[發明專利]一種圖像處理方法及裝置

在審

• 申請號: 201911312737.6
• 申請日: 2019-12-18
• 公開（公告）號: CN113012050A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 黃海鵬;劉陽興
• 申請（專利權）人: 武漢TCL集團工業研究院有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;H04N5/217
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 李娟

本發明適用于圖像處理技術領域，提供了一種圖像處理方法及裝置，包括：獲取待處理的目標圖像；將目標圖像輸入到訓練好的U_Net模型中進行處理以得到相應的輸出圖像：其中，U_Net模型中設置有多個下采樣模塊和多個殘差模塊，下采樣模塊和所述殘差模塊用于提取目標圖像的高層特征。

技術領域

本發明屬于圖像處理領域，尤其涉及一種圖像處理方法及裝置。

背景技術

終端設備在拍攝圖像的過程中，由于拍攝物體的運動或者相機的失焦，導致拍攝出來的圖片產生模糊現象。鑒于這些拍攝的瞬間大多是不可逆的過程，因而由模糊圖像恢復出清晰圖像在視覺任務中一直是一個巨大的挑戰。

目前的圖像去模糊方法主要基于模糊核估計實現。例如采用反卷積，維納爾濾波等方法估計模糊核，或者是采用卷積神經網絡(Convolutional Neural Network,CNN)合成模糊核。然后基于該模糊核對模糊圖像進行卷積操作，得到清晰圖像。然而圖像在拍攝過程中，一張圖像不同位置的模糊現象可能是由于不同的原因造成的，因此實際的模糊核往往是空間不均勻的。因此，估計的模糊核一般存在不準確的問題，從而導致圖像去模糊過程的魯棒性較差。

發明內容

有鑒于此，本發明實施例提供了一種圖像處理方法及裝置，以解決現有技術中圖像去模糊過程的魯棒性較差的問題。

本發明實施例的第一方面提供了一種圖像處理方法，包括：獲取待處理的目標圖像；將目標圖像輸入到訓練好的U_Net模型中進行處理以得到相應的輸出圖像：其中，U_Net模型中設置有多個下采樣模塊和多個殘差模塊，下采樣模塊和殘差模塊用于提取目標圖像的高層特征。

基于本申請提供的圖像處理方法，在對目標圖像進行去模糊時，無需進行模糊核估計，通過U_Net模型處理目標圖像，能夠保證所得到的輸出圖像的清晰度和細節，從而提升圖像去模糊過程的魯棒性。

在一個可能的實例中，將目標圖像輸入到訓練好的U_Net模型中進行處理，包括：將目標圖像按照U_Net模型指定的輸入尺寸輸入U_Net模型進行處理。

本發明實施例的第二方面提供了一種圖像處理裝置，包括：獲取單元和處理單元；獲取單元，用于獲取待處理的目標圖像；處理單元，用于將目標圖像輸入到訓練好的U_Net模型中進行處理以得到相應的輸出圖像：其中，U_Net模型中設置有多個下采樣模塊和多個殘差模塊，下采樣模塊和殘差模塊用于提取目標圖像的高層特征。

基于本申請提供的圖像處理裝置，通過U_Net模型處理目標圖像，保證所得到的輸出圖像的清晰度和細節，無需進行模糊核估計，從而提升圖像去模糊過程的魯棒性。

基于上述第一方面或第二方面，在一個可能的實例中，多個殘差模塊包括第一殘差模塊和第二殘差模塊，U_Net模型包括編碼模塊和解碼模塊，編碼模塊中的每個編碼層中設置有一個下采樣模塊，且每個編碼層的輸出端設置有一個第一殘差模塊；解碼模塊中的每個解碼層的輸入端設置有一個第二殘差模塊；編碼模塊中的每個第一殘差模塊與編碼模塊中對應的第二殘差模塊之間設置有跳躍連接。

在該可能的實例中，通過在殘差模塊之間設置跳躍連接，能夠加快U_Net模型的運算速度。

在一個可能的實例中，多個殘差模塊中的每個殘差模塊包括串聯的輸入卷積層、激活函數、輸出卷積層。

在一個可能的實例中，多個下采樣模塊中的每個下采樣模塊包括并聯的第一模塊和第二模塊，第一模塊的輸出和第二模塊的輸出經過相加后作為下采樣模塊的輸出；其中，第一模塊包括卷積層和激活函數，第二模塊包括最大池化層。

在一個可能的實例中，第一模塊中的卷積層的卷積核尺寸為5*5，卷積步長為2。

在一個可能的實例中，U_Net模型基于雙目去模糊數據集訓練所得。

在該可能的實例中，能夠保證訓練好的U_Net模型的泛化能力和魯棒性。