[發明專利]基于深度學習的圖像增強方法、系統、設備及存儲介質

有效

• 申請號: 202010941865.3
• 申請日: 2020-09-09
• 公開（公告）號: CN112085681B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 肖瀟;晉兆龍;鄒文藝
• 申請（專利權）人: 蘇州科達科技股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/40;G06N3/0464;G06N3/084
• 代理公司: 上海隆天律師事務所 31282
• 代理人: 夏彬

本發明提供了一種基于深度學習的圖像增強方法、系統、設備及存儲介質，所述方法包括：采集用于模型訓練的樣本圖像；基于所述樣本圖像訓練并聯的多個第一卷積神經網絡，每個所述第一卷積神經網絡分別對應于至少一增強項目；訓練第二卷積神經網絡，所述第二卷積神經網絡串聯于所述并聯的多個第一卷積神經網絡之后；將訓練好的第一卷積神經網絡和第二卷積神經網絡組合得到圖像增強模型；將待增強的圖像輸入所述圖像增強模型，得到所述圖像增強模型輸出的增強圖像。通過采用本發明，采用基于深度學習的圖像增強模型可以同時實現多個增強項目的圖像增強，并提高圖像增強效果。

背景技術

隨著相機成像環境的日益復雜，基于深度學習、AI(Artificial?Intelligence，人工智能)的迅猛發展，能夠對極具挑戰性的成像環境進行智能增強，尤其在對車輛、人像、人臉等要求高的重要應用場景下，成為極其重要的關鍵部分，既為后續分析提高了堅實基礎，又能夠令抓拍圖像更符合人類的感知，提升客戶的體驗度。

基于傳統算法的圖像增強方法，需要設計較多單獨的模塊，例如分別設置去馬賽克模塊、去噪模塊、白平衡模塊等，而且要基于各種環境的場景進行謹慎的調節各個參數，才能夠保證一定的效果，并且所得到的增強后的成像，并不一定能達到完美的狀態，破壞了后續的分析和客戶的體驗度。

發明內容

針對現有技術中的問題，本發明的目的在于提供一種基于深度學習的圖像增強方法、系統、設備及存儲介質，同時實現多個項目的圖像增強，并提高圖像優化效果。

本發明實施例提供一種基于深度學習的圖像增強方法，包括如下步驟：

采集用于模型訓練的樣本圖像；

基于所述樣本圖像訓練并聯的多個第一卷積神經網絡，每個所述第一卷積神經網絡分別對應于至少一增強項目；

訓練第二卷積神經網絡，所述第二卷積神經網絡串聯于所述并聯的多個第一卷積神經網絡之后；

將訓練好的第一卷積神經網絡和第二卷積神經網絡組合得到圖像增強模型；

將待增強的圖像輸入所述圖像增強模型，得到所述圖像增強模型輸出的增強圖像。

可選地，基于所述樣本圖像訓練并聯的多個第一卷積神經網絡包括如下步驟：

將所述樣本圖像作為所述第一卷積神經網絡的輸入，單獨訓練每個所述第一卷積神經網絡；

基于所述樣本圖像聯合訓練所述多個第一卷積神經網絡。

可選地，聯合訓練所述多個第一卷積神經網絡，包括如下步驟：

將所述第一卷積神經網絡分為多個網絡組；

對同一個網絡組中的多個第一卷積神經網絡進行聯合訓練；

對多個網絡組進行聯合訓練。

可選地，所述對同一個網絡組中的多個第一卷積神經網絡進行聯合訓練，包括如下步驟：

將所述樣本圖像輸入各個所述第一卷積神經網絡，基于各個所述第一卷積神經網絡的輸出圖像和標簽圖像構建各個第一卷積神經網絡的損失函數；

將同一個網絡組中的各個第一卷積神經網絡的損失函數進行組合，得到該網絡組的損失函數；

基于該網絡組的損失函數迭代訓練該網絡組中的各個第一卷積神經網絡；

所述對多個網絡組進行聯合訓練，包括如下步驟：

將所述樣本圖像輸入各個所述第一卷積神經網絡，基于各個所述第一卷積神經網絡的輸出圖像和標簽圖像構建各個卷積神經網絡的損失函數；

將各個第一卷積神經網絡的損失函數進行組合，得到整體損失函數；