一种基于深度学习的照片智能优化系统及其方法技术方案

本发明专利技术涉及照片处理技术领域，特别是一种基于深度学习的照片智能优化系统及其方法。所述的系统包括图片参数设置模块、多维度参数训练模块、目标图片测试模块、图片参数优化模块、图片备份和存储模块；图片参数设置模块实现图片参数的增删和图片参数的测量；多维度参数训练模块采用caffe深度学习框架进行图片参数训练；所述的目标图片测试模块为输入目标测试图片并输出数据至图片参数优化模块；图片参数优化模块根据输出的图片量化特征，进行对应参数的自动编辑调整；图片备份和存储模块，实现备份和储存功能。本发明专利技术解决了现有照片的人工编辑处理等缺陷，可以实现照片的自动学习处理。

An intelligent photo optimization system based on deep learning and its method

The invention relates to the technical field of photo processing, in particular to a photo intelligent optimization system based on depth learning and a method thereof. The system includes picture parameter setting module, multi-dimensional parameter training module, target picture testing module, picture parameter optimization module, picture backup and storage module; picture parameter setting module realizes the addition and deletion of picture parameters and the measurement of picture parameters; multi-dimensional parameter training module adopts Caffe depth learning framework. The target picture test module is input target test picture and output data to the picture parameter optimization module; the picture parameter optimization module automatically edits and adjusts the corresponding parameters according to the output picture quantization characteristics; the picture backup and storage module realizes the backup and storage functions. The invention solves the defects of manual editing and processing of existing photographs, and can realize the automatic learning and processing of photographs.

【技术实现步骤摘要】
一种基于深度学习的照片智能优化系统及其方法
本专利技术涉及照片处理
，特别是一种基于深度学习的照片智能优化系统及其方法。
技术介绍
目前手机、照相机等设备，所拍摄的照片往往在参数方面有所欠缺；需要编辑和美化，尤其是针对包含人脸的照片。现有的办法是人工编辑，或采用设备自动美颜优化；但这些自动设备都是根据有图片丰富经验的领域专家，设计图片特征提取器，将图片原始数据转换为合适的特征向量，从而进行检测和分类；属于传统的机器学习。
技术实现思路
本专利技术解决的技术问题在于可以实现及其自动学习的基于深度学习的照片智能优化系统及其方法。本专利技术解决上述技术问题的技术方案是：所述的系统包括图片参数设置模块、多维度参数训练模块、目标图片测试模块、图片参数优化模块、图片备份和存储模块；所述的图片参数设置模块，包括图片参数管理模块和图片参数测量模块；图片参数管理模块主要负责图片参数的增删改查；图片参数测量模块实现图片参数的测量；所述的多维度参数训练模块采用caffe深度学习框架进行图片参数训练；所述的目标图片测试模块包括输入模块和输出模块；输入模块为输入目标测试图片；输出模块输出数据至图片参数优化模块；所述的图片参数优化模块，根据输出的图片量化特征，进行对应参数的自动编辑调整；所述的图片备份和存储模块，主要针对测试的目标图片，优化前预备份其副本至数据库，优化后将新图片存入新字段；采用调用数据库的方法查看优化历史记录。所述的方法是通过海量的各种特征的图片训练集训练机器，输出模型，让机器能自动监测和分类目标图片的参数信息，并提供推荐参数和美观度精调参数，从而实现机器代替人力的照片智能自动优化。由图片参数设置模块实现：A：新增图片参数：属性包括亮度、对比度、锐度、饱和度、色温、美观度等参数名称、-255至255的参数量化范围、-10至10的参数权重、正常参数推荐的参数平衡值；B：编辑图片参数；C：删除图片参数；D：图片参数测量，对某一张训练图片进行参数测量；所得值在规定范围内。新建对比度时，可设置该参数的值域范围为-255至255；越小对比度越低，越大对比度越高；同时可设置参数权重，表明这个参数在美观度方面的占比；权重越大，参数起到的美观作用越大；反之，在精调美观度时，可极少关注该参数；同时需要设置一个参数平衡值，这个值往往取0，但不绝对；需要根据实际的效果进行调动，因此这个平衡值是全局的、动态的，需要得到其他各特征参数，综合算出每个参数平衡值；当一张图对比度为0，但其他参数都偏低，使得整个图黯淡无光，模糊，因此对比度的平衡值要略大，大概在40左右。所述多维度参数训练模块实现流程如下：A：准备不同参数特征的海量图片训练集；假设参数只包括亮度和对比度，它们的参数量化范围都是一样、并设定为-10至10，即都有20的不同特征范围；那么本次训练集的全部特征数就为20*20＝400种；其中，假设每种特征提供不同类别和风格的图片20张；那么总共的训练集图片数量为400*20＝8000张；B：采用caffe深度学习框架，第二步为格式化图片大小，将数据转化为lmdb/leveldb格式；并求得均值文件mean.binaryproto和配置训练相关文件；C：训练；输出一个模型文件model。所述目标图片测试模块输入目标图片；根据模型预测的多维度参数量化值，通过对这些参数结果和系统参数平衡值进行软件自动比对和分析，输出推荐优化的参数和推荐优化的参数量化值范围；其具体流程为：A：选择目标图片，B：对该图片进行分类测试；C：测试结果得到该图片的参数信息，包括亮度的实际值和推荐值，对比度的实际值和推荐值，以及美观度精细化参数；D：将参数信息传递至图片参数优化模块。所述图片参数优化模块的具体流程为：A：定位目标图片；B：粗调：软件自动编辑图片参数，亮度：调大实际参数值至推荐值；对比度：调低实际参数值至推荐值；C：精调：软件自动围绕美观度精细化参数进行细微调试；D：输出优化后的图片，提供优化前后视图比较窗口。本专利技术主要针对手机等设备，所拍摄的照片往往在参数方面有所欠缺，需要编辑和美化，尤其是针对包含人脸的照片。本专利技术采用深度学习的方法，让机器自动学会照片优化逻辑，并自动优化改进照片质量；不需要人工设计特征提取器；深度学习适用于变化多端的自然数据。本专利技术的深度学习方法以海量训练集为基础，在调整系统验证集参数后能将错误率调整至极低，甚至超过人眼的辨别范围，节省了人力和时间；本专利技术不同于简单的图像分类和人脸识别，旨在能根据原始照片(如风景、人物速写、生活照片等)得到照片参数并自动进行调整，从而起到美化照片至专业级水准的目的。附图说明下面结合附图对本专利技术进一步说明：图1为本专利技术的流程图；图2为本专利技术的训练原理图；图3为本专利技术的优化原理。具体实施方式下面将结合附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出实质性创造获得的方案，都属于本专利技术保护的范围。本专利技术的系统和方法如下：1：图片参数设置模块。本模块包含两部分，一个是图片参数管理模块，一个是图片参数测量模块；其中：A：图片参数管理系统：主要负责图片参数的增删改查；以新建对比度为例，可设置该参数的值域范围为-255至255；越小对比度越低，越大对比度越高；同时可设置参数权重，表明这个参数在美观度方面的占比，权重越大，参数起到的美观作用越大，反之，在精调美观度时，可极少关注该参数；同时需要设置一个参数平衡值，这个值往往取0，但不绝对；需要根据实际的效果进行调动，因此这个平衡值是全局的、动态的，需要得到其他各特征参数，综合算出每个参数平衡值；比如一张图对比度为0，但其他参数都偏低，使得整个图黯淡无光，模糊，因此对比度的平衡值要略大，大概在40左右；B：图片参数测量系统：首先定义一张标准图片，有其固定的参数值；定义的方法是按照最大最小两个极端来检测的，以亮度为例，最大为白色，最小为黑色；当照片整体亮度平均时，就生成了在0范围上下浮动的参数值；然后根据标准图片对目标训练图片进行逐像素迭代对比，即可得到目标训练图片的各特征参数值；2：多维度参数训练模块。本专利技术采用caffe深度学习框架进行图片参数训练；为达到训练效果，除了做好基础准备外，还要不断通过验证集的test验证结果来重新调试系统基础参数，如图片大小、图片数量、过滤参数和一些其他参数等；当图片特征参数为400时，需要生成的list.txt文件将至少有400行，但由于每种特征参数图片至少要几十张，因此本专利技术通过脚本自动生成list.txt文件；该文件列出所有训练的图片名称和对应的特征值(如1至400)；3：目标图片测试模块。本模块包括输入模块和输出模块；其中，输入模块为输入目标测试图片；而输出模块功能流程如下：A：得到该图片的各个参数量化值；B：由全局动态系统，通过上述各参数量化值，得到各参数的平衡值；C：通过参数值中的权重值得到美观度精细化参数优化方案；D：输出数据至图片参数优化模块；4：图片参数优化模块。根据输出的图片量化特征，进行对应参数的自动编辑调整；同样以上述图片为例，其具体功能流程为：A：定位目标图片；B：粗调：软件自动编辑图片参数本文档来自技高网...

【技术保护点】
1.一种基于深度学习的照片智能优化系统，其特征在于：所述的系统包括图片参数设置模块、多维度参数训练模块、目标图片测试模块、图片参数优化模块、图片备份和存储模块；所述的图片参数设置模块，包括图片参数管理模块和图片参数测量模块；图片参数管理模块主要负责图片参数的增删改查；图片参数测量模块实现图片参数的测量；所述的多维度参数训练模块采用caffe深度学习框架进行图片参数训练；所述的目标图片测试模块包括输入模块和输出模块；输入模块为输入目标测试图片；输出模块输出数据至图片参数优化模块；所述的图片参数优化模块，根据输出的图片量化特征，进行对应参数的自动编辑调整；所述的图片备份和存储模块，主要针对测试的目标图片，优化前预备份其副本至数据库，优化后将新图片存入新字段；采用调用数据库的方法查看优化历史记录。

【技术特征摘要】
1.一种基于深度学习的照片智能优化系统，其特征在于：所述的系统包括图片参数设置模块、多维度参数训练模块、目标图片测试模块、图片参数优化模块、图片备份和存储模块；所述的图片参数设置模块，包括图片参数管理模块和图片参数测量模块；图片参数管理模块主要负责图片参数的增删改查；图片参数测量模块实现图片参数的测量；所述的多维度参数训练模块采用caffe深度学习框架进行图片参数训练；所述的目标图片测试模块包括输入模块和输出模块；输入模块为输入目标测试图片；输出模块输出数据至图片参数优化模块；所述的图片参数优化模块，根据输出的图片量化特征，进行对应参数的自动编辑调整；所述的图片备份和存储模块，主要针对测试的目标图片，优化前预备份其副本至数据库，优化后将新图片存入新字段；采用调用数据库的方法查看优化历史记录。2.一种权利要求1所述的基于深度学习的照片智能优化系统实现方法，其特征在于：所述的方法是通过海量的各种特征的图片训练集训练机器，输出模型，让机器能自动监测和分类目标图片的参数信息，并提供推荐参数和美观度精调参数，从而实现机器代替人力的照片智能自动优化。3.根据权利要求2所述的方法，其特征在于：由图片参数设置模块实现：A：新增图片参数：属性包括亮度、对比度、锐度、饱和度、色温、美观度等参数名称、-255至255的参数量化范围、-10至10的参数权重、正常参数推荐的参数平衡值；B：编辑图片参数；C：删除图片参数；D：图片参数测量，对某一张训练图片进行参数测量；所得值在规定范围内。4.根据权利要求3所述的方法，其特征在于：新建对比度时，可设置该参数的值域范围为-255至255；越小对比度越低，越大对比度越高；同时可设置参数权重，表明这个参数在美观度方面的占比；权重越大，参数起到的美观作用越大；反之，在精调美观度时，可极少关注该参数；同时...

【专利技术属性】
技术研发人员：黄博，季统凯，
申请(专利权)人：国云科技股份有限公司，
类型：发明
国别省市：广东,44