获取画质增强网络的方法、图像画质增强方法、装置、可移动平台、相机及存储介质制造方法及图纸

本申请实施例提供一种获取画质增强网络的方法、图像画质增强方法、装置、可移动平台、相机及计算机可读存储介质。所述获取画质增强网络的方法，包括：根据预设的多个训练图像，对预设的生成式对抗网络进行训练；其中，所述生成式对抗网络包括生成器；在所述生成式对抗网络训练完成后，以所述生成器作为画质增强网络；其中，所述生成器或所述画质增强网络包括N个用于提取不同尺度特征的尺度提取网络，N为大于0的整数，所述画质增强网络用于对任一输入的待提升图像进行画质提升处理。本实施例通过对画质增强网络的训练，获取能够增强图像画质的画质增强网络，提高用户使用体验。

【技术实现步骤摘要】
【国外来华专利技术】获取画质增强网络的方法、图像画质增强方法、装置、可移动平台、相机及存储介质
本申请实施例涉及图像处理
，尤其涉及获取画质增强网络的方法、图像画质增强方法、装置、可移动平台、相机及计算机可读存储介质。
技术介绍
随着技术的发展，对于图像的画质需求越来越高，但由于受限于网络带宽或者存储空间等原因，在图像传输或者存储过程中不得不降低图像的画质以缩小图像的大小，用户体验不佳，比如在视频或图像传输过程中，受到网络带宽与存储空间的限制，相关技术中的编码器通常采用有损压缩方式，从而使传输速率与带宽、存储空间相匹配。然而，有损压缩方式会降低图像的画质。相关技术中的画质增强算法，例如直方图均衡或者伽马校正，其主要是通过人为总结经验和人眼特性去进行图像增强，其图像画质的提升能力有限，并且容易受到图像场景的限制。
技术实现思路
本申请实施例提供一种获取画质增强网络的方法、图像画质增强方法、装置、可移动平台、相机及计算机可读存储介质。第一方面，本申请实施例提供了一种获取画质增强网络的方法，包括步骤：根据预设的多个训练图像，对预本文档来自技高网...

【技术保护点】
1.一种获取画质增强网络的方法，其特征在于，包括步骤：/n根据预设的多个训练图像，对预设的生成式对抗网络进行训练；其中，所述生成式对抗网络包括生成器；/n在所述生成式对抗网络训练完成后，以所述生成器作为画质增强网络；其中，所述生成器或所述画质增强网络包括N个用于提取不同尺度特征的尺度提取网络，N为大于0的整数，所述画质增强网络用于对任一输入的待提升图像进行画质提升处理。/n

【技术特征摘要】
【国外来华专利技术】1.一种获取画质增强网络的方法，其特征在于，包括步骤：
根据预设的多个训练图像，对预设的生成式对抗网络进行训练；其中，所述生成式对抗网络包括生成器；
在所述生成式对抗网络训练完成后，以所述生成器作为画质增强网络；其中，所述生成器或所述画质增强网络包括N个用于提取不同尺度特征的尺度提取网络，N为大于0的整数，所述画质增强网络用于对任一输入的待提升图像进行画质提升处理。


2.根据权利要求1所述的方法，其特征在于，所述训练图像由原始图像通过编码和解码后生成。


3.根据权利要求2所述的方法，其特征在于，N个所述尺度提取网络依次连接；
所述画质增强网络还包括第一卷积层；所述第一卷积层与所述N个所述尺度提取网络中的第一个连接，用于对所述训练图像进行卷积操作，得到卷积操作后的图像数据；
每一所述尺度提取网络的输入图像为所述第一卷积层的输出图像或上一尺度提取网络的输出图像。


4.根据权利要求3所述的方法，其特征在于，所述尺度提取网络包括多个滤波器；多个所述滤波器用于提取所述输入图像的尺度特征，得到多个不同的尺度特征。


5.根据权利要求4所述的方法，其特征在于，所述滤波器包括卷积核和激活函数。


6.根据权利要求5所述的方法，其特征在于，所述激活函数包括以下至少一种：PReLU函数、ReLU函数、tanh函数、Sigmod函数和ELU函数。


7.根据权利要求6所述的方法，其特征在于，所述激活函数为PreLU函数。


8.根据权利要求4所述的方法，其特征在于，所述尺度提取网络还包括拼接层，所述拼接层用于拼接多个所述滤波器输出的多个不同的尺度特征，得到拼接后的图像数据。


9.根据权利要求8所述的方法，其特征在于，所述尺度提取网络还包括第二卷积层；所述第二卷积层对所述拼接后的图像数据进行卷积操作，得到与所述输入图像相同维度的图像数据。


10.根据权利要求9所述的方法，其特征在于，所述尺度提取网络还包括加法层；所述加法层对所述第二卷积层输出的图像数据和所述输入图像进行逐点求和，得到包含不同尺度特征的图像数据。


11.根据权利要求1所述的方法，其特征在于，所述画质增强网络还包括至少一个第三卷积层；至少一个所述第三卷积层用于将所述尺度提取网络输出的尺度特征进行降维，得到低维度的特征向量，生成画质增强后的目标图像。


12.根据权利要求11所述的方法，其特征在于，所述第三卷积层包括卷积核和激活函数。


13.根据权利要求12所述的方法，其特征在于，所述激活函数为PreLU函数或Sigmod函数。


14.根据权利要求2所述的方法，其特征在于，所述生成式对抗网络包括判别器；
所述方法还包括：
在所述生成式对抗网络训练完成后，以所述判别器作为画质评估网络。


15.根据权利要求14所述的方法，其特征在于，所述画质评估网络的输入数据为所述画质增强网络输出的目标图像和所述原始图像，输出数据为所述目标图像是所述原始图像的概率。


16.根据权利要求1所述的方法，其特征在于，所述对预设的生成式对抗网络进行训练包括：
基于预设的损失函数对所述生成式对抗网络进行训练；其中，所述损失函数包括对抗损失函数和画质损失函数。


17.根据权利要求16所述的方法，其特征在于，
所述对抗损失函数采用Wassersteinloss实现。


18.根据权利要求16所述的方法，其特征在于，
所述画质损失函数与VGG-19预训练模型相关。


19.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络中的优化器采用均方根传递算法实现。


20.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络中的画质损失函数包括以下至少一种：多层级结构相似性算法、结构相似性算法、平均...

【专利技术属性】
技术研发人员：赵文军，牛兵兵，
申请(专利权)人：深圳市大疆创新科技有限公司，
类型：发明
国别省市：广东;44