CN111340733B - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111340733B
CN111340733B CN202010129827.8A CN202010129827A CN111340733B CN 111340733 B CN111340733 B CN 111340733B CN 202010129827 A CN202010129827 A CN 202010129827A CN 111340733 B CN111340733 B CN 111340733B
Authority
CN
China
Prior art keywords
image
processed
sample
feature map
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010129827.8A
Other languages
English (en)
Other versions
CN111340733A (zh
Inventor
林松楠
张佳维
任思捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010129827.8A priority Critical patent/CN111340733B/zh
Publication of CN111340733A publication Critical patent/CN111340733A/zh
Priority to PCT/CN2020/100208 priority patent/WO2021169136A1/zh
Priority to TW109131136A priority patent/TW202133111A/zh
Application granted granted Critical
Publication of CN111340733B publication Critical patent/CN111340733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：对待处理图像进行特征提取，得到所述待处理图像对应中目标物体的轮廓特征图；根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核；根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。本公开实施例可实现提高去模糊的精度。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
拍摄过程中由于相机抖动或者头部运动会造成图像模糊，故需要对模糊图像进行去模糊处理，得到清晰图像。
相关技术中在去模糊时，通过提取人脸图像中的局部锐变来去模糊，但由于局部锐变中人脸图像细节较少，因而去模糊效果较差。
发明内容
本公开提出了一种对待处理图像进行去模糊的技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：
对待处理图像进行特征提取，得到所述待处理图像对应中目标物体的轮廓特征图；
根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核；
根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。
在一种可能的实现方式中，所述根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核，包括：
确定所述待处理图像的梯度及所述轮廓特征图的梯度；
根据所述待处理图像的梯度及所述轮廓特征图的梯度，得到所述待处理图像对应的模糊核。
在一种可能的实现方式中，所述确定所述待处理图像的梯度及所述轮廓特征图的梯度，包括：
根据待处理图像的行元素确定所述待处理图像的行梯度，及根据所述待处理图像的列元素确定所述待处理图像的列梯度；
根据轮廓特征图的行元素确定所述轮廓特征图的行梯度，及根据所述轮廓特征图的列元素确定所述轮廓特征图的列梯度。
在一种可能的实现方式中，所述根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，包括：
根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的初步去模糊图像；
根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
在一种可能的实现方式中，所述待处理图像为包含人脸信息的人脸图像，所述轮廓特征图为包含人脸轮廓特征的人脸轮廓特征图。
在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络包括第一网络和第二网络，所述第一网络用于对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，所述第二网络用于根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
在一种可能的实现方式中，通过样本训练集训练所述神经网络，所述样本训练集包括多个样本组，所述样本组包括样本图像、所述样本图像对应的样本轮廓特征图、及所述样本图像对应的样本目标图像；
所述通过样本训练集训练所述神经网络，包括：
通过所述第一网络对所述样本图像进行特征提取，得到所述样本图像中目标物体的轮廓特征图；
通过所述样本图像中目标物体的轮廓特征图及所述样本轮廓特征图，对抗训练所述第一网络。
在一种可能的实现方式中，所述通过样本训练集训练所述神经网络，包括：
根据所述样本图像及所述样本图像中目标物体的轮廓特征图，得到所述样本图像对应的模糊核；
根据所述样本图像对应的模糊核对所述样本图像中的目标物体进行去模糊处理，得到与所述样本图像对应的初步去模糊图像；
采用所述第二网络根据所述样本图像中目标物体的轮廓特征图，对所述样本图像对应的初步去模糊图像进行去伪影处理，得到与所述样本图像对应的目标图像；
根据所述样本图像对应的目标图像及所述样本目标图像，训练所述第二网络。
根据本公开的一方面，提供了一种图像处理装置，包括：
提取模块，用于对待处理图像进行特征提取，得到所述待处理图像对应中目标物体的轮廓特征图；
第一处理模块，用于根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核；
第二处理模块，用于根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。
在一种可能的实现方式中，所述第一处理模块，还用于：
确定所述待处理图像的梯度及所述轮廓特征图的梯度；
根据所述待处理图像的梯度及所述轮廓特征图的梯度，得到所述待处理图像对应的模糊核。
在一种可能的实现方式中，所述第一处理模块，还用于：
根据待处理图像的行元素确定所述待处理图像的行梯度，及根据所述待处理图像的列元素确定所述待处理图像的列梯度；
根据轮廓特征图的行元素确定所述轮廓特征图的行梯度，及根据所述轮廓特征图的列元素确定所述轮廓特征图的列梯度。
在一种可能的实现方式中，所述第二处理模块，还用于：
根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的初步去模糊图像；
根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
在一种可能的实现方式中，所述待处理图像为包含人脸信息的人脸图像，所述轮廓特征图为包含人脸轮廓特征的人脸轮廓特征图。
在一种可能的实现方式中，所述装置通过神经网络实现，所述神经网络包括第一网络和第二网络，所述第一网络用于对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，所述第二网络用于根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
在一种可能的实现方式中，所述装置还包括训练模块，用于通过样本训练集训练所述神经网络，所述样本训练集包括多个样本组，所述样本组包括样本图像、所述样本图像对应的样本轮廓特征图、及所述样本图像对应的样本目标图像；
所述训练模块，还用于：
通过所述第一网络对所述样本图像进行特征提取，得到所述样本图像中目标物体的轮廓特征图；
通过所述样本图像中目标物体的轮廓特征图及所述样本轮廓特征图，对抗训练所述第一网络。
在一种可能的实现方式中，所述训练模块，还用于：
根据所述样本图像及所述样本图像中目标物体的轮廓特征图，得到所述样本图像对应的模糊核；
根据所述样本图像对应的模糊核对所述样本图像中的目标物体进行去模糊处理，得到与所述样本图像对应的初步去模糊图像；
采用所述第二网络根据所述样本图像中目标物体的轮廓特征图，对所述样本图像对应的初步去模糊图像进行去伪影处理，得到与所述样本图像对应的目标图像；
根据所述样本图像对应的目标图像及所述样本目标图像，训练所述第二网络。
根据本公开的一方面，提供了一种电子设备，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调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，可以对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核，进一步根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。根据本公开实时例提供的图像处理方法及装置、电子设备和存储介质，以待处理图像中的目标物体的结构的先验知识，提取待处理图像的轮廓特征图，根据轮廓特征图估计待处理图像对应的模糊核，可以提高模糊核的鲁棒性及精度，进而提高得到的目标图像的精度，适用于大的运动模糊图像。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。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
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图；
图2示出根据本公开实施例的图像处理方法的示意图；
图3示出根据本公开实施例的图像处理装置的框图；
图4示出根据本公开实施例的一种电子设备800的框图；
图5示出根据本公开实施例的一种电子设备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。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，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示出根据本公开实施例的图像处理方法的流程图，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
如图1所示，所述图像处理方法可以包括：
在步骤S11中，对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图。
举例来说，待处理图像为模糊图像，可以根据待处理图像对应的目标物体的结构的先验知识对该待处理图像进行特征提取，提取该待处理图像中目标物体的轮廓特征，得到该待处理图像对应的轮廓特征图。
示例性的，可以采用预训练的用于提取轮廓特征图的神经网络对待处理图像进行特征提取，以得到待处理图像对应的轮廓特征图。还可以通过其他方式进行轮廓特征图的提取，在本申请实施例中不做具体限定。
在一种可能的实现方式中，所述待处理图像为包含人脸信息的人脸图像，所述轮廓特征图为包含人脸轮廓特征的人脸轮廓特征图，其中，人脸轮廓特征可以包括人的头部、眼睛、鼻子、嘴等轮廓特征。
在步骤S12中，根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核。
举例来说，在得到轮廓特征图后，可以根据待处理图像及轮廓特征图，得到待处理图像对应的模糊核。示例性的，可以通过最小二乘法对模糊核施加优先级图像以约束解空间，通过迭代求解来估计待处理图像对应的模糊核。
在步骤S13中，根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。
举例来说，由于清晰图像卷积模糊核可以得到模糊图像，基于该先验知识，在得到待处理图像对应的模糊核后，可以通过模糊核对待处理图像中的目标物体进行去模糊处理，得到待处理图像对应的目标图像。例如：可以根据待处理图像及模糊核得到待处理图像对应的初步去模糊图像，并可以根据轮廓特征图对初步去模糊图像进行去伪影，得到待处理图像对应的目标图像，该目标图像即为待处理图像对应的清晰图像。
这样，可以对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核，进一步根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。根据本公开实时例提供的图像处理方法，以待处理图像中的目标物体的结构的先验知识，提取待处理图像的轮廓特征图，根据轮廓特征图估计待处理图像对应的模糊核，可以提高模糊核的鲁棒性及精度，进而提高得到的目标图像的精度，适用于大的运动模糊图像。
在一种可能的实现方式中，所述根据所述模糊核对所述待处理图像中目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，可以包括：
根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的初步去模糊图像；
根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
理论上，待处理图像对应的清晰图像与模糊核进行卷积，可以得到待处理图像，因此，可以通过模糊核对待处理图像的目标物体进行去模糊处理，得到待处理图像对应的初步去模糊图像。示例性的，可以通过以下公式(一)得到待处理图像对应的初步去模糊图像。
Figure BDA0002395496330000091
其中，
Figure BDA0002395496330000092
用于表示模糊核，y用于表示待处理图像，x与
Figure BDA0002395496330000093
均表示初步去模糊图像，γ为权重参数，在
Figure BDA0002395496330000094
时，得到公式(一)右侧的最小值，从而可以求解得到待处理图像对应的初步去模糊图像
Figure BDA0002395496330000095
可以得到以下公式(二)。
Figure BDA0002395496330000096
其中，F表示离散傅里叶变换矩阵，F-1表示F的逆矩阵，
Figure BDA0002395496330000097
表示F的复共轭矩阵。
在得到模糊核后，通过该公式(二)，可以得到待处理图像对应的初步去模糊图像，由于模糊核是根据轮廓特征图估计得到，故需要根据轮廓特征图对得到的初步去模糊图像进行去伪影，以得到精度更高的目标图像。
举例来说，可以通过预训练的用于去伪影的神经网络对初步去模糊图像及轮廓特征图进行处理，得到待处理图像对应的目标图像，该神经网络可以为深度卷积神经网络。
在一种可能的实现方式中，所述根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核，可以包括：
确定所述待处理图像的梯度及所述轮廓特征图的梯度；
根据所述待处理图像的梯度及所述轮廓特征图的梯度，得到所述待处理图像对应的模糊核。
举例来说，可以根据待处理图像确定待处理图像对应的梯度，根据轮廓特征图确定轮廓特征图的梯度，进而根据述待处理图像的梯度及所述轮廓特征图的梯度，得到待处理图像对应的模糊核。
在一种可能的实现方式中，确定所述待处理图像的梯度及所述轮廓特征图的梯度，可以包括：
根据待处理图像的行元素确定所述待处理图像的行梯度，及根据所述待处理图像的列元素确定所述待处理图像的列梯度；
根据轮廓特征图的行元素确定所述轮廓特征图的行梯度，及根据所述轮廓特征图的列元素确定所述轮廓特征图的列梯度。
举例来说，可以将待处理图像中相邻的元素进行相减，得到待处理图像的梯度(行相邻元素相减得到对应的行梯度和列相邻元素相减得到对应的列梯度)，同样的，可以将轮廓特征图中相邻的元素进行相减，得到轮廓特征图对应的梯度(行相邻元素相减得到对应的行梯度和列相邻元素相减得到对应的列梯度)。进一步的，根据待处理图像的梯度及轮廓特征图的梯度，通过下述公式(三)可以得到所述待处理图像对应的模糊核。
Figure BDA0002395496330000101
其中，k用于表示模糊核，▽y用于表示待处理图像的梯度，s用于表示轮廓特征图，
Figure BDA0002395496330000102
用于表示轮廓特征图的梯度，β为权重参数，其中在
Figure BDA0002395496330000103
时得到公式(三)右侧的最小值，从而可以求解得到人脸图像对应的模糊核
Figure BDA0002395496330000104
可以得到以下公式(四)。
Figure BDA0002395496330000111
其中，▽h表示行对应的水平梯度，▽v表示列对应的垂直梯度。
在一种可能的实现方式中，所述方法可以通过神经网络实现，所述神经网络包括第一网络和第二网络，所述第一网络用于对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，所述第二网络用于根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
举例来说，可以通过样本训练集预训练包括第一网络和第二网络的神经网络对待处理图像进行去模糊。
在一种可能的实现方式中，通过样本训练集训练所述神经网络，所述样本训练集包括多个样本组，所述样本组包括样本图像、所述样本图像对应的样本轮廓特征图、及所述样本图像对应的样本目标图像；
所述通过样本训练集训练所述神经网络，可以包括：
通过所述第一网络对所述样本图像进行特征提取，得到所述样本图像中目标物体的轮廓特征图；
通过所述样本图像中目标物体的轮廓特征图及所述样本轮廓特征图，对抗训练所述第一网络。
举例来说，可以通过第一网络对样本进行特征提取，得到样本图像中目标物体的轮廓特征图，通过该轮廓特征图及该样本图像的样本轮廓特征图确定第一网络的特征提取损失。
可以通过鉴别器鉴别样本图像中目标物体的轮廓特征图及样本轮廓特征图(可以通过人手动标记得到)的真假，进而得到鉴别器的鉴别损失，并可以根据鉴别损失及第一网络的特征提取损失对抗训练第一网络。
在一种可能的实现方式中，所述通过样本训练集训练所述神经网络，可以包括：
根据所述样本图像及所述样本图像中目标物体的轮廓特征图，得到所述样本图像对应的模糊核；
根据所述样本图像对应的模糊核对所述样本图像中的目标物体进行去模糊处理，得到与所述样本图像对应的初步去模糊图像；
采用所述第二网络根据所述样本图像中目标物体的轮廓特征图，对所述样本图像对应的初步去模糊图像进行去伪影处理，得到与所述样本图像对应的目标图像；
根据所述样本图像对应的目标图像及所述样本目标图像，训练所述第二网络。
在得到样本图像中目标物体的轮廓特征图后，根据样本图像及样本图像中目标物体的轮廓特征图，可以得到样本图像对应的模糊核(具体过程可以参照前述实施例，本公开在此不再赘述)，根据样本图像的模糊核对样本图像中的目标物体进行去模糊处理，可以得到与样本图像对应的初步去模糊图像(具体过程可以参照前述实施例，本公开在此不再赘述)。将初步去模糊图像及样本图像对应的轮廓特征图输入第二网络中，进行去伪影处理，可以得到样本图像对应的目标图像，根据该目标图像及样本目标图像可以确定第二网络的内容损失，根据该内容损失可以调整第二网络的网络参数，以训练第二网络。
为使本领域技术人员更好的理解本公开实施例，以下通过具体示例对本公开实施例加以说明。
如图2所示，通过第一网络对待处理图像进行特征提取，得到待处理图像中目标物体的轮廓特征图，进一步的根据轮廓特征图对应的梯度及待处理图像对应的梯度，通过公式(四)估计得到待处理图像对应的模糊核。根据待处理图像及模糊核，通过公式(二)得到待处理图像对应的初步去模糊图像。将初步去模糊图像及轮廓特征图进行连接后，将连接结果输入第二网络中进行去伪影，可以得到待处理图像对应的目标图像，该目标图像为待处理图像对应的清晰图像，这样结合去模糊过程的物理特性及神经网络，可以提高去模糊的精度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的图像处理装置的框图，如图3所示，所述图像处理装置包括：
提取模块301，可以用于对待处理图像进行特征提取，得到所述待处理图像对应中目标物体的轮廓特征图；
第一处理模块302，可以用于根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核；
第二处理模块303，可以用于根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。
这样，可以对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核，进一步根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度。根据本公开实时例提供的图像处理装置，以待处理图像中的目标物体的结构的先验知识，提取待处理图像的轮廓特征图，根据轮廓特征图估计待处理图像对应的模糊核，可以提高模糊核的鲁棒性及精度，进而提高得到的目标图像的精度，适用于大的运动模糊图像。
在一种可能的实现方式中，所述第一处理模块，还可以用于：
确定所述待处理图像的梯度及所述轮廓特征图的梯度；
根据所述待处理图像的梯度及所述轮廓特征图的梯度，得到所述待处理图像对应的模糊核。
在一种可能的实现方式中，所述第一处理模块，还可以用于：
根据待处理图像的行元素确定所述待处理图像的行梯度，及根据所述待处理图像的列元素确定所述待处理图像的列梯度；
根据轮廓特征图的行元素确定所述轮廓特征图的行梯度，及根据所述轮廓特征图的列元素确定所述轮廓特征图的列梯度。
在一种可能的实现方式中，所述第二处理模块，还可以用于：
根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的初步去模糊图像；
根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
在一种可能的实现方式中，所述待处理图像为包含人脸信息的人脸图像，所述轮廓特征图为包含人脸轮廓特征的人脸轮廓特征图。
在一种可能的实现方式中，所述装置通过神经网络实现，所述神经网络包括第一网络和第二网络，所述第一网络用于对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，所述第二网络用于根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像。
在一种可能的实现方式中，所述装置还包括训练模块，用于通过样本训练集训练所述神经网络，所述样本训练集包括多个样本组，所述样本组包括样本图像、所述样本图像对应的样本轮廓特征图、及所述样本图像对应的样本目标图像；
所述训练模块，还可以用于：
通过所述第一网络对所述样本图像进行特征提取，得到所述样本图像中目标物体的轮廓特征图；
通过所述样本图像中目标物体的轮廓特征图及所述样本轮廓特征图，对抗训练所述第一网络。
在一种可能的实现方式中，所述训练模块，还可以用于：
根据所述样本图像及所述样本图像中目标物体的轮廓特征图，得到所述样本图像对应的模糊核；
根据所述样本图像对应的模糊核对所述样本图像中的目标物体进行去模糊处理，得到与所述样本图像对应的初步去模糊图像；
采用所述第二网络根据所述样本图像中目标物体的轮廓特征图，对所述样本图像对应的初步去模糊图像进行去伪影处理，得到与所述样本图像对应的目标图像；
根据所述样本图像对应的目标图像及所述样本目标图像，训练所述第二网络。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，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调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备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，个人数字助理等终端。
参照图4，电子设备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通常控制电子设备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电子设备800的操作。这些数据的示例包括用于在电子设备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为电子设备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，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备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。当电子设备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)，当电子设备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，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备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被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备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，电子设备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电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备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。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS 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电子设备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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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的改进，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 (8)

1.一种图像处理方法，其特征在于，包括：
对待处理图像进行特征提取，得到所述待处理图像对应中目标物体的轮廓特征图；
根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核；
根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度；
所述根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，包括：根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的初步去模糊图像；根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像；
所述方法通过神经网络实现，所述神经网络包括第一网络和第二网络，所述第一网络用于对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，所述第二网络用于根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像；
通过样本训练集训练所述神经网络，所述样本训练集包括多个样本组，所述样本组包括样本图像、所述样本图像对应的样本轮廓特征图、及所述样本图像对应的样本目标图像；所述通过样本训练集训练所述神经网络，包括：通过所述第一网络对所述样本图像进行特征提取，得到所述样本图像中目标物体的轮廓特征图；通过所述样本图像中目标物体的轮廓特征图及所述样本轮廓特征图，对抗训练所述第一网络。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核，包括：
确定所述待处理图像的梯度及所述轮廓特征图的梯度；
根据所述待处理图像的梯度及所述轮廓特征图的梯度，得到所述待处理图像对应的模糊核。
3.根据权利要求2所述的方法，其特征在于，所述确定所述待处理图像的梯度及所述轮廓特征图的梯度，包括：
根据待处理图像的行元素确定所述待处理图像的行梯度，及根据所述待处理图像的列元素确定所述待处理图像的列梯度；
根据轮廓特征图的行元素确定所述轮廓特征图的行梯度，及根据所述轮廓特征图的列元素确定所述轮廓特征图的列梯度。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述待处理图像为包含人脸信息的人脸图像，所述轮廓特征图为包含人脸轮廓特征的人脸轮廓特征图。
5.根据权利要求1所述的方法，其特征在于，所述通过样本训练集训练所述神经网络，包括：
根据所述样本图像及所述样本图像中目标物体的轮廓特征图，得到所述样本图像对应的模糊核；
根据所述样本图像对应的模糊核对所述样本图像中的目标物体进行去模糊处理，得到与所述样本图像对应的初步去模糊图像；
采用所述第二网络根据所述样本图像中目标物体的轮廓特征图，对所述样本图像对应的初步去模糊图像进行去伪影处理，得到与所述样本图像对应的目标图像；
根据所述样本图像对应的目标图像及所述样本目标图像，训练所述第二网络。
6.一种图像处理装置，其特征在于，包括：
提取模块，用于对待处理图像进行特征提取，得到所述待处理图像对应中目标物体的轮廓特征图；
第一处理模块，用于根据所述待处理图像及所述轮廓特征图，得到所述待处理图像对应的模糊核；
第二处理模块，用于根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的目标图像，所述目标图像的清晰度高于所述待处理图像的清晰度；
所述第二处理模块，还可以用于：根据所述模糊核对所述待处理图像中的目标物体进行去模糊处理，得到与所述待处理图像对应的初步去模糊图像；根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像；
所述装置通过神经网络实现，所述神经网络包括第一网络和第二网络，所述第一网络用于对待处理图像进行特征提取，得到所述待处理图像中目标物体的轮廓特征图，所述第二网络用于根据所述轮廓特征图对所述初步去模糊图像进行去伪影处理，得到与所述待处理图像对应的目标图像；
所述装置还包括训练模块，用于通过样本训练集训练所述神经网络，所述样本训练集包括多个样本组，所述样本组包括样本图像、所述样本图像对应的样本轮廓特征图、及所述样本图像对应的样本目标图像；所述训练模块，还可以用于：通过所述第一网络对所述样本图像进行特征提取，得到所述样本图像中目标物体的轮廓特征图；通过所述样本图像中目标物体的轮廓特征图及所述样本轮廓特征图，对抗训练所述第一网络。
7.一种电子设备，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调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。
8.一种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5中任意一项所述的方法。
CN202010129827.8A 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质 Active CN111340733B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010129827.8A CN111340733B (zh) 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质
PCT/CN2020/100208 WO2021169136A1 (zh) 2020-02-28 2020-07-03 图像处理方法及装置、电子设备和存储介质
TW109131136A TW202133111A (zh) 2020-02-28 2020-09-10 圖像處理方法、電子設備和電腦可讀儲存介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010129827.8A CN111340733B (zh) 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111340733A CN111340733A (zh) 2020-06-26
CN111340733B true CN111340733B (zh) 2022-07-26

Family

ID=71184010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010129827.8A Active CN111340733B (zh) 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质

Country Status (3)

Country Link
CN (1) CN111340733B (zh)
TW (1) TW202133111A (zh)
WO (1) WO2021169136A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340733B (zh) * 2020-02-28 2022-07-26 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112200745A (zh) * 2020-10-13 2021-01-08 上海商汤智能科技有限公司 遥感影像的处理方法及装置、电子设备和存储介质
US11741579B2 (en) * 2020-11-16 2023-08-29 Huawei Technologies Co., Ltd. Methods and systems for deblurring blurry images
US11798139B2 (en) * 2020-11-17 2023-10-24 GM Global Technology Operations LLC Noise-adaptive non-blind image deblurring
CN113177890B (zh) * 2021-04-27 2023-04-18 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN114036594B (zh) * 2022-01-10 2022-04-08 季华实验室 一种工艺图像的生成方法、装置和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780364A (zh) * 2016-11-24 2017-05-31 天津大学 基于可察觉特征的人脸图像去模糊方法
CN109087256A (zh) * 2018-07-19 2018-12-25 北京飞搜科技有限公司 一种基于深度学习的图像去模糊方法及***
CN109345474A (zh) * 2018-05-22 2019-02-15 南京信息工程大学 基于梯度域和深度学习的图像运动模糊盲去除方法
CN109800682A (zh) * 2018-12-29 2019-05-24 桂林电子科技大学 驾驶员属性识别方法及相关产品
CN110648286A (zh) * 2019-08-02 2020-01-03 广东工业大学 一种毫米波图像非盲目去模糊的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282003B (zh) * 2014-10-29 2017-04-19 哈尔滨工业大学 一种基于梯度筛选的数字模糊图像盲复原方法
CN105447828B (zh) * 2015-11-23 2018-07-17 武汉工程大学 沿运动模糊路径进行一维反卷积的单视点图像去模糊方法
CN105719251B (zh) * 2016-01-19 2018-06-19 浙江大学 一种用于大像移线性模糊的压缩降质图像复原方法
CN106991650B (zh) * 2016-01-21 2020-09-15 北京三星通信技术研究有限公司 一种图像去模糊的方法和装置
CN110060215B (zh) * 2019-04-16 2021-09-10 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111340733B (zh) * 2020-02-28 2022-07-26 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780364A (zh) * 2016-11-24 2017-05-31 天津大学 基于可察觉特征的人脸图像去模糊方法
CN109345474A (zh) * 2018-05-22 2019-02-15 南京信息工程大学 基于梯度域和深度学习的图像运动模糊盲去除方法
CN109087256A (zh) * 2018-07-19 2018-12-25 北京飞搜科技有限公司 一种基于深度学习的图像去模糊方法及***
CN109800682A (zh) * 2018-12-29 2019-05-24 桂林电子科技大学 驾驶员属性识别方法及相关产品
CN110648286A (zh) * 2019-08-02 2020-01-03 广东工业大学 一种毫米波图像非盲目去模糊的方法

Also Published As

Publication number Publication date
WO2021169136A1 (zh) 2021-09-02
CN111340733A (zh) 2020-06-26
TW202133111A (zh) 2021-09-01

Similar Documents

Publication Publication Date Title
CN111340733B (zh) 图像处理方法及装置、电子设备和存储介质
CN109522910B (zh) 关键点检测方法及装置、电子设备和存储介质
CN109816764B (zh) 图像生成方法及装置、电子设备和存储介质
CN110060215B (zh) 图像处理方法及装置、电子设备和存储介质
CN107692997B (zh) 心率检测方法及装置
CN110798630B (zh) 图像处理方法及装置、电子设备和存储介质
CN109118430B (zh) 超分辨率图像重建方法及装置、电子设备及存储介质
CN111445414B (zh) 图像处理方法及装置、电子设备和存储介质
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN110633700B (zh) 视频处理方法及装置、电子设备和存储介质
CN110580688B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN111553864A (zh) 图像修复方法及装置、电子设备和存储介质
CN113139947B (zh) 图像处理方法及装置、电子设备和存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN112085097A (zh) 图像处理方法及装置、电子设备和存储介质
CN111369482B (zh) 图像处理方法及装置、电子设备和存储介质
CN111583142A (zh) 图像降噪方法及装置、电子设备和存储介质
CN109840890B (zh) 图像处理方法及装置、电子设备和存储介质
CN113177890B (zh) 图像处理方法及装置、电子设备和存储介质
CN110675355A (zh) 图像重建方法及装置、电子设备和存储介质
CN110955800A (zh) 视频检索方法及装置
CN109889693B (zh) 视频处理方法及装置、电子设备和存储介质
CN107633490B (zh) 图像处理方法、装置及存储介质
CN109635926B (zh) 用于神经网络的注意力特征获取方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023151

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant