单元110通过向量映射表对每个尺度图像进行编码，得到每个尺度图像的编码矩阵。
其中，所述向量映射表中存储多个像素及所述多个像素的向量。可以理解的是，模糊像素的向量值通常小于清晰像素的向量值。
具体地，所述提取单元110根据所述第一编码向量及所述第二编码向量确定每个尺度图像的特征，得到所述图像特征包括：
计算所述第一编码向量对应的第一向量值，并计算所述第二编码向量对应的第二向量值；
比较所述第一向量值与所述第二向量值；
当所述第一向量值大于所述第二向量值时，将所述第二向量值对应的像素确定为所述图像特征；或者
当所述第一向量值小于或者等于所述第二向量值时，将所述第一向量值对应的像素确定为所述图像特征。
例如，当第一编码向量为(3，4，5)时，经计算，得到第一向量值为50。
由于模糊像素的向量值通常小于清晰像素的向量值，因此，通过上述实施方式，能够准确确定出所述图像特征。
融合单元111融合所述多个不同尺寸的特征信息，得到融合特征图。
在本发明的至少一个实施例中，所述融合特征图中包括多张不同尺寸的图像。所述融合特征图兼具有多个位置信息及多个特征信息。
在本发明的至少一个实施例中，所述融合单元111融合所述多个不同尺寸的特征信息，得到融合特征图包括：
将所述多个不同尺寸的特征信息对应的尺度图像确定为特征图像，并对同一特征图像的特征信息进行融合处理，得到多个第一特征图及所述第一特征图对应的特征尺寸；
按照所述特征尺寸从大至小的顺序对所述多个第一特征图进行排序，得到第一队列，并按照所述特征尺寸从小至大的顺序对所述多个第一特征图进行排序，得到第二队列；
按照所述第一队列与所述第二队列的队列顺序融合所述第一队列中的所述多个第一特征图与所述第二队列中的所述多个第一特征图，得到所述融合特征图。
例如，图像特征A、图像特征D和图像特征E的特征图像为尺寸大小为20*20的图像一、图像特征B和图像特征F的特征图像为尺寸大小为200*200的图像二、图像特征C和图像特征G的特征图像为尺寸大小为40*40的图像三，将图像特征A、图像特征D和图像特征E进行融合，得到特征尺寸为20*20的第一特征图甲，将图像特征B和图像特征F进行融合，得到特征尺寸为200*200的第一特征图乙，将图像特征C和图像特征G进行融合，得到特征尺寸为40*40的第一特征图丙，经排序，得到第一队列为第一特征图乙、第一特征图丙、第一特征图甲，第二队列为第一特征图甲、第一特征图丙、第一特征图乙，融合所述第一特征图乙与所述第一特征图甲，得到融合特征图X，融合所述第一队列中的第一特征图丙与所述第二队列中的第一特征图丙，得到融合特征图Y。
由于尺寸较大的特征图包含较多的位置信息，而尺寸较小的特征图包含较多的特征信息，因此，通过上述实施方式，能够生成兼具有较多的位置信息和较多的特征信息的融合特征图。
处理单元112对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像。
在本发明的至少一个实施例中，所述初始图像是指对所述待处理图像进行去模糊化后的图像。
在本发明的至少一个实施例中，所述处理单元112对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像包括：
对所述融合特征图进行卷积处理，得到多个尺寸相同的第二特征图；
对所述多个尺寸相同的第二特征图进行相加处理，得到所述初始图像。
通过上述实施方式，能够实现对所述待处理图像的重建以得到所述初始图像。
输入单元113将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像。
在本发明的至少一个实施例中，所述判别结果包括真实图像及生成图像两种结果。所述真实图像是指所述初始图像是由摄像机摄像得到的，并未经过后期处理，所述真实图像用于表征所述初始图像的去模糊质量高。所述生成图像是指所述初始图像是经过后期处理得到的，所述生成图像用于表征所述初始图像的去模糊质量低。
在本发明的至少一个实施例中，在将所述初始图像输入至预先构建的判别器中，得到判别结果之前，获取单元115获取图像训练集，所述图像训练集包括多张拍摄图像及多张合成图像；
确定单元114确定所述图像训练集的图像数量，并将所述图像数量乘以第一配置值，得到训练数量；
所述获取单元115从所述图像训练集中获取数量为所述训练数量的训练图像；
训练单元116训练所述训练图像，得到学习器；
所述获取单元115将所述图像数量乘以第二配置值，得到测试数量，并从所述图像训练集中获取数量为所述测试数量的测试图像；
所述确定单元114利用所述测试图像测试所述学习器，得到测试结果，并根据所述测试数量及所述测试结果确定测试通过率；
当所述测试通过率大于测试阈值时，所述确定单元114将所述学习器确定为所述判别器。
其中，所述第一配置值及所述第二配置值是小于1的比例，所述第一配置值的取值通常小于所述第二配置值的取值，例如，所述第一配置值可以是0.7，所述第二配置值可以是0.1。
通过上述实施方式，能够生成较为精准的判别器，进而提高所述初始图像的判别精准度。
在其他实施例中，当时所述测试通过率小于或者等于所述测试阈值时，从所述图像训练集中获取验证图像，利用所述验证图像调整所述学习器，直至所述学习器的测试通过率大于所述测试阈值，得到所述判别器。
当所述判别结果为所述真实图像时，所述确定单元114将所述初始图像确定为所述待处理图像的目标图像。
需要强调的是，为进一步保证上述目标图像的私密和安全性，上述目标图像还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述目标图像是指对所述待处理图像进行去模糊化处理后的清晰图像。
在本发明的至少一个实施例中，当所述判别结果为生成图像时，所述确定单元114根据所述初始图像及所述待处理图像确定所述初始图像的损失值；
当所述损失值小于预设阈值时，调整单元117根据所述预设阈值确定学习率，并根据所述学习率调整所述判别器，得到调整后的判别器，并将所述初始图像输入至所述调整后的判别器进行训练；或者
当所述损失值大于或者等于所述预设阈值时，所述调整单元117调整所述多个预设比例的取值，得到调整后的预设比例，并利用所述调整后的预设比例对所述待处理图像进行尺度变换。
通过上述实施方式，能够在所述判别结果为所述生成图像，及所述损失值大于或者等于所述预设阈值时调整所述多个预设比例的取值，进而提高所述目标图像的去模糊质量，此外，由于只需调整预设比例这一参数，能够提高调整效率。
在本发明的至少一个实施例中，在将所述初始图像输入至所述调整后的判别器进行训练之后，得到调整后的判别结果，检测所述调整后的判别结果是否为所述真实图像，当所述调整后的判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
在本发明的至少一个实施例中，在利用所述调整后的预设比例对所述待处理图像进行尺度变换之后，得到调整后的尺度图像，并提取所述调整后的尺度图像上的特征作为调整后的图像特征，融合所述调整后的图像特征，得到调整后的特征图，对所述调整后的特征图进行上采样处理，直至得到的图像经所述判别器判别为真实图像。
在其他实施例中，当所述判别结果为生成图像时，利用调整后的多个预设比例对所述待处理图像进行处理。
由以上技术方案可以看出，本发明能够当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；融合所述多个不同尺寸的特征信息，得到融合特征图；对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。本发明通过判别器对生成的初始图像进行判别，能够确保所述目标图像的去模糊质量。
如图3所示，是本发明实现图像去模糊方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如图像去模糊程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个图像去模糊方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成提取单元110、融合单元111、处理单元112、输入单元113、确定单元114、获取单元115、训练单元116及调整单元117。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种图像去模糊方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；
提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；
融合所述多个不同尺寸的特征信息，得到融合特征图；
对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；
将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；
当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时还用以实现以下步骤：
当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；
提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；
融合所述多个不同尺寸的特征信息，得到融合特征图；
对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；
将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；
当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种图像去模糊方法，其特征在于，所述图像去模糊方法包括：
当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；
提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；
融合所述多个不同尺寸的特征信息，得到融合特征图；
对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；
将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；
当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
2.如权利要求1所述的图像去模糊方法，其特征在于，所述从所述图像去模糊请求中提取待处理图像包括：
获取预设线程连接池，所述预设线程连接池中包括多个预先设定的线程；
从所述预设线程连接池中获取闲置线程；
利用所述闲置线程解析所述图像去模糊请求，得到所述图像去模糊请求携带的数据信息；
获取预设标签，所述预设标签用于指示所述待处理图像的存储位置；
从所述数据信息中获取与所述预设标签对应的信息作为图像存储位置；
从所述图像存储位置中获取所述待处理图像。
3.如权利要求1所述的图像去模糊方法，其特征在于，所述提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息包括：
按照多个预设比例对所述待处理图像进行尺度变换，得到多个不同尺寸的尺度图像；
对每个尺度图像进行编码，得到每个尺度图像的编码矩阵；
获取每个尺度图像的任意像素，并将所述任意像素的相邻像素点确定为相邻像素；
从所述编码矩阵中获取所述任意像素的第一编码向量，并从所述编码矩阵中获取所述相邻像素的第二编码向量；
根据所述第一编码向量及所述第二编码向量确定每个尺度图像的特征，得到所述图像特征。
4.如权利要求3所述的图像去模糊方法，其特征在于，所述方法还包括：
当所述判别结果为生成图像时，根据所述初始图像及所述待处理图像确定所述初始图像的损失值；
当所述损失值小于预设阈值时，根据所述预设阈值确定学习率，并根据所述学习率调整所述判别器，得到调整后的判别器，并将所述初始图像输入至所述调整后的判别器进行训练；或者
当所述损失值大于或者等于所述预设阈值时，调整所述多个预设比例的取值，得到调整后的预设比例，并利用所述调整后的预设比例对所述待处理图像进行尺度变换。
5.如权利要求1所述的图像去模糊方法，其特征在于，所述融合所述多个不同尺寸的特征信息，得到融合特征图包括：
将所述多个不同尺寸的特征信息对应的尺度图像确定为特征图像，并对同一特征图像的特征信息进行融合处理，得到多个第一特征图及所述第一特征图对应的特征尺寸；
按照所述特征尺寸从大至小的顺序对所述多个第一特征图进行排序，得到第一队列，并按照所述特征尺寸从小至大的顺序对所述多个第一特征图进行排序，得到第二队列；
按照所述第一队列与所述第二队列的队列顺序融合所述第一队列中的所述多个第一特征图与所述第二队列中的所述多个第一特征图，得到所述融合特征图。
6.如权利要求1所述的图像去模糊方法，其特征在于，所述对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像包括：
对所述融合特征图进行卷积处理，得到多个尺寸相同的第二特征图；
对所述多个尺寸相同的第二特征图进行相加处理，得到所述初始图像。
7.如权利要求1所述的图像去模糊方法，其特征在于，在将所述初始图像输入至预先构建的判别器中，得到判别结果之前，所述方法还包括：
获取图像训练集，所述图像训练集包括多张拍摄图像及多张合成图像；
确定所述图像训练集的图像数量，并将所述图像数量乘以第一配置值，得到训练数量；
从所述图像训练集中获取数量为所述训练数量的训练图像；
训练所述训练图像，得到学习器；
将所述图像数量乘以第二配置值，得到测试数量，并从所述图像训练集中获取数量为所述测试数量的测试图像；
利用所述测试图像测试所述学习器，得到测试结果，并根据所述测试数量及所述测试结果确定测试通过率；
当所述测试通过率大于测试阈值时，将所述学习器确定为所述判别器。
8.一种图像去模糊装置，其特征在于，所述图像去模糊装置包括：
提取单元，用于当接收到图像去模糊请求时，从所述图像去模糊请求中提取待处理图像；
所述提取单元，还用于提取所述待处理图像的图像特征，所述图像特征包括多个不同尺寸的特征信息；
融合单元，用于融合所述多个不同尺寸的特征信息，得到融合特征图；
处理单元，用于对所述融合特征图进行上采样处理，得到与所述待处理图像对应的初始图像；
输入单元，用于将所述初始图像输入至预先构建的判别器中，得到判别结果，所述判别结果包括真实图像及生成图像；
确定单元，用于当所述判别结果为所述真实图像时，将所述初始图像确定为所述待处理图像的目标图像。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的图像去模糊方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的图像去模糊方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011105925.4A CN112102205B (zh) | 2020-10-15 | 2020-10-15 | 图像去模糊方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011105925.4A CN112102205B (zh) | 2020-10-15 | 2020-10-15 | 图像去模糊方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102205A true CN112102205A (zh) | 2020-12-18 |
| CN112102205B CN112102205B (zh) | 2024-02-09 |
Family
ID=73784321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011105925.4A Active CN112102205B (zh) | 2020-10-15 | 2020-10-15 | 图像去模糊方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102205B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998277A (zh) * | 2022-06-16 | 2022-09-02 | 吉林大学 | 抓取点识别方法、装置、电子设备及计算机存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629743A (zh) * | 2018-04-04 | 2018-10-09 | 腾讯科技（深圳）有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
| CN109727201A (zh) * | 2017-10-30 | 2019-05-07 | 富士通株式会社 | 信息处理设备、图像处理方法以及存储介质 |
| CN110782399A (zh) * | 2019-08-22 | 2020-02-11 | 天津大学 | 一种基于多任务cnn的图像去模糊方法 |
| CN111340716A (zh) * | 2019-11-20 | 2020-06-26 | 电子科技大学成都学院 | 一种改进双重判别对抗网络模型的图像去模糊方法 |
| CN111553867A (zh) * | 2020-05-15 | 2020-08-18 | 润联软件系统(深圳)有限公司 | 一种图像去模糊方法、装置、计算机设备及存储介质 |
| CN111583124A (zh) * | 2019-02-19 | 2020-08-25 | 宁波舜宇光电信息有限公司 | 用于对图像去模糊的方法、装置、系统及存储介质 |
| CN111754446A (zh) * | 2020-06-22 | 2020-10-09 | 怀光智能科技（武汉）有限公司 | 一种基于生成对抗网络的图像融合方法、系统及存储介质 |
-
2020
- 2020-10-15 CN CN202011105925.4A patent/CN112102205B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727201A (zh) * | 2017-10-30 | 2019-05-07 | 富士通株式会社 | 信息处理设备、图像处理方法以及存储介质 |
| CN108629743A (zh) * | 2018-04-04 | 2018-10-09 | 腾讯科技（深圳）有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
| CN111583124A (zh) * | 2019-02-19 | 2020-08-25 | 宁波舜宇光电信息有限公司 | 用于对图像去模糊的方法、装置、系统及存储介质 |
| CN110782399A (zh) * | 2019-08-22 | 2020-02-11 | 天津大学 | 一种基于多任务cnn的图像去模糊方法 |
| CN111340716A (zh) * | 2019-11-20 | 2020-06-26 | 电子科技大学成都学院 | 一种改进双重判别对抗网络模型的图像去模糊方法 |
| CN111553867A (zh) * | 2020-05-15 | 2020-08-18 | 润联软件系统(深圳)有限公司 | 一种图像去模糊方法、装置、计算机设备及存储介质 |
| CN111754446A (zh) * | 2020-06-22 | 2020-10-09 | 怀光智能科技（武汉）有限公司 | 一种基于生成对抗网络的图像融合方法、系统及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998277A (zh) * | 2022-06-16 | 2022-09-02 | 吉林大学 | 抓取点识别方法、装置、电子设备及计算机存储介质 |
| CN114998277B (zh) * | 2022-06-16 | 2024-05-17 | 吉林大学 | 抓取点识别方法、装置、电子设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102205B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
| CN114663335A (zh) | 图像瑕疵检测方法、装置、电子设备及介质 | |
| CN112668453B (zh) | 视频识别方法及相关设备 | |
| CN112330709A (zh) | 一种前景图像提取方法、装置、可读存储介质及终端设备 | |
| CN111951154B (zh) | 包含背景和介质的图片的生成方法及装置 | |
| CN113807451B (zh) | 全景图像特征点匹配模型的训练方法、装置以及服务器 | |
| CN116433559A (zh) | 产品外观缺陷检测方法、电子设备及存储介质 | |
| CN112232203B (zh) | 行人识别方法、装置、电子设备及存储介质 | |
| CN111783593A (zh) | 基于人工智能的人脸识别方法、装置、电子设备及介质 | |
| CN115063632A (zh) | 基于人工智能的车辆损伤识别方法、装置、设备及介质 | |
| TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
| CN115170869A (zh) | 重复车损理赔识别方法、装置、设备及存储介质 | |
| CN114758145A (zh) | 一种图像脱敏方法、装置、电子设备及存储介质 | |
| CN112102205B (zh) | 图像去模糊方法、装置、电子设备及存储介质 | |
| CN111741329A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
| CN116543460A (zh) | 基于人工智能的时空动作识别方法及相关设备 | |
| CN113850632B (zh) | 用户类别确定方法、装置、设备及存储介质 | |
| CN113627576A (zh) | 扫码信息检测方法、装置、设备及存储介质 | |
| CN113240050A (zh) | 一种特征融合权重可调的金属打印熔池检测方法 | |
| CN113283421B (zh) | 信息识别方法、装置、设备及存储介质 | |
| CN117237512B (zh) | 一种视频图像的三维场景映射方法及系统 | |
| CN116542842A (zh) | 基于人工智能的图像标记去除模型的搭建方法及相关设备 | |
| CN114972761B (zh) | 基于人工智能的车辆部件分割方法及相关设备 | |
| CN114972093A (zh) | 图像增强方法、装置、设备及存储介质 | |
| CN116895006A (zh) | 基于神经网络的视频人脸融合方法、装置、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 |