[發明專利]圖像處理方法、裝置、可讀存儲介質及計算機設備

有效

• 申請號: 201810595837.3
• 申請日: 2018-06-11
• 公開（公告）號: CN108846814B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 賀永剛
• 申請（專利權）人: 廣州視源電子科技股份有限公司;廣州鐳晨智能科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 何世磊

本發明公開了一種圖像處理方法、裝置、可讀存儲介質及計算機設備，所述包括：獲取標準模糊圖像和與所述標準模糊圖像對應的標準清晰圖像；對所述標準模糊圖像和所述標準清晰圖像進行全卷積網絡訓練，所述全卷積網絡包括至少一個訓練網絡層，每一個所述訓練網絡層均包括卷積層、掩膜激活層和ReLU激活層；獲取待處理模糊圖像；利用測試全卷積網絡對所述待處理模糊圖像進行處理，以獲得與所述待處理模糊圖像對應的清晰圖像，所述測試全卷積網絡包括至少一個測試網絡層，每一個所述測試網絡層均包括所述卷積層和所述ReLU激活層。本發明能夠解決圖像處理時文字的清晰化效果較差的問題。

技術領域

本發明涉及圖像處理技術領域，特別是涉及一種圖像處理方法、系統、可讀存儲介質及計算機設備。

背景技術

隨著科技的發展，電子產品得到了廣泛普及，其中，具有攝像功能電子產品，若手機、相機等，更是受到消費者的青睞，電子產品的對圖像的拍攝效果已經影響了消費者的購買興趣。

人們在使用相機或手機拍攝圖像時，可能會由于失焦或手抖等因素導致采集的圖像模糊不清晰。傳統方法在解決這一類問題時，主要通過估計模糊核，反卷積得到清晰的圖像。隨著深度學習技術的發展，一些研究人員利用卷積神經網絡來學習模糊核，實現圖像的清晰化。

當圖像內容為文字時，深度學習會受大量的背景內容干擾，影響到網絡的學習。因為通常文字圖像的背景比較平坦，圖像模糊后幾乎沒有細節。當采用深度學習訓練求解時，模糊圖像的背景相對平坦，而清晰圖像的背景區域會有一些小的細節。這樣大量的背景區域會誤導網絡的訓練，使得網絡收斂緩慢，而且文字的清晰化效果變差。

發明內容

為此，本發明的一個實施例提出一種圖像處理方法，解決圖像處理時文字的清晰化效果較差的問題。

根據本發明一實施例的圖像處理方法，包括：

獲取標準模糊圖像和與所述標準模糊圖像對應的標準清晰圖像；

對所述標準模糊圖像和所述標準清晰圖像進行全卷積網絡訓練，所述全卷積網絡包括至少一個訓練網絡層，每一個所述訓練網絡層均包括卷積層、掩膜激活層和ReLU激活層；

獲取待處理模糊圖像；

利用測試全卷積網絡對所述待處理模糊圖像進行處理，以獲得與所述待處理模糊圖像對應的清晰圖像，所述測試全卷積網絡包括至少一個測試網絡層，每一個所述測試網絡層均包括所述卷積層和所述ReLU激活層。

根據本發明實施例的圖像處理方法，在進行全卷積網絡訓練時，加入了掩膜激活層，掩膜激活層能夠通過掩膜操作來減少圖像中出文字以外的背景區域的干擾，去除了網絡中背景信息的學習，使深度學習能夠學習到用戶真實想要的清晰文字，使得深度學習進行文字圖像的清晰化時更為魯棒，清晰化效果更好，也使得網絡學習收斂更快，且相比現有技術中，本發明中訓練用的全卷積網絡和測試全卷積網絡有所不同，訓練用的全卷積網絡包括了掩膜激活層，而測試全卷積網絡不包括掩膜激活層，能夠防止輸出的清晰圖像的背景區域為0，同時防止文字邊緣區域與背景區域出現顏色不協調的情況。

另外，根據本發明上述實施例的圖像處理方法，還可以具有如下附加的技術特征：

進一步地，在本發明的一個實施例中，所述對所述標準模糊圖像和所述標準清晰圖像進行全卷積網絡訓練的步驟包括：

對所述標準模糊圖像進行二值化處理，以得到二值圖像；

根據所述二值圖像獲取所述標準模糊圖像對應的掩膜；

在每一個所述測試網絡層中依次對所述標準模糊圖像進行卷積處理、掩膜處理和ReLU激活處理，并使最終處理后的所述標準模糊圖像為所述標準清晰圖像；