一种图像增强方法技术

本发明专利技术涉及一种图像增强方法，该方法包括采集拍摄图像，归一化所述拍摄图像为一特定尺寸，将归一化后的所述拍摄图像输入循环对抗生成cycleGAN网络模型，得到仿增强图像，所述cycleGAN网络模型根据样本拍摄图像和样本增强图像训练生成。该图像增强方法基于循环对抗生成cycleGAN网络模型，利用无监督学习，最终使用从源域到目标域映射的生成器得到了图像增强结果，该方法在保持输入图像内容不变的条件下使之融合HDR图片的特点，将输入的普通拍摄图片转换为高质量的增强图片，达到了色彩明艳，整体细节清晰，高对比度，高饱和度，较广亮度的效果，提高了图片的视觉体验，更好的满足了用户的需求。

An image enhancement method

【技术实现步骤摘要】
一种图像增强方法
本专利技术涉及图像处理领域，具体涉及一种图像增强方法。
技术介绍
手机拍摄的原图通常噪音大，颜色不完整，分辨率和动态范围有限。相机传感器对入射光具有线性响应，而人的感知则执行更为复杂的非线性映射。因此，用户可能会因为照片不符合他们的期望和视觉体验，而对他们拍摄的照片感到失望。图像增强方法试图解决色彩再现和图像清晰度方面的问题。为此，有交互式工具和半自动方法。大多数交互式软件提供诸如直方图均衡、锐化、对比度调整和颜色映射等基本工具以及一些高级功能，如局部和自适应调整。但是结果的质量很大程度上取决于用户的技术和审美判断。此外，通常需要花费大量的时间才能达到令人满意的修饰效果。半自动方法通过仅需要调整少数几个参数来简化该过程。但是，结果可能对参数非常敏感。另外，这些方法通常基于一些关于人类感知的启发式规则，例如增强细节或拉伸对比度。因此，它们可能脆弱并导致不好的结果。生成式对抗网络GAN(GenerativeAdversarialNetworks)是Goodfellow等在2014年提出的一种生成式模型。GAN在结构上受博弈本文档来自技高网...

【技术保护点】
1.一种图像增强训练方法，其特征在于，所述方法包括：/n基于循环对抗生成cycleGAN网络模型，将拍摄图像转化为仿增强图像；/n所述循环对抗生成cycleGAN网络模型包括：/n第一生成器和第二生成器，所述第一生成器用于接收所述样本拍摄图像或仿真实图像，并生成仿增强图像，所述第二生成器用于接收样本增强图像或仿增强图像，并生成仿真实图像；/n第一判别器和第二判别器，所述第一判别器用于判别样本增强图像与仿增强图像，所述第二判别器用于判别样本拍摄图像与仿真实图像。/n

【技术特征摘要】
1.一种图像增强训练方法，其特征在于，所述方法包括：
基于循环对抗生成cycleGAN网络模型，将拍摄图像转化为仿增强图像；
所述循环对抗生成cycleGAN网络模型包括：
第一生成器和第二生成器，所述第一生成器用于接收所述样本拍摄图像或仿真实图像，并生成仿增强图像，所述第二生成器用于接收样本增强图像或仿增强图像，并生成仿真实图像；
第一判别器和第二判别器，所述第一判别器用于判别样本增强图像与仿增强图像，所述第二判别器用于判别样本拍摄图像与仿真实图像。


2.根据权利要求1的所述图像增强训练方法，其特征在于，基于循环对抗生成cycleGAN网络模型，将拍摄图像转化为仿增强图像之前，还包括：根据样本拍摄图像和样本增强图像训练所述cycleGAN网络模型。


3.根据权利要求1或2的所述图像增强训练方法，其特征在于，所述第一生成器和所述第二生成器采用Unet网络，所述Unet网络包括前期压缩路径和后期扩展路径，共14个层级结构，其中前4层级中的每一级均采用下卷积层、激活层以及BN层，第5层采用下卷积层、激活层以及全连接层。


4.根据权利要求3的所述图像增强训练方法，其特征在于，所述Unet网络中的激活层使用LReLU激活函数：

其中，x为上层卷积的输出。


5.根据权利要求3的所述图像增强训练方法，其特征在于，所述第一判别器和所述第二判别器采用cnn网络模型，所述cnn网络模型采用7个层级结构，每个层级均包括卷...

【专利技术属性】
技术研发人员：游文婧，张浪文，谢巍，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44