基于深度学习的图像质量提升方法及其装置制造方法及图纸

本发明专利技术提供基于深度学习的图像质量提升方法及其装置。所述方法包括：获取某一场景的畸变图像作为深度学习模型的训练值；获取所述场景的全景图像作为所述深度学习模型的真值；利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对；重复执行训练步骤直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升全景图像成像质量的模型。本发明专利技术解决了在拼接生成全景图像的过程中像素不均衡的问题，并大大提高了图像成像质量。

Image quality enhancement method and device based on deep learning

The invention provides a method and device for improving image quality based on deep learning. The method comprises: acquiring a distorted image of a scene as a training value of the depth learning model; acquiring a panoramic image of the scene as a true value of the depth learning model; learning and generating a mapping relationship between the training value and the true value by using the first convolutional neural network model established; and selecting others. A distorted image of a scene is used as an input to the mapping relationship to obtain the panoramic image of the output of the other scene and is compared with the preset panoramic image of the other scene; the training step is repeated until the generated difference value is less than or equal to the preset threshold, and the mapping obtained at this time after training is performed. The relationship is identified as the final model for improving the imaging quality of panoramic images. The invention solves the problem of unbalanced pixels in the process of splicing panoramic images, and greatly improves the image imaging quality.

【技术实现步骤摘要】
基于深度学习的图像质量提升方法及其装置
本专利技术涉及图像处理领域，特别是涉及基于深度学习的图像质量提升方法及其装置。
技术介绍
全景图(Panoramicimage)技术的实现过程通常是：首先，利用摄像设备在不同角度或位置对场景进行拍摄，获得反映整个三维场景信息的多张图像；然后，将这些图像根据一定的原则拼接成一张大图，在这张大图上表现整个场景的全部信息，从而实现了将整个场景信息集中到一张图上表示。目前的全景图像，一般都采用多个鱼眼摄像头拍摄的图像或其他类型摄像头拍摄的图像拼接完成，其边缘成像质量受原始鱼眼图像或其他类型图像的投影映射效果影响。当摄像机模型在图像平面上的成像不均匀时，拼接后的全景图像在边缘部分对应原始图像的像素相对而言会比较稀疏，从而出现模糊不清的问题。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供基于深度学习的图像质量提升方法及其装置，用于解决现有技术中由至少一个图像拼接而成的全景图像的成像质量不佳、像素不均衡等问题。为实现上述目的及其他相关目的，本专利技术提供一种基于深度学习的图像质量提升方法，包括：获取某一场景的畸变图像，以作为深度学习模型的训本文档来自技高网...

【技术保护点】
1.一种基于深度学习的图像质量提升方法，其特征在于，包括：获取某一场景的畸变图像，以作为深度学习模型的训练值；获取所述场景的全景图像，以作为所述深度学习模型的真值；利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；训练步骤：选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对；重复执行所述训练步骤直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升图像成像质量的模型。

【技术特征摘要】
1.一种基于深度学习的图像质量提升方法，其特征在于，包括：获取某一场景的畸变图像，以作为深度学习模型的训练值；获取所述场景的全景图像，以作为所述深度学习模型的真值；利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；训练步骤：选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对；重复执行所述训练步骤直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升图像成像质量的模型。2.根据权利要求1所述的基于深度学习的图像质量提升方法，其特征在于，所述第一卷积神经网络模型包括：多层的卷积网络，用于对输入图像进行多个尺度多个维度的信息压缩与融合；与所述卷积网络相对应的反卷积网络，用于实现相关细节信息的还原。3.根据权利要求1所述的基于深度学习的图像质量提升方法，其特征在于，所述利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系，还包括：利用建立的第二卷积神经网络模型，学习并调节在生成所述映射关系的过程中所生成的中间图像，从而优化所述映射关系；所述训练步骤，还包括：选择其他场景的畸变图像作为优化后的所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对。4.根据权利要求3所述的基于深度学习的图像质量提升方法，其特征在于，所述第二卷积神经网络模型包括：通过利用多层的卷积网络来学习多个场景信息从而具备场景分类能力的网络模型，用于辅助所述第一卷积神经网络模型来进行有针对性地细节信息还原。5.根据权利要求1或3所述的基于深度学习的图像质量提升方法，其特征在于，所述畸变图像由多张子畸变图像组合构成。6.根据权利要求5所述的基于深度学习的图像质量提升方法，其特征在于，所述畸变图像包括：鱼眼图像。7.根据权利要求5所述的基于深度学习的图像质量提升方法，其特征在于，获得的所述场景的全景图像是高清摄像头对所述场景进行拍摄后合成的像素分布均匀的图像。8.一种基于深度学习...

【专利技术属性】
技术研发人员：吴子章，唐锐，王凡，
申请(专利权)人：纵目科技上海股份有限公司，
类型：发明
国别省市：上海,31