[发明专利]一种图像去模糊方法和装置

说明书

本申请公开了一种图像去模糊方法，包括：将模糊图像输入预先训练好的去模糊网络；利用所述去模糊网络对输入的模糊图像进行去模糊处理；其中，所述去模糊网络包括结构和参数相同的多个级联子网络。其中子网络可以是U型子网络；在每个U型子网络中，对输入图像依次进行多级下采样处理后进行卷积处理，再对卷积处理结果进行与所述多级下采样处理分别对应的多级上采样处理，得到输出图像，每级上采样处理的输入包括上一级处理的输出和对应下采样处理的输出；通过残差模块实现所述下采样处理。应用本申请，能够有效恢复图像，且模型的参数量小，易训练。

技术领域

本申请涉及图像处理技术，特别涉及一种图像去模糊方法和装置。

背景技术

视频监控广泛应用于公共安全及交通管理领域，基于视频图像的目标识别等处理可以极大地提高安全预警与分析处理能力。但现有视频监控系统中由于成像器件存在各种物理缺陷或使用环境不利于良好成像、以及使用者的操作问题等原因，对快速运动物体成像时容易存在运动模糊，导致拍摄到的图像细节不够清晰，不利于使用者后续处理与分析。

对于存在运动模糊的图像，传统方法主要是利用预设的模糊核去恢复图像，但是这种方式对复杂环境的适应能力较差。

近年来随着深度学习的兴起，一些深度学习方法也应用在了图像恢复领域，但是目前已有的在图像恢复领域采用深度学习的方法进行图像恢复时，图像恢复效果不好，且网络参数量非常大，对运行时间和空间消耗的比较多。还有一些研究人员使用生成对抗网络进行图像去模糊，但是相应模型的训练难度大，且对数据质量要求很高。

发明内容

本申请提供一种图像去模糊方法和装置，能够有效恢复图像，且模型的参数量小，易训练。

为实现上述目的，本申请采用如下技术方案：

一种图像去模糊方法，其特征在于，包括：

将模糊图像输入预先训练好的去模糊网络；

利用所述去模糊网络对输入的模糊图像进行去模糊处理；

其中，所述去模糊网络包括结构和参数相同的多个级联子网络。

较佳地，所述子网络为U型子网络；

其中，在每个U型子网络中，对输入图像依次进行多级下采样处理后进行卷积处理，再对卷积处理结果进行与所述多级下采样处理分别对应的多级上采样处理，得到输出图像，每级上采样处理的输入包括上一级处理的输出和对应下采样处理的输出；通过残差模块实现所述下采样处理。

较佳地，训练所述去模糊网络时使用的训练数据是：清晰图像以及由清晰图像生成的对应模糊图像组成的图像对；

由清晰图像生成对应模糊图像的方式包括：

在所述清晰图像上叠加脉冲噪声和/或斑点噪声后生成对应模糊图像；或者，

利用高斯函数对清晰图像进行计算生成对应模糊图像；或者，

将所述清晰图像按照设定方向移动后与原始位置的所述清晰图像叠加，并利用模糊核对叠加后的图像进行模糊处理，生成按照所述设定方向运动后的对应模糊图像。

较佳地，所述清晰图像上目标的运动速度越快，生成对应模糊图像时使用的所述模糊核越大。

较佳地，每个子网络的输入为两个图像在通道维度上的拼接结果；第一个子网络的输入为两个所述模糊图像的拼接结果，除所述第一个子网络外的其他子网络的输入为前一个子网络的输出与所述模糊图像的拼接结果。

较佳地，不同子网络的输入图像尺寸相同；或者，

所述多个级联子网络中，子网络的级联位置越靠前，相应的输入图像尺寸越小。