[發(fā)明專利]一種卷積神經(jīng)網(wǎng)絡(luò)模型生成方法及圖像增強方法

在審

• 申請?zhí)枺?/td>: 201811443438.1
• 申請日: 2018-11-29
• 公開（公告）號: CN109544482A
• 公開（公告）日: 2019-03-29
• 發(fā)明（設(shè)計）人: 周銘柯;李啟東;李志陽;張偉;許清泉
• 申請（專利權(quán)）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(chǎn)權(quán)代理有限公司 11396
• 代理人: 孟玉潔;張贊

本發(fā)明公開了一種用于圖像增強的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型的生成方法，在計算設(shè)備中執(zhí)行，該方法包括：構(gòu)建CNN模型結(jié)構(gòu)并設(shè)置損失函數(shù)表達(dá)式，CNN模型結(jié)構(gòu)包括通用特征模塊、局部特征模塊、全局特征模塊、參數(shù)表生成模塊、引導(dǎo)圖生成模塊、增強參數(shù)生成模塊以及圖像增強模塊；獲取多個訓(xùn)練圖像對，每一個訓(xùn)練圖像對包括輸入圖像和目標(biāo)圖像；將多個訓(xùn)練圖像對作為訓(xùn)練樣本來訓(xùn)練CNN模型，不斷更新CNN模型的模型參數(shù)，每更新一次模型參數(shù)，按照前述損失函數(shù)表達(dá)式來計算模型的損失函數(shù)值，當(dāng)損失函數(shù)值收斂時，停止訓(xùn)練過程，得到CNN模型的模型參數(shù)從而生成CNN模型。本發(fā)明一并公開了相應(yīng)的圖像增強方法和計算設(shè)備。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種用于增強圖像對比度和銳度的卷積神經(jīng)網(wǎng)絡(luò)模型的生成方法、圖像增強方法以及計算設(shè)備。

背景技術(shù)

移動終端及互聯(lián)網(wǎng)技術(shù)的發(fā)展方便了用戶獲取圖像信息，例如，用戶可以用手機(jī)拍照，或從互聯(lián)網(wǎng)上瀏覽、下載圖像等。然而，在用戶獲取的圖像中，大部分圖像的質(zhì)量是不理想的，例如，圖像的對比度不夠，圖像整體泛白、灰暗；又例如，圖像的銳度不夠，畫質(zhì)模糊，邊緣平滑等。因此，需要提升圖像的對比度和銳度，來增強圖像信息。

傳統(tǒng)方法多采用曲線調(diào)整來增強圖像的對比度，但是，這種方法需要手動調(diào)整參數(shù)，操作不便，降低了用戶的使用體驗，且針對性較強，無法靈活適用于多個圖像場景?，F(xiàn)有算法多采用濾波或空域微分的方法來增強圖像的銳度，但是，這種方法對于所有圖像都采用統(tǒng)一的方法來銳化，不夠靈活，容易造成銳化過度，效果不自然。此外，在現(xiàn)有的算法中，圖像的對比度增強和銳度增強是兩個相對獨立的問題，難以在增強對比度的同時也增強銳度，增強算法的實現(xiàn)效率較低。

因此，需要一種更靈活、高效的圖像增強方法。

發(fā)明內(nèi)容

為此，本發(fā)明提供一種用于增強圖像對比度和銳度的卷積神經(jīng)網(wǎng)絡(luò)模型生成方法，并提供一種基于該卷積神經(jīng)網(wǎng)絡(luò)模型的圖像增強方法，以力圖解決或至少緩解上面存在的問題。

根據(jù)本發(fā)明的一個方面，提供一種卷積神經(jīng)網(wǎng)絡(luò)模型生成方法，在計算設(shè)備中執(zhí)行，所述卷積神經(jīng)網(wǎng)絡(luò)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(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)并設(shè)置損失函數(shù)表達(dá)式，所述模型結(jié)構(gòu)包括通用特征模塊、局部特征模塊、全局特征模塊、參數(shù)表生成模塊、引導(dǎo)圖生成模塊、增強參數(shù)生成模塊以及圖像增強模塊，其中，所述通用特征模塊、引導(dǎo)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(dǎo)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(shù)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(shù)特征圖，所述增強參數(shù)生成模塊的輸入為所述多個參數(shù)特征圖和一個引導(dǎo)圖，輸出為多個增強參數(shù)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(shù)圖，輸出為輸出圖像；獲取多個訓(xùn)練圖像對，每一個訓(xùn)練圖像對包括輸入圖像和目標(biāo)圖像；將所述多個訓(xùn)練圖像對作為訓(xùn)練樣本來訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)模型，不斷更新所述卷積神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)，每更新一次模型參數(shù)，按照所述損失函數(shù)表達(dá)式來計算模型的損失函數(shù)值，當(dāng)所述損失函數(shù)值收斂時，停止訓(xùn)練過程，得到所述卷積神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)從而生成所述卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，在根據(jù)本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)模型生成方法中，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(biāo)準(zhǔn)化層、激活層或依次相連的卷積層、激活層。

可選地，在根據(jù)本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)模型生成方法中，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(biāo)準(zhǔn)化層和激活層。

可選地，在根據(jù)本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)模型生成方法中，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。