[发明专利]一种图像处理、模型训练、方法、装置和存储介质

说明书

本发明实施例公开了一种图像处理、模型训练、方法、装置和存储介质；本发明实施例可以获取待处理模糊图像、以及所述待处理模糊图像对应的模糊核；获取所述模糊核对应的分解矩阵；根据所述分解矩阵对反卷积网络模型中卷积层的参数进行设置，得到设置后反卷积网络模型，所述反卷积网络模型由样本模糊核、样本模糊核的广义矩阵分解结果、样本模糊核对应的样本模糊图像训练而成；所述卷积层与所述分解矩阵对应；根据所述设置后反卷积网络模型对所述待处理模糊图像进行去模糊处理，得到去模糊后图像；该方案可以提升去模糊效率和效果。

技术领域

本发明涉及计算机技术领域，具体涉及一种图像处理、模型训练、方法、装置和存储介质。

背景技术

目前在一些实际场景中会产生一些模糊图像，比如，拍照时如果相机抖动、或者物体运动会产生一些低质量模糊图像。为了提升图像质量和用户体验，目前一般在得到模糊图像之后，会对模糊图像进行去模糊处理，还原出清晰图像。

目前常用的去模糊处理方法主要基于深度学习的方法，具体地，将模糊图像和模糊和输入至深度学习网络中，利用网络的自我学习能力达到反卷积的目的，从而还原出清晰图像；但是该方法没有考虑模糊核的特有特性，使得学习得到的网络模型规模较大、从而运行时间也较长、并且去模糊效果不佳。

发明内容

本发明实施例提供一种图像处理、模型训练、方法、装置和存储介质，可以提升去模糊效率和效果。

本发明实施例提供一种图像处理方法，包括：

获取待处理模糊图像、以及所述待处理模糊图像对应的模糊核；

获取所述模糊核对应的分解矩阵；

根据所述分解矩阵对反卷积网络模型中卷积层的参数进行设置，得到设置后反卷积网络模型，所述反卷积网络模型由样本模糊核、样本模糊核的广义矩阵分解结果、样本模糊核对应的样本模糊图像训练而成；所述卷积层与所述分解矩阵对应；

根据所述设置后反卷积网络模型对所述待处理模糊图像进行去模糊处理，得到去模糊后图像。

相应地，本发明实施例提供还提供了一种模型训练方法，包括：

获取多个样本模糊核，所述多个样本模糊核对应多个样本模糊图像；

对多个样本模糊核进行广义矩阵分解，得到每个样本模糊核对应的分解矩阵、以及每个样本模糊核共有的特征向量；

根据所述特征向量对所述反卷积网络模型中卷积层的参数进行初始化，得到初始化后反卷积网络模型，所述卷积层与所述特征向量对应；

根据所述分解矩阵、所述样本模糊核、以及所述样本模糊核对应的样本模糊图像，对所述初始化后反卷积网络模型进行训练，得到训练后反卷积网络模型。

相应地，本发明实施例还提供一种图像处理装置，包括：

图像获取单元，用于获取待处理模糊图像、以及所述待处理模糊图像对应的模糊核；

矩阵获取单元，用于获取所述模糊核对应的分解矩阵；

参数设置单元，用于根据所述分解矩阵对反卷积网络模型中卷积层的参数进行设置，得到设置后反卷积网络模型，所述反卷积网络模型由样本模糊核、样本模糊核的广义矩阵分解结果、样本模糊核对应的样本模糊图像训练而成；所述卷积层与所述分解矩阵对应；

去模糊单元，用于根据所述设置后反卷积网络模型对所述待处理模糊图像进行去模糊处理，得到去模糊后图像。

相应地，本发明实施例还提供了一种模型训练装置，包括：

样本获取单元，用于获取多个样本模糊核，所述多个样本模糊核对应多个样本模糊图像；