一种图像修复方法、装置、设备及存储介质与流程

1.本发明涉及图像修复领域，特别涉及一种图像修复方法、装置、设备及存储介质。


背景技术：

2.图像修复(inpainting)指重建的图像和视频中丢失或损坏的部分的过程，由于图像修复技术的目标十分复杂，每种物品类型的图片都需要进行大量的样本以及算力，但是目前来讲获取算力的方法成本过高。现有技术中，通常使用生成式对抗网络进行图像修复，生成式对抗网络(gan，generative adversarial networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。但生成式对抗网络存在不收敛的问题，理论认为gan应该在纳什均衡(nash equilibrium)上有卓越的表现，但梯度下降只有在凸函数的情况下才能保证实现纳什均衡，当生成式对抗网络内的生成器和判别器作为的博弈双方都由神经网络表示时，在没有实际达到均衡的情况下，让它们永远保持对自己策略的调整是可能的。另外，生成式对抗网络存在难以训练易崩溃问题，gan模型被定义为极小极大问题，没有损失函数，在训练过程中很难区分是否正在取得进展，因此gan的学习过程可能发生崩溃问题(collapse problem)，生成器开始退化，总是生成同样的样本点，无法继续学习，且当生成模型崩溃时，判别模型也会对相似的样本点指向相似的方向，训练无法继续，降低了图像修复的效率。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种图像修复方法、装置、设备及介质，能够以可控的精度损失缩短训练神经网络所需要的时间并降低训练所需的算力，提高了图像修复的效率。其具体方案如下：
4.第一方面，本技术公开了一种图像修复方法，包括：
5.获取模糊图像生成训练集，并利用所述训练集对生成式对抗网络进行训练；
6.在训练过程中的目标训练节点处获取所述生成式对抗网络的训练结果，并根据所述训练结果确定出所述生成式对抗网络当前的误差参数；
7.基于所述误差参数利用模糊算法调整pid控制器的控制参数；
8.利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，直至所述生成式对抗网络的训练结果达到预期精度时停止对所述生成式对抗网络的训练以得到图像修复模型，以便利用所述图像修复模型对待修复图像进行图像修复。
9.可选的，所述利用所述训练集对生成式对抗网络进行训练过程中，还包括：
10.基于重构损失函数和对抗损失函数构建联合损失函数；所述重构损失函数为根据先决条件掩膜层下的欧式距离构建的函数；
11.将所述联合损失函数作为所述生成式对抗网络训练过程中的损失函数。
12.可选的，判断所述生成式对抗网络的训练结果是否达到预期精度，包括：
13.利用gan评价指标对所述生成式对抗网络的训练结果进行精度评价，以判断所述
生成式对抗网络的训练结果是否达到预期精度。
14.可选的，所述生成式对抗网络的训练参数包括生成器单位周期内的训练次数、判别器单位周期内的训练次数、adam优化器参数、生成器噪声维度、生成器学习率、判别器学习率、训练总次数中的任意一项或多项。
15.可选的，所述根据所述训练结果确定出所述生成式对抗网络当前的误差参数，包括：
16.根据所述训练结果确定出当前所述生成式对抗网络内生成器对应的第一学习率以及所述生成式对抗网络内判别器对应的第二学习率；
17.根据所述第一学习率和所述第二学习率，以及配置的生成器目标学习率和判别器目标学习率，确定出所述生成式对抗网络的当前误差和当前误差率，以得到所述误差参数。
18.可选的，所述基于所述误差参数利用模糊算法调整pid控制器的控制参数，包括：
19.根据所述当前误差和所述当前误差率，查看预先创建的模糊规则表以确定出所述pid控制器的每个控制项对应的参数变量值；所述控制项包括比例、积分和微分；
20.根据所述参数变量值，在所述pid控制器的每个控制项的最近一次历史控制参数的基础上调整所述pid控制器的控制参数，以得到最新的比例控制参数、积分控制参数和微分控制参数。
21.可选的，所述利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，包括：
22.利用调整后的所述pid控制器，动态调整所述生成式对抗网络对应的所述生成器目标学习率和所述判别器目标学习率，以便按照调整后的生成器学习率对所述生成式对抗网络的生成器进行训练，并按照调整后的判别器学习率对所述生成式对抗网络的判别器进行训练。
23.第二方面，本技术公开了一种图像修复装置，包括：
24.模糊图像获取模块，用于获取模糊图像生成训练集，并利用所述训练集对生成式对抗网络进行训练；
25.误差参数确定模块，用于在训练过程中的目标训练节点处获取所述生成式对抗网络的训练结果，并根据所述训练结果确定出所述生成式对抗网络当前的误差参数；
26.控制参数调整模块，用于基于所述误差参数利用模糊算法调整pid控制器的控制参数；
27.网络训练参数调整模块，用于利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，直至所述生成式对抗网络的训练结果达到预期精度时停止对所述生成式对抗网络的训练以得到图像修复模型，以便利用所述图像修复模型对待修复图像进行图像修复。
28.第三方面，本技术公开了一种电子设备，包括：
29.存储器，用于保存计算机程序；
30.处理器，用于执行所述计算机程序，以实现前述的图像修复方法。
31.第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的图像修复方法。
32.本技术中，获取模糊图像生成训练集，并利用所述训练集对生成式对抗网络进行
训练；在训练过程中的目标训练节点处获取所述生成式对抗网络的训练结果，并根据所述训练结果确定出所述生成式对抗网络当前的误差参数；基于所述误差参数利用模糊算法调整pid控制器的控制参数；利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，直至所述生成式对抗网络的训练结果达到预期精度时停止对所述生成式对抗网络的训练以得到图像修复模型，以便利用所述图像修复模型对待修复图像进行图像修复。由上可见，本实施例中在对生成式对抗网络进行训练的过程中，根据目标训练节点处，也就是训练过程中的不同阶段网络训练结果与期望的误差，通过模糊算法调整pid控制器的控制参数，进而再由pid控制器通过控制网络训练参数控制生成式对抗网络的训练，根据网络误差实时调整pid控制器的控制参数，使pid控制器动态调整网络训练过程中的训练参数，可以更加精确合理的控制网络的训练，以预期精度为目标进行快速的训练，并在达到该精度时停止训练稳定在该精度附近，在满足精度的前提下可以实现快速收敛，避免了现有技术中通过人工调整网络训练参数导致浪费大量时间和算力的问题，大幅优化了网络训练所需的时间，以可控的精度损失大幅降低训练神经网络所需要的算力。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
34.图1为本技术提供的一种图像修复方法流程图；
35.图2为本技术提供的一种具体的模糊pid控制原理图；
36.图3为本技术提供的一种具体的图像修复方法流程图；
37.图4为本技术提供的一种图像修复装置结构示意图；
38.图5为本技术提供的一种电子设备结构图。
具体实施方式
39.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.现有技术中，通常使用生成式对抗网络进行图像修复，但生成式对抗网络存在不收敛的问题，另外，生成式对抗网络存在难以训练易崩溃问题，gan模型被定义为极小极大问题，没有损失函数，在训练过程中很难区分是否正在取得进展，因此gan的学习过程可能发生崩溃问题，无法继续学习，降低了图像修复的效率。为克服上述技术问题，本技术提出一种图像修复方法，能够以可控的精度损失缩短训练神经网络所需要的时间并降低训练所需的算力，提高了图像修复的效率。
41.本技术实施例公开了一种图像修复方法，参见图1所示，该方法可以包括以下步骤：
42.步骤s11：获取模糊图像生成训练集，并利用所述训练集对生成式对抗网络进行训
练。
43.本实施例中，首先获取模糊图像生成训练集，并利用上述训练集对生成式对抗网络进行训练。本实施例中，可以使用上述生成式对抗网络，即gan网络，也可以采用深度卷积对抗网络(deep convolutional generative adversarial networks，dcgan)，dcgan对图像具有良好的图像特征识别能力，基于上下文编码与解码结构使训练的生成器模型(图像修复网络)具有了连号的根据上下文信息对图像进行合理修复的本领。基于上下文编码器的图像修复模型主要由两大部分组成：一是图像修复网络，二是基于上下文合理性的判别器网络。图像修复网络抽象为生成式对抗网络中的生成器网络。负责对缺失的图像进行修复，是经过深度学习训练后最重要的复原网络；图像修复网络与基于上下文合理性的判别器网络对抗训练，互相提升，最终经过训练得到了比较好的图像修复模型。之所以图像修复网络是抽象为生成器网络是因为，图像修复网络主要由编码器与解码器所组成。图像修复网络的输入为待修复图像，输出为修复后图像。编码器将输入数据通过多个卷积层对待修复图像进行编码。解码器通过去卷积操作将编码数据还原成原始大小图片。对上述生成式对抗网络的训练过程具体通过将包含模糊图片的训练集作为输入，通过反卷积将例如2*2的矩阵映射为4*4，即特征提取得到像素矩阵以便dcgan对抗网络内的判别器和生成器进行对抗训练。
44.本实施例中，所述利用所述训练集对生成式对抗网络进行训练过程中，还可以包括：基于重构损失函数和对抗损失函数构建联合损失函数；所述重构损失函数为根据先决条件掩膜层下的欧式距离构建的函数；将所述联合损失函数作为所述生成式对抗网络训练过程中的损失函数。可以理解的是，由于生成器模型内部的变化导致模型训练不能通过传统的gan交叉熵损失函数进行训练。在基于上下文编码的图像复原算法中，采取联合损失函数的办法进行训练，联合损失函数包含两个部分，即重构损失函数与对抗损失函数。重构损失函数即缺失区域补全结果与真实结果之间差的二范数的平方，具体为根据先决条件掩膜层下的欧式距离构建的函数，表达式如下：
[0045][0046]
其中，为pre-condition mask，即先决条件掩膜层(矩阵中将缺失区域标记为1，背景图片标记为0)；即将矩阵的0变为1，1变为0；x为真实图像数据；为上下文编码器输出结果；
⊙
为哈达玛积(矩阵对应位置相乘)；为2-范数；
[0047]
上述对抗损失函数的表达式如下：
[0048][0049]
其中，d()表征生成式对抗网络内判别器，对抗损失函数即为将判别器d带入到对抗损失函数的条件中。
[0050]
上述联合损失函数的表达式为：
[0051][0052]
其中，λ
rec
具体可以为0.999，λ
adv
具体可以为0.001。可见，生成式对抗网络的效果就是取决于损失函数的大小，这也就意味着，在尽量小的情况下，尽可能地缩短时间。
[0053]
步骤s12：在训练过程中的目标训练节点处获取所述生成式对抗网络的训练结果，并根据所述训练结果确定出所述生成式对抗网络当前的误差参数。
[0054]
本实施例中，在训练过程中的目标训练节点处获取上述生成式对抗网络的训练结果，并根据上述训练结果确定出生成式对抗网络当前的误差参数。其中，上述目标训练节点为训练过程中的多个不同时间阶段点，不同目标训练节点之间的时间间隔可以根据实际操作情况进行配置，上述误差参数即为网络训练结果与预期之间的误差。
[0055]
本实施例中，所述根据所述训练结果确定出所述生成式对抗网络当前的误差参数，可以包括：根据所述训练结果确定出当前所述生成式对抗网络内生成器对应的第一学习率以及所述生成式对抗网络内判别器对应的第二学习率；根据所述第一学习率和所述第二学习率，以及配置的生成器目标学习率和判别器目标学习率，确定出所述生成式对抗网络的当前误差和当前误差率，以得到所述误差参数。即本实施例中将目标学习率与网络内生成器和判别器分别对应的实际学习率之间的差距作为误差参数，即根据当前生成式对抗网络内生成器对应的第一学习率和配置的生成器目标学习率，得到生成器的误差参数；根据当前生成式对抗网络内判别器对应的第二学习率和配置的判别器目标学习率，得到判别器的误差参数。其中，误差参数具体包括当前误差和当前误差率。
[0056]
步骤s13：基于所述误差参数利用模糊算法调整pid控制器的控制参数。
[0057]
本实施例中，得到上述生成式对抗网络对应的误差参数后，利用上述误差参数通过模糊算法调整pid控制器的控制参数。模糊算法类似逐次求精的过程，模糊算法的原理实际上是模仿人对系统进行调节的过程，以温度控制系统举例，预设温度与现温度的偏差即温度误差较大时，控制器会加大火力；温度误差较小时，控制器会减小火力。也就是说，本实施例中利用模糊算法在控制过程中动态改变pid控制器的三个重要控制参数，并且是根据生成式对抗网络对应的误差参数决定pid控制器的控制策略，从而使pid控制器的控制能力更精确和稳定。
[0058]
本实施例中，所述基于所述误差参数利用模糊算法调整pid控制器的控制参数，可以包括：根据所述当前误差和所述当前误差率，查看预先创建的模糊规则表以确定出所述pid控制器的每个控制项对应的参数变量值；所述控制项包括比例、积分和微分；根据所述参数变量值，在所述pid控制器的每个控制项的最近一次历史控制参数的基础上调整所述pid控制器的控制参数，以得到最新的比例控制参数、积分控制参数和微分控制参数。pid即proportional(比例)、integral(积分)和differential(微分)的缩写。模糊规则表为预先创建的规则表，具体包括k
p
模糊规则表、ki模糊规则表和kd模糊规则表，通过查询上述规则表可以根据误差参数确定出每个控制参数对应的参数变量值。
[0059]
pid控制器的数据表达式如下：
[0060][0061]
其中，e(t)为上述误差参数；k
p
为比例控制参数；ki为积分控制参数；kd为微分控制参数。可以理解的是，传统pid的三个控制参数设定后是不变，不具备自适应的特性，本实施
例中，通过采用模糊算法根据误差参数实时调整pid的三个控制参数，即通过输入的两个变量误差和误差的变化率，来动态调整pid控制器的三个重要参数k
p
，ki，kd。从而使控制器的性能达到最优。本实施例中，pid控制参数的整定，可以采用增量的方式，这样可以避免过大的误差，提高整定的精度。具体的，例如图2所示，由将模糊控制器的输入为二维输入，对于有多类型的输入数据时也可以设计成多维的。本实施例中，误差和误差的变化率作为模糊控制器的输入，模糊控制器的输出为pid参数的变量值，分别为
△
kp，
△
ki，
△
kd；则pid最新的比例控制参数、积分控制参数和微分控制参数分别为：kp(n)＝kp(n-1)
△
kp；ki(n)＝ki(n-1)
△
ki；kd(n)＝kd(n-1)
△
kd。
[0062]
步骤s14：利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，直至所述生成式对抗网络的训练结果达到预期精度时停止对所述生成式对抗网络的训练以得到图像修复模型，以便利用所述图像修复模型对待修复图像进行图像修复。
[0063]
本实施例中，利用被动态调整参数后的pid控制器调整上述生成式对抗网络的训练参数，直至生成式对抗网络的训练结果达到预期精度时停止对上述生成式对抗网络的训练以得到图像修复模型，以便利用上述图像修复模型对待修复图像进行图像修复。即例如图3所示，通过对于模糊pid控制的引入，即模糊算法结合pid的方式，将图像信息矩阵中的学习参数进行模糊化，并对参数集进行不断地动态调整，从而动态调整生成式对抗网络的训练参数，从而是当前的训练参数最符合当前网络的状态，由此实现训练效率的优化。本实施例中，若网络达到预期精度则结束；若没有达到预期精度，修改输入参数，即修改生成器目标学习率和判别器目标学习率，其中输入参数存在上下限，以不崩溃极限为上限。
[0064]
本实施例中，判断所述生成式对抗网络的训练结果是否达到预期精度，可以包括：利用gan评价指标对所述生成式对抗网络的训练结果进行精度评价，以判断所述生成式对抗网络的训练结果是否达到预期精度。其中，上述gan评价指标包括但不限于inception score(is)、frechet inception distance(fid)、mode score、kernel mmd(maximum mean discrepancy)、wasserstein distance等方式。
[0065]
本实施例中，所述利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，可以包括：利用调整后的所述pid控制器，动态调整所述生成式对抗网络对应的所述生成器目标学习率和所述判别器目标学习率，以便按照调整后的生成器学习率对所述生成式对抗网络的生成器进行训练，并按照调整后的判别器学习率对所述生成式对抗网络的判别器进行训练。本实施例中，将网络的学习率对应的误差作为控制pid控制器的控制条件，因此本实施例中利用pid控制器动态调整生成式对抗网络对应的上述生成器目标学习率和上述判别器目标学习率，以便按照调整后的生成器学习率对生成式对抗网络的生成器进行训练，并按照调整后的判别器学习率对生成式对抗网络的判别器进行训练。即生成器目标学习率和判别器目标学习率为人为设定输入的，即图2中的input，训练过程中通过pid控制器对这两个参数进行调整以使其符合网络的当前情况，被控对象即为生成式对抗网络或深度卷积对抗网络，并在达到预期精度后停止训练，从而达到了减少训练算力和调参时间的目的。
[0066]
本实施例中，所述生成式对抗网络的训练参数可以包括但不限于生成器单位周期内的训练次数、判别器单位周期内的训练次数、adam优化器参数、生成器噪声维度、生成器学习率、判别器学习率和训练总次数。即除本实施例中举例的调整生成器学习率和判别器
学习率外，还可以将上述训练参数中的任意一项或多项作为训练过程中需要去调整的训练参数。
[0067]
由上可见，本实施例中通过获取模糊图像生成训练集，并利用所述训练集对生成式对抗网络进行训练；在训练过程中的目标训练节点处获取所述生成式对抗网络的训练结果，并根据所述训练结果确定出所述生成式对抗网络当前的误差参数；基于所述误差参数利用模糊算法调整pid控制器的控制参数；利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，直至所述生成式对抗网络的训练结果达到预期精度时停止对所述生成式对抗网络的训练以得到图像修复模型，以便利用所述图像修复模型对待修复图像进行图像修复。由上可见，本实施例中在对生成式对抗网络进行训练的过程中，根据目标训练节点处，也就是训练过程中的不同阶段网络训练结果与期望的误差，通过模糊算法调整pid控制器的控制参数，进而再由pid控制器通过控制网络训练参数控制生成式对抗网络的训练，根据网络误差实时调整pid控制器的控制参数，使pid控制器动态调整网络训练过程中的训练参数，可以更加精确合理的控制网络的训练，以预期精度为目标进行快速的训练，并在达到该精度时停止训练稳定在该精度附近，在满足精度的前提下可以实现快速收敛，避免了现有技术中通过人工调整网络训练参数导致浪费大量时间和算力的问题，大幅优化了网络训练所需的时间，以可控的精度损失大幅缩短训练神经网络所需要的算力。
[0068]
相应的，本技术实施例还公开了一种图像修复装置，参见图4所示，该装置包括：
[0069]
模糊图像获取模块11，用于获取模糊图像生成训练集，并利用所述训练集对生成式对抗网络进行训练；
[0070]
误差参数确定模块12，用于在训练过程中的目标训练节点处获取所述生成式对抗网络的训练结果，并根据所述训练结果确定出所述生成式对抗网络当前的误差参数；
[0071]
控制参数调整模块13，用于基于所述误差参数利用模糊算法调整pid控制器的控制参数；
[0072]
网络训练参数调整模块14，用于利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，直至所述生成式对抗网络的训练结果达到预期精度时停止对所述生成式对抗网络的训练以得到图像修复模型，以便利用所述图像修复模型对待修复图像进行图像修复。
[0073]
由上可见，本实施例中通过获取模糊图像生成训练集，并利用所述训练集对生成式对抗网络进行训练；在训练过程中的目标训练节点处获取所述生成式对抗网络的训练结果，并根据所述训练结果确定出所述生成式对抗网络当前的误差参数；基于所述误差参数利用模糊算法调整pid控制器的控制参数；利用调整后的所述pid控制器调整所述生成式对抗网络的训练参数，直至所述生成式对抗网络的训练结果达到预期精度时停止对所述生成式对抗网络的训练以得到图像修复模型，以便利用所述图像修复模型对待修复图像进行图像修复。由上可见，本实施例中在对生成式对抗网络进行训练的过程中，根据目标训练节点处，也就是训练过程中的不同阶段网络训练结果与期望的误差，通过模糊算法调整pid控制器的控制参数，进而再由pid控制器通过控制网络训练参数控制生成式对抗网络的训练，根据网络误差实时调整pid控制器的控制参数，使pid控制器动态调整网络训练过程中的训练参数，可以更加精确合理的控制网络的训练，以预期精度为目标进行快速的训练，并在达到该精度时停止训练稳定在该精度附近，在满足精度的前提下可以实现快速收敛，避免了现
有技术中通过人工调整网络训练参数导致浪费大量时间和算力的问题，大幅优化了网络训练所需的时间，以可控的精度损失大幅缩短训练神经网络所需要的算力。
[0074]
在一些具体实施例中，所述图像修复装置具体可以包括：
[0075]
损失函数构建单元，用于基于重构损失函数和对抗损失函数构建联合损失函数；所述重构损失函数为根据先决条件掩膜层下的欧式距离构建的函数；
[0076]
训练单元，用于将所述联合损失函数作为所述生成式对抗网络训练过程中的损失函数。
[0077]
在一些具体实施例中，所述网络训练参数调整模块14具体可以包括：
[0078]
精度判断单元，用于利用gan评价指标对所述生成式对抗网络的训练结果进行精度评价，以判断所述生成式对抗网络的训练结果是否达到预期精度。
[0079]
在一些具体实施例中，所述生成式对抗网络的训练参数可以包括生成器单位周期内的训练次数、判别器单位周期内的训练次数、adam优化器参数、生成器噪声维度、生成器学习率、判别器学习率、训练总次数中的任意一项或多项。
[0080]
在一些具体实施例中，所述误差参数确定模块12具体可以包括：
[0081]
学习率确定单元，用于根据所述训练结果确定出当前所述生成式对抗网络内生成器对应的第一学习率以及所述生成式对抗网络内判别器对应的第二学习率；
[0082]
误差及误差率确定单元，用于根据所述第一学习率和所述第二学习率，以及配置的生成器目标学习率和判别器目标学习率，确定出所述生成式对抗网络的当前误差和当前误差率，以得到所述误差参数。
[0083]
在一些具体实施例中，所述控制参数调整模块13具体可以包括：
[0084]
参数变量值确定单元，用于根据所述当前误差和所述当前误差率，查看预先创建的模糊规则表以确定出所述pid控制器的每个控制项对应的参数变量值；所述控制项包括比例、积分和微分；
[0085]
控制参数调整单元，用于根据所述参数变量值，在所述pid控制器的每个控制项的最近一次历史控制参数的基础上调整所述pid控制器的控制参数，以得到最新的比例控制参数、积分控制参数和微分控制参数。
[0086]
在一些具体实施例中，所述网络训练参数调整模块14具体可以用于利用调整后的所述pid控制器，动态调整所述生成式对抗网络对应的所述生成器目标学习率和所述判别器目标学习率，以便按照调整后的生成器学习率对所述生成式对抗网络的生成器进行训练，并按照调整后的判别器学习率对所述生成式对抗网络的判别器进行训练。
[0087]
进一步的，本技术实施例还公开了一种电子设备，参见图5所示，图中的内容不能被认为是对本技术的使用范围的任何限制。
[0088]
图5为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的图像修复方法中的相关步骤。
[0089]
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获
取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0090]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及包括模糊图像在内的数据223等，存储方式可以是短暂存储或者永久存储。
[0091]
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的图像修复方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0092]
进一步的，本技术实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的图像修复方法步骤。
[0093]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0094]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0095]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0096]
以上对本发明所提供的一种图像修复方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。