影象模糊是由相機或拍攝物件移動、對焦不準確或使用光圈配置不當導致的影象不清晰。為了獲得更清晰的照片，我們可以使用相機鏡頭的首選焦點重新拍攝同一張照片，或者使用深度學習知識重現模糊的影象。由於我的專長不是攝影，只能選擇使用深度學習技術對影象進行去模糊處理！

在開始這個專案之前，本文假定讀者應該瞭解深度學習的基本概念，例如神經網路、CNN。還要稍微熟悉一下 Keras、Tensorflow 和 OpenCV。

有各種型別的模糊——運動模糊、高斯模糊、平均模糊等。但我們將專注於高斯模糊影象。在這種模糊型別中，畫素權重是不相等的。模糊在中心處較高，在邊緣處按照鐘形曲線減少。

資料集

在開始使用程式碼之前，首先需要的是一個由 2 組影象組成的資料集——模糊影象和乾淨影象。目前可能沒有現成的資料集可以使用，但是就像我們上面所說的，如果你有opencv的基礎這個對於我們來說是非常個簡單的，只要我們有原始影象，使用opencv就可以自己生成訓練需要的資料集。

這裡我的資料集大小約為 50 張影象（50 張乾淨影象和 50 張模糊影象），因為只是演示目的所以只選擇了少量影象。

編寫程式碼

已經準備好資料集，可以開始編寫程式碼了。

依賴項

1. import numpy as np
2. import pandas as pd
3. import matplotlib.pyplot as plt
5. %matplotlib inline
6. import random
7. import cv2
8. import os
9. import tensorflow as tf
10. from tqdm import tqdm

這裡匯入了 tqdm 庫來幫助我建立進度條，這樣可以知道執行程式碼需要多長時間。

匯入資料

1. good_frames = '/content/drive/MyDrive/mini_clean'
2. bad_frames = '/content/drive/MyDrive/mini_blur'

現在建立了2 個列表。我們將使用 keras 預處理庫讀取“.jpg”、“jpeg”或“.png”型別的影象，並轉換為陣列。這裡影象尺寸為 128x128。

1. clean_frames = []
2. for file in tqdm(sorted(os.listdir(good_frames))):
3. if any(extension in file for extension in ['.jpg', 'jpeg', '.png']):
4. image = tf.keras.preprocessing.image.load_img(good_frames + '/' + file, target_size=(128,128))
5. image = tf.keras.preprocessing.image.img_to_array(image).astype('float32') / 255

完整文章：

https://www.overfit.cn/post/d9b6d1a979a444f39c34edc47c647be6

1. clean_frames.append(image)
3. clean_frames = np.array(clean_frames)
5. blurry_frames = []
6. for file in tqdm(sorted(os.listdir(bad_frames))):
7. if any(extension in file for extension in ['.jpg', 'jpeg', '.png']):
8. image = tf.keras.preprocessing.image.load_img(bad_frames + '/' + file, target_size=(128,128))
9. image = tf.keras.preprocessing.image.img_to_array(image).astype('float32') / 255
10. blurry_frames.append(image)
12. blurry_frames = np.array(blurry_frames)

匯入模型庫

1. from keras.layers import Dense, Input
2. from keras.layers import Conv2D, Flatten
3. from keras.layers import Reshape, Conv2DTranspose
4. from keras.models import Model
5. from keras.callbacks import ReduceLROnPlateau, ModelCheckpoint
6. from keras.utils.vis_utils import plot_model
7. from keras import backend as K
9. random.seed = 21
10. np.random.seed = seed

將資料集拆分為訓練集和測試集

現在我們按 80:20 的比例將資料集分成訓練和測試集。

完整文章：

https://www.overfit.cn/post/d9b6d1a979a444f39c34edc47c647be6