[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

说明书

本发明公开了一种基于人工智能的图像去模糊方法、装置、设备和存储介质，所述方法包括：获取初始模糊图像，并将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，训练好的去模糊网络模型包括第一子网络和第二子网络，第一子网络和第二子网络均为多尺度循环神经网络模型，再通过第一子网络对初始模糊图像进行去模糊处理，得到第一输出结果，通过第二子网络对第一输出结果进行去模糊处理，得到目标图像，本发明提高了去模糊处理得到图像的质量。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的图像去模糊方法、装置、设备及存储介质。

背景技术

图像的清晰度和质量在科研、国防、通信以及医疗等各个领域尤其重要。例如，在人脸识别任务中，视觉上越清晰、质量越高的图像对人脸识别的准确率具有正面影响，反之，模糊的人脸图像可能会导致人脸识别任务出错。因此，图像去模糊的研究引起了越来越多研究者的关注。

现有方式主要利用自然图像先验来规范求解空间，包括稀疏图像先验，重尾梯度先验，L0范数梯度先验，超拉普拉斯先验等用于抑制伪影并改善去模糊图像的质量。现有方式还有通过基于深度学习的方法训练模型，进而通过训练好的模型实现恢复不同分辨率的清晰图像，这种方式可以提高去模糊图像的清晰度和质量。

在实现本发明的过程中，发明人意识到现有技术至少存在如下问题：利用自然图像先验来规范求解空间改善图像质量，涉及大量计算，使得处理效率较低，此外，因为空间均匀模糊内核的常见假设过于严格而导致去模糊效果不佳；现有的采用深度学习的方式，模型训练时间昂贵，而且通用深度学习模型的模糊内核模型结构单一，针对实际运动模糊图像的去模糊视觉效果不佳，使得去模糊图像的质量较差等问题，因而，亟需一种提高图像去模糊质量的方法。

发明内容

本发明实施例提供一种基于人工智能的图像去模糊方法、装置、计算机设备及存储介质，以提高图像去模糊得到的图像质量。

一种基于人工智能的图像去模糊方法，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。

可选地，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。

可选地，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。

可选地，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。