[发明专利]一种基于深度神经网络的图像处理方法、系统和介质

权利要求书

1.一种基于深度神经网络的图像处理方法，其特征在于，所述图像处理为复原运动模糊的图像，所述图像处理方法包括：

步骤S1、建立样本数据库，所述样本数据库存储有所述运动模糊的图像，包括训练集和测试集；

步骤S2、利用所述训练集，基于ResNet残差网络的孪生网络框架来构建和优化用于复原所述运动模糊的图像的所述深度神经网络；以及

步骤S3、利用所述深度神经网络复原所述测试集中的运动模糊的图像。

2.根据权利要求1所述的基于深度神经网络的图像处理方法，其特征在于，在所述步骤S1中，利用以下方法获取所述运动模糊的图像：

切割原始图像以得到清晰度符合预定要求的图像块；

将所述图像块与模糊核进行卷积运算；以及

在卷积运算后的图像中加入高斯噪声，来生成所述运动模糊的图像。

3.根据权利要求1所述的基于深度神经网络的图像处理方法，其特征在于，所述孪生网络具有两个分支，所述两个分支均采用ResNet残差网络，所述步骤S2具体包括：

利用所述两个分支的其中一个分支提取所述模糊核的特征，利用所述两个分支的另一个分支提取所述模糊图像的特征；

对所述模糊核的特征和所述模糊图像的特征执行卷积运算；以及

调整所述深度神经网络的参数，使得卷积后的图像与所述运动模糊的图像一致，以优化所述深度神经网络。

4.根据权利要求1所述的基于深度神经网络的图像处理方法，其特征在于，在步骤S3中，利用上采样操作来放大所述测试集中的运动模糊的图像，所述上采样操作具有内插值。

5.一种基于深度神经网络的图像处理系统，其特征在于，所述图像处理为复原运动模糊的图像，所述图像处理系统包括：

第一模块，被配置为建立样本数据库，所述样本数据库存储有所述运动模糊的图像，包括训练集和测试集；

第二模块，被配置为利用所述训练集，基于ResNet残差网络的孪生网络框架来构建和优化用于复原所述运动模糊的图像的所述深度神经网络；以及

第三模块，被配置为利用所述深度神经网络复原所述测试集中的运动模糊的图像。

6.根据权利要求5所述的基于深度神经网络的图像处理系统，其特征在于，所述第一模块具体被配置为利用以下方法获取所述运动模糊的图像：

切割原始图像以得到清晰度符合预定要求的图像块；

将所述图像块与模糊核进行卷积运算；以及

在卷积运算后的图像中加入高斯噪声，来生成所述运动模糊的图像。

7.根据权利要求5所述的基于深度神经网络的图像处理系统，其特征在于，所述孪生网络具有两个分支，所述两个分支均采用ResNet残差网络，所述第二模块具体被配置为：

利用所述两个分支的其中一个分支提取所述模糊核的特征，利用所述两个分支的另一个分支提取所述模糊图像的特征；

对所述模糊核的特征和所述模糊图像的特征执行卷积运算；以及

调整所述深度神经网络的参数，使得卷积后的图像与所述运动模糊的图像一致，以优化所述深度神经网络。

8.根据权利要求5所述的基于深度神经网络的图像处理系统，其特征在于，所述第三模块具体被配置为，利用上采样操作来放大所述测试集中的运动模糊的图像，所述上采样操作具有内插值。

9.一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据权利要求1-4中任一项所述的基于深度神经网络的图像处理方法中的步骤。