CN119494793A 图像处理方法和相关装置 （华为技术有限公司）

经网络基于第一图像和第一图像的模糊信息对2使用第一神经网络基于所述第一图像和所述第一图像的模糊信息对所述第一图像进获取事件相机在第一时长内产生的第一事件数据，所述第基于所述第一图像和所述第一事件数据确定所述第将所述第一图像和所述第一事件数据输入至模糊特征提取器后所述模糊特征提取器不同的图像对应的事件数据以及标签，所述一对模糊程度不同的图像对应的事件数据相同，所述标签用于指示所述一对模糊程度不同的图像之间的图像级别的模糊程度排序和/基于所述第一图像获得j个不同分辨率的图像，所述j个不同分辨率分辨率的所述第一图像和对所述第一图像缩小后的j使用所述模糊特征提取器基于所述j_1个不同分辨率的图像中的各个图像和所述第一所述使用第一神经网络基于所述第一图像和所述第一图像的模糊信息对所述第一图率的图像以及所述j_1个不同分辨率的图像各自的模糊信息对所述第一图像进行去模糊处所述第一图像进行2倍下采样得到的图像、对所述进行2倍下采样得到的图像继续进行2倍获取第二训练数据，所述第二训练数据中包括第一分辨率所述第三图像以及对所述第三图像缩小后的所述j_1个不同分辨率的图像各自的标签，每39.根据权利要求1至8中任一项所述的方法，其特征在处理模块，用于确定所述第一图像的模糊信息，所述模糊信息指示所述处理模块，还用于使用第一神经网络基于所述第一图像和所获取事件相机在第一时长内产生的第一事件数据，所述第基于所述第一图像和所述第一事件数据确定所述第将所述第一图像和所述第一事件数据输入至模糊特征提取器后所述模糊特征提取器不同的图像对应的事件数据以及标签，所述一对模糊程度不同的图像对应的事件数据相同，所述标签用于指示所述一对模糊程度不同的图像之间的图像级别的模糊程度排序和/基于所述第一图像获得j个不同分辨率的图像，所述j个不同分辨率分辨率的所述第一图像和对所述第一图像缩小后的j使用所述模糊特征提取器基于所述j_1个不同分辨率的图像中的各个图像和所述第一率的图像以及所述j_1个不同分辨率的图像各自的模糊信息对所述第一图像进行去模糊处对所述第一图像进行2倍下采样得到的图像、对所述进行2倍下采样得到的图像继续进行24获取第二训练数据，所述第二训练数据中包括第一分辨率所述第三图像以及对所述第三图像缩小后的所述j_1个不同分辨率的图像各自的标签，每所述处理器用于调用所述存储器中的程序指令执行如权利要求1至9中任一项所述的5后将第一图像输入至该训练好的神经网络后该训练好的神经网络中的某个卷积层输出的后将第一图像输入至该训练好的神经网络后该训练好的神经网络中的某个卷积层输出的图像级别的模糊程度排序以及像素级别的模糊程度排序；通过多个训练样本训练神经网6对模糊程度不同的图像之间的图像级别的模糊程度排序和/或像素级别的模糊程后该训练好的神经网络中的某个卷积层输出的特征确定为第一图网络中的某个卷积层输出的特征确定为第一图图像级别的模糊程度排序以及像素级别的模糊程度排序，通过多个训练样本训练神经网7好的神经网络后该训练好的神经网络中的某个卷积层输出的特征确定为第一图像的模糊个不同分辨率的图像，j个不同分辨率的图像中包括第一分辨率的第一图像和对第一图像辨率的图像各自的模糊信息对第一图像进行去模糊处一分辨率的第三图像和第三图像的模糊信息、对第三图像缩小后的j_1个不同分辨率的图像以及各自的模糊信息、第三图像以及对第三图像缩小后的所述j_1个不同分辨率的图像还用于使用第一神经网络基于第一图像和第一图像的模糊信息对第一图像进行去模糊处数据中包括一对模糊程度不同的图像、一对模糊程度不同的图像对应的事件数据以及标像之间的图像级别的模糊程度排序和/或像素级别的模糊程个不同分辨率的图像，j个不同分辨率的图像中包括第一分辨率的第一图像和对第一图像8[0032]使用模糊特征提取器基于j_1个不同分辨率的图像中的各个图像和第一事件数据处理器用于调用存储器中的程序指令执行如第一方面9到快速运动目标的高精度时间和空间信息，相机的每个像素点可独立感知光线亮度的变[0057]人工智能(artificialintelligence，AI)是利用数字计算机或者数字计算[0076]下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述[0077]图2为本申请提供的一种图像去模糊的方法的流程性示意图，本实施例的方法可[0083]下面，说明几种可以获得用于指示第一图像中的模糊区域的模糊信息的实现方[0086]具体地，多个训练样本中每个训练样本中包括一对模糊对中每个图像的特征以及输出该排序样本对之间的图像级别的模糊程中每个图像的特征以及输出该排序样本对之间的像素级[0101]此时，将S201中采集的第一图像输入至该特征提取器中获得第一图像的模糊信序器用于接收特征提取器提取的排序样本对中每个图像的特征以及输出该排序样本对之图像的特征以及输出该排序样本对之间的像素级别的模绍本申请提供的另一种图像去模糊系统的结构性示意图。如图5所示，在图像去模糊系统件数据具体是指在第一相机拍摄图像的曝光时长内事件相机采集[0129]处理模块503用于基于第一相机采集图像和事件相机采集的事件数据，使用预设[0136]S602，获取事件相机在第一相机拍摄第一图像的曝光时长内产生的第一事件数样本对中每个图像的级联特征以及输出该排序样本对之间的图像级别的模糊程本对中每个图像的级联特征以及输出该排序样本对之间的像素级别的模糊程度序器用于接收特征提取器发送的排序样本对中每个图像的级联特征以及输出排序样本对个图像的级联特征以及输出排序样本对之间的图像级别的模糊程度排序以及像素级别的情况下，该图6中所示实施例中的标签指示图像对应的清晰图像也可以替换为指示对应的用第一神经网络基于第一图像和第一图像的模糊信息对第一图像进行去模糊处理得到第以及j_1个不同分辨率的图像各自的模糊信息对第一图像进行去模糊处理帧，然后将其使用双三次插值法下采样S倍(S的取值不做限制，例如为{1,2,4}中的任一序器用于接收特征提取器发送的排序样本对中每个图像的级联特征以及输出排序样本对排序器输出的图像级别的模糊程度排序以及局部排序器输出的像素级别的排序和标签的层、1层全局平均池化层和1个全连接层。局部排序器包含1层卷积层和1个Sigmoid激活函[0201]1)将图像B1经过卷积层提取图像特征，再经过特征学习模块1得到图像B1的调制[0202]2)将图像B2经过卷积层提取图像特征，再与特征学习模块1输出的特征进行级联[0203]3)将图像B3经过卷积层提取图像特征，再与特征学习模块2输出的特征进行级联[0211]7)图像B3的聚合特征经过第3层的残差模块和卷积层后与图像B3相加，得到与图[0212]8)图像B2的聚合特征与步骤7)中上采样结果级联，经过第2层的残差模和卷积层[0213]9)图像B1的聚合特征与步骤8)中上采样结果级联，经过第1层的残差模和卷积层每个图像的标签为每个图像去模糊之后的清晰序列图像；基于第二训练样本对图7所示的经网络用于基于图像和图像的模糊信息对图像进行去模络基于所述第一图像和所述第一图像的模糊信息对所述第一图像进行去模糊处理得到第[0221]在一种可能的实现方式中，在处理模块902基于第一图像和第一事件数据确定第像级别的模糊程度排序和/或像素级别的模糊程度个不同分辨率的图像；使用模糊特征提取器基于j_1个不同分辨率的图像中的各个图像和据中包括第一分辨率的第三图像和第三图像的模糊信息、对第三图像缩小后的j_1个不同分辨率的图像以及各自的模糊信息、第三图像以及对第三图像缩小后的j_1个不同分辨率申请实施例图2至图8的方法的各个步骤可以通过处理器1002中的硬件的集成逻辑电路或[0230]上述处理器1002还可以是通用处理器、数字信号处理器(digitalsignal理器或者该处理器也可以是任何常规的处理[0231]结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完个可用介质