[发明专利]一种图像处理、模型训练、方法、装置和存储介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取待处理模糊图像、以及所述待处理模糊图像对应的模糊核；

根据所述待处理模糊图像对应的模糊核获取伪逆模糊核；

根据特征向量、以及所述伪逆模糊核，通过最小化广义低秩矩阵分解函数，获取所述模糊核对应的分解矩阵；其中所述特征向量为样本模糊核共有的特征向量；

将所述分解矩阵直接赋值给反卷积网络模型中卷积层的参数，得到设置后反卷积网络模型，所述反卷积网络模型由样本模糊核、样本模糊核的广义矩阵分解结果、样本模糊核对应的样本模糊图像训练而成；所述卷积层与所述分解矩阵对应；其中所述广义矩阵分解结果包括样本模糊核共有的特征向量；

根据所述设置后反卷积网络模型对所述待处理模糊图像进行去模糊处理，得到去模糊后图像。

2.如权利要求1所述的图像处理方法，其特征在于，所述反卷积网络模型包括至少三个卷积层；

根据所述分解矩阵对反卷积网络模型中卷积层的参数进行设置，包括：

根据所述分解矩阵对所述反卷积网络模型中第二个卷积层的参数进行设置。

3.一种模型训练方法，其特征在于，包括：

获取多个样本模糊核，所述多个样本模糊核对应多个样本模糊图像；

对多个样本模糊核进行广义矩阵分解，得到每个样本模糊核对应的分解矩阵、以及每个样本模糊核共有的特征向量；其中所述广义矩阵分解是将原始矩阵划分成若干秩小于原始矩阵秩的矩阵，并根据分解得到的特征矩阵确定特征向量；

根据所述特征向量的特征值直接赋予反卷积网络模型中所述特征向量对应卷积层的参数，得到初始化后反卷积网络模型；

根据所述样本模糊核对应的分解矩阵对所述初始化后反卷积网络模型中所述分解矩阵对应卷积层的参数进行初始化，得到待训练反卷积网络模型；

根据所述样本模糊核、以及所述样本模糊核的样本模糊图像，对所述待训练反卷积网络模型进行训练，得到训练后反卷积网络模型。

4.如权利要求3所述的模型训练方法，其特征在于，所述反卷积网络模型包括至少三个卷积层；

根据所述样本模糊核对应的分解矩阵对所述初始化后反卷积网络模型中所述分解矩阵对应的卷积层的参数进行初始化，包括：

根据样本模糊核对应的分解矩阵对所述初始化后反卷积网络模型中第二个卷积层的参数进行初始化。

5.如权利要求3或4所述的模型训练方法，其特征在于，所述反卷积网络模型包括至少三个卷积层，所述特征向量包括第一特征向量和第二特征向量；

根据所述特征向量对所述反卷积网络模型中卷积层的参数进行初始化，包括：

根据所述第一特征向量对与所述第一特征向量所对应卷积层的参数进行初始化；

根据所述第二特征向量对与所述第二特征向量所对应卷积层的参数进行初始化。

6.如权利要求3所述的模型训练方法，其特征在于，所述反卷积网络模型包括至少四个卷积层；在对所述待训练反卷积网络模型进行训练之前，所述方法还包括：

根据随机初始化方式对剩余卷积层的参数进行初始化，所述剩余卷积层为所述反卷积网络模型中第三个卷积层之后的卷积层。

7.一种图像处理装置，其特征在于，包括：

图像获取单元，用于获取待处理模糊图像、以及所述待处理模糊图像对应的模糊核；

矩阵获取单元，用于根据所述待处理模糊图像对应的模糊核获取伪逆模糊核；根据特征向量、以及所述伪逆模糊核，通过最小化广义低秩矩阵分解函数，获取所述模糊核对应的分解矩阵；其中所述特征向量为样本模糊核共有的特征向量；

参数设置单元，用于将所述分解矩阵直接赋值给反卷积网络模型中卷积层的参数，得到设置后反卷积网络模型，所述反卷积网络模型由样本模糊核、样本模糊核的广义矩阵分解结果、样本模糊核对应的样本模糊图像训练而成；所述卷积层与所述分解矩阵对应；其中所述广义矩阵分解结果包括样本模糊核共有的特征向量；

去模糊单元，用于根据所述设置后反卷积网络模型对所述待处理模糊图像进行去模糊处理，得到去模糊后图像。