[发明专利]基于人工智能的图像去模糊方法、装置、设备及存储介质

权利要求书

1.一种基于人工智能的图像去模糊方法，其特征在于，包括：

获取初始模糊图像；

将所述初始模糊图像输入到训练好的基于堆栈的多尺度循环网络模型中，其中，所述训练好的去模糊网络模型包括第一子网络和第二子网络，所述第一子网络和所述第二子网络均为多尺度循环神经网络模型；

通过所述第一子网络对所述初始模糊图像进行去模糊处理，得到第一输出结果；

通过所述第二子网络对所述第一输出结果进行去模糊处理，得到目标图像。

2.如权利要求1所述的基于人工智能的图像去模糊方法，其特征在于，所述多尺度循环神经网络模型中的网络块采用基于卷积的长短时记忆神经网络Conv LSTM结构。

3.如权利要求1所述的基于人工智能的图像去模糊方法，其特征在于，所述多尺度循环神经网络模型包括3个网络层级，每个网络层级由加入了残差结构的编码器-解码器网络组成，所述残差结构包含两个卷积层以及一个激活函数。

4.如权利要求3所述的基于人工智能的图像去模糊方法，其特征在于，所述通过所述第一子网络对所述初始模糊图像进行去模糊处理，得到第一输出结果包括：

将所述初始模糊图像进行下采样处理，得到3个不同比例的下采样图像，分别为第一图像B1、第二图像B2和第三图像B3，其中，所述第一图像B1分辨率低于所述第二图像B2，所述第二图像B2分辨率低于所述第三图像B3；

将所述第一图像B1输入到第一网络层级，采用所述第一网络层级进行编码解码处理，得到第一处理图像；

将所述第一处理图像和所述第二图像B2输入到第二网络层级，采用所述第二网络层级进行编码解码处理，得到第二处理图像；

将所述第二处理图像和所述第二图像B2输入到第三网络层级，采用所述第三网络层级进行编码解码处理，得到第一输出结果。

5.如权利要求1至4任一项所述的基于人工智能的图像去模糊方法，其特征在于，在所述将所述初始模糊图像输入到训练好的基于堆栈的多尺度循环网络模型中之前，所述基于人工智能的图像去模糊方法还包括：

采用训练数据集对初始基于堆栈的多尺度循环网络模型进行训练，得到训练后的基于堆栈的多尺度循环网络模型；

采用测试数据集中的模糊图像对所述训练后的基于堆栈的多尺度循环网络模型进行测试，得到测试图像，其中，所述测试数据集中包含不同角度的测试图像对，每个所述测试图像对包括一张模糊图像和模糊图像对应的原始清晰图像；

采用均方方差损失函数，计算所述测试图像与所述测试图像对应的原始清晰图像之间的损失，得到损失评估值；

若所述损失评估值小于预设阈值，则将得到的训练后的基于堆栈的多尺度循环网络模型，作为所述训练好的基于堆栈的多尺度循环网络模型。

6.一种基于人工智能的图像去模糊装置，其特征在于，所述基于人工智能的图像去模糊装置包括：

图像获取模块，用于获取初始模糊图像；

图像输入模块，用于将所述初始模糊图像输入到训练好的基于堆栈的多尺度循环网络模型中，其中，所述训练好的去模糊网络模型包括第一子网络和第二子网络，所述第一子网络和所述第二子网络均为多尺度循环神经网络模型；

第一去模糊模块，用于通过所述第一子网络对所述初始模糊图像进行去模糊处理，得到第一输出结果；

第二去模糊模块，用于通过所述第二子网络对所述第一输出结果进行去模糊处理，得到目标图像。