[發明專利]灰度圖像增強方法、裝置、計算機設備及存儲介質

有效

• 申請號: 202110298358.7
• 申請日: 2021-03-19
• 公開（公告）號: CN112819731B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 丁冬睿;秦者云;襲肖明;楊光遠
• 申請（專利權）人: 廣東眾聚人工智能科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/00
• 代理公司: 北京中和立達知識產權代理事務所(普通合伙) 11756
• 代理人: 祝妍

1.一種灰度圖像增強方法，其特征在于，包括：

S10：獲取訓練圖像集合x₁，并對x₁進行圖像增廣，得到(P-1)個增廣圖像集合{x_2,x₃,…x_p}，其中，P為大于2的整數；

S20：構建圖像匹配網絡模型，其中，所述圖像匹配網絡模型包括分布匹配網絡和結構匹配網絡，用于對輸入所述圖像匹配網絡模型的灰度圖像進行分布匹配和結構匹配，實現灰度圖像增強；

S30：利用{x₁,x_2,x₃,…x_p}，對所述圖像匹配網絡模型進行模型訓練；

S40：獲取待增強的灰度圖像，并將所述待增強的圖像輸入到訓練好的圖像匹配網絡模型中，得到增強后的灰度圖像；

其中，所述圖像匹配網絡模型的輸入為：灰度圖像、以及所述灰度圖像對應的隨機噪聲圖像和二值模板圖像，所述圖像匹配網絡模型的輸出為增強后的灰度圖像；

所述圖像匹配網絡模型為二分支網絡，包括上分支網絡和下分支網絡；

所述上分支網絡為所述分布匹配網絡，計算所述隨機噪聲圖像和二值模板圖像之間的感知差異損失；

所述下分支網絡為所述結構匹配網絡，計算所述隨機噪聲圖像和灰度圖像之間的結構差異損失；

所述灰度圖像、所述二值模板圖像和所述隨機噪聲圖像輸入所述圖像匹配模型后，所述圖像匹配網絡模型將所述感知差異損失和結構差異損失的加權相加值作為總損失，并根據所述總損失，迭代優化隨機噪聲圖像，改變隨機噪聲圖像的像素值，使隨機噪聲圖像成為最終的新的增強圖像。

2.如權利要求1所述的灰度圖像增強方法，其特征在于，所述圖像匹配網絡模型將所述感知差異損失和結構差異損失的加權相加值作為總損失，并根據所述總損失使用梯度下降法迭代訓練所述隨機噪聲圖像，改變所述隨機噪聲圖像的像素值，直至訓練后的隨機噪聲圖像符合預定的條件，停止迭代并將當前訓練后的隨機噪聲圖像作為所述增強后的灰度圖像。

3.如權利要求2所述的灰度圖像增強方法，其特征在于，所述分布匹配網絡和結構匹配網絡采用相同的卷積神經網VGG16模型，并以在ImageNet數據集上預訓練的VGG16模型作為初始化網絡權重，設置相同的初始學習率。

4.如權利要求2所述的灰度圖像增強方法，其特征在于，所述預定的條件為：所述訓練后的隨機噪聲圖像的噪聲抑制增益比大于給定的閾值。

5.如權利要求4所述的灰度圖像增強方法，其特征在于，S30包括：

S310：依次將x₁中的每一幅圖像及其對應的隨機噪聲圖像和二值模板圖像輸入所述圖像匹配網絡模型，得到的增強后的圖像集合y₁；

S320：對于訓練圖像集合x_j，如果1j≤P，則依次將x_j中的每一幅圖像及其對應的隨機噪聲圖像和二值模板圖像輸入所述圖像匹配網絡模型，得到的增強后的圖像集合y_j；

S330：通過y₁和y_j計算交叉熵損失，反向傳播優化所述圖像匹配網絡模型的網絡權重；

S340：j加1，重復執行S320、S330，直至所述圖像匹配網絡模型收斂。