图像模糊消除方法、计算机设备和计算机可读存储介质与流程

本申请属于图像处理，特别是涉及一种图像模糊消除方法、计算机设备和计算机可读存储介质。

背景技术：

1、无人机，又称无人驾驶飞行器(unmanned aerial vehicle，uav)，是一种不需要人类驾驶员直接操控的飞行器。无人机的工作原理是通过遥控器、预设的自主飞行路径或者自主导航系统来执行任务和飞行操作，它们通常具备飞行、悬停、拍摄照片或视频、收集传感器数据等功能。无人机在军事领域、民用领域及科研领域中均具有广泛的应用前景，无人机的高度机动性和灵活性使其成为各种任务的理想选择。

2、然而，无人机在执行任务时经常需要应对复杂的环境因素，如风速、气流和气压的变化，这可能导致飞行器出现不规则的晃动或震动，即飞行抖动。这种抖动会导致无人机的传感器和摄像设备在采集图像或传感器数据时出现数据模糊问题，这给数据采集和分析带来了挑战。以及环境中的天气等因素的影响，同样会对采集的图像产生干扰，造成数据模糊：例如雨雪雾天气下采集的图像总是伴随一定的模糊。随着无人机技术的迅猛发展，对于解决飞行过程中产生的数据模糊问题的需求也日益迫切。如何减轻由于无人机飞行过程中产生的数据模糊，提高数据的清晰度和准确性，是本领域技术人员亟待解决的技术问题。

3、前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

技术实现思路

1、基于此，有必要针对上述问题，提出了一种图像模糊消除方法、计算机设备和计算机可读存储介质，能够将模糊图像处理为清晰图像。

2、本申请解决其技术问题是采用以下的技术方案来实现的：

3、本申请提供了一种图像模糊消除方法，包括如下步骤：获取数据集，并根据预设方法处理数据集得到训练集，数据集包括多张清晰图像，训练集包括多张清晰图像和对应处理得到的模糊图像；根据预设算法构建图像模糊消除模型，图像模糊消除模型包括第一生成对抗网络和第二生成对抗网络，第一生成对抗网络用于将模糊图像恢复为清晰图像，第二生成对抗网络用于将清晰图像转变为模糊图像；设计联合损失函数，根据联合损失函数、训练集训练图像模糊消除模型；当第一生成对抗网络能够将第二生成对抗网络输出的模糊图像的清晰度转变为输入第二生成对抗网络时的清晰图像的清晰度时，则认定图像模糊消除模型训练完成；将待处理图像输入到训练好的图像模糊消除模型中处理，以得到输出图像，输出图像的清晰度高于待处理图像的清晰度。

4、在本申请一可选实施例中，根据预设方法处理数据集得到训练集，包括：随机从数据集中挑选多张清晰图像；获取处理需求，并根据处理需求构建图像处理函数，处理需求包括运动规律和滤镜设置；根据图像处理函数处理清晰图像，以得到对应的模糊图像；汇总所有清晰图像和对应的模糊图像得到训练集。

5、在本申请一可选实施例中，根据预设算法构建图像模糊消除模型，包括：使用对偶学习的思想，选择模糊恢复作为原始任务以构建第一生成对抗网络，第一生成对抗网络包括第一生成器和第一鉴别器，第一生成器用于将输入的模糊图像转变为清晰图像，第一鉴别器用于判定第一生成器输出的图像是否为真；选择添加模糊作为对偶任务以构建第二生成对抗网络，第二生成对抗网络包括第二生成器和第二鉴别器，第二生成器用于将输入的清晰图像转变为模糊图像，第二鉴别器用于判定第二生成器输出的图像是否为真。

6、在本申请一可选实施例中，第一生成器、第一鉴别器、第二生成器和第二鉴别器为相同架构，包括：卷积层、归一化层、激活层和残差层；卷积层用于对输入图像进行特征提取；归一化层用于稳定数据分布；激活层用于为网络拟合引入非线性特征；残差层用于连接被提取出的特征。

7、在本申请一可选实施例中，设计联合损失函数，包括：获取特征信息，特征信息包括将图像输入第一生成对抗网络中进行处理生成的第一特征信息，和将图像输入第二生成对抗网络中进行处理生成的第二特征信息；根据第一特征信息建立第一感知损失函数，根据第二特征信息建立第二感知损失函数；获取标签信息，标签信息由第一生成对抗网络、第二生成对抗网络处理图像得到；根据标签信息构建对抗性损失函数；获取循环损失信息，循环损失信息由图像在第一生成对抗网络、第二生成对抗网络件循环处理生成；根据循环损失信息构建循环损失函数。

8、在本申请一可选实施例中，第一生成对抗网络包括第一生成器和第一鉴别器，第二生成对抗网络包括第二生成器和第二鉴别器；设计联合损失函数，包括：获取第一参数权重，根据第一参数权重设置对抗性损失函数、第一感知损失函数和循环损失函数，以构建第一生成器的联合损失函数；根据对抗性损失函数构建第一鉴别器的联合损失函数；获取第二参数权重，根据第二参数权重设置对抗性损失函数、第二感知损失函数和循环损失函数，以构建第二生成器的联合损失函数；根据对抗性损失函数构建第二鉴别器的联合损失函数。

9、在本申请一可选实施例中，根据联合损失函数、训练集训练图像模糊消除模型，包括：获取学习需求，学习需求包括学习率和/或迭代次数；将训练集中的模糊图像代入图像模糊消除模型中进行处理，将图像模糊消除模型处理输出的伪清晰图像和训练集中的清晰图像代入联合损失函数中计算损失，并根据损失优化迭代图像模糊消除模型，反复迭代直至满足学习需求。

10、在本申请一可选实施例中，反复迭代直至满足学习需求之后，包括：根据预设方法处理数据集得到测试集，测试集包括多张清晰图像和对应处理得到的模糊图像；将模糊图像输入第一生成对抗网络中处理得到伪清晰图像；将伪清晰图像输入第二生成对抗网络中处理得到伪模糊图像；当判定清晰图像和伪清晰图像不近似，或模糊图像和伪模糊图像不近似时，再次获取学习需求以对图像分辨率提升模型进行训练。

11、本申请还提供了一种计算机设备，包括处理器和存储器：处理器用于执行存储器中存储的计算机程序以实现如前述的方法。

12、本申请还提供了一种计算机可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现如前述的方法。

13、采用本申请实施例，具有如下有益效果：

14、本申请能够使用对偶学习的思想，构建了图像模糊消除模型，该模型中包括有两个架构相似任务相反的神经网络：用于将模糊图像恢复为清晰图像的第一生成对抗网络和用于将清晰图像转变为模糊图像第二生成对抗网络。通过双重对偶学习，使得第二生成对抗网络能够深度了解训练集所代表的运动模糊特性，进而训练第一生成对抗网络能够更好的去除、恢复模糊图像中所出现的运动模糊。从而在学习完成之后的图像模糊消除模型，能够将输入的模糊图像，处理为更清晰的图像。

15、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明。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。

技术特征：

1.一种图像模糊消除方法，其特征在于，包括如下步骤：

2.如权利要求1所述的图像模糊消除方法，其特征在于，所述根据预设方法处理所述数据集得到训练集，包括：

3.如权利要求1所述的图像模糊消除方法，其特征在于，所述根据预设算法构建图像模糊消除模型，包括：

4.如权利要求3所述的图像模糊消除方法，其特征在于，所述第一生成器、所述第一鉴别器、所述第二生成器和所述第二鉴别器为相同架构，包括：

5.如权利要求1所述的图像模糊消除方法，其特征在于，所述设计联合损失函数，包括：

6.如权利要求5所述的图像模糊消除方法，其特征在于，所述第一生成对抗网络包括第一生成器和第一鉴别器，所述第二生成对抗网络包括第二生成器和第二鉴别器；

7.如权利要求1至6任一项所述的图像模糊消除方法，其特征在于，所述根据所述联合损失函数、所述训练集训练所述图像模糊消除模型，包括：

8.如权利要求7所述的图像模糊消除方法，其特征在于，所述反复迭代直至满足所述学习需求之后，包括：

9.一种计算机设备，其特征在于，包括处理器和存储器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1到8中任一项所述方法。

技术总结
本申请实施例公开了一种图像模糊消除方法、计算机设备和计算机可读存储介质。其中，方法包括如下步骤：获取数据集，并根据预设方法处理数据集得到训练集；根据预设算法构建图像模糊消除模型，图像模糊消除模型包括第一生成对抗网络和第二生成对抗网；设计联合损失函数，根据联合损失函数、训练集训练图像模糊消除模型；当第一生成对抗网络能够将第二生成对抗网络输出的模糊图像的清晰度转变为输入第二生成对抗网络时的清晰图像的清晰度时，则认定图像模糊消除模型训练完成；将待处理图像输入到训练好的图像模糊消除模型中处理，以得到输出图像。因此，本申请能够学习运动规律，以将模糊图像处理为清晰图像。

技术研发人员：段雨廷,于虹,饶桐,郭晨鋆,曹占国,龚泽威一,周帅
受保护的技术使用者：云南电网有限责任公司电力科学研究院
技术研发日：
技术公布日：2024/1/15