[發明專利]一種卷積神經網絡模型生成方法及圖像增強方法

在審

• 申請號: 201811443438.1
• 申請日: 2018-11-29
• 公開（公告）號: CN109544482A
• 公開（公告）日: 2019-03-29
• 發明（設計）人: 周銘柯;李啟東;李志陽;張偉;許清泉
• 申請（專利權）人: 廈門美圖之家科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/33
• 代理公司: 北京思睿峰知識產權代理有限公司 11396
• 代理人: 孟玉潔;張贊

1.一種卷積神經網絡模型生成方法，在計算設備中執行，所述卷積神經網絡模型適于增強輸入圖像的對比度和銳度以得到輸出圖像，所述方法包括：

構建卷積神經網絡模型結構并設置損失函數表達式，所述模型結構包括通用特征模塊、局部特征模塊、全局特征模塊、參數表生成模塊、引導圖生成模塊、增強參數生成模塊以及圖像增強模塊，其中，

所述通用特征模塊、引導圖生成模塊的輸入為輸入圖像，輸出分別為多個通用特征圖、一個引導圖，

所述局部特征模塊、全局特征模塊的輸入為所述多個通用特征圖，輸出分別為多個局部特征圖、一個全局特征向量，

所述參數表生成模塊的輸入為所述多個局部特征圖和一個全局特征向量，輸出為多個參數特征圖，

所述增強參數生成模塊的輸入為所述多個參數特征圖和一個引導圖，輸出為多個增強參數圖，

所述圖像增強模塊的輸入為輸入圖像和所述多個增強參數圖，輸出為輸出圖像；

獲取多個訓練圖像對，每一個訓練圖像對包括輸入圖像和目標圖像；

將所述多個訓練圖像對作為訓練樣本來訓練所述卷積神經網絡模型，不斷更新所述卷積神經網絡模型的模型參數，每更新一次模型參數，按照所述損失函數表達式來計算模型的損失函數值，當所述損失函數值收斂時，停止訓練過程，得到所述卷積神經網絡模型的模型參數從而生成所述卷積神經網絡模型。

2.如權利要求1所述的方法，其中，所述通用特征模塊包括依次相連的一個縮放層和多個第一處理塊，所述第一處理塊包括：依次相連的卷積層、批標準化層、激活層或依次相連的卷積層、激活層。

3.如權利要求1或2所述的方法，其中，所述局部特征模塊包括依次相連的一個第二處理塊和一個卷積層，其中，所述第二處理塊包括依次相連的卷積層、批標準化層和激活層。

4.如權利要求1-3中任一項所述的方法，其中，所述全局特征模塊包括依次相連的多個第三處理塊和至少兩個全連接層，所述第三處理塊包括依次相連的卷積層、批處理層和激活層。

5.如權利要求1-4中任一項所述的方法，其中，所述參數表生成模塊包括第一卷積層、第一全連接層、融合層和第二卷積層，其中，

第一卷積層的輸入為所述多個局部特征圖，

第一全連接層的輸入為所述全局特征向量，

融合層的輸入為所述第一卷積層、第一全連接層的輸出，所述融合層適于將所述第一全連接層的輸出進行復制擴展，并將復制擴展后的結果與所述第一卷積層的輸出相加、激活，以得到所述融合層的輸出；

第二卷積層的輸入為所述融合層的輸出，輸出為所述多個參數特征圖。

6.如權利要求1-5中任一項所述的方法，其中，所述引導圖生成模塊適于按照以下公式生成引導圖：

其中，GuideMap表示引導圖，i為計數變量，nums為預設數量，1≤i≤nums，X_r、X_g、X_b分別為輸入圖像X的RGB通道圖，ReLU()表示ReLU函數，a_i＝[a_ir，a_ig，a_ib]、b_i＝[b_ir，b_ig，b_ib]、c為待訓練的模型參數。

7.如權利要求1-6中任一項所述的方法，其中，所述增強參數生成模塊適于：

根據所述引導圖來確定預設數量個與所述引導圖尺寸相同的系數圖；

分別對每一個所述參數特征圖進行插值，得到與所述引導圖尺寸相同的多個中間特征圖；

將所述多個中間特征圖劃分為12組，每一組包括預設數量個中間特征圖；

對于每一組中間特征圖：將該組的預設數量個中間特征圖分別與預設數量個系數圖相乘，得到預設數量個相乘結果圖，將所述預設數量個相乘結果圖相加，得到一個增強參數圖。