基于清晰图像与模糊图像差异的图像去模糊方法及装置

1.本发明涉及图像去模糊领域，尤其涉及一种基于清晰图像与模糊图像差异的图像去模糊方法、装置及电子设备。


背景技术：

2.随着科技的发展，电子产品越来越多，图像也越来越多地出现。然而，当拍摄设备或物体移动时，模糊伪影仍然存在。模糊图像不仅会造成视觉上的不适，而且会严重降低视觉系统的性能，如：降低监控系统和自动驾驶系统的鉴别能力。
3.为了对图像进行去模糊处理，当前，主要是通过图像恢复的网络模型和其他提升恢复性能的方式获取清晰图像，一般通过清晰图像来监督最终预测图像，而无法监督模型解码器模块的特征。
4.因此，现有技术中无法根据监督解码特征的方式调整模型参数，存在收敛速度慢，去模糊水平低的问题。


技术实现要素：

5.有鉴于此，有必要提供一种基于清晰图像与模糊图像差异的图像去模糊方法、装置及电子设备，通过监督解码特征的方式调整图像去模糊模型的参数，用以解决现有技术中收敛速度慢，去模糊水平低的问题。
6.为了解决上述问题，本发明提供一种基于清晰图像与模糊图像差异的图像去模糊方法，包括：
7.获取清晰样本图像和模糊样本图像，并确定清晰样本图像与模糊样本图像的差值图像；
8.建立初始解码特征模型，将差值图像输入至初始解码特征模型，以第一预测图像为输出，以差值图像为监督，训练初始解码特征模型，得到初始解码特征；
9.建立初始图像去模糊模型，将模糊样本图像输入至初始图像去模糊模型，分别以第二预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督，得到训练完备的图像去模糊模型；
10.获取模糊图像，基于训练完备的图像去模糊模型，确定清晰图像。
11.进一步地，将模糊样本图像输入至初始图像去模糊模型，分别以第二预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督，得到训练完备的图像去模糊模型，包括：
12.将模糊样本图像输入至初始图像去模糊模型，输出第二预测图像和解码特征；
13.根据第二预测图像和清晰样本图像，通过图像损失函数计算，得到图像损失；
14.根据解码特征和初始解码特征，通过解码特征损失函数计算，得到解码特征损失；
15.根据图像损失和解码特征损失，确定初始图像去模糊模型的损失函数；
16.根据损失函数，调整图像去模糊模型的参数，得到训练完备的图像去模糊模型。
17.进一步地，图像损失函数包括平均绝对误差损失函数和频域重建损失函数。
18.进一步地，根据图像损失和解码特征损失，确定图像去模糊模型的损失函数，包括：
19.根据图像损失和解码特征损失，设置图像损失的权重和解码特征损失的权重，经过加权求和操作，确定图像去模糊模型的损失函数。
20.进一步地，根据损失函数，调整图像去模糊模型的参数，得到训练完备的图像去模糊模型，包括：
21.根据损失函数，通过优化器和学习率下降策略调整图像去模糊模型的参数，得到训练完备的图像去模糊模型。
22.进一步地，确定清晰样本图像与模糊样本图像的差值图像，包括：
23.对清晰样本图像与模糊样本图像进行逐像素点作差，得到差值图像。
24.进一步地，获取清晰样本图像和模糊样本图像，并确定清晰样本图像与模糊样本图像的差值图像，还包括：
25.对清晰样本图像和模糊样本图像分别进行随机水平翻转，得到翻转清晰样本图像和翻转模糊样本图像；
26.根据翻转清晰样本图像和翻转模糊样本图像，通过逐像素点作差，得到翻转清晰样本图像和翻转模糊样本图像的差值图像。
27.为了解决上述问题，本发明还提供一种基于清晰图像与模糊图像差异的图像去模糊装置，包括：
28.样本获取模块，用于获取清晰样本图像和模糊样本图像，并确定清晰样本图像与模糊样本图像的差值图像；
29.初始解码特征获取模块，用于建立初始解码特征模型，将差值图像输入至初始解码特征模型，以第一预测图像为输出，以差值图像为监督，训练初始解码特征模型，得到初始解码特征；
30.图像去模糊模型获取模块，用于建立初始图像去模糊模型，将模糊样本图像输入至初始图像去模糊模型，分别以第二预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督，得到训练完备的图像去模糊模型；
31.清晰图像获取模块，用于获取模糊图像，基于训练完备的图像去模糊模型，确定清晰图像。
32.为了解决上述问题，本发明还提供一种电子设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如前文所述的基于清晰图像与模糊图像差异的图像去模糊方法。
33.为了解决上述问题，本发明还提供一种计算机可读存储介质，存储介质存储有计算机程序指令，当计算机程序指令被计算机执行时，使计算机执行如前文所述的基于清晰图像与模糊图像差异的图像去模糊方法。
34.采用上述技术方案的有益效果是：本发明提供一种基于清晰图像与模糊图像差异的图像去模糊方法、装置及电子设备，该方法包括：获取清晰样本图像和模糊样本图像，并确定清晰样本图像与模糊样本图像的差值图像；建立初始解码特征模型，将差值图像输入至初始解码特征模型，以第一预测图像为输出，以差值图像为监督，训练初始解码特征模
型，得到初始解码特征；建立初始图像去模糊模型，将模糊样本图像输入至初始图像去模糊模型，分别以第二预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督，得到训练完备的图像去模糊模型；获取模糊图像，基于训练完备的图像去模糊模型，确定清晰图像。通过将初始解码特征作为监督，增加了初始图像去模糊模型的监督条件，并且根据初始解码特征的反馈，逆向调整初始图像去模糊模型，能够加快收敛速度；另外，基于差值图像调节，放大了差异，有效提高了图像去模糊模型的去模糊水平。
附图说明
35.图1为本发明提供的基于清晰图像与模糊图像差异的图像去模糊方法一实施例的流程示意图；
36.图2为初始解码特征模型的结构示意图；
37.图3为初始图像去模糊模型的结构示意图；
38.图4为本发明提供的得到训练完备的图像去模糊模型一实施例的流程示意图；
39.图5为本发明提供的基于清晰图像与模糊图像差异的图像去模糊装置的结构示意图；
40.图6为本发明提供的电子设备一实施例的结构框图。
具体实施方式
41.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
42.在陈述实施例之前，先对神经网络模型和模型进行阐述：
43.神经网络是一种模型，神经网络可以由神经单元组成，具体包括输入层、隐含层、输出层，一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。其中，具有很多层隐含层的神经网络称为深度神经网络(deep neuralnetwork，dnn)。神经网络中的每一层工作可以用数学表达式来描述，从物理层面，神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由卷积层完成，4的操作由“ b”完成，5的操作则由“a()”来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合，其中，w是神经网络各层的权重矩阵，该矩阵中的每一个值表示该层的一个神经元的权重值。该矩阵w决定着上文所述的输入空间到输出空间的空间变换，即神经网络每一层的w控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。
44.本技术实施例中，用于处理图像增强任务的模型，本质上都是神经网络或模型的一部分结构为神经网络。模型的应用一般包括训练和推理两个阶段，训练阶段用于根据训练集对模型进行训练，以得到训练后的模型；推理阶段用于将训练后的模型对真实的无标签实例(即真实待处理的目标图像)进行图像增强处理，而图像增强处理后得到的增强图像的质量是衡量一个模型训练的好坏的重要指标之一。
45.特别地，本技术中的网络模型是指包括上下采样的编码解码器结构的模型。
46.目前，一般通过清晰图像来监督最终预测图像，从而调整去模糊图像模型的参数，也就是说，是根据获取结果调整模型参数，而不是根据模型的解码特征调整模型参数。因此，存在无法根据监督解码特征的方式调整模型参数的问题。
47.为了解决现有技术中，无法根据监督解码特征的方式调整模型参数的问题，本发明提供了一种基于清晰图像与模糊图像差异的图像去模糊方法、装置及电子设备，以下分别进行详细说明。
48.如图1所示，图1为本发明提供的基于清晰图像与模糊图像差异的图像去模糊方法一实施例的流程示意图，包括：
49.步骤s101：获取清晰样本图像和模糊样本图像，并确定清晰样本图像与模糊样本图像的差值图像。
50.步骤s102：建立初始解码特征模型，将差值图像输入至初始解码特征模型，以第一预测图像为输出，以差值图像为监督，训练初始解码特征模型，得到初始解码特征。
51.步骤s103：建立初始图像去模糊模型，将模糊样本图像输入至初始图像去模糊模型，分别以第二预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督，得到训练完备的图像去模糊模型。
52.步骤s104：获取模糊图像，基于训练完备的图像去模糊模型，确定清晰图像。
53.本实施例中，首先，获取清晰样本图像和模糊样本图像，其次，根据清晰样本图像和模糊样本图像，得到清晰样本图像与模糊样本图像的差值图像；然后，建立初始解码特征模型，根据差值图像，得到初始解码特征；接下来，建立初始图像去模糊模型，将模糊样本图像输入至初始图像去模糊模型，分别以第二预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督，得到训练完备的图像去模糊模型；最后，获取模糊图像，基于训练完备的图像去模糊模型，确定清晰图像。
54.可以理解的是，上述实施例中先根据差值图像，得到初始解码特征，然后以初始解码特征为监督，调整初始图像去模糊模型，得到训练完备的图像去模糊模型。通过将初始解码特征作为监督，不仅增加了初始图像去模糊模型的监督，并且根据初始解码特征的反馈，逆向调整初始图像去模糊模型，能够加快收敛速度；另外，基于差值图像调节，放大了差异，有效提高了图像去模糊模型的去模糊水平。
55.作为优选的实施例，在步骤s101中，为了得到清晰样本图像与模糊样本图像的差值图像，对清晰样本图像与模糊样本图像进行逐像素点作差，得到差值图像。
56.进一步地，为了根据有限的清晰样本图像和模糊样本图像，得到较多的清晰样本图像与模糊样本图像的差值图像，还可以对清晰样本图像和模糊样本图像分别进行随机水平翻转，得到翻转清晰样本图像和翻转模糊样本图像；然后通过逐像素点作差，得到翻转清晰样本图像和翻转模糊样本图像的差值图像。
57.作为优选的实施例，在步骤s102中，为了得到初始解码特征，建立初始解码特征模型，将差值图像输入至初始解码特征模型，输出第一预测图像，以差值图像为监督，训练初始解码特征模型，得到训练完备的解码特征模型后，将差值图像再次输入至训练完备的解码特征模型，便能够得到初始解码特征。
58.进一步地，为了增加清晰样本图像与模糊样本图像的差值图像的数量，增强初始
解码特征模型的训练效果，还可以对清晰样本图像与模糊样本图像的差值图像进行图像增强。
59.在一具体实施例中，为了定量地判断初始解码特征模型是否训练完备，通过损失函数来表示初始解码特征模型的训练效果，其中，初始解码特征模型的最终损失函数的公式为：
60.l
cont1
＝‖d-p1‖1[0061][0062]
l1＝l
cont
λl
fr
[0063]
其中，l
cont1
为解码特征模型的平均绝对误差损失函数，l
fr1
为解码特征模型的频域重建损失函数，p1为初始解码特征模型输出的预测图像，d为清晰图像与模糊图像做逐像素点的差值图像，为二维快速傅里叶变换，λ是频域重建损失函数的权重，l1为初始解码特征模型的最终损失函数。
[0064]
本实施例中，通过计算初始解码特征模型的最终损失函数，能够定量地判断初始解码特征模型的训练结果，提高初始解码特征模型的训练效果。
[0065]
进一步地，为了更好地调整初始解码特征模型中的参数，还可以选择合适的优化器和学习率下降策略对初始解码特征模型进行优化，从而提高训练效果。
[0066]
需要说明的是，上述实施例中的初始解码特征模型和初始图像去模糊模型均是以编码-解码架构为基础建立的网络模型。
[0067]
作为优选的实施例，为了便于对比，得到较优的初始解码特征，初始解码特征模型与初始图像去模糊模型的编码器和解码器分别相同。
[0068]
如图2所示，图2为初始解码特征模型的结构示意图，包括：编码器201，解码器202，卷积层203。通过编码器201对初始图像进行编码，得到编码图像，然后再通过解码器202对编码图像进行解码，得到解码特征，最后，通过卷积层203，得到初始图像对应的预测图像。
[0069]
其中，初始解码特征模型以差值图像为输入，以第一预测图像为输出，并且以差值图像为监督，调整初始解码特征模型的参数，从而得到初始解码特征。
[0070]
在一具体实施例中，编码器201和解码器202都包含原尺寸特征和两级下采样特征，并且每次下采样特征图的通道数都为原先的两倍，而长和宽变为原先的一半。
[0071]
如图3所示，图3为初始图像去模糊模型的结构示意图，包括：编码器301，解码器302，第一卷积层303和第二卷积层304。通过编码器301对初始图像进行编码，得到编码图像，然后通过解码器302对编码图像进行解码，再通过第一卷积层303，得到初始图像对应的预测图像，最后，通过第二卷积层304，得到解码特征。
[0072]
其中，初始图像去模糊模型以模糊图像为输入，以清晰样本图像和初始解码特征为监督，以预测图像为第一输出，以解码特征为第二输出，通过比对解码特征与初始解码特征，调整初始图像去模糊模型的参数，从而得到较优的图像去模糊模型。
[0073]
在一具体实施例中，编码器301和解码器302都包含原尺寸特征和两级下采样特征，并且每次下采样特征图的通道数都为原先的两倍，而长和宽变为原先的一半。
[0074]
在一具体实施例中，初始图像去模糊模型的原尺寸的通道数为32，长和宽都为256，即第三级特征的通道数为128，长和宽都为64。卷积核为3
×
3，作用为将通道数为128的
解码特征转换为3通道的预测图像。
[0075]
在其他实施例中，还可以根据其他方式获取初始解码特征，例如：根据历史记录得到对应的初始解码特征，还可以经过长期的积累形成数据库，然后在数据库中获取相应的初始解码特征。
[0076]
上述实施例中，编码器301与编码器201完全相同，解码器302与解码器202完全相同，才能保证初始图像去模糊模型在训练过程中，以初始解码特征为监督能够得到较优的效果；当初始图像去模糊模型中的编码器和解码器，与初始解码特征模型中的编码器和解码器不完全相同时，以初始解码特征为监督将失去参考意义，不能达到目标改进初始图像去模糊模型的训练效果的目标。
[0077]
作为优选的实施例，在步骤s103中，为了得到训练完备的图像去模糊模型，首先，建立初始图像去模糊模型；其次，将模糊样本图像输入至初始图像去模糊模型，分别以预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督；最后，得到训练完备的图像去模糊模型。
[0078]
优选地，为了得到训练完备的图像去模糊模型，如图4所示，图4为本发明提供的得到训练完备的图像去模糊模型一实施例的流程示意图，包括：
[0079]
步骤s131：将模糊样本图像输入至初始图像去模糊模型，输出第二预测图像和解码特征。
[0080]
步骤s132：根据第二预测图像和清晰样本图像，通过图像损失函数计算，得到图像损失。
[0081]
步骤s133：根据解码特征和初始解码特征，通过解码特征损失函数计算，得到解码特征损失。
[0082]
步骤s134：根据图像损失和解码特征损失，确定初始图像去模糊模型的损失函数。
[0083]
步骤s135：根据损失函数，调整图像去模糊模型的参数，得到训练完备的图像去模糊模型。
[0084]
本实施例中，以清晰样本图像和初始解码特征为监督，通过图像损失和解码特征损失确定初始图像去模糊模型的损失函数，然后根据损失函数调节初始图像去模糊模型的参数，迭代训练，得到训练完备的图像去模糊模型。
[0085]
可以理解的是，本实施例中以清晰样本图像和初始解码特征为监督，实现了基于双条件，反馈调节初始图像去模糊模型，并且基于解码特征模型获取到的初始解码特征作为监督，能够提高图像去模糊模型的训练效果，从而有效提高根据图像去模糊模型得到的清新图像的精度。
[0086]
优选地，为了提高初始图像去模糊模型的训练效果，本实施例中通过计算初始图像去模糊模型的最终损失函数进行定量评价。
[0087]
在一具体实施例中，以模糊图像作为输入，将清晰图像与第二预测图像计算平均绝对误差损失函数和频域重建损失函数，并以一定比率作为求和，即，计算以清晰图像为监督的损失；同时，将初始解码特征与解码特征计算平均绝对误差损失函数，即计算以初始解码特征为监督的损失；最后，根据设置图像损失的权重和解码特征损失的权重，经过加权求和操作，得到初始图像去模糊模型最终的损失函数。
[0088]
其中，损失函数的公式包括：
[0089]
l
cont2
＝‖s-p2‖1[0090][0091]
l
feature
＝‖f
1-f2‖1[0092]
l2＝l
cont2
λ1l
fr2
λ2l
feature
[0093]
其中，l
cont2
为图像去模糊模型的平均绝对误差损失函数，l
fr2
为图像去模糊模型的频域重建损失函数，l
feature
为初始解码特征和解码特征的损失函数，p2为初始图像去模糊模型输出的预测图像，s为清晰图像，为二维快速傅里叶变换，f1为初始解码特征，f2为解码特征，l2为初始图像去模糊模型最终的损失函数。
[0094]
进一步地，在得到初始图像去模糊模型的最终损失函数后，还可以选择合适的优化器和学习率下降策略，有针对性行地调整图像去模糊模型的参数，从而增强训练效果。
[0095]
最后，在得到训练完备的图像去模糊模型后，在步骤s104中，获取任一模糊图像，仅需要训练完备的图像去模糊模型，便能确定该模糊图像对应的清晰图像。
[0096]
进一步地，为了清楚地说明图像去模糊模型根据模糊图像得到清晰图像的过程，本技术采用gopro数据集，举例说明训练过程。
[0097]
其中，gopro数据集由分辨率为1280
×
720的2103对训练集和1111对测试集组成。
[0098]
进一步地，为了产生更真实的模糊图像，gopro数据集没有使用将清晰图像卷积模糊核的方式，而是使用了一个高速摄像头快速记录下一连串清晰图像，然后将这些间隔时间非常短的清晰图像求平均来获得模糊图像。因为相机传感器在曝光过程中是不断接收光线的，我们就可以理解成曝光时传感器不断接收到清晰图像的信号，合起来构成了一张模糊的图像。
[0099]
合成图像经过非线性的crf(相机响应函数，camera response function)转换成离散的像素值，生成一张数字化的模糊图像。于是，可以使用高速摄像头模拟这一过程。
[0100]
模糊累积、产生的过程可以表示为：
[0101][0102]
其中，t为曝光时间，s(t为传感器信号(在t时刻获得的清晰图像)；m为采样获得的清晰图像的帧数，s[i]为第模糊图像与清晰i张清晰的采样图像。g模糊图像与清晰是crf变换。
[0103]
由于对清晰信号累加求平均是在crf变换之前，而在实际中，原始传感器信号和crf都是未知的，为了尽量还原成像过程，上述使用了crf的近似，γ＝2.2的gamma曲线：
[0104][0105]
进一步地，为了降低训练模型时的显存占用，从清晰-模糊图像对中随机裁剪出相同位置的256
×
256的方块，并对两个方块同时做随机水平翻转，翻转概率为0.5，再将翻转(或未翻转)的方块做逐像素点差值输入解码特征模型，输入经过编码解码模块后有两级输出，但在训练阶段只需要其预测输出，将输入与解码特征模型的预测图像计算平均绝对误差损失函数和频域重建损失函数，并以1:0.1的比率计算，得到最终损失函数。
[0106]
其中，计算解码特征模型的最终损失函数的公式为：
[0107]
l
cont
＝‖d-p1‖1[0108][0109]
l1＝l
cont
0.1
×
l
fr
[0110]
其中，p1为解码特征模型输出的预测图像，d为清晰图像与模糊图像做逐像素点的差值图像，为二维快速傅里叶变换。
[0111]
进一步地，为了根据解码特征模型的最终损失调解初始解码特征模型的参数，选用adam优化器，学习率下降策略选择余弦退火策略，从2
×
10-4
下降到1
×
10-6
，训练500轮，得到训练完备的解码特征模型。
[0112]
解码特征模型训练完毕后保存预训练权重为.pkl文件，并导入解码特征模型。若再次输入差值图像至存有预训练权重的解码特征模型，便能得到解码特征模型的初始解码特征。
[0113]
训练图像去模糊模型时，同样地，从清晰-模糊图像对中随机裁剪相同位置的256
×
256的方块，并对两个方块同时做随机水平翻转，翻转概率为0.5，以模糊图像裁剪方块作为输入，将清晰图像裁剪方块与图像去模糊模型的预测图像计算平均绝对误差损失函数和频域重建损失函数，并以1:0.1的比率求和作为清晰图像监督损失。同时，计算以初始解码特征为监督的损失，将清晰图像监督损失与解码特征监督损失以1:0.01相加作为图像去模糊模型最终的损失函数。
[0114]
其中，损失函数的公式包括：
[0115]
l
cont
＝‖s-p2‖1[0116][0117]
l
feature
＝‖f
1-f2‖1[0118]
l2＝l
cont
0.1
×
l
fr
0.01l
feature
[0119]
其中，p2为图像去模糊模型输出的预测图像，s为清晰图像，为二维快速傅里叶变换，f1为解码特征模型输出的解码特征，f2为图像去模糊模型输出的解码特征，l2为训练图像去模糊模型的最终损失函数。
[0120]
同样地，选择使用adam优化器，按照余弦退火策略的学习率下降策略，从2
×
10-4
下降到1
×
10-6
，训练1000轮。训练完成后，得到训练完备的图像去模糊模型。
[0121]
通过上述方法，根据初始解码特征模型，得到初始解码特征，然后，根据初始解码特征对初始图像去模糊模型进行监督训练，增加了初始图像去模糊模型的监督，根据初始解码特征的反馈，不仅实现了逆向调整初始图像去模糊模型，加快了收敛速度；并且基于差值图像调节，放大了差异，有效提高了图像去模糊模型的去模糊水平。
[0122]
为了检验本技术方案的效果，搭建了对比实验。
[0123]
对比试验中，建立一个与图像去模糊模型完全相同的模型，称之为对比模型，训练时不采用初始解码特征监督训练，其余配置和训练方法与训练图像去模糊模型时完全一样。对对比模型和图像去模糊模型进行效果测试，将gopro数据集中测试集的模糊图像分别输入两个模型，并将输出都与模糊图像对应的清晰图像计算psnr。
[0124]
最终得到，图像去模糊模型的在gopro测试集上的psnr(峰值信噪比)为31.06db，而对比模型仅为30.94db。
[0125]
也就是说，本技术方案能够有效提高图像的去模糊水平。
[0126]
为了解决上述问题，本发明还提供了一种基于清晰图像与模糊图像差异的图像去模糊装置，如图5所示，图5为本发明提供的基于清晰图像与模糊图像差异的图像去模糊装置的结构示意图，基于清晰图像与模糊图像差异的图像去模糊装置500包括：
[0127]
样本获取模块501，用于获取清晰样本图像、模糊样本图像以及清晰样本图像与模糊样本图像的差值图像；
[0128]
初始解码特征获取模块502，用于根据清晰样本图像与模糊样本图像的差值图像，得到初始解码特征；
[0129]
图像去模糊模型获取模块503，用于建立初始图像去模糊模型，将模糊样本图像输入至初始图像去模糊模型，分别以预测图像和解码特征为输出，以清晰样本图像和初始解码特征为监督，得到训练完备的图像去模糊模型；
[0130]
清晰图像获取模块504，用于获取模糊图像，基于训练完备的图像去模糊模型，确定清晰图像。
[0131]
本发明还相应提供了一种电子设备，如图6所示，图6为本发明提供的电子设备一实施例的结构框图。电子设备600可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。电子设备600包括处理器601以及存储器602，其中，存储器602上存储有基于清晰图像与模糊图像差异的图像去模糊程序603。
[0132]
存储器602在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器602在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器602还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器602用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，基于清晰图像与模糊图像差异的图像去模糊程序603可被处理器601所执行，从而实现本发明各实施例的基于清晰图像与模糊图像差异的图像去模糊方法。
[0133]
处理器601在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器602中存储的程序代码或处理数据，例如执行基于清晰图像与模糊图像差异的图像去模糊程序等。
[0134]
本实施例还提供了一种计算机可读存储介质，其上存储有基于清晰图像与模糊图像差异的图像去模糊程序，计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于清晰图像与模糊图像差异的图像去模糊方法。
[0135]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、
电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0136]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。