[发明专利]基于深度学习的图像去模糊方法及装置、电子设备

说明书

本申请的实施例揭示了一种基于深度学习的图像去模糊方法及装置，该方法包括：确定待处理图像对应的模糊类型；基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据所述模糊类型对应的多个样本图像对进行训练得到的，所述多个样本图像对由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；将所述待处理图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述待处理图像进行去模糊处理；获取所述模糊处理网络输出的去模糊图像。本申请实施例的技术方案能够对待处理进行全盲性的去模糊处理。

技术领域

本申请涉及人工智能技术领域，具体涉及一种基于深度学习的图像去模糊方法及装置、电子设备以及计算机可读存储介质。

背景技术

病理显微镜可以快速地获取病理切片的数字病理图像，但是获取到的数字病理图像常常存在模糊情况，导致医生通过查看数字病理图像难以得到准确的病理信息，为病理诊断带来障碍。因此，如何去除数字病理图像中含有的模糊因素以得到清晰的数字病理图像，是现有技术中还有待解决的技术问题。

发明内容

为解决上述技术问题，本申请的实施例提供了一种基于深度学习的图像去模糊方法及装置，还提供了一种电子设备以及计算机可读存储介质，基于本申请的实施例对待处理图像进行去模糊处理，能够得到的清晰的去模糊图像。

其中，本申请所采用的技术方案为：

一种基于深度学习的图像去模糊方法，包括：确定待处理图像对应的模糊类型；基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据多个样本图像对进行训练得到的，所述多个样本图像对是由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；将所述图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述图像进行去模糊处理；获取所述模糊处理网络输出的去模糊图像。

一种基于深度学习的图像去模糊装置，包括：模糊类型确定模块，用于确定待处理图像对应的模糊类型；模糊网络确定模块，用于基于所述待处理图像对应的模糊类型，确定与所述模糊类型相匹配的模糊处理网络，所述模糊处理网络是根据多个样本图像对进行训练得到的，所述多个样本图像对是由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成；图像模糊处理模块，用于将所述图像输入所述模糊处理网络中，以基于所述模糊处理网络在训练中学习到的所述模糊样本图像与所述清晰样本图像之间的特征映射关系，对所述图像进行去模糊处理；去模糊图像获取模块，用于获取所述模糊处理网络输出的去模糊图像。

一种电子设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的基于深度学习的图像去模糊方法。

一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的基于深度学习的图像去模糊方法。

在上述技术方案中，预先针对不同的模糊类型训练得到不同的模糊处理网络，其中，对模糊处理网络进行训练的训练数据包括相应模糊类型的多个样本图像对，并且多个样本图像对是由不同模糊程度的多张模糊样本图像分别与清晰样本图像组成的，使得模糊处理网络在训练过程中能够不断地学习不同模糊程度的模糊样本图像与清晰样本图像之间的特征映射关系，使得模糊处理网络具有很高的模糊程度包容性，进而能够具有很好的去模糊效果。

在实际应用中，待处理图像可以是基于病理显微镜获取的病理切片的数字病理图像，基于所确定的待处理图像对应的模糊类型，选择该模糊类型相匹配的模糊处理网络对待处理图像进行去模糊处理，使得模糊处理网络基于训练过程中学习得到的特征映射关系，有针对性地去除待处理图像中含有的模糊因素，从而得到清晰的去模糊图像。

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，并不能限制本申请。