【技术实现步骤摘要】
一种基于串联神经网络多层特征的图像比特增强方法
本专利技术涉及深度神经网络领域，尤其涉及一种基于串联神经网络多层特征的图像比特增强方法。
技术介绍
随着可视化信息行业的发展与渗透，人们对显示器提供的视觉质量的要求也在不断提高。高清显示器和HDR(高动态范围，HighDynamicRange)显示器可以大幅度扩展显示的亮度范围，展示更多的亮度和暗部细节，为画面带来更丰富的色彩和更生动自然的细节表现，使得画面更接近人眼所见。因此，高清显示器和HDR显示器逐渐成为市场上的主流设备。但是，受当前拍摄设备限制，大多数的图像和视频中的每个像素的每个颜色通道都用8比特存储，因此每个颜色通道最多表现出256个颜色。有一些网络摄像机甚至分别用5,6,5个比特来表示红、绿、蓝三个颜色通道。另外，图像和视频在高倍率压缩时也经常会将高比特图像压缩成低比特。当低比特的图像在经过简单的转换后就在高比特的显示器上显示时，会出现明显的伪轮廓效应，而且在亮度比较大的区域会出现色彩失真现象[1]。因此，对于图片比特深度增强的研究有着非常重要的价...
【技术保护点】
1.一种基于串联神经网络多层特征的图像比特增强方法，其特征在于，所述比特增强方法包括：/n构建训练集，将训练集的高比特图像量化为低比特图像，高比特图像与低比特图像之间按像素求差得到残差图像，低比特图像通过零填充得到零填充高比特图像；/n去除VAE网络中的随机变量，将编码器生成的特征图直接输入解码器，以此为基础建立深度学习网络模型；/n在网络模型中加入了多个串联跳跃连接，将每一层特征图传递给之后的所有层；/n零填充高比特图像输入深度学习网络模型生成残差图像，使用Adam优化器梯度下降感知损失函数训练网络；/n将测试集的高比特图像量化为低比特图像，将零填充高比特图像输入到加载训...
【技术特征摘要】
1.一种基于串联神经网络多层特征的图像比特增强方法，其特征在于，所述比特增强方法包括：
构建训练集，将训练集的高比特图像量化为低比特图像，高比特图像与低比特图像之间按像素求差得到残差图像，低比特图像通过零填充得到零填充高比特图像；
去除VAE网络中的随机变量，将编码器生成的特征图直接输入解码器，以此为基础建立深度学习网络模型；
在网络模型中加入了多个串联跳跃连接，将每一层特征图传递给之后的所有层；
零填充高比特图像输入深度学习网络模型生成残差图像，使用Adam优化器梯度下降感知损失函数训练网络；
将测试集的高比特图像量化为低比特图像，将零填充高比特图像输入到加载训练模型参数后的网络中生成残差图像，残差图像与低比特图像按像素相加得到重建的高比特图像。
2.根据权利要求1所述的一种基于串联神经网络多层特征的图像比特增强方法，其特征在于，所述构建训练集，还包括：
训练集由Sintel数据库中随机挑选的1000张图片构成。
3.根据权利要求1所述的一种基于串联神经网络多层特征的图像比特增强方法，其特征在于，所述深度学习网络模型具体为：
卷积神经网络以VAE网络为主干网络，由8个卷积...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。