技术摘要：
本申请提供了用于对图像去模糊的方法、装置、系统及存储介质，所述方法包括：将所述图像缩小为具有不同缩小倍数的多张缩小图像；从小到大依次对所述多张缩小图像和所述图像进行去模糊处理，其中，针对所述图像的去模糊处理的结果图像作为清晰图像，所述去模糊处理包括  全部
背景技术：
相机镜头的进光量通常由光圈决定，当光圈小时进光量较小，拍摄的照度也较小， 反之，当光圈大时进光量增加，拍摄的照度也增加。因此，大光圈一直是现在镜头制造追求 的技术。然而，大光圈在可以带来以上优点的同时，也会在成像上造成一些不利影响，例如， 在使用大光圈的情况下，景深通常较浅，这将使得景深之外的拍摄主体变得模糊。针对这种 局部模糊问题，可通硬件方面的工艺改进来改善，也可通过软件方面的算法来改善。在工艺 改进上，现有技术已经提出了通过增加负焦距透镜并结合透镜的凹凸搭配等来改善局部模 糊，但是此类方法受到特定硬件的限制，通用性并不好。在算法方面，已经研究成熟的方法 通常为非盲去模糊方法，这类方法需要模糊核已知，然而，对于模糊核已知的要求并不利于 实际应用。
技术实现要素：
为了解决以上问题，本发明提供了一种用于对图像去模糊的方法，该方法能够提 升大光圈下的解像力，且具有良好的通用性。 所述方法包括将所述图像缩小为具有不同缩小倍数的多张缩小图像；以及从小到 大依次对所述多张缩小图像和所述图像进行去模糊处理，其中，针对所述图像的去模糊处 理的结果图像作为清晰图像，所述去模糊处理包括：对当前待处理图像以及前次去模糊处 理的结果图像进行特征提取；以及根据所提取的特征重建所述当前待处理图像以作为结果 图像，其中，在对最小的缩小图像的去模糊处理中，仅对当前待处理图像进行特征提取。 在一个实施方式中，所述去模糊处理利用卷积神经网络执行，其中，所述卷积神经 网络包括：特征提取层，用于对所述待处理图像或对所述待处理图像和前次去模糊处理的 结果图像进行特征提取以获得多个特征图；以及重建层，位于所述特征提取层之后，用于对 所提取的多个特征图进行解卷积处理以根据所提取的多个特征图重建所述待处理图像。 在一个实施方式中，在对所述待处理图像和前次去模糊处理的结果图像进行特征 提取的情况下，所述特征提取层配置为：分别对所述待处理图像和前次去模糊处理的结果 图像进行特征提取以获得分别来自两者的多个特征图；以及将分别来自两者的多个特征图 对应相加。 在一个实施方式中，所述方法还包括对所述卷积神经网络进行训练，所述训练包 括：从测试图像集中选取测试图像和对应目标清晰图像；将所述测试图像缩小为具有不同 缩小倍数的多张缩小测试图像；利用所述卷积神经网络从小到大依次对所述多张缩小测试 图像和所述测试图像进行去模糊处理；将针对所述测试图像的去模糊处理的结果图像作为 清晰测试图像；确定所述清晰测试图像和所述目标清晰图像之间的差异；在所述差异大于 6 CN 111583124 A 说　明　书 2/8 页 预定值时，根据所述差异调整所述卷积神经网络的特征提取层和重建层的参数；以及重复 以上步骤，直至所述差异小于所述预定值。 在一个实施方式中，所述训练还包括获取所述测试图像集，所述获取所述测试图 像集包括：在相机的最大光圈下拍摄一场景的图像作为所述测试图像；以及在相机的正常 光圈下拍摄所述场景的图像作为所述对应目标测试图像。 在一个实施方式中，所述差异通过计算所述清晰测试图像和所述目标清晰图像的 像素值的均方差来确定。 本发明还提供了一种用于对图像去模糊的装置，其特征在于，所述装置包括：缩小 器，用于将所述图像缩小为具有不同缩小倍数的多张缩小图像；去模糊器，用于从小到大依 次对所述多张缩小图像和所述图像进行去模糊处理，其中，针对所述图像的去模糊处理的 结果图像作为清晰图像，所述去模糊处理包括：对当前待处理图像以及前次去模糊处理的 结果图像进行特征提取；以及根据所提取的特征重建所述当前待处理图像以作为结果图 像，其中，在对最小的缩小图像的去模糊处理中，仅对当前待处理图像进行特征提取。 本发明还提供了一种用于对图像去模糊的系统，其特征在于，所述系统包括：处理 器；以及存储器，联接至所述处理器并存储有机器可读指令，所述机器可读指令能够由所述 处理器运行以执行以下操作：将所述图像缩小为具有不同缩小倍数的多张缩小图像；从小 到大依次对所述多张缩小图像和所述图像进行去模糊处理，其中，所述去模糊处理包括：对 当前待处理图像以及前次去模糊处理的结果图像进行特征提取；以及根据所提取的特征重 建所述当前待处理图像以作为结果图像，其中，在对最小的缩小图像的去模糊处理中，仅对 当前待处理图像进行特征提取；以及将针对所述图像的去模糊处理的结果图像作为清晰图 像。 本发明还提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介 质存储有机器可读指令，其特征在于，所述机器可读指令能够由处理器运行以执行以下操 作以对图像去模糊：将所述图像缩小为具有不同缩小倍数的多张缩小图像；从小到大依次 对所述多张缩小图像和所述图像进行去模糊处理，其中，所述去模糊处理包括：对当前待处 理图像以及前次去模糊处理的结果图像进行特征提取；以及根据所提取的特征重建所述当 前待处理图像以作为结果图像，其中，在对最小的缩小图像的去模糊处理中，仅对当前待处 理图像进行特征提取；以及将针对所述图像的去模糊处理的结果图像作为清晰图像。 附图说明 通过参照以下附图对非限制性实施方式进行详细描述，本申请的其它特征、目的 和优点将变得更明显： 图1示出了根据本发明示例性实施方式的用于对图像去模糊的方法的流程图； 图2示出了根据本发明另一示例性实施方式的用于对图像去模糊的方法的示意 图； 图3示出了对卷积神经网络进行训练的方法的流程图；以及 图4示出了适于用来实现本申请的终端设备或服务器的计算机系统的结构示意 图。 7 CN 111583124 A 说　明　书 3/8 页