[發明專利]一種自適應的圖像引擎色彩優化方法、系統及存儲介質

在審

• 申請號: 202210362444.4
• 申請日: 2022-04-07
• 公開（公告）號: CN114742922A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 夏振平;張博文;宋玉;張躍淵;胡伏原
• 申請（專利權）人: 蘇州科技大學
• 主分類號: G06T11/40
• 分類號: G06T11/40;G06N3/04;G06N3/08
• 代理公司: 佛山粵進知識產權代理事務所(普通合伙) 44463
• 代理人: 耿鵬

1.一種自適應的圖像引擎色彩優化方法，其特征在于，包括以下步驟：

從AVA數據集中獲取數據集中的目標圖像，對所述目標圖像使用退化算法得到原始圖像，將原始圖像和對應的目標圖像組合成圖像對構建初始數據集；

通過NIMA模型分別對初始數據集中的目標圖像及原始圖像進行評分，根據評分對初始數據集進行調整生成最終數據集；

基于全卷積神經網絡構建圖像引擎色彩優化模型，將所述最終數據集輸入圖像引擎色彩優化模型進行訓練，通過所述圖像引擎色彩優化模型實現圖像色彩優化。

2.根據權利要求1所述的一種自適應的圖像引擎色彩優化方法，其特征在于，所述的從AVA數據集中獲取數據集中的目標圖像，對所述目標圖像使用退化算法得到原始圖像，將原始圖像和對應的目標圖像組合成圖像對構建初始數據集，具體為：

從AVA數據集中獲取數據集中的目標圖像，并創建目標圖像的副本，得到第一圖像對；

分別對第一圖像對中的圖像使用冪律變換，將一張圖像的亮度提升，另一張圖像的亮度降低，得到第二圖像對；

分別對所述第二圖像對中的圖像添加高斯模糊，得到第三圖像對；

分別對所述第三圖像對中的圖像添加高斯噪聲，得到第四圖像對；

將所述第四圖像對中的圖像分別和目標圖像組成一組圖像對，構成初始數據集。

3.根據權利要求1所述的一種自適應的圖像引擎色彩優化方法，其特征在于，所述的通過NIMA模型分別對初始數據集中的目標圖像及原始圖像進行評分，根據評分對初始數據集進行調整，具體為：

通過MobileNet架構構建NIMA模型，并通過AVA數據集訓練所述NIMA模型，根據訓練后的NIMA模型搭建圖像質量預測器；

將初始數據集中的原始圖像與目標圖像輸入圖像質量預測器，使用圖像質量預測器對輸入圖像進行評分；

根據評分對初始數據集中的圖像進行調整，保證參考圖像的圖像質量優于輸入圖像；

若目標圖像評分高于原始圖像，則將目標圖像設置為參考圖像，將原始圖像設置為輸入圖像；

若目標圖像評分低于原始圖像，則將目標圖像設置為輸入圖像，將原始圖像設置為參考圖像；

根據調整后的目標圖像及原始圖像生成最終數據集。

4.根據權利要求1所述的一種自適應的圖像引擎色彩優化方法，其特征在于，所述的基于全卷積神經網絡構建圖像引擎色彩優化模型，將所述最終數據集輸入圖像引擎色彩優化模型進行訓練，具體為：

基于全卷積神經網絡構建圖像引擎色彩優化模型；

根據所述最終數據集隨機獲取樣本數據，根據所述樣本數據構成樣本數據集，將所述樣本數據集中90％的樣本數據作為訓練集，10％的樣本數據進行驗證集；

訓練基于Tensorflow框架，采用Adam優化器，初始學習率0.0001，10個epoch后學習率降低為0.00001，將訓練集輸入全卷積神經網絡，訓練至損失函數平穩；

通過所述驗證集對訓練后圖像引擎色彩優化模型進行測試，當輸出圖像的優化效果達到預設標準時，則保存模型參數并輸出圖像引擎色彩優化模型。

5.根據權利要求4所述的一種自適應的圖像引擎色彩優化方法，其特征在于，所述全卷積神經模型包括9個卷積層，前八層卷積核的大小均為3×3，卷積核個數為32，每層卷積層的激活函數均為LReLU，從第二層開始采用空洞卷積，第二，三，四，五，六，七層的擴張率分別為2，4，8，16，32，64，第一層和第八層的為普通卷積層，第九層為卷積核大小為1×1的普通卷積層，第九層不使用激活函數。

6.根據權利要求4所述的一種自適應的圖像引擎色彩優化方法，其特征在于，所述圖像引擎色彩優化模型的損失函數L(w,b)采用L2損失函數，具體為：

其中，L(w,b)表示損失函數，I_i表示輸入圖像，N_i表示輸入圖像的像素個數，n表示圖像總數，f(I_i)表示目標圖像，w和b表示全卷積神經網絡待訓練的權重，表示輸出圖像。