图像增强方法及装置制造方法及图纸

本申请实施例提供一种图像增强方法及装置。该方法包括：获取训练样本集，所述训练样本集包括多个原始图像样本和对应的增强图像样本；基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数；判断所述CNN图像增强网络是否达到训练收敛条件，在达到训练收敛条件时，输出对应的图像增强模型，以基于所述图像增强模型对输入的图像进行图像增强。由此，本申请通过深度学习对图像进行增强处理，能够根据不同场景给予图像合适的增强效果，从而达到用户预期视觉效果，大大改善了传统方案中图像增强效果单一、容易出现颜色不自然、色块、色偏、过渡不自然等问题。

【技术实现步骤摘要】
图像增强方法及装置
本申请涉及深度学习领域，具体而言，涉及一种图像增强方法及装置。
技术介绍
图像增强是一种提升图像视觉效果的方法，通常来说，图像增强是指调整图像的亮暗、饱和度和对比度。当前，互联网上传播的大量图片的视觉效果都较差，互联网用户经常很难找到图像内容和图像色彩都较佳的图片。另一方面，手机拍照也成了大部分人的一种记录生活的方式，但手机拍摄的照片往往很难满足用户的视觉需求。
技术实现思路
为了克服现有技术中的上述不足，本申请的目的在于提供一种图像增强方法及装置，以解决或者改善上述问题。为了实现上述目的，本申请实施例采用的技术方案如下：第一方面，本申请实施例提供一种图像增强方法，应用于电子设备，所述方法包括：获取训练样本集，所述训练样本集包括多个原始图像样本和对应的增强图像样本；基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数；判断所述CNN图像增强网络是否达到训练收敛条件，在达到训练收敛条件时，输出对应的图像增强模型，以基于所述图像增强模型对输入的图像进行图像增强。可选地，在所述基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数的步骤之前，所述方法还包括：构建所述CNN图像增强网络；所述构建所述CNN图像增强网络的方式，包括：构建输入层、输出层以及位于所述输入层和所述输出层之间的多层卷积层以及多层反卷积层，其中，所述输入层用于输入训练样本集，所述卷积层用于对训练样本进行卷积操作，所述反卷积层用于对训练样本进行反卷积操作；在所述多层卷积层以及多层反卷积层之间构建对称连接层，其中，所述多层卷积层的层数和所述多层反卷积层的层数相同，且所述多层卷积层和所述多层反卷积层相对于所述对称连接层对称。可选地，所述获取训练样本集的步骤，包括：获取各种场景下的多个原始图像样本；响应用户操作，对每个所述原始图像样本的图像参数进行图像增强，生成图像增强后的增强图像样本。可选地，所述基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数的步骤，包括：对所述训练样本集进行图像处理，得到预设数量个目标尺寸的原始图像和对应的增强图像；将所述预设数量个目标尺寸的原始图像输入到预先构建的CNN图像增强网络中，得到与各个原始图像对应的输出图像；计算输出图像和增强图像之间的loss值；基于所述loss值对所述CNN图像增强网络进行训练，并在训练过程中更新所述CNN图像增强网络的网络参数。可选地，所述对所述训练样本集进行图像处理，得到预设数量个目标尺寸的原始图像和对应的增强图像的步骤，包括：从所述训练样本集中选取预设数量个原始图像样本和对应的预设数量个增强图像样本；针对选取出的每个原始图像样本和对应的预设数量个增强图像样本，在该原始图像样本和对应的增强图像样本中的相同位置处随机裁剪目标尺寸的图像，以得到预设数量个目标尺寸的原始图像和对应的增强图像。可选地，所述计算输出图像和增强图像之间的loss值的步骤，包括：分别计算所述输出图像和增强图像之间的color_loss值、vgg_loss值以及texture_loss值；基于所述color_loss值、所述vgg_loss值以及所述texture_loss值的权重分别对所述color_loss值、所述vgg_loss值以及所述texture_loss值进行数据处理，得到输出图像和增强图像之间的loss值。可选地，所述分别计算所述输出图像和增强图像之间的color_loss值、vgg_loss值以及texture_loss值的步骤，包括：利用均值模糊方法对所述输出图像和所述增强图像进行模糊处理，并计算模糊处理后的输出图像和增强图像的均值误差值，得到color_loss值；将所述输出图像和所述增强图像经过所述CNN图像增强网络在同一个层输出的特征图进行误差计算，得到vgg_loss值；分别获取所述输出图像的灰度图和所述增强图像的灰度图，并对所述输出图像的灰度图和所述增强图像的灰度图进行误差计算，得到texture_loss值。可选地，所述判断所述CNN图像增强网络是否达到训练收敛条件的步骤，包括：判断所述loss值的变化值是否小于预设值；若所述loss值的变化值小于预设值，则判定所述CNN图像增强网络达到训练收敛条件，否则判定所述CNN图像增强网络未达到训练收敛条件。可选地，所述方法还包括：在接收到待处理图像后，将所述待处理图像输入到所述图像增强模型中，得到该待处理图像对应的增强图像。第二方面，本申请实施例还提供一种图像增强装置，应用于电子设备，所述装置包括：获取模块，用于获取训练样本集，所述训练样本集包括多个原始图像样本和对应的增强图像样本；训练模块，用于基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数；输出模块，用于判断所述CNN图像增强网络是否达到训练收敛条件，在达到训练收敛条件时，输出对应的图像增强模型，以基于所述图像增强模型对输入的图像进行图像增强。第三方面，本申请实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的图像增强方法。相对于现有技术而言，本申请具有以下有益效果：本申请实施例提供的图像增强方法及装置，首先，获取训练样本集，所述训练样本集包括多个原始图像样本和对应的增强图像样本。接着，基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数。而后，判断所述CNN图像增强网络是否达到训练收敛条件，在达到训练收敛条件时，输出对应的图像增强模型，以基于所述图像增强模型对输入的图像进行图像增强。由此，本申请通过深度学习对图像进行增强处理，能够根据不同场景给予图像合适的增强效果，从而达到用户预期视觉效果，大大改善了传统方案中图像增强效果单一、容易出现颜色不自然、色块、色偏、过渡不自然等问题。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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它相关的附图。图1为本申请实施例提供的图像增强方法的一种流程示意图；图2为图1中所示的步骤S220包括的各个子步骤的流程示意图；图3为本申请实施例提供的图像增强装置的功能模块图；图4为本申请实施例提供的电子设备的结构示意框图。图标：100-电子设备；110-总线；120-处理器；130-存储介质；140-总线接口；150-网络适配器；160-用户接口；200-图像增强装置；210-获取模块；220-训练模块；230-输出模块。具体实施方式图像增强是一种提升图像视觉效果的方法，通常来说，图像增强是指调整图像的亮暗、饱和度和对比度。当前，互联网上传播的大量图片的视觉效果都较差，互联网用户经常很难找到图像内容和图像色彩都较佳的图片。另一方面，手机拍照也成了大部分人的一种记录生活的方式，但手机拍摄的照片往往很难满足用户的本文档来自技高网...

【技术保护点】
1.一种图像增强方法，其特征在于，应用于电子设备，所述方法包括：获取训练样本集，所述训练样本集包括多个原始图像样本和对应的增强图像样本；基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数；判断所述CNN图像增强网络是否达到训练收敛条件，在达到训练收敛条件时，输出对应的图像增强模型，以基于所述图像增强模型对输入的图像进行图像增强。

【技术特征摘要】
1.一种图像增强方法，其特征在于，应用于电子设备，所述方法包括：获取训练样本集，所述训练样本集包括多个原始图像样本和对应的增强图像样本；基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数；判断所述CNN图像增强网络是否达到训练收敛条件，在达到训练收敛条件时，输出对应的图像增强模型，以基于所述图像增强模型对输入的图像进行图像增强。2.根据权利要求1所述的图像增强方法，其特征在于，在所述基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数的步骤之前，所述方法还包括：构建所述CNN图像增强网络；所述构建所述CNN图像增强网络的方式，包括：构建输入层、输出层以及位于所述输入层和所述输出层之间的多层卷积层以及多层反卷积层，其中，所述输入层用于输入训练样本集，所述卷积层用于对训练样本进行卷积操作，所述反卷积层用于对训练样本进行反卷积操作；在所述多层卷积层以及多层反卷积层之间构建对称连接层，其中，所述多层卷积层的层数和所述多层反卷积层的层数相同，且所述多层卷积层和所述多层反卷积层相对于所述对称连接层对称。3.根据权利要求1所述的图像增强方法，其特征在于，所述获取训练样本集的步骤，包括：获取各种场景下的多个原始图像样本；响应用户操作，对每个所述原始图像样本的图像参数进行图像增强，生成图像增强后的增强图像样本。4.根据权利要求1所述的图像增强方法，其特征在于，所述基于所述训练样本集对预先构建的CNN图像增强网络进行迭代训练，并在训练过程中更新所述CNN图像增强网络的网络参数的步骤，包括：对所述训练样本集进行图像处理，得到预设数量个目标尺寸的原始图像和对应的增强图像；将所述预设数量个目标尺寸的原始图像输入到预先构建的CNN图像增强网络中，得到与各个原始图像对应的输出图像；计算输出图像和增强图像之间的loss值；基于所述loss值对所述CNN图像增强网络进行训练，并在训练过程中更新所述CNN图像增强网络的网络参数。5.根据权利要求4所述的图像增强方法，其特征在于，所述对所述训练样本集进行图像处理，得到预设数量个目标尺寸的原始图像和对应的增强图像的步骤，包括：从所述训练样本集中选取预设数量个原始图像样本和对应的预设数量个增强图像样本；针对选取出的每个原始图像样本和对应的预设数量个增强图像样本，在该原...

【专利技术属性】
技术研发人员：周铭柯，李志阳，李启东，张伟，许清泉，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建,35