生成对抗网络训练方法、图像亮度增强方法、装置和介质制造方法及图纸

本发明专利技术公开了一种生成对抗网络训练方法、图像亮度增强方法、计算机装置和存储介质，生成对抗网络训练方法包括获取训练集和执行训练过程等步骤。本实施例中的图像亮度增强方法利用了图像颜色恒常性的特点，利用同一物体对不同波长光线的反射能力一致的性质，约束同一组低亮度图像的反射分量和高亮度图像的反射分量的一致性，使用判别器学习不同亮度的入射分量的映射，从而将低亮度图像的入射分量映射为高亮度图像的入射分量，再与低亮度的反射分量进行组合，得到最终校准后的高亮度图像，本实施例中的图像亮度增强方法所利用的先验假设很少，因此可有效避免因先验假设估计偏差而导致的图像偏差。本发明专利技术广泛应用于图像处理技术领域。

【技术实现步骤摘要】
生成对抗网络训练方法、图像亮度增强方法、装置和介质
本专利技术涉及图像处理
，尤其是一种生成对抗网络训练方法、图像亮度增强方法、计算机装置和存储介质。
技术介绍
在进行图像处理时，通常涉及图像亮度增强的操作，以应对图像中存在的对比度低、曝光不足等问题。使用现有技术进行图像亮度增强时，图像中的噪声随着亮度放大，使得亮度增强后的图像中出现明显的噪点，影响图像的质量。术语解释：Retinex理论：一种由人类视觉系统得到启发而产生的图像光学理论，这种理论认为一张拍摄的图像可以分解成两部分，即反射分量和入射分量(又称光照分量)，令S表示图像，则其可分解为其中R代表反射分量，I代表入射分量。人眼可以自动剥离不同的光源以及光源下反射光谱不同的影响，识别出物体本身的颜色R，而相机所获取的图像S则随着光照I的不同而不同。
技术实现思路
针对上述至少一个技术问题，本专利技术的目的在于提供一种生成对抗网络训练方法、图像亮度增强方法、计算机装置和存储介质。一方面，本专利技术实施例包括一种生成对抗网络训练方法，所述生成对本文档来自技高网...

【技术保护点】
1.一种生成对抗网络训练方法，所述生成对抗网络包括亮度增强网络、第一判别器和第二判别器，其特征在于，所述生成对抗网络训练方法包括：/n获取训练集；所述训练集包括至少一个第一图像和至少一个第二图像；所述第二图像的亮度高于所述第一图像的亮度；所述第一图像可被分解为第一入射图像层和第一反射图像层，所述第二图像可被分解为第二入射图像层和第二反射图像层；/n执行对所述生成对抗网络的训练过程；在所述训练过程中，以所述第一入射图像层作为所述亮度增强网络的输入，以所述第二反射图像层和所述亮度增强网络的输出作为所述第一判别器的输入，以所述亮度增强网络的输出作为所述第一判别器的期望输出，以所述亮度增强网络的输出与...

【技术特征摘要】
1.一种生成对抗网络训练方法，所述生成对抗网络包括亮度增强网络、第一判别器和第二判别器，其特征在于，所述生成对抗网络训练方法包括：
获取训练集；所述训练集包括至少一个第一图像和至少一个第二图像；所述第二图像的亮度高于所述第一图像的亮度；所述第一图像可被分解为第一入射图像层和第一反射图像层，所述第二图像可被分解为第二入射图像层和第二反射图像层；
执行对所述生成对抗网络的训练过程；在所述训练过程中，以所述第一入射图像层作为所述亮度增强网络的输入，以所述第二反射图像层和所述亮度增强网络的输出作为所述第一判别器的输入，以所述亮度增强网络的输出作为所述第一判别器的期望输出，以所述亮度增强网络的输出与所述第一反射图像层的合成结果以及所述第二图像作为所述第二判别器的输入，以所述亮度增强网络的输出与所述第一反射图像层的合成结果作为所述第二判别器的期望输出。


2.根据权利要求1所述的生成对抗网络训练方法，其特征在于，在所述训练过程中，对所述增强网络的参数、所述第一判别器的参数和所述第二判别器的参数进行异步更新。


3.根据权利要求1所述的生成对抗网络训练方法，其特征在于，所述对所述第一判别器的参数和所述第二判别器的参数进行异步更新，包括：
交替执行第一更新过程和第二更新过程；
在所述第一更新过程中，固定所述增强网络的参数，根据所述第一判别器的输入和所述第一判别器的期望输出对所述第一判别器的参数进行更新，根据所述第二判别器的输入和所述第二判别器的期望输出对所述第二判别器的参数进行更新；
在所述第二更新过程中，固定所述第一判别器的参数和所述第二判别器的参数，根据所述第一判别器的输入和所述第一判别器的期望输出以及所述第二判别器的输...

【专利技术属性】
技术研发人员：王世安，
申请(专利权)人：广州工程技术职业学院，
类型：发明
国别省市：广东;44