[發明專利]一種帶有反饋機制的深度學習攝影圖像增強系統

在審

• 申請號: 202010316946.4
• 申請日: 2020-04-21
• 公開（公告）號: CN111553855A
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 陸藝夫;魏玉明;胡輝兵
• 申請（專利權）人: 極智視覺科技（深圳）有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06F16/955;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，包括圖像輸入模塊、基于深度學習的FCN圖像增強模塊、手動調整模塊以及數據云存儲模塊。

2.如權利要求1所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述圖像輸入模塊中圖片種類包括風光、夜景、人像、人文、HDR等。

3.如權利要求2所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述圖像輸入模塊與基于深度學習的FCN圖像增強模塊之間的通信方式有兩種：

方式一：將待增強的圖像或圖像URL鏈接以及輸入圖片的種類通過HTTP POST的方式發送給部署在服務器端的基于深度學習的FCN圖像增強模塊；

方式二：將待增強的圖像直接發送給部署在本地設備上的基于深度學習的FCN圖像增強模塊。

4.如權利要求1所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述基于深度學習的FCN圖像增強模塊可以部署在本地設備，也可以部署在服務器端，具有從URL鏈接下載圖片的能力，并包含多個全卷積神經網絡用做圖像增強，每個種類分別有一個全卷積神經網絡模型。

5.如權利要求4所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述基于深度學習的FCN圖像增強模塊中的全卷積神經網絡，其網絡結構中不含有全連接層,從而不需要對輸入圖片作出尺寸大小限制，網絡在訓練時,需要在輸入與輸出層分別放置增強前與增強后的圖片作為對照，在網絡參數完成初始化之后,開始一次次迭代,計算在網絡輸出層處定義好的損失函數，計算網絡輸出與所放置的增強后圖片之間的損失值,同時利用梯度下降的方法向著損失值減小梯度最大的方向,以定義好的學習率更新網絡參數，隨著訓練的進展,逐步減小學習率，當損失值趨于收斂時,停止訓練。

6.如權利要求4所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述基于深度學習的FCN圖像增強模塊在完成圖像增強任務后，會將處理前及處理后圖像同時發送給手動調整模塊和數據云存儲模塊。

7.如權利要求1所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述手動調整模塊是反饋機制實現的最終途徑，其具有調節圖像飽和度、對比度、亮度、色溫、色調等的功能。

8.如權利要求7所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述手動調整模塊在用戶完成對圖像的手動調整之后，會將調整前及調整后圖像發送給數據云存儲模塊。

9.如權利要求1所述的一種帶有反饋機制的深度學習攝影圖像增強系統，其特征在于，所述數據云存儲模塊能夠即時將基于深度學習的FCN圖像增強模塊或手動調整模塊發送過來的增強前原圖A及增強后的圖片存儲在云端。