基于深度学习的图像增强方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种基于深度学习的图像增强方法、系统、设备及存储介质，所述方法包括：采集用于模型训练的样本图像；基于所述样本图像训练并联的多个第一卷积神经网络，每个所述第一卷积神经网络分别对应于至少一增强项目；训练第二卷积神经网络，所述第二卷积神经网络串联于所述并联的多个第一卷积神经网络之后；将训练好的第一卷积神经网络和第二卷积神经网络组合得到图像增强模型；将待增强的图像输入所述图像增强模型，得到所述图像增强模型输出的增强图像。通过采用本发明专利技术，采用基于深度学习的图像增强模型可以同时实现多个增强项目的图像增强，并提高图像增强效果。

【技术实现步骤摘要】
基于深度学习的图像增强方法、系统、设备及存储介质
本专利技术涉及数据处理
，尤其涉及一种基于深度学习的图像增强方法、系统、设备及存储介质。
技术介绍
随着相机成像环境的日益复杂，基于深度学习、AI(ArtificialIntelligence，人工智能)的迅猛发展，能够对极具挑战性的成像环境进行智能增强，尤其在对车辆、人像、人脸等要求高的重要应用场景下，成为极其重要的关键部分，既为后续分析提高了坚实基础，又能够令抓拍图像更符合人类的感知，提升客户的体验度。基于传统算法的图像增强方法，需要设计较多单独的模块，例如分别设置去马赛克模块、去噪模块、白平衡模块等，而且要基于各种环境的场景进行谨慎的调节各个参数，才能够保证一定的效果，并且所得到的增强后的成像，并不一定能达到完美的状态，破坏了后续的分析和客户的体验度。
技术实现思路
针对现有技术中的问题，本专利技术的目的在于提供一种基于深度学习的图像增强方法、系统、设备及存储介质，同时实现多个项目的图像增强，并提高图像优化效果。本专利技术实施例提供一种基于深度学习的图像增强方法，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增强方法，其特征在于，包括如下步骤：/n采集用于模型训练的样本图像；/n基于所述样本图像训练并联的多个第一卷积神经网络，每个所述第一卷积神经网络分别对应于至少一增强项目；/n训练第二卷积神经网络，所述第二卷积神经网络串联于所述并联的多个第一卷积神经网络之后；/n将训练好的第一卷积神经网络和第二卷积神经网络组合得到图像增强模型；/n将待增强的图像输入所述图像增强模型，得到所述图像增强模型输出的增强图像。/n

【技术特征摘要】
1.一种基于深度学习的图像增强方法，其特征在于，包括如下步骤：
采集用于模型训练的样本图像；
基于所述样本图像训练并联的多个第一卷积神经网络，每个所述第一卷积神经网络分别对应于至少一增强项目；
训练第二卷积神经网络，所述第二卷积神经网络串联于所述并联的多个第一卷积神经网络之后；
将训练好的第一卷积神经网络和第二卷积神经网络组合得到图像增强模型；
将待增强的图像输入所述图像增强模型，得到所述图像增强模型输出的增强图像。


2.根据权利要求1所述的基于深度学习的图像增强方法，其特征在于，基于所述样本图像训练并联的多个第一卷积神经网络包括如下步骤：
将所述样本图像作为所述第一卷积神经网络的输入，单独训练每个所述第一卷积神经网络；
基于所述样本图像联合训练所述多个第一卷积神经网络。


3.根据权利要求2所述的基于深度学习的图像增强方法，其特征在于，联合训练所述多个第一卷积神经网络，包括如下步骤：
将所述第一卷积神经网络分为多个网络组；
对同一个网络组中的多个第一卷积神经网络进行联合训练；
对多个网络组进行联合训练。


4.根据权利要求3所述的基于深度学习的图像增强方法，其特征在于，所述对同一个网络组中的多个第一卷积神经网络进行联合训练，包括如下步骤：
将所述样本图像输入各个所述第一卷积神经网络，基于各个所述第一卷积神经网络的输出图像和标签图像构建各个第一卷积神经网络的损失函数；
将同一个网络组中的各个第一卷积神经网络的损失函数进行组合，得到该网络组的损失函数；
基于该网络组的损失函数迭代训练该网络组中的各个第一卷积神经网络；
所述对多个网络组进行联合训练，包括如下步骤：
将所述样本图像输入各个所述第一卷积神经网络，基于各个所述第一卷积神经网络的输出图像和标签图像构建各个卷积神经网络的损失函数；
将各个第一卷积神经网络的损失函数进行组合，得到整体损失函数；
基于该整体损失函数迭代训练各个网络组中的各个卷积神经网络。


5.根据权利要求3所述的基于深度学习的图像增强方法，其特征在于，将所述第一卷积神经网络分...

【专利技术属性】
技术研发人员：肖潇，晋兆龙，邹文艺，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏;32