[发明专利]图像处理方法、装置、可读存储介质及计算机设备

说明书

本发明公开了一种图像处理方法、装置、可读存储介质及计算机设备，所述包括：获取标准模糊图像和与所述标准模糊图像对应的标准清晰图像；对所述标准模糊图像和所述标准清晰图像进行全卷积网络训练，所述全卷积网络包括至少一个训练网络层，每一个所述训练网络层均包括卷积层、掩膜激活层和ReLU激活层；获取待处理模糊图像；利用测试全卷积网络对所述待处理模糊图像进行处理，以获得与所述待处理模糊图像对应的清晰图像，所述测试全卷积网络包括至少一个测试网络层，每一个所述测试网络层均包括所述卷积层和所述ReLU激活层。本发明能够解决图像处理时文字的清晰化效果较差的问题。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像处理方法、系统、可读存储介质及计算机设备。

背景技术

随着科技的发展，电子产品得到了广泛普及，其中，具有摄像功能电子产品，若手机、相机等，更是受到消费者的青睐，电子产品的对图像的拍摄效果已经影响了消费者的购买兴趣。

人们在使用相机或手机拍摄图像时，可能会由于失焦或手抖等因素导致采集的图像模糊不清晰。传统方法在解决这一类问题时，主要通过估计模糊核，反卷积得到清晰的图像。随着深度学习技术的发展，一些研究人员利用卷积神经网络来学习模糊核，实现图像的清晰化。

当图像内容为文字时，深度学习会受大量的背景内容干扰，影响到网络的学习。因为通常文字图像的背景比较平坦，图像模糊后几乎没有细节。当采用深度学习训练求解时，模糊图像的背景相对平坦，而清晰图像的背景区域会有一些小的细节。这样大量的背景区域会误导网络的训练，使得网络收敛缓慢，而且文字的清晰化效果变差。

发明内容

为此，本发明的一个实施例提出一种图像处理方法，解决图像处理时文字的清晰化效果较差的问题。

根据本发明一实施例的图像处理方法，包括：

获取标准模糊图像和与所述标准模糊图像对应的标准清晰图像；

对所述标准模糊图像和所述标准清晰图像进行全卷积网络训练，所述全卷积网络包括至少一个训练网络层，每一个所述训练网络层均包括卷积层、掩膜激活层和ReLU激活层；

获取待处理模糊图像；

利用测试全卷积网络对所述待处理模糊图像进行处理，以获得与所述待处理模糊图像对应的清晰图像，所述测试全卷积网络包括至少一个测试网络层，每一个所述测试网络层均包括所述卷积层和所述ReLU激活层。

根据本发明实施例的图像处理方法，在进行全卷积网络训练时，加入了掩膜激活层，掩膜激活层能够通过掩膜操作来减少图像中出文字以外的背景区域的干扰，去除了网络中背景信息的学习，使深度学习能够学习到用户真实想要的清晰文字，使得深度学习进行文字图像的清晰化时更为鲁棒，清晰化效果更好，也使得网络学习收敛更快，且相比现有技术中，本发明中训练用的全卷积网络和测试全卷积网络有所不同，训练用的全卷积网络包括了掩膜激活层，而测试全卷积网络不包括掩膜激活层，能够防止输出的清晰图像的背景区域为0，同时防止文字边缘区域与背景区域出现颜色不协调的情况。

另外，根据本发明上述实施例的图像处理方法，还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，所述对所述标准模糊图像和所述标准清晰图像进行全卷积网络训练的步骤包括：

对所述标准模糊图像进行二值化处理，以得到二值图像；

根据所述二值图像获取所述标准模糊图像对应的掩膜；

在每一个所述测试网络层中依次对所述标准模糊图像进行卷积处理、掩膜处理和ReLU激活处理，并使最终处理后的所述标准模糊图像为所述标准清晰图像；