图像增强方法、装置、电子设备及计算机可读介质制造方法及图纸

本公开涉及一种图像增强方法、装置、电子设备及计算机可读介质。涉及图像处理领域，该方法包括：对原始图像进行预处理，生成标准图像；对所述标准图像进行颜色校正，生成校正图像；以及将所述校正图像输入图像增强模型中获取增强图像；其中，所述图像增强模型为包含非固定层数的深度卷积神经网络模型。本公开涉及的图像增强方法、装置、电子设备及计算机可读介质，能够提升图像增强的效果，高效解决图像资料结构化处理的问题，提高面部识别时候的认证效率，同时节省了大量的人力成本。

Image Enhancement Method, Device, Electronic Equipment and Computer Readable Media

The present disclosure relates to an image enhancement method, device, electronic device and computer readable medium. The method involves the field of image processing, which includes: preprocessing the original image to generate standard image; color correction of the standard image to generate corrected image; and input the corrected image into the image enhancement model to obtain enhanced image; in which the image enhancement model is a depth convolution neural network model with non-fixed layers. The image enhancement methods, devices, electronic devices and computer readable media involved in the present disclosure can enhance the effect of image enhancement, effectively solve the problem of structured processing of image data, improve the authentication efficiency in face recognition, and save a lot of manpower costs.

【技术实现步骤摘要】
图像增强方法、装置、电子设备及计算机可读介质
本公开涉及计算机信息处理领域，具体而言，涉及一种图像增强方法、装置、电子设备及计算机可读介质。
技术介绍
随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而由于拍摄操作或者拍摄环境因素等影响，我们获得的图像经常会出现模糊、失真等现象。并且图像在生成、传输、记录和存储的过程中，因为存在成像系统、传输介质和记录设备的不完备，不可避免的受到各类不利因素影响，使图像信息丢失、质量下降。图像增强就是通过对模糊图像进行处理而恢复清晰图像的过程。图像增强技术一直是图像处理和计算机视觉研究的热点。然而，由于图像通常存在噪声，图像增强过程中，模糊因子和清晰图像均为未知，而已知量通常只有观测到的模糊图像，因此求解该问题时未知量多余已知量。图像增强存在很多的不可靠性。因此，需要一种新的图像增强方法、装置、电子设备及计算机可读介质。在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本公开提供一种图像增强方法、装置、电子设备及计算机可读介质，能够提升图像增强的效果，高效解决图像资料结构化处理的问题，提高面部识别时候的认证效率，同时节省了大量的人力成本。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的一方面，提出一种图像增强方法，包括：对原始图像进行预处理，生成标准图像；对所述标准图像进行颜色校正，生成校正图像；以及将所述校正图像输入图像增强模型中获取增强图像；其中，所述图像增强模型为包含非固定层数的深度卷积神经网络模型。在本公开的一种示例性实施例中，还包括：通过图像数据训练深度卷积神经网络以获取所述图像增强模型。在本公开的一种示例性实施例中，通过图像数据训练深度卷积神经网络以获取所述图像增强模型包括：确定深度卷积神经网络的层数；确定深度卷积神经网络的激活函数；确定深度卷积神经网络的损失函数；以及将图像训练数据与图像对照数据输入所述深度卷积神经网络中，通过训练获取所述图像增强模型。在本公开的一种示例性实施例中，确定深度卷积神经网络的层数包括：通过深度卷积神经网络的输出的增强图像确定深度卷积神经网络的层数；其中，d为深度卷积神经网络的层数，s为深度卷积神经网络的增强图像中像素点在原始图像上的映射区域，n为深度卷积神经网络的滤波器尺寸。在本公开的一种示例性实施例中，深度卷积神经网络的激活函数为ReLU激活函数。在本公开的一种示例性实施例中，确定深度卷积神经网络的损失函数包括：其中，为损失函数，为训练使用的噪声图像，yi为输入的图像训练数据，xi为图像对照数据，n为训练图像数量。在本公开的一种示例性实施例中，对原始图像进行预处理，生成标准图像包括以下情况至少一者：对原始图像进行归一化处理，生成标准图像；对原始图像进行标准化处理，生成标准图像；以及调整原始图像的分辨率，生成标准图像。在本公开的一种示例性实施例中，对所述标准图像进行颜色校正，生成校正图像包括：将所述标准图像由三原色空间转换到YCbCr空间；以及对YCbCr空间的标准图像进行颜色校正，生成所述校正图像。在本公开的一种示例性实施例中，将所述校正图像输入图像增强模型中获取增强图像包括：将所述校正图像输入图像增强模型的带有激活函数的卷积层，得到第一数据；将第一数据输入多个带有激活函数的卷积归一层，得到第二数据；将第二数据输入卷积层以获取所述增强图像。在本公开的一种示例性实施例中，将所述校正图像输入图像增强模型中获取增强图像还包括：在每次卷积计算之后，均对计算结果进行边界处理。在本公开的一种示例性实施例中，将所述校正图像输入图像增强模型中获取增强图像之前还包括：通过维纳滤波对所述校正图像进行去模糊处理。根据本公开的一方面，提出一种图像增强装置，该装置包括：预处理模块，用于对原始图像进行预处理，生成标准图像；颜色校正模块，用于对所述标准图像进行颜色校正，生成校正图像；图像增强模块，用于将所述校正图像输入图像增强模型中获取增强图像；其中，所述图像增强模型为包含非固定层数的深度卷积神经网络模型。在本公开的一种示例性实施例中，还包括：训练模块，用于通过图像数据训练深度卷积神经网络以获取所述图像增强模型。根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。根据本公开的图像增强方法、装置、电子设备及计算机可读介质，能够提升图像增强的效果，高效解决图像资料结构化处理的问题，提高面部识别时候的认证效率，同时节省了大量的人力成本。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。附图说明通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据一示例性实施例示出的一种图像增强方法的流程图。图2是根据一示例性实施例示出的一种图像增强方法的应用场景图。图3是根据一示例性实施例示出的一种图像增强方法的应用场景图。图4是根据另一示例性实施例示出的一种图像增强方法的流程图。图5是根据另一示例性实施例示出的一种图像增强方法的流程图。图6是根据另一示例性实施例示出的一种图像增强方法的示意图。图7是根据另一示例性实施例示出的一种图像增强方法的流程图。图8是根据一示例性实施例示出的一种图像增强装置的框图。图9是根据另一示例性实施例示出的一种图像增强装置的框图。图10是根据一示例性实施例示出的一种电子设备的框图。图11是根据一示例性实施例示出一种计算机可读存储介质示意图。具体实施方式现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不本文档来自技高网...

【技术保护点】
1.一种图像增强方法，其特征在于，包括：对原始图像进行预处理，生成标准图像；对所述标准图像进行颜色校正，生成校正图像；以及将所述校正图像输入图像增强模型中获取增强图像；其中，所述图像增强模型为包含非固定层数的深度卷积神经网络模型。

【技术特征摘要】
1.一种图像增强方法，其特征在于，包括：对原始图像进行预处理，生成标准图像；对所述标准图像进行颜色校正，生成校正图像；以及将所述校正图像输入图像增强模型中获取增强图像；其中，所述图像增强模型为包含非固定层数的深度卷积神经网络模型。2.如权利要求1所述的方法，其特征在于，还包括：通过图像数据训练深度卷积神经网络以获取所述图像增强模型。3.如权利要求2所述的方法，其特征在于，通过图像数据训练深度卷积神经网络以获取所述图像增强模型包括：确定深度卷积神经网络的层数；确定深度卷积神经网络的激活函数；确定深度卷积神经网络的损失函数；以及将图像训练数据与图像对照数据输入所述深度卷积神经网络中，通过训练获取所述图像增强模型。4.如权利要求3所述的方法，其特征在于，确定深度卷积神经网络的层数包括：通过深度卷积神经网络的输出的增强图像确定深度卷积神经网络的层数；其中，d为深度卷积神经网络的层数，s为深度卷积神经网络的增强图像中像素点在原始图像上的映射区域，n为深度卷积神经网络的滤波器尺寸。5.如权利要求3所述的方法，其特征在于，深度卷积神经网络的激活函数为修正线性单元。6.如权利要求3所述的方法，其特征在于，确定深度卷积神经网络的损失函数包括：其中，为损失函数，为训练使用的噪声图像，yi为输入的图像训练数据，xi为图像对照数据，n为训练图像数量。7.如权利要求1所述的方法，其特征在于，对原始图像进行预处理，生成标准图像包括以下情况至少一者：对原始图像进行归一化处理，生成标准图像；对原始图像进行标准化处理，生成标准图像；以及调整原始图像的分辨率，生成标准图像。8.如权利要求1所述的方法，其特征在于，对所述标准...

【专利技术属性】
技术研发人员：朱兴杰，刘岩，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：北京,11