CN108564552A - 图像去模糊的方法及装置 - Google Patents

Abstract

本公开涉及图像去模糊的方法及装置。该方法包括：对模糊图像进行特征提取，得到反映所述模糊图像中各个区域空间关系特征的特征图；确定所述模糊图像中所述各个区域对应的参数；根据所述参数对所述特征图进行去模糊处理，得到去模糊结果；根据所述去模糊结果和所述特征图进行图像重建，得到所述模糊图像对应的清晰图像。本公开能够针对模糊图像中的不同区域采用不同的去模糊处理方式，从而能够准确地去除图像模糊。

Description

图像去模糊的方法及装置

技术领域

本公开涉及图像处理技术领域，尤其涉及一种图像去模糊的方法及装置。

背景技术

图像的动态模糊通常由相机的抖动和拍摄物体的运动造成。图像去模糊是图像处理技术领域的重要问题。准确地去除图像的模糊在安防监控、摄影处理等众多领域有着重要的利用价值。因此，需要提供一种图像去模糊的方法，以准确地去除图像模糊。

发明内容

有鉴于此，本公开提出了一种图像去模糊的方法及装置。

根据本公开的一方面，提供了一种图像去模糊的方法，包括：

对模糊图像进行特征提取，得到反映所述模糊图像中各个区域空间关系特征的特征图；

确定所述模糊图像中所述各个区域对应的参数；

根据所述参数对所述特征图进行去模糊处理，得到去模糊结果；

根据所述去模糊结果和所述特征图进行图像重建，得到所述模糊图像对应的清晰图像。

在一种可能的实现方式中，所述对模糊图像进行特征提取，得到反映所述模糊图像中各个区域空间关系特征的特征图，包括：

通过第一神经网络对所述模糊图像进行特征提取，得到反映所述模糊图像中各个区域的空间关系特征的特征图。

在一种可能的实现方式中，在所述得到反映所述模糊图像中各个区域的空间关系特征的特征图之后，还包括：

对所述特征图进行降采样处理。

在一种可能的实现方式中，所述确定所述模糊图像中所述各个区域对应的参数，包括：

利用跳级连接的第二神经网络，获取所述模糊图像中各个区域对应的参数。

在一种可能的实现方式中，所述第二神经网络包括多级卷积层，所述利用跳级连接的第二神经网络，获取所述模糊图像中各个区域对应的参数，包括：

将第i级卷积层输出的特征图与第j级卷积层输出的特征图融合，得到第一融合特征图；

将所述第一融合特征图输入第n级卷积层，得到所述第n级卷积层输出的特征图；

将第m级卷积层输出的特征图与所述第n级卷积层输出的特征图融合，得到第二融合特征图，其中，1<m<i<j<n，且m，i，j，n均为正整数；

将所述第二融合特征图输入最后一级卷积层，得到所述模糊图像中各个区域对应的参数。

在一种可能的实现方式中，还包括：

利用VGG16神经网络对第1级至第i级卷积层进行初始化。

在一种可能的实现方式中，还包括：

从第1级至第i级卷积层的每级卷积层之后，均进行降采样处理。

在一种可能的实现方式中，所述根据所述参数对所述特征图进行去模糊处理，得到去模糊结果，包括：

利用第三神经网络结合所述参数对所述特征图进行去模糊处理，得到去模糊结果，其中，所述第三神经网络包括至少一级循环神经网络，每级所述循环神经网络后级联至少一个卷积层。

在一种可能的实现方式中，根据所述去模糊结果和所述特征图进行图像重建，得到所述模糊图像对应的清晰图像，包括：

利用第四神经网络将所述去模糊结果和所述特征图进行融合，得到所述模糊图像对应的清晰图像。

根据本公开的另一方面，提供了一种图像去模糊的装置，包括：

特征提取模块，用于对模糊图像进行特征提取，得到反映所述模糊图像中各个区域空间关系特征的特征图；

参数确定模块，用于确定所述模糊图像中所述各个区域对应的参数；

去模糊模块，用于根据所述参数对所述特征图进行去模糊处理，得到去模糊结果；

图像重建模块，用于根据所述去模糊结果和所述特征图进行图像重建，得到所述模糊图像对应的清晰图像。

在一种可能的实现方式中，所述特征提取模块用于：

通过第一神经网络对所述模糊图像进行特征提取，得到反映所述模糊图像中各个区域的空间关系特征的特征图。

在一种可能的实现方式中，所述装置还包括：

第一降采样模块，用于对所述特征图进行降采样处理。

在一种可能的实现方式中，所述参数确定模块用于：

利用跳级连接的第二神经网络，获取所述模糊图像中各个区域对应的参数。

在一种可能的实现方式中，所述第二神经网络包括多级卷积层；

所述参数确定模块包括：

第一融合子模块，用于将第i级卷积层输出的特征图与第j级卷积层输出的特征图融合，得到第一融合特征图；

第一确定子模块，用于将所述第一融合特征图输入第n级卷积层，得到所述第n级卷积层输出的特征图；

第二融合子模块，用于将第m级卷积层输出的特征图与所述第n级卷积层输出的特征图融合，得到第二融合特征图，其中，1<m<i<j<n，且m，i，j，n均为正整数；

第二确定子模块，用于将所述第二融合特征图输入最后一级卷积层，得到所述模糊图像中各个区域对应的参数。

在一种可能的实现方式中，还包括：

初始化模块，用于利用VGG16神经网络对第1级至第i级卷积层进行初始化。

在一种可能的实现方式中，还包括：

第二降采样模块，用于从第1级至第i级卷积层的每级卷积层之后，均进行降采样处理。

在一种可能的实现方式中，所述去模糊模块用于：

利用第三神经网络结合所述参数对所述特征图进行去模糊处理，得到去模糊结果，其中，所述第三神经网络包括至少一级循环神经网络，每级所述循环神经网络后级联至少一个卷积层。

在一种可能的实现方式中，所述图像重建模块用于：

利用第四神经网络将所述去模糊结果和所述特征图进行融合，得到所述模糊图像对应的清晰图像。

根据本公开的另一方面，提供了一种图像去模糊的装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

本公开的各方面的图像去模糊的方法及装置通过对模糊图像进行特征提取，得到反映模糊图像中各个区域空间关系特征的特征图，确定模糊图像中各个区域对应的参数，根据参数对特征图进行去模糊处理，得到去模糊结果，并根据去模糊结果和特征图进行图像重建，得到模糊图像对应的清晰图像，由此能够针对模糊图像中的不同区域采用不同的去模糊处理方式，从而能够准确地去除图像模糊。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的图像去模糊的方法的流程图；

图2示出根据本公开一实施例的图像去模糊的方法中利用跳级连接的第二神经网络，获取模糊图像中各个区域对应的参数的一示例性的流程图；

图3示出根据本公开一实施例的图像去模糊的装置的框图；

图4示出根据本公开一实施例的图像去模糊的装置的一示例性的框图；

图5是根据一示例性实施例示出的一种用于图像去模糊的装置800的框图；

图6是根据一示例性实施例示出的一种用于图像去模糊的装置1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的图像去模糊的方法的流程图。如图1所示，该方法包括步骤S11至步骤S14。

在步骤S11中，对模糊图像进行特征提取，得到反映模糊图像中各个区域空间关系特征的特征图。

在本实施例中，模糊图像可以为动态模糊。其中，动态模糊可以为由相机抖动和拍摄物体的运动造成的。模糊图像中各个区域的景深不同，因此需要采用不同的去模糊处理方式处理模糊图像中的不同区域。

在本实施例中，模糊图像的空间关系可以指模糊图像中分割出来的多个目标之间的相互的空间位置关系或相对方向关系，这些可以分为连接关系、重叠关系或者包含关系等。空间位置信息可以分为相对空间位置信息和绝对位置空间信息。相对空间位置信息强调的是目标之间的相对情况，如上下左右关系等。绝对空间位置信息强调的是目标之间的距离大小和方位。因此，提取的特征图能够反映模糊图像中各个区域的景深。

在步骤S12中，确定模糊图像中各个区域对应的参数。

在一种可能的实现方式中，可以将模糊图像中的每个像素分别作为单独的区域。确定模糊图像中各个区域对应的参数，也就是确定每个像素对应的参数(权重)。

在步骤S13中，根据参数对特征图进行去模糊处理，得到去模糊结果。

在本实施例中，模糊图像中各个区域对应的参数是不同的，因此，根据该参数对特征图进行去模糊处理，相当于对于模糊图像中的不同区域采用不同的去模糊处理方式，例如，对于模糊图像中的不同区域采用不同的卷积操作，由此能够更大限度地处理动态复杂的模糊场景。

在步骤S14中，根据去模糊结果和特征图进行图像重建，得到模糊图像对应的清晰图像。

本实施例通过对模糊图像进行特征提取，得到反映模糊图像中各个区域空间关系特征的特征图，确定模糊图像中各个区域对应的参数，根据参数对特征图进行去模糊处理，得到去模糊结果，并根据去模糊结果和特征图进行图像重建，得到模糊图像对应的清晰图像，由此能够针对模糊图像中的不同区域采用不同的去模糊处理方式，从而能够准确地去除图像模糊。

在一种可能的实现方式中，对模糊图像进行特征提取，得到反映模糊图像中各个区域空间关系特征的特征图，包括：通过第一神经网络对模糊图像进行特征提取，得到反映模糊图像中各个区域的空间关系特征的特征图。

作为该实现方式的一个示例，第一神经网络可以包括一个或两个卷积层。例如，第一神经网络可以包括第一卷积层和第二卷积层。

在一种可能的实现方式中，在得到反映模糊图像中各个区域的空间关系特征的特征图之后，还包括：对特征图进行降采样处理。

作为该实现方式的一个示例，可以通过将卷积层的步长设置为大于1，以对特征图进行降采样处理。例如，可以将卷积层的步长设置为2。

该实现方式通过对特征图进行降采样处理，能够提高网络的运算速率。

在一种可能的实现方式中，确定模糊图像中各个区域对应的参数，包括：利用跳级连接的第二神经网络，获取模糊图像中各个区域对应的参数。

作为该实现方式的一个示例，第二神经网络可以为深度卷积神经网络。

在该实现方式中，通过利用跳级连接的第二神经网络，能够增大卷积神经网络的感受野，优化模糊图像的去模糊处理效果。

在一种可能的实现方式中，第二神经网络包括多级卷积层。例如，第二神经网络可以包括第1级卷积层、第2级卷积层、第3级卷积层、第4级卷积层、第5级卷积层和第6级卷积层。其中，每级卷积层可以包括一个或多个卷积层。例如，第1级卷积层可以包括第三卷积层和第四卷积层，第2级卷积层可以包括第五卷积层和第六卷积层，第3级卷积层可以包括第七卷积层、第八卷积层和第九卷积层，第4级卷积层可以包括第十卷积层、第十一卷积层和第十二卷积层，第5级卷积层可以包括第十三卷积层和第十四卷积层，第6级卷积层可以包括第十五卷积层和第十六卷积层。

作为该实现方式的一个示例，第二神经网络的每级卷积层可以输出不同尺度的特征图。例如，第1级卷积层输出的特征图的通道数为64，第2级卷积层输出的特征图的通道数为128，第3级卷积层输出的特征图的通道数为256，第4级卷积层输出的特征图的通道数为256。通过跳级连接，可以将第二神经网络的第1级至第4级卷积层中不同尺度的特征图输入第5级和第6级卷积层中，将底层特征与高层特征融合，从而增大第二神经网络的感受野，帮助第二神经网络更好地学习。

在一种可能的实现方式中，可以在第二神经网络除最后一个卷积层之外的每个卷积层之后级联修正线性单元(ReLU，Rectified Linear Unit)，并可以在第二神经网络的最后一个卷积层之后级联双曲正切层，以将参数的取值范围约束为0至1。

图2示出根据本公开一实施例的图像去模糊的方法中利用跳级连接的第二神经网络，获取模糊图像中各个区域对应的参数的一示例性的流程图。如图2所示，利用跳级连接的第二神经网络，获取模糊图像中各个区域对应的参数，可以包括步骤S121至步骤S124。

在步骤S121中，将第i级卷积层输出的特征图与第j级卷积层输出的特征图融合，得到第一融合特征图。

在一种可能的实现方式中，可以将第i级卷积层的某一个卷积层输出的特征图与第j级卷积层的某一个卷积层输出的特征图融合，得到第一融合特征图。例如，i等于3，j等于4，可以将第3级卷积层的第八卷积层输出的特征图与第4级卷积层的第十二卷积层输出的特征图融合，得到第一融合特征图。例如，

在步骤S122中，将第一融合特征图输入第n级卷积层，得到第n级卷积层输出的特征图。

例如，n等于5，第5级卷积层包括第十三卷积层和第十四卷积层，则可以将第一融合特征图输入第十三卷积层，并将第十三卷积层的输出结果输入第十四卷积层，第十四卷积层输出的特征图即为第n级卷积层输出的特征图。

在步骤S123中，将第m级卷积层输出的特征图与第n级卷积层输出的特征图融合，得到第二融合特征图，其中，1<m<i<j<n，且m，i，j，n均为正整数。

例如，m等于2，n等于5，则可以将第2级卷积层输出的特征图与第5级卷积层输出的特征图融合，得到第二融合特征图。例如，第2级卷积层包括第五卷积层和第六卷积层，第5级卷积层包括第十三卷积层和第十四卷积层，则可以将第六卷积层输出的特征图与第十四卷积层输出的特征图融合，得到第二融合特征图。

在步骤S124中，将第二融合特征图输入最后一级卷积层，得到模糊图像中各个区域对应的参数。

在一种可能的实现方式中，还包括：利用VGG16神经网络对第1级至第i级卷积层进行初始化。例如，i等于3，则可以利用VGG16神经网络对第二神经网络的第1级至第3级卷积层进行初始化。还可以利用VGG16神经网络对第二神经网络的第4级卷积层中除最后一个卷积层以外的卷积层进行初始化。例如，可以将VGG16神经网络的前9层的参数，分别作为第1级卷积层的第三卷积层、第四卷积层，第2级卷积层的第五卷积层、第六卷积层，第3级卷积层的第七卷积层、第八卷积层、第九卷积层和第4级卷积层的第十卷积层、第十一卷积层的参数的初始值。

在一种可能的实现方式中，还包括：从第1级至第i级卷积层的每级卷积层之后，均进行降采样处理。该实现方式通过在第1级至第i级卷积层的每级卷积层之后，均进行降采样处理，从而能够提高第二神经网络的运算速率。

在一种可能的实现方式中，根据参数对特征图进行去模糊处理，得到去模糊结果，包括：利用第三神经网络结合参数对特征图进行去模糊处理，得到去模糊结果，其中，第三神经网络包括至少一级循环神经网络，每级循环神经网络后级联至少一个卷积层。其中，每级循环神经网络可以包括一个或多个循环神经网络层。例如，第三神经网络可以包括第1级循环神经网络、第十七卷积层、第2级循环神经网络、第十八卷积层、第3级循环神经网络、第十九卷积层、第4级循环神经网络和第二十卷积层。其中，第1级循环神经网络可以包括第一循环神经网络层，第2级循环神经网络可以包括第二循环神经网络层，第3级循环神经网络可以包括第三循环神经网络层，第4级循环神经网络可以包括第四循环神经网络层。在该实现方式中，循环神经网络可以用于过滤特征图。每个循环神经网络可以包括多个方向。例如，每个循环神经网络可以包括4个方向。在循环神经网络后级联的卷积层可以用于融合循环神经网络的各个方向的输出。

作为该实现方式的一个示例，可以将步骤S12所确定的参数赋予第三神经网络，以使第三神经网络结合参数对特征图中不同区域进行不同的去模糊处理，以帮助第三神经网络更好地适应模糊图像动态模糊的特征。

在一种可能的实现方式中，根据去模糊结果和特征图进行图像重建，得到模糊图像对应的清晰图像，包括：利用第四神经网络将去模糊结果和特征图进行融合，得到模糊图像对应的清晰图像。

作为该实现方式的一个示例，第四神经网络可以包括第二十一卷积层和第二十二卷积层。

作为该实现方式的一个示例，可以融合第一神经网络的第一卷积层输出的特征图和第四神经网络的第二十一卷积层输出的特征图，得到第三融合特征图，并可以将第三融合特征图输入第二十二卷积层，由第二十二卷积层输出清晰图像。该示例通过融合第一卷积层输出的特征图和第二十一卷积层输出的特征图，能够融合不同尺度的特征图，从而能够增大第四神经网络的感受野，帮助第四神经网络更好地学习。

在一种可能的实现方式中，可以在第一神经网络、第三神经网络和第四网络中除第四神经网络的最后一个卷积层以外的各个卷积层之后级联带泄露的修正线性单元(Leaky ReLU，Leaky Rectified Linear Unit)。其中，带泄露的修正线性单元的负斜率可以为0.1。

本实施例中各个神经网络可以使用较少的参数，计算耗时较小，有利于加速图像去模糊的过程，且有利于将图像去模糊的算法部署在移动端。

图3示出根据本公开一实施例的图像去模糊的装置的框图。如图3所示，该装置包括：特征提取模块31，用于对模糊图像进行特征提取，得到反映模糊图像中各个区域空间关系特征的特征图；参数确定模块32，用于确定模糊图像中各个区域对应的参数；去模糊模块33，用于根据参数对特征图进行去模糊处理，得到去模糊结果；图像重建模块34，用于根据去模糊结果和特征图进行图像重建，得到模糊图像对应的清晰图像。

在一种可能的实现方式中，特征提取模块用于：通过第一神经网络对模糊图像进行特征提取，得到反映模糊图像中各个区域的空间关系特征的特征图。

图4示出根据本公开一实施例的图像去模糊的装置的一示例性的框图。如图4所示：

在一种可能的实现方式中，该装置还包括：第一降采样模块35，用于对特征图进行降采样处理。

在一种可能的实现方式中，参数确定模块32用于：利用跳级连接的第二神经网络，获取模糊图像中各个区域对应的参数。

在一种可能的实现方式中，第二神经网络包括多级卷积层；参数确定模块32包括：第一融合子模块321，用于将第i级卷积层输出的特征图与第j级卷积层输出的特征图融合，得到第一融合特征图；第一确定子模块322，用于将第一融合特征图输入第n级卷积层，得到第n级卷积层输出的特征图；第二融合子模块323，用于将第m级卷积层输出的特征图与第n级卷积层输出的特征图融合，得到第二融合特征图，其中，1<m<i<j<n，且m，i，j，n均为正整数；第二确定子模块324，用于将第二融合特征图输入最后一级卷积层，得到模糊图像中各个区域对应的参数。

在一种可能的实现方式中，还包括：初始化模块36，用于利用VGG16神经网络对第1级至第i级卷积层进行初始化。

在一种可能的实现方式中，还包括：第二降采样模块37，用于从第1级至第i级卷积层的每级卷积层之后，均进行降采样处理。

在一种可能的实现方式中，去模糊模块33用于：利用第三神经网络结合参数对特征图进行去模糊处理，得到去模糊结果，其中，第三神经网络包括至少一级循环神经网络，每级循环神经网络后级联至少一个卷积层。

在一种可能的实现方式中，图像重建模块34用于：利用第四神经网络将去模糊结果和特征图进行融合，得到模糊图像对应的清晰图像。

本实施例通过对模糊图像进行特征提取，得到反映模糊图像中各个区域空间关系特征的特征图，确定模糊图像中各个区域对应的参数，根据参数对特征图进行去模糊处理，得到去模糊结果，并根据去模糊结果和特征图进行图像重建，得到模糊图像对应的清晰图像，由此能够针对模糊图像中的不同区域采用不同的去模糊处理方式，从而能够准确地去除图像模糊。

上述的图像去模糊的装置中特征提取模块31、参数确定模块32、去模糊模块33和图像重建模块34具体实现过程，可以参考前述图像去模糊的方法中各个实施例的描述，这里不再赘述。

图5是根据一示例性实施例示出的一种用于图像去模糊的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

图6是根据一示例性实施例示出的一种用于图像去模糊的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图6，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像去模糊的方法，其特征在于，包括：

对模糊图像进行特征提取，得到反映所述模糊图像中各个区域空间关系特征的特征图；

确定所述模糊图像中所述各个区域对应的参数；

根据所述参数对所述特征图进行去模糊处理，得到去模糊结果；

根据所述去模糊结果和所述特征图进行图像重建，得到所述模糊图像对应的清晰图像。

2.根据权利要求1所述的方法，其特征在于，所述确定所述模糊图像中所述各个区域对应的参数，包括：

利用跳级连接的第二神经网络，获取所述模糊图像中各个区域对应的参数。

3.根据权利要求2所述的方法，其特征在于，所述第二神经网络包括多级卷积层，所述利用跳级连接的第二神经网络，获取所述模糊图像中各个区域对应的参数，包括：

将第i级卷积层输出的特征图与第j级卷积层输出的特征图融合，得到第一融合特征图；

将所述第一融合特征图输入第n级卷积层，得到所述第n级卷积层输出的特征图；

将第m级卷积层输出的特征图与所述第n级卷积层输出的特征图融合，得到第二融合特征图，其中，1<m<i<j<n，且m，i，j，n均为正整数；

将所述第二融合特征图输入最后一级卷积层，得到所述模糊图像中各个区域对应的参数。

4.根据权利要求1所述的方法，其特征在于，所述根据所述参数对所述特征图进行去模糊处理，得到去模糊结果，包括：

利用第三神经网络结合所述参数对所述特征图进行去模糊处理，得到去模糊结果，其中，所述第三神经网络包括至少一级循环神经网络，每级所述循环神经网络后级联至少一个卷积层。

5.一种图像去模糊的装置，其特征在于，包括：

特征提取模块，用于对模糊图像进行特征提取，得到反映所述模糊图像中各个区域空间关系特征的特征图；

参数确定模块，用于确定所述模糊图像中所述各个区域对应的参数；

去模糊模块，用于根据所述参数对所述特征图进行去模糊处理，得到去模糊结果；

图像重建模块，用于根据所述去模糊结果和所述特征图进行图像重建，得到所述模糊图像对应的清晰图像。

6.根据权利要求5所述的装置，其特征在于，所述参数确定模块用于：

利用跳级连接的第二神经网络，获取所述模糊图像中各个区域对应的参数。

7.根据权利要求6所述的装置，其特征在于，所述第二神经网络包括多级卷积层；

所述参数确定模块包括：

第一融合子模块，用于将第i级卷积层输出的特征图与第j级卷积层输出的特征图融合，得到第一融合特征图；

第一确定子模块，用于将所述第一融合特征图输入第n级卷积层，得到所述第n级卷积层输出的特征图；

第二融合子模块，用于将第m级卷积层输出的特征图与所述第n级卷积层输出的特征图融合，得到第二融合特征图，其中，1<m<i<j<n，且m，i，j，n均为正整数；

第二确定子模块，用于将所述第二融合特征图输入最后一级卷积层，得到所述模糊图像中各个区域对应的参数。

8.根据权利要求5所述的装置，其特征在于，所述去模糊模块用于：

利用第三神经网络结合所述参数对所述特征图进行去模糊处理，得到去模糊结果，其中，所述第三神经网络包括至少一级循环神经网络，每级所述循环神经网络后级联至少一个卷积层。

9.一种图像去模糊的装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至4中任意一项所述的方法。

10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。