[發(fā)明專利]基于深度學(xué)習(xí)的圖像增強(qiáng)方法、系統(tǒng)、設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010941865.3
• 申請日: 2020-09-09
• 公開（公告）號: CN112085681B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 肖瀟;晉兆龍;鄒文藝
• 申請（專利權(quán)）人: 蘇州科達(dá)科技股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/40;G06N3/0464;G06N3/084
• 代理公司: 上海隆天律師事務(wù)所 31282
• 代理人: 夏彬

1.一種基于深度學(xué)習(xí)的圖像增強(qiáng)方法，其特征在于，包括如下步驟：

采集用于模型訓(xùn)練的樣本圖像；

基于所述樣本圖像訓(xùn)練并聯(lián)的多個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)，每個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)分別對應(yīng)于至少一增強(qiáng)項(xiàng)目；

訓(xùn)練第二卷積神經(jīng)網(wǎng)絡(luò)，所述第二卷積神經(jīng)網(wǎng)絡(luò)串聯(lián)于所述并聯(lián)的多個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)之后；

將訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)和第二卷積神經(jīng)網(wǎng)絡(luò)組合得到圖像增強(qiáng)模型；

將待增強(qiáng)的圖像輸入所述圖像增強(qiáng)模型，得到所述圖像增強(qiáng)模型輸出的增強(qiáng)圖像；

基于所述樣本圖像訓(xùn)練并聯(lián)的多個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)包括如下步驟：

將所述樣本圖像作為所述第一卷積神經(jīng)網(wǎng)絡(luò)的輸入，單獨(dú)訓(xùn)練每個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)；

將所述第一卷積神經(jīng)網(wǎng)絡(luò)分為多個(gè)網(wǎng)絡(luò)組；

對同一個(gè)網(wǎng)絡(luò)組中的多個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練；

對多個(gè)網(wǎng)絡(luò)組進(jìn)行聯(lián)合訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的圖像增強(qiáng)方法，其特征在于，所述對同一個(gè)網(wǎng)絡(luò)組中的多個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練，包括如下步驟：

將所述樣本圖像輸入各個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)，基于各個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)的輸出圖像和標(biāo)簽圖像構(gòu)建各個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；

將同一個(gè)網(wǎng)絡(luò)組中的各個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)進(jìn)行組合，得到該網(wǎng)絡(luò)組的損失函數(shù)；

基于該網(wǎng)絡(luò)組的損失函數(shù)迭代訓(xùn)練該網(wǎng)絡(luò)組中的各個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)；

所述對多個(gè)網(wǎng)絡(luò)組進(jìn)行聯(lián)合訓(xùn)練，包括如下步驟：

將所述樣本圖像輸入各個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)，基于各個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)的輸出圖像和標(biāo)簽圖像構(gòu)建各個(gè)卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；

將各個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)進(jìn)行組合，得到整體損失函數(shù)；

基于該整體損失函數(shù)迭代訓(xùn)練各個(gè)網(wǎng)絡(luò)組中的各個(gè)卷積神經(jīng)網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的圖像增強(qiáng)方法，其特征在于，將所述第一卷積神經(jīng)網(wǎng)絡(luò)分為多個(gè)網(wǎng)絡(luò)組，包括如下步驟：

獲取各個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)的標(biāo)簽圖像；

比較所述第一卷積神經(jīng)網(wǎng)絡(luò)的標(biāo)簽圖像的顏色直方圖與所對應(yīng)的樣本圖像的顏色直方圖；

根據(jù)顏色直方圖的比較結(jié)果對所述第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分組。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的圖像增強(qiáng)方法，其特征在于，訓(xùn)練所述第二卷積神經(jīng)網(wǎng)絡(luò)包括如下步驟：

基于各個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)的標(biāo)簽圖像組合得到第一多通道圖像；

將所述第一多通道圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，迭代訓(xùn)練所述第二卷積神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的圖像增強(qiáng)方法，其特征在于，將所述第一多通道圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，迭代訓(xùn)練所述第二卷積神經(jīng)網(wǎng)絡(luò)之后，還包括如下步驟：

將各個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)的輸出圖像組合得到第二多通道圖像；

將所述第二多通道圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，迭代訓(xùn)練所述第二卷積神經(jīng)網(wǎng)絡(luò)。

6.一種基于深度學(xué)習(xí)的圖像增強(qiáng)系統(tǒng)，其特征在于，應(yīng)用于權(quán)利要求1至5中任一項(xiàng)所述的基于深度學(xué)習(xí)的圖像增強(qiáng)方法，所述系統(tǒng)包括：

樣本采集模塊，用于采集用于模型訓(xùn)練的樣本圖像；

第一訓(xùn)練模塊，用于基于所述樣本圖像訓(xùn)練并聯(lián)的多個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)，每個(gè)所述第一卷積神經(jīng)網(wǎng)絡(luò)分別對應(yīng)于至少一增強(qiáng)項(xiàng)目；

第二訓(xùn)練模塊，用于訓(xùn)練第二卷積神經(jīng)網(wǎng)絡(luò)，所述第二卷積神經(jīng)網(wǎng)絡(luò)串聯(lián)于所述并聯(lián)的多個(gè)第一卷積神經(jīng)網(wǎng)絡(luò)之后；

模型組合模塊，用于將訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)和第二卷積神經(jīng)網(wǎng)絡(luò)組合得到圖像增強(qiáng)模型；

圖像增強(qiáng)模型，用于將待增強(qiáng)的圖像輸入所述圖像增強(qiáng)模型，得到所述圖像增強(qiáng)模型輸出的增強(qiáng)圖像。

7.一種基于深度學(xué)習(xí)的圖像增強(qiáng)設(shè)備，其特征在于，包括：

處理器；

存儲器，其中存儲有所述處理器的可執(zhí)行指令；

其中，所述處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來執(zhí)行權(quán)利要求1至5中任一項(xiàng)所述的基于深度學(xué)習(xí)的圖像增強(qiáng)方法的步驟。

8.一種計(jì)算機(jī)可讀存儲介質(zhì)，用于存儲程序，其特征在于，所述程序被執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至5中任一項(xiàng)所述的基于深度學(xué)習(xí)的圖像增強(qiáng)方法的步驟。