一种基于强化学习的图像处理方法、装置及存储介质制造方法及图纸

本申请公开了一种基于强化学习的图像处理方法、装置及存储介质，涉及图像处理技术领域，用以解决因无法准确的处理图像从而导致处理效果差的问题。该方法中，对目标图像进行特征提取，得到目标图像的特征图；将特征图输入到基于强化学习的第一网络中，得到目标图像中各像素点的目标处理方式；其中，第一网络是基于强化学习的方法训练目标网络模型得到的；在目标网络模型中，对至少一个指定神经网络层提取的特征图的各空间位置进行掩码打分处理；根据目标处理方式对目标图像进行处理。这样，通过将强化学习和空间注意力机制结合，能够很好的帮助神经网络理解和提取图像特征，进而保证得出的策略是更加合理的，从而提高图像处理的效果。

【技术实现步骤摘要】
一种基于强化学习的图像处理方法、装置及存储介质
本申请涉及图像处理
，尤其涉及一种基于强化学习的图像处理方法、装置及存储介质。
技术介绍
随着智能手机的普及和拍照设备的不断升级，用户可以很轻松地获得照片，来记录生活中精彩的瞬间。然而，目前的手机为了满足方便携带的特性，在相机硬件上不可避免地会做出一些妥协，这导致了智能手机拍摄的图像质量与数码单反相机等先进设备相比相差很大，智能手机相机中最常见的硬件限制是缺少大光圈镜头和光电二极管组成的小型传感器，从而造成手机图像与单反等先进设备拍摄的图像相比有进光量不足、色彩不饱满、噪声多、对比度较差等缺点。目前智能手机市场上新发布的产品大多主打手机摄影功能的提升，在硬件提升方面花费很多精力，比如增加越来越多不同功能的摄像头来弥补手机摄影硬件的缺陷，这需要提升手机的成本而且会影响手机的美观和便携性。为了克服这种固有的硬件限制，因此从软件方面弥补硬件缺陷实现对于拍摄的图像的处理的方式更加高效和经济。专利技术人发现，用户经常通过社交媒体以及网络平台发布自己的照片，而由于手机拍照硬件的限制可能对图像的效果不满意，在发布前往往会用一些图像处理软件矫正图像的缺陷(比如曝光度不足、对比度差等等)，有时还夸大颜色、亮度和色调来实现夸张的视觉效果。一般高质量图像的编辑处理通常由有经验的艺术家耗费大量的人工劳作来完成。市场上一些专业的交互式图像处理软件(如AdobePhotoshop和Lightroom等软件)可以帮助用户修饰图像。而这些专业的处理软件需要用户花费大量时间学习和熟练才能掌握。同时修饰结果对参数非常敏感，用户可能没有专业技能或者对参数的调整没有概念，导致最后的结果无法令人满意。目前，相关技术中采用的强化学习的图像处理工作中，使用简单的全卷积网络进行图像处理，但是该方法存在无法准确的处理图像从而导致处理效果差的问题。因此，一种自动实现图像效果增强，且使得用户无需拥有专业技能就能获得令人满意的效果的图像处理方法，是当下一项非常有研究意义的技术问题。
技术实现思路
本公开实施例提供图像处理方法及相关装置，用以解决现有技术中存在的无法准确的处理图像从而导致处理效果差的问题。第一方面，本公开实施例提供的一种基于强化学习的图像处理方法，所述方法包括：对目标图像进行特征提取，得到所述目标图像的特征图；将所述特征图输入到基于强化学习的第一网络中，得到所述目标图像中各像素点的目标处理方式；其中，所述第一网络是基于强化学习的方法训练目标网络模型得到的；在所述目标网络模型中，对至少一个指定神经网络层提取的特征图的各空间位置进行掩码打分处理；根据所述目标处理方式对所述目标图像进行处理。在一种可能的实现方式中，所述对至少一个指定神经网络层提取的特征图的各空间位置进行掩码打分处理，包括：对所述特征图进行特征重排，得到第一重排矩阵和第二重排矩阵；其中，所述第一重排矩阵和所述第二重排矩阵均与所述特征图的维度不同；将所述第一重排矩阵和所述第二重排矩阵相乘，得到所述特征图的关系矩阵；将所述关系矩阵和所述特征图相乘，并通过转置变换得到与所述特征图尺寸相同的矩阵；将与所述特征图尺寸相同的矩阵与所述特征图相加，得到调整后的特征图。在一种可能的实现方式中，所述对所述特征图进行特征重排，得到第一重排矩阵和第二重排矩阵，包括：将所述特征图与预设卷积核进行卷积计算，得到第一特征矩阵；对所述第一特征矩阵进行特征重排，得到所述第一重排矩阵和所述第二重排矩阵；所述将所述关系矩阵和所述特征图相乘，并通过转置变换得到与所述特征图尺寸相同的矩阵，包括：将所述关系矩阵和所述第一特征矩阵相乘，并通过转置变换得到第二特征矩阵；将所述第二特征矩阵与所述预设卷积核进行卷积计算，得到与所述特征图尺寸相同的矩阵。在一种可能的实现方式中，若对所述特征图进行特征重排后，得到至少两个不同的，与所述特征图尺寸相同的矩阵；所述将与所述特征图尺寸相同的矩阵与所述特征图相加，得到调整后的特征图，包括：将所述特征图分别与各与所述特征图尺寸相同的矩阵相加，得到各计算结果；将各计算结果相加，得到调整后的特征图。在一种可能的实现方式中，采用所述指定神经网络层提取特征图，包括：对输入所述指定神经网络层的特征图依次进行多次卷积处理，得到卷积特征；对所述卷积特征进行批归一化处理，得到归一化特征；利用激活函数对所述归一化特征进行处理，得到激活特征。第二方面，本公开实施例提供的一种基于强化学习的图像处理装置，所述方法包括：特征提取模块，被配置为执行对目标图像进行特征提取，得到所述目标图像的特征图；处理方式获取模块，被配置为执行将所述特征图输入到基于强化学习的第一网络中，得到所述目标图像中各像素点的目标处理方式；其中，所述第一网络是基于强化学习的方法训练目标网络模型得到的；在所述目标网络模型中，对至少一个指定神经网络层提取的特征图的各空间位置进行掩码打分处理；目标图像处理模块，被配置为执行根据所述目标处理方式对所述目标图像进行处理。在一种可能的实现方式中，所述处理方式获取模块包括：特征重排单元，被配置为执行对所述特征图进行特征重排，得到第一重排矩阵和第二重排矩阵；其中，所述第一重排矩阵和所述第二重排矩阵均与所述特征图的维度不同；第一矩阵计算单元，被配置为执行将所述第一重排矩阵和所述第二重排矩阵相乘，得到所述特征图的关系矩阵；第二矩阵计算单元，被配置为执行将所述关系矩阵和所述特征图相乘，并通过转置变换得到与所述特征图尺寸相同的矩阵；第三矩阵计算单元，被配置为执行将与所述特征图尺寸相同的矩阵与所述特征图相加，得到调整后的特征图。在一种可能的实现方式中，特征重排单元包括：第一矩阵计算子单元，被配置为执行将所述特征图与预设卷积核进行卷积计算，得到第一特征矩阵；第二矩阵计算子单元，被配置为执行对所述第一特征矩阵进行特征重排，得到所述第一重排矩阵和所述第二重排矩阵；第二矩阵计算单元，包括：第三矩阵计算子单元，被配置为执行将所述关系矩阵和所述第一特征矩阵相乘，并通过转置变换得到第二特征矩阵；第四矩阵计算子单元，被配置为执行将所述第二特征矩阵与所述预设卷积核进行卷积计算，得到与所述特征图尺寸相同的矩阵。在一种可能的实现方式中，若对所述特征图进行特征重排后，得到至少两个不同的，与所述特征图尺寸相同的矩阵；第三矩阵计算单元，包括：第五矩阵计算子单元，被配置为执行将所述特征图分别与各与所述特征图尺寸相同的矩阵相加，得到各计算结果；第六矩阵计算子单元，被配置为执行将各计算结果相加，得到调整后的特征图。在一种可能的实现方式中，所述特征提取模块，被配置为执行采用所述指定神经网络层提取特征图时，具体执行：对输入所述指定神经网络层的特征图依次进行多次卷积处理，得到卷积特征；对所述卷积本文档来自技高网...

【技术保护点】
1.一种基于强化学习的图像处理方法，其特征在于，所述方法包括：/n对目标图像进行特征提取，得到所述目标图像的特征图；/n将所述特征图输入到基于强化学习的第一网络中，得到所述目标图像中各像素点的目标处理方式；其中，所述第一网络是基于强化学习的方法训练目标网络模型得到的；在所述目标网络模型中，对至少一个指定神经网络层提取的特征图的各空间位置进行掩码打分处理；/n根据所述目标处理方式对所述目标图像进行处理。/n

【技术特征摘要】
1.一种基于强化学习的图像处理方法，其特征在于，所述方法包括：
对目标图像进行特征提取，得到所述目标图像的特征图；
将所述特征图输入到基于强化学习的第一网络中，得到所述目标图像中各像素点的目标处理方式；其中，所述第一网络是基于强化学习的方法训练目标网络模型得到的；在所述目标网络模型中，对至少一个指定神经网络层提取的特征图的各空间位置进行掩码打分处理；
根据所述目标处理方式对所述目标图像进行处理。


2.根据权利要求1所述的方法，其特征在于，所述对至少一个指定神经网络层提取的特征图的各空间位置进行掩码打分处理，包括：
对所述特征图进行特征重排，得到第一重排矩阵和第二重排矩阵；其中，所述第一重排矩阵和所述第二重排矩阵均与所述特征图的维度不同；
将所述第一重排矩阵和所述第二重排矩阵相乘，得到所述特征图的关系矩阵；
将所述关系矩阵和所述特征图相乘，并通过转置变换得到与所述特征图尺寸相同的矩阵；
将与所述特征图尺寸相同的矩阵与所述特征图相加，得到调整后的特征图。


3.根据权利要求2所述的方法，其特征在于，所述对所述特征图进行特征重排，得到第一重排矩阵和第二重排矩阵，包括：
将所述特征图与预设卷积核进行卷积计算，得到第一特征矩阵；
对所述第一特征矩阵进行特征重排，得到所述第一重排矩阵和所述第二重排矩阵；
所述将所述关系矩阵和所述特征图相乘，并通过转置变换得到与所述特征图尺寸相同的矩阵，包括：
将所述关系矩阵和所述第一特征矩阵相乘，并通过转置变换得到第二特征矩阵；
将所述第二特征矩阵与所述预设卷积核进行卷积计算，得到与所述特征图尺寸相同的矩阵。


4.根据权利要求2或3所述的方法，其特征在于，若对所述特征图进行特征重排后，得到至少两个不同的，与所述特征图尺寸相同的矩阵；
所述将与所述特征图尺寸相同的矩阵与所述特征图相加，得到调整后的特征图，包括：
将所述特征图分别与各与所述特征图尺寸相同的矩阵相加，得到各计算结果；
将各计算结果相加，得到调整后的特征图。


5.根据权利要求1所述的方法，其特征在于，采用所述指定神经网络层提取特征图，包括：
对输入所述指定神经网络层的特征图依次进行多次卷积处理，得到卷积特征；
对所述卷积特征进行批归一化处理，得到归一化特征；
利用激活函数对所述归一化特征进行处理，...

【专利技术属性】
技术研发人员：杨幸潮，章佳杰，郑云飞，于冰，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京;11