[发明专利]图像处理模型的训练方法、电子设备及计算机存储介质

权利要求书

1.一种图像处理模型的训练方法，包括：

获得样本图像组，所述样本图像组包括图像内容相同的第一图像和第二图像，第一图像的清晰度大于第二图像的清晰度；

通过图像处理模型对所述第一图像进行图像特征提取，得到图像特征；

通过所述图像处理模型，根据所述图像特征及其对应的预设区域划分参数对所述第一图像进行区域划分，得到至少两类待模糊区域；

根据各类待模糊区域的图像特征及其分别对应的去模糊参数，构造各类待模糊区域分别对应的模糊程度数据，得到所述第一图像对应的模糊程度数据；

通过所述图像处理模型根据所述第一图像对应的模糊程度数据对所述第二图像进行去模糊处理，得到去模糊图像，根据所述第一图像和所述去模糊图像计算损失值，根据损失值调整所述图像处理模型中的以下至少之一：预设区域划分参数、去模糊参数，以通过调整后的所述图像处理模型对图像进行去模糊处理。

2.根据权利要求1所述的方法，其中，若所述图像特征包括边缘特征，所述预设区域划分参数包括图像边缘划分阈值，所述通过所述图像处理模型，根据所述图像特征及其对应的预设区域划分参数对所述第一图像进行区域划分，得到至少两类待模糊区域，包括：

通过所述图像处理模型，根据所述边缘特征和所述图像边缘划分阈值进行图像划分，得到与图像边缘对应的第一区域；

将除所述第一区域之外的区域划分为第二区域。

3.根据权利要求2所述的方法，其中，所述图像特征包括纹理特征，所述边缘特征为所述纹理特征的梯度值；所述预设区域划分参数包括纹理密度阈值，所述图像边缘划分阈值为图像梯度阈值；

所述通过所述图像处理模型，根据所述图像特征及其对应的预设区域划分参数对所述第一图像进行区域划分，得到至少两类待模糊区域，包括：

通过所述图像处理模型，将纹理梯度大于所述纹理梯度阈值的区域划分为所述第一区域；

所述方法还包括：

将纹理密度大于所述纹理密度阈值的区域划分为第三区域；

所述将除所述第一区域之外的区域划分为第二区域，包括：

将除所述第一区域和所述第三区域之外的区域划分为所述第二区域。

4.根据权利要求3所述的方法，其中，所述将纹理密度大于所述纹理密度阈值的区域划分为第三区域包括：通过预先训练的纹理密集区域识别网络识别得到所述第三区域，所述纹理密集区域识别网络通过下述方法训练：

获得不包含纹理密集区域的第三图像，以及只包含纹理密集区域的第四图像；

将所述第三图像和所述第四图像进行图像融合处理，得到密集样本图像，并将所述密集样本图像中属于所述第四图像的区域作为图像标注；

根据所述密集样本图像和所述图像标注训练纹理密集区域识别网络。

5.根据权利要求2-4任一项所述的方法，其中，所述模糊程度数据包括第一模糊窗口、第二模糊窗口，所述根据各类待模糊区域的图像特征及其分别对应的去模糊参数，构造各类待模糊区域分别对应的模糊程度数据，得到所述第一图像对应的模糊程度数据，包括：

针对与图像边缘对应的所述第一区域，根据所述去模糊参数中的第一模糊窗口参数组以及所述第一区域的各个像素的图像梯度，确定所述第一区域的各个像素对应的模糊权重，根据所述第一区域的各个像素对应的模糊权重构建所述第一模糊窗口，其中，所述第一区域中图像梯度越高的像素点对应的所述模糊权重越大，其中所述模糊权重与去模糊程度成正比；

针对所述第二区域，根据所述去模糊参数中的第二模糊窗口参数组以及所述第二区域的各个像素的像素值，确定所述第二区域的各个像素对应的模糊权重，根据所述第二区域的各个像素对应的模糊权重构建所述第二模糊窗口，其中，所述第二区域中像素值越高的像素点对应的所述模糊权重越小。

6.根据权利要求5所述的方法，其中，若存在所述第三区域，所述模糊程度数据还包括卷积窗，所述根据各类待模糊区域的图像特征及其分别对应的去模糊参数，构造各类待模糊区域分别对应的模糊程度数据，得到所述第一图像对应的模糊程度数据，还包括：

针对所述第一图像中的所述第三区域，根据所述去模糊参数中的图像增强参数以及所述第三区域的各个像素的像素值构建用于进行图像增强处理的所述卷积窗。