图像处理方法、装置及电子设备与流程

1.本技术涉及电子技术领域，特别涉及一种图像处理方法、装置、电子设备。


背景技术：

2.图像场景理解是图像分类理解的一项基本而重要的任务，而图像去模糊也是提高获取的图像质量，进而提高图像场景理解准确度的一项重要的子任务。
3.在现有技术中，图像去模糊通常包括利用图像质量评价去模糊、利用先验信息和人工特征去模糊以及利用深度学习或机器学习去模糊等方法，但这些方法只能针对镜头硬件模糊、运动模糊、虚焦模糊等场景提高图像质量，而对于镜头与被拍摄物之间的透光介质上存在异物导致的模糊则无能为力。由于在拍摄过程中，这些透光介质，例如镜头盖、镜头贴膜、玻璃窗等，不可避免的存在于镜头与被拍摄物之间，且这些透光介质上存在的异物，如污渍、灰尘等对图像质量有较大的影响。


技术实现要素：

4.本技术实施例提供一种图像处理方法、装置及电子设备。
5.本技术实施例提供一种图像处理方法，包括：
6.确定待处理图像的暗通道图像；
7.提取所述暗通道图像中的模糊特征；
8.根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像。
9.本技术实施例还提供一种图像处理装置，包括：
10.暗通道图像模块，用于确定待处理图像的暗通道图像；
11.模糊特征提取模块，用于提取所述暗通道图像中的模糊特征；
12.处理模块，用于根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像。
13.本技术实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行上述图像处理方法。
14.本技术实施例提供的图像处理方法中，电子设备可以首先通过确定待处理图像的暗通道图像，再提取所述暗通道图像中的模糊特征，并根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像，能够在无需人为对镜头与被拍摄物之间的透光介质上存在的异物进行检测情况下，自动消除该异物导致的模糊。
附图说明
15.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附
图。
16.图1为本技术实施例提供的图像处理方法的流程示意图。
17.图2为本技术实施例提供的去模糊网络的结构示意图。
18.图3为本技术实施例提供的图像处理方法的另一流程示意图。
19.图4为本技术实施例提供的训练去模糊网络模型的流程示意图。
20.图5为本技术实施例提供的去模糊网络的训练过程示意图。
21.图6为本技术实施例提供的去模糊网络的另一训练过程示意图。
22.图7为本技术实施例提供的模糊图像的制作流程示意图。
23.图8为本技术实施例提供的图像处理装置的结构示意图。
24.图9为本技术实施例提供的图像处理装置的另一结构示意图。
25.图10为本技术实施例提供的电子设备的结构示意图。
26.图11为本技术实施例提供的电子设备的另一结构示意图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本技术的保护范围。
28.本技术实施例提供的图像处理方法中，电子设备首先通过确定待处理图像的暗通道图像。随后，提取所述暗通道图像中的模糊特征，并根据所述模糊特征。最后，去除所述待处理图像中的模糊，生成处理后的图像。
29.本技术实施例提供的图像处理方法，能够在无需人为对镜头与被拍摄物之间的透光介质上存在的异物进行检测情况下，自动消除该异物导致的模糊。因此，当镜头与被拍摄物之间的透光介质上存在异物时，可以将该异物通过去模糊网络模型消除，从提高拍摄的图像质量。
30.本技术实施例提供的图像处理方法可以应用于电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、ar(augmented reality，增强现实)设备、汽车、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子头盔、电子衣物等设备。
31.参考图1，图1为本技术实施例提供的图像处理方法的流程示意图。其中，所述图像处理方法包括以下步骤：
32.100，确定待处理图像的暗通道图像。
33.暗通道是指清晰无雾的图片中除天空区域外的任一局部区域像素至少有一个通道值很低，由于天空区域或者白色区域和雾的特征较为接近，几乎趋近于零。将暗通道特征引入到待处理图像中，提取难以观测的存在于镜头与被拍摄物体之间的透光介质上的异物，如污渍、灰尘等。
34.可以理解的，在透过透光介质拍摄物体时，在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。也就是说，该区域光强度的最小值是个很小的数。
35.举例而言，对于任意的待处理图像，其暗通道特征可以用下式表达。
[0036][0037]
其中，j
dark
表示待处理图像的暗通道特征，j
c
表示彩色图像的每个通道，ω(x)表示以像素x为中心的一个窗口。
[0038]
可以理解的，根据上述的暗通道特征表达式，即首先求出待处理图像的每个像素rgb分量中的最小值，这些像素rgb分量中的最小值会被存入一幅和待处理图像大小相同的灰度图中，然后再对该幅灰度图进行最小值滤波，即可获得待处理图像的暗通道图像。
[0039]
200，提取暗通道图像中的模糊特征。
[0040]
可以理解的，在镜头通过透明介质拍摄物体的场景中，通过对待处理图像进行暗通道提取，能够分离出透明介质上的模糊噪声，这些模糊噪声就是在透明介质上存在的异物的模糊特征。
[0041]
例如，对于包括的天空区域的灰度图像，当透明介质上没有异物时，天空区域通常指包含蓝色的天空或白灰色的云，这两种物质的灰度值通常较小。当透明介质上存在异物时，被拍摄的异物的灰度值会明显大于天空和云的灰度值，这种灰度值明显较大的情况即可被识别为异物。因此，在将待处理图像转换为灰度图像后，灰度图像中的灰度值较大的异物即可作为在透明介质上存在的模糊特征被提取出来。提取出的模糊特征可以作为图像处理的引导。
[0042]
300，根据模糊特征，去除待处理图像中的模糊，生成处理后的图像。
[0043]
将待处理图像和待处理图像的暗通道图输入去模糊网络，该去模糊网络可以为类unet网络结构。类unet网络结构的特点是网络层数等参数不唯一，可根据实际情况增加修改。本实施例中采用的去模糊网络可采用已有的一阶段网络，一阶段网络的原理是通过提取出的透明介质上的异物区域的模糊特征，以暗通道特征做引导，引导该去模糊网络更好的根据异物的分布进行去模糊处理，从而得到更准确的去模糊结果。
[0044]
其中，本实施例采用的去模糊网络结构如图2所示，待处理图像与待处理图像的灰度图像融合后，输入该去模糊网络，分别通过conv2d函数501、spacetodepth函数502、depthtospace函数503、resizebilinear函数504、downsampleconv函数505和residualblock函数506进行去模糊处理，生成去模糊图像。
[0045]
本技术实施例提供的图像处理方法中，电子设备可以首先通过确定待处理图像的暗通道图像，再提取所述暗通道图像中的模糊特征，并根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像，能够在无需人为对镜头与被拍摄物之间的透光介质上存在的异物进行检测情况下，自动消除该异物导致的模糊。
[0046]
在一可选实施例中，参考图3，图3所示的图像处理方法在图1的基础上还包括以下的步骤：
[0047]
400，对处理后的图像做直方图均衡，生成恢复图像。
[0048]
在生成处理后的图像后，还可对该处理后的图像做一次直方图均衡，恢复一些损失的细节和色彩。
[0049]
可以理解的，此直方图均衡通常可以使用两种方案。自适应直方图均衡化(ahe)和限制对比度直方图均衡(clahe)。自适应直方图均衡化(ahe)是用来提升图像的对比度的一种计算机图像处理技术。和普通的直方图均衡算法不同，ahe算法通过计算图像的局部直方
图，然后重新分布亮度来来改变图像对比度。因此，该算法更适合于改进图像的局部对比度以及获得更多的图像细节。
[0050]
另外一种自适应的直方图均衡算法是限制对比度直方图均衡(clahe)算法，该算法能有效的限制过度放大图像中相同区域的噪音的问题，因此可根据图像的类型按需选择直方图均衡方案。
[0051]
参考图4，图4为本技术实施例提供的训练去模糊网络模型的流程示意图。可以理解的，电子设备在训练步骤300中的去模糊网络模型时，可以通过以下步骤进行：
[0052]
310，将待处理图像与标准图像进行比较，获得第一比较结果；
[0053]
320，将第一比较结果代入损失函数计算获得损失结果；
[0054]
330，将损失结果与标准图像进行比较，获得第二比较结果；
[0055]
340，将第二比较结果代入损失函数进行迭代计算；
[0056]
350，根据迭代计算结果小于阈值的损失函数生成去模糊网络模型。
[0057]
其中，参考图5，图5为本技术实施例提供的去模糊网络的训练过程示意图。对于一阶段去模糊网络的训练，首先将待处理图像和标准图像(groundtruth)比较，获得第一比较结果，该比较结果为待处理图像和标准图像的像素值的差值。其中的待处理图像是确定将第一比较结果代入损失(loss)函数计算，其中损失函数可采用以下的表达式：
[0058][0059]
前半段为l1函数，b代表待处理图像，g代表标准图像(groundtruth)；后半段l2为损失函数的改进，dcp代表暗通道中的模糊特征。采用这种损失函数的原因在于，l2对离群数据点敏感，也就是对待处理图像中像素值过大过小的像素敏感，因此对于暗通道提取到的过亮或过暗区域敏感，适合结合暗通道来约束过亮或过暗区域，通常透光介质上的异物导致的模糊不会是特别亮或者特别暗的特征。
[0060]
将损失函数计算获得的损失结果与标准图像进行比较，获得第二比较结果，再将第二比较结果代入损失函数进行迭代计算，根据迭代计算结果小于阈值的损失函数生成去模糊网络模型，例如阈值为0.1，则认为迭代计算结果小于0.1的去模糊网络的去模糊效果较好。
[0061]
参考图6，图6为本技术实施例提供的去模糊网络的另一训练过程示意图。可以理解的，电子设备在训练步骤300中的去模糊网络模型时，还可以通过以下步骤进行：
[0062]
360，对多个确定存在异物的图像进行估计，生成多个模糊核；
[0063]
370，将标准图像划分成多个分块；
[0064]
380，将每个分块分别与从多个模糊核中随机选取的一个模糊核做卷积，生成待处理图像。
[0065]
参考图7，可以理解的，在训练该去模糊网络模型的过程中，可先在镜头与被拍摄物之间的透光介质上人为制造异物，如污渍。对于拍摄的图像，可采用已有的模糊核估计方案，进行模糊核估计并形成模糊核池。
[0066]
然后，输入标准图像(groundtruth)，并将该标准图像划分成m*n的分块(m，n不固定，按实际应用场景可以调整)。然后对每一个分块(patch)，从模糊核池随机选一个模糊核，与该分块进行卷积操作。
[0067]
依次对将一个分块进行随机与一个模糊核进行卷积操作后，得到复杂且模糊不均匀的待处理图像。用获得的待处理图像训练该去模糊网络模型，能够增加数据的复杂性以及增强模型的鲁棒性，从而适应更多实拍场景。
[0068]
具体实施时，本技术不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
[0069]
由上可知，本技术实施例提供的图像处理的方法中，电子设备可以确定待处理图像的暗通道图像，并从暗通道图像中提取出模糊特征，根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像，能够在无需人为对镜头与被拍摄物之间的透光介质上存在的异物进行检测情况下，自动消除该异物导致的模糊。
[0070]
本技术实施例还提供一种图像处理的装置，该图像去模糊的装置可以集成在电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、ar(augmented reality，增强现实)设备、汽车、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子头盔、电子衣物等设备。
[0071]
参考图8，图8为本技术实施例提供的图像处理的装置的结构示意图。其中，图像处理装置800包括：暗通道图像模块810、模糊特征提取模块820和处理模块830。
[0072]
暗通道图像模块810，用于确定待处理图像的暗通道图像。
[0073]
暗通道是指清晰无雾的图片中除天空区域外的任一局部区域像素至少有一个通道值很低，由于天空区域或者白色区域和雾的特征较为接近，几乎趋近于零。暗通道图像模块810将暗通道特征引入到待处理图像中，提取难以观测的存在于镜头与被拍摄物体之间的透光介质上的异物，如污渍、灰尘等。
[0074]
可以理解的，在透过透光介质拍摄物体时，在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。也就是说，该区域光强度的最小值是个很小的数。
[0075]
举例而言，对于任意的待处理图像，其暗通道特征可以用下式表达。
[0076][0077]
其中，j
dark
表示待处理图像的暗通道特征，j
c
表示彩色图像的每个通道，ω(x)表示以像素x为中心的一个窗口。
[0078]
可以理解的，根据上述的暗通道特征表达式，暗通道图像模块810首先求出待处理图像的每个像素rgb分量中的最小值，这些像素rgb分量中的最小值会被存入一幅和待处理图像大小相同的灰度图中，然后再对该幅灰度图进行最小值滤波，即可获得待处理图像的暗通道图像。
[0079]
模糊特征提取模块820，用于提取所述暗通道图像中的模糊特征。
[0080]
可以理解的，在镜头通过透明介质拍摄物体的场景中，模糊特征提取模块820通过对待处理图像进行暗通道提取，能够分离出透明介质上的异物引起的模糊噪声，这些模糊噪声就是在透明介质上存在的异物的模糊特征。
[0081]
例如，对于包括的天空区域的灰度图像，当透明介质上没有异物时，天空区域通常指包含蓝色的天空或白灰色的云，这两种物质的灰度值通常较小。当透明介质上存在异物时，被拍摄的异物的灰度值会明显大于天空和云的灰度值，这种灰度值明显较大的情况即
可被识别为异物。因此，在将待处理图像转换为灰度图像后，灰度图像中的灰度值较大的异物即可作为在透明介质上存在的的模糊特征被提取出来。提取出的模糊特征可以作为图像处理的引导。
[0082]
处理模块830，用于根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像。
[0083]
可以理解的，处理模块830将待处理图像和待处理图像的暗通道图输入去模糊网络，该去模糊网络可以为类unet网络结构。类unet网络结构的特点是网络层数等参数不唯一，可根据实际情况增加修改。本实施例中采用的去模糊网络可采用一阶段网络，一阶段网络的原理是通过提取出的透明介质上的异物区域的模糊特征，以暗通道特征做引导，引导该去模糊网络更好的根据异物的分布进行去模糊处理，从而得到更准确的去模糊结果。
[0084]
其中，本实施例采用的去模糊网络结构如图2所示，待处理图像与待处理图像的灰度图像融合后，输入该去模糊网络，分别通过conv2d函数501、spacetodepth函数502、depthtospace函数503、resizebilinear函数504、downsampleconv函数505和residualblock函数506进行去模糊处理，生成去模糊图像。
[0085]
本技术实施例提供的图像处理装置中，该图像处理装置可以首先通过确定待处理图像的暗通道图像，再提取所述暗通道图像中的模糊特征，并根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像，能够在无需人为对镜头与被拍摄物之间的透光介质上存在的异物进行检测情况下，自动消除该异物导致的模糊。
[0086]
在一可选实施例中，参考图9，图9所示的图像处理装置在图8的基础上还包括：
[0087]
均衡模块840，用于对处理后的图像做直方图均衡，生成恢复图像。
[0088]
在处理模块830生成处理后的图像后，还可通过均衡模块840对该处理后的图像做一次直方图均衡，恢复一些损失的细节和色彩。
[0089]
可以理解的，此直方图均衡通常可以使用两种方案。自适应直方图均衡化(ahe)和限制对比度直方图均衡(clahe)。自适应直方图均衡化(ahe)是用来提升图像的对比度的一种计算机图像处理技术。和普通的直方图均衡算法不同，ahe算法通过计算图像的局部直方图，然后重新分布亮度来来改变图像对比度。因此，该算法更适合于改进图像的局部对比度以及获得更多的图像细节。
[0090]
另外一种自适应的直方图均衡算法是限制对比度直方图均衡(clahe)算法，该算法能有效的限制过度放大图像中相同区域的噪音的问题，因此可根据图像的类型按需选择直方图均衡方案。
[0091]
可以理解的，处理模块830在训练去模糊网络模型时，可以通过处理模块830首先将待处理图像与标准图像进行比较，获得第一比较结果；再将第一比较结果代入损失函数计算获得损失结果；然后将损失结果与标准图像进行比较，获得第二比较结果；接着将第二比较结果代入损失函数进行迭代计算；最后根据迭代计算结果小于阈值的损失函数生成去模糊网络模型。
[0092]
对于一阶段去模糊网络的训练，首先将待处理图像和标准图像(groundtruth)比较，获得第一比较结果，该比较结果为待处理图像和标准图像的像素值的差值。其中的待处理图像是确定将第一比较结果代入损失(loss)函数计算，其中损失函数可采用以下的表达式：
[0093][0094]
前半段为l1函数，b代表待处理图像，g代表标准图像(groundtruth)；后半段l2为损失函数的改进，dcp代表暗通道中的模糊特征。采用这种损失函数的原因在于，l2对离群数据点敏感，也就是对待处理图像中像素值过大过小的像素敏感，因此对于暗通道提取到的过亮或过暗区域敏感，适合结合暗通道来约束过亮或过暗区域，通常透光介质上的异物导致的模糊不会是特别亮或者特别暗的特征。
[0095]
将损失函数计算获得的损失结果与标准图像进行比较，获得第二比较结果，再将第二比较结果代入损失函数进行迭代计算，根据迭代计算结果小于阈值的损失函数生成去模糊网络模型，例如阈值为0.1，则认为迭代计算结果小于0.1的去模糊网络的去模糊效果较好。
[0096]
可以理解的，处理模块830在训练去模糊网络模型时，可以通过处理模块830执行对多个确定存在异物的图像进行估计，生成多个模糊核，然后将标准图像划分成多个分块，最后将每个分块分别与从多个模糊核中随机选取的一个模糊核做卷积，生成待处理图像。
[0097]
可以理解的，在训练该去模糊网络模型的过程中，可先在镜头与被拍摄物直接的透光介质上认为制造异物，如污渍。对于拍摄的图像，可采用已有的模糊核估计方案，进行模糊核估计并形成模糊核池。
[0098]
然后，输入标准图像(groundtruth)，并将该标准图像划分成m*n的分块(m，n不固定，按实际应用场景可以调整)。然后对每一个分块(patch)，从模糊核池随机选一个模糊核，与该分块进行卷积操作。
[0099]
依次对将一个分块进行随机与一个模糊核进行卷积操作后，得到复杂且模糊不均匀的待处理图像。用获得的待处理图像训练该去模糊网络模型，能够增加数据的复杂性以及增强模型的鲁棒性，从而适应更多实拍场景。
[0100]
本实施例提供的图像处理装置中，该图像处理装置可以通过暗通道图像模块810确定待处理图像的暗通道图像，再通过模糊特征提取模块820提取所述暗通道图像中的模糊特征，最后通过处理模块830根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像，能够在无需人为对镜头与被拍摄物之间的透光介质上存在的异物进行检测情况下，自动消除该异物导致的模糊。
[0101]
参考图10，本技术实施例还提供一种电子设备900。所述电子设备可以为智能手机、平板电脑、游戏设备、ar(augmented reality，增强现实)设备、汽车、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子头盔、电子衣物等设备。
[0102]
电子设备包900括处理器901和存储器902。其中，处理器901与存储器902电性连接。
[0103]
处理器901是电子设备900的控制中心，利用各种接口和线路连接整个电子设备900的各个部分，通过运行或调用存储在存储器902内的计算机程序，以及调用存储在存储器内902的数据，执行电子设备900的各种功能和处理数据，从而对电子设备900进行整体监控。
[0104]
在本实施例中，电子设备900中的处理器901按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器902中，并由处理器901来运行存储在存储器
902中的计算机程序，从而执行以下步骤：
[0105]
确定待处理图像的暗通道图像；
[0106]
提取所述暗通道图像中的模糊特征；
[0107]
根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像。
[0108]
在一些实施例中，处理器还可以执行以下步骤：
[0109]
根据所述模糊特征在所述暗通道图像中的位置，确定所述模糊在所述待处理图像中的位置；
[0110]
根据所述模糊在所述待处理图像中的位置，去除所述模糊。
[0111]
在一些实施例中，训练所述去模糊网络模型的过程可以由处理器执行以下的步骤：
[0112]
将所述待处理图像与标准图像进行比较，获得第一比较结果；
[0113]
将所述第一比较结果代入损失函数计算获得损失结果；
[0114]
将所述损失结果与所述标准图像进行比较，获得第二比较结果；
[0115]
将所述第二比较结果代入所述损失函数进行迭代计算；
[0116]
根据所述迭代计算结果小于阈值的所述损失函数生成所述去模糊网络模型。
[0117]
在一些实施例中，训练所述去模糊网络模型的过程还可以由处理器执行以下的步骤：
[0118]
对多个确定存在异物的图像进行估计，生成多个模糊核；
[0119]
将所述标准图像划分成多个分块；
[0120]
将每个所述分块分别与从多个所述模糊核中随机选取的一个模糊核做卷积，生成所述待处理图像。
[0121]
在一些实施例中，处理器还可以执行以下步骤：
[0122]
对所述处理后的图像做直方图均衡，生成恢复图像。
[0123]
在一些实施例中，参考图11，电子设备900还包括：摄像头903、显示屏904、控制电路905、输入单元906以及电源907。其中，处理器901分别与摄像头903、显示屏904、控制电路905、输入单元906以及电源907电性连接。
[0124]
摄像头802用于拍摄图像。其中，用户可以通过摄像头903在不同的场景中拍摄图像。
[0125]
显示屏904可用于显示由用户输入的信息或提供给用户的信息以及电子设备900的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
[0126]
控制电路905与显示屏904电性连接，用于控制显示屏显示信息。
[0127]
输入单元906可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元906可以包括指纹识别模组。
[0128]
电源907用于给电子设备900的各个部件供电。在一些实施例中，电源907可以通过电源管理系统与处理器901逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
[0129]
电子设备900还可以包括射频电路、蓝牙模块等，在此不再赘述。
[0130]
如上所述，电子设备900可以首先通过确定待处理图像的暗通道图像，再提取所述暗通道图像中的模糊特征，并根据所述模糊特征，去除所述待处理图像中的模糊，生成处理后的图像，能够在无需人为对镜头与被拍摄物之间的透光介质上存在的异物进行检测情况下，自动消除该异物导致的模糊。
[0131]
本技术实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的图像处理方法。
[0132]
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0133]
在本技术的描述中，需要理解的是，诸如“第一”、“第二”等术语仅用于区分类似的对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
[0134]
以上对本技术实施例所提供的图像去模糊的方法、装置及电子设备进行了详细介绍。本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。