[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

说明书

本发明提供一种基于深度神经网络的图像处理方法、系统和介质。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。

技术领域

本发明涉及图像处理领域，尤其是涉及一种基于深度神经网络的图像处理方法、系统和介质。

背景技术

图像复原技术旨在修复已退化的低质图像，从而获得更多的有效信息。目前已有的复原方法在实现运动模糊图像复原时，存在着一定的局限性，如复原速度慢，复原清晰度低等。在平时采集清晰图像时，存在多方面因素干扰会造成图像的模糊，比如当遇到一些恶劣的天气条件或者光线不好的拍摄场景时，再加上拍照时可能因为镜头的抖动等因素，造成相机镜头与所拍摄场景之间产生了一定的相对运动，从而导致了图像的模糊。

图像复原技术旨在修复由于拍摄过程的不良环境因素所导致的低质图像，尽最大努力使得低质图像变得清晰，从而呈现更多的有效信息。运动模糊图像的复原技术在各个行业领域都有着重要的地位，小到辨析车牌号码、识别人脸、监控系统，大到交通安全方面、摄影工作、目标物体的识别与追踪、天文学科、医学界、工业控制方面等领域。

在当下复原技术中，深度学习逐渐占据着主要地位，它可以快速且高效的复原低质量的图像，在复原方法上，又比传统方式更具有多样性。同时，采用深度学习这类方法来复原运动模糊图像存在着计算量大、网络参数训练难度大等问题，局限于电脑硬件设备的性能，深度学习发展速度一直很缓慢。

目前国内外关于运动模糊图像复原技术的评述文章还是比较多的，所存在的传统复原方法，普遍采用的都是基于美国麻省理工学院所提出的图像复原方法，这种方法被称为最大后验概率方法。基于上述方法的研究，模糊图像复原的问题的相关研究得到了进一步的发展。在早期，Lucy和Richardson各自提出了Richardson-Lucy算法，这个算法主要通过把模糊图像中的噪声构建成为泊松分布，然后再去计算最大似然函数的值来达到复原模糊图像的目的。Fergus等人则单独建立了一个名叫变分贝叶斯的模型，用这个模型来估计出模糊核，从而实现模糊图像的去模糊操作。在以往的方法中，例如R-L解卷积法等，这些方法存在着严重的振铃效应(Ringing Artifact，指输出图像的灰度值变化很大的地方产生的震荡，就像敲钟时候产生的空气震荡波)等缺陷。因此，Shan等人在此基础上做了一定的研究，发现了问题本质原因，即计算得到模糊核时产生了较大的误差。在得知这种效应产生原因后，Shan等人做了进一步的研究，使得复原图像能够很好的抑制了这种振铃效应，但还是存在着收敛速度慢的现象，同时，参数设置也会受到一定的影响。

相比于图像复原的传统方法的研究，目前，深度学习在很多产业都使用了复原模糊图像,并且取得了更为显著的研究成效。比如Schuler等人提出使用两层CNN用来提取训练图像的特征，进一步把这些特征作为先验知识来修复图像。Xu和Jia等人提出了一种非盲解卷积的神经网络，他们也是先对模糊图像进行模糊核提取，然后作为先验知识来复原模糊图像，与Schuler等人方法不同点在于如是处理先验知识。Jain等人使用4层的CNN模型运用到模糊图像的复原，但实验结果表面，网络层数较浅的CNN还是对图像复原的效果不太好。

发明内容

本发明的目的在于提供一种基于深度神经网络的图像处理方案，以解决现有技术中存在的上述技术问题。

本发明第一方面提供了一种基于深度神经网络的图像处理方法，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。