银行后台系统的图片亮度增强方法及装置制造方法及图纸

本发明专利技术公开一种银行后台系统的图片亮度增强方法及装置，涉及人工智能技术领域，该方法包括：分别在不同光照下对不同图片进行拍摄后建立训练集，其中每一样本包括对同一图片拍摄得到的第一图片和第二图片；针对每一样本，分别将根据第一图片和对应的亮度增强图片建立的标签为负的图片组、根据第一图片和第二图片建立的标签为正的图片组，输入亮度判断模型；计算亮度判断模型的损失值，调整亮度判断模型参数得到训练好的亮度判断模型；设置亮度增强模型输出的亮度增强图片的标签为正，输入训练好的亮度判断模型，计算训练好的亮度判断模型的损失值，调整亮度增强模型参数得到训练好的亮度增强模型；利用训练好的亮度增强模型，对图片进行亮度增强。对图片进行亮度增强。对图片进行亮度增强。

【技术实现步骤摘要】
银行后台系统的图片亮度增强方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种银行后台系统的图片亮度增强方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]银行后台系统经常会根据用户提供的图片办理业务，如用户通过手机银行提供的图片，但是由于用户拍摄的图片亮度存在差异，导致用户在上传亮度不高的图片进行业务办理时，银行后台系统无法提取到有效信息，需要用户重新上传图片，降低银行业务办理效率，影响用户体验。
[0004]针对上述问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供一种银行后台系统的图片亮度增强方法，用以快速将低亮度图片转换为对应的高亮度图片，提高银行业务办理效率，改善用户体验，该方法包括：
[0006]分别在不同光照条件下，对不同图片进行拍摄后建立训练集，所述训练集中的每一样本包括对同一图片拍摄得到的第一图片和第二图片，其中第一图片的亮度值低于第一阈值，第二图片的亮度值高于第二阈值，第一阈值小于第二阈值；
[0007]将训练集中每一样本的第一图片输入亮度增强模型，输出对应的亮度增强图片；针对每一样本，分别将根据第一图片和对应的亮度增强图片建立的标签为负的图片组、根据第一图片和第二图片建立的标签为正的图片组，输入亮度判断模型，判断图片是否经过亮度增强处理，输出负图片组对应的判断结果和正图片组对应的判断结果，所述亮度增强模型和亮度判断模型为机器学习模型；
[0008]根据负图片组对应的判断结果和正图片组对应的判断结果，计算亮度判断模型的损失值，在亮度判断模型的损失值不小于预设阈值时，调整亮度判断模型参数，利用调整后的亮度判断模型继续输出负图片组对应的判断结果和正图片组对应的判断结果，直到计算出亮度判断模型的损失值小于预设阈值，得到训练好的亮度判断模型；
[0009]设置亮度增强模型输出的亮度增强图片的标签为正，输入训练好的亮度判断模型，计算训练好的亮度判断模型的损失值，在训练好的亮度判断模型的损失值不小于预设阈值时，调整亮度增强模型参数，利用调整后的亮度增强模型继续输出亮度增强图片，设置亮度增强图片的标签为正，输入训练好的亮度判断模型，直到计算出训练好的亮度判断模型的损失值小于预设阈值，得到训练好的亮度增强模型；
[0010]利用训练好的亮度增强模型，对待识别图片进行亮度增强。
[0011]本专利技术实施例还提供一种银行后台系统的图片亮度增强装置，用以快速将低亮度图片转换为对应的高亮度图片，提高手机银行业务办理效率，改善用户体验，该装置包括：
[0012]建立模块，用于分别在不同光照条件下，对不同图片进行拍摄后建立训练集，所述训练集中的每一样本包括对同一图片拍摄得到的第一图片和第二图片，其中第一图片的亮度值低于第一阈值，第二图片的亮度值高于第二阈值，第一阈值小于第二阈值；
[0013]判断模块，用于将训练集中每一样本的第一图片输入亮度增强模型，输出对应的亮度增强图片；针对每一样本，分别将根据第一图片和对应的亮度增强图片建立的标签为负的图片组、根据第一图片和第二图片建立的标签为正的图片组，输入亮度判断模型，判断图片是否经过亮度增强处理，输出负图片组对应的判断结果和正图片组对应的判断结果，所述亮度增强模型和亮度判断模型为机器学习模型；
[0014]亮度判断模型训练模块，用于根据负图片组对应的判断结果和正图片组对应的判断结果，计算亮度判断模型的损失值，在亮度判断模型的损失值不小于预设阈值时，调整亮度判断模型参数，利用调整后的亮度判断模型继续输出负图片组对应的判断结果和正图片组对应的判断结果，直到计算出亮度判断模型的损失值小于预设阈值，得到训练好的亮度判断模型；
[0015]亮度增强模型训练模块，用于设置亮度增强模型输出的亮度增强图片的标签为正，输入训练好的亮度判断模型，计算训练好的亮度判断模型的损失值，在训练好的亮度判断模型的损失值不小于预设阈值时，调整亮度增强模型参数，利用调整后的亮度增强模型继续输出亮度增强图片，设置亮度增强图片的标签为正，输入训练好的亮度判断模型，直到计算出训练好的亮度判断模型的损失值小于预设阈值，得到训练好的亮度增强模型；
[0016]图片亮度增强模块，用于利用训练好的亮度增强模型，对待识别图片进行亮度增强。
[0017]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行后台系统的图片亮度增强方法。
[0018]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述银行后台系统的图片亮度增强方法。
[0019]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述银行后台系统的图片亮度增强方法。
[0020]本专利技术实施例中，分别在不同光照条件下，对不同图片进行拍摄后建立训练集，所述训练集中的每一样本包括对同一图片拍摄得到的第一图片和第二图片；针对每一样本，分别将根据第一图片和对应的亮度增强图片建立的标签为负的图片组、根据第一图片和第二图片建立的标签为正的图片组，输入亮度判断模型，判断图片是否经过亮度增强处理，输出负图片组对应的判断结果和正图片组对应的判断结果；计算亮度判断模型的损失值，调整亮度判断模型参数，直到计算出亮度判断模型的损失值小于预设阈值，得到训练好的亮度判断模型；设置亮度增强模型输出的亮度增强图片的标签为正，输入训练好的亮度判断模型，计算训练好的亮度判断模型的损失值，调整亮度增强模型参数，直到计算出训练好的亮度判断模型的损失值小于预设阈值，得到训练好的亮度增强模型；利用训练好的亮度增强模型，对待识别图片进行亮度增强，可以快速将低亮度图片转换为对应的高亮度图片，提高银行业务办理效率，改善用户体验。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0022]图1为本专利技术实施例中银行后台系统的图片亮度增强方法的处理流程图；
[0023]图2为本专利技术实施例中将负图片组输入亮度判断模型的具体实例示意图；
[0024]图3为本专利技术实施例中将正图片组输入亮度判断模型的具体实例示意图；
[0025]图4为本专利技术实施例中银行后台系统的图片亮度增强装置的结构示意图；
[0026]图5为本专利技术实施例中银行后台系统的图片亮度增强装置的一具体实例结构示意图；
[0027]图6为本专利技术一实施例的计算机设备结构示意图。
具体实施方式
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种银行后台系统的图片亮度增强方法，其特征在于，包括：分别在不同光照条件下，对不同图片进行拍摄后建立训练集，所述训练集中的每一样本包括对同一图片拍摄得到的第一图片和第二图片，其中第一图片的亮度值低于第一阈值，第二图片的亮度值高于第二阈值，第一阈值小于第二阈值；将训练集中每一样本的第一图片输入亮度增强模型，输出对应的亮度增强图片；针对每一样本，分别将根据第一图片和对应的亮度增强图片建立的标签为负的图片组、根据第一图片和第二图片建立的标签为正的图片组，输入亮度判断模型，判断图片是否经过亮度增强处理，输出负图片组对应的判断结果和正图片组对应的判断结果，所述亮度增强模型和亮度判断模型为机器学习模型；根据负图片组对应的判断结果和正图片组对应的判断结果，计算亮度判断模型的损失值，在亮度判断模型的损失值不小于预设阈值时，调整亮度判断模型参数，利用调整后的亮度判断模型继续输出负图片组对应的判断结果和正图片组对应的判断结果，直到计算出亮度判断模型的损失值小于预设阈值，得到训练好的亮度判断模型；设置亮度增强模型输出的亮度增强图片的标签为正，输入训练好的亮度判断模型，计算训练好的亮度判断模型的损失值，在训练好的亮度判断模型的损失值不小于预设阈值时，调整亮度增强模型参数，利用调整后的亮度增强模型继续输出亮度增强图片，设置亮度增强图片的标签为正，输入训练好的亮度判断模型，直到计算出训练好的亮度判断模型的损失值小于预设阈值，得到训练好的亮度增强模型；利用训练好的亮度增强模型，对待识别图片进行亮度增强。2.如权利要求1所述的方法，其特征在于，将训练集中每一样本的第一图片输入亮度增强模型，输出对应的亮度增强图片，包括：将训练集中每一样本的第一图片输入亮度增强模型，以使亮度增强模型对每一样本的第一图片进行特征提取，输出对应的亮度增强图片；其中，所述特征提取包括对每一样本的第一图片中的文本信息进行放大提取，对每一样本的第一图片中的灰度信息进行抑制。3.如权利要求2所述的方法，其特征在于，所述亮度增强模型为语义分割网络U
‑
Net；所述亮度判断模型为二分类模型。4.如权利要求1所述的方法，其特征在于，根据负图片组对应的判断结果和正图片组对应的判断结果，计算亮度判断模型的损失值，包括：根据负图片组对应的判断结果和正图片组对应的判断结果，采用Cross Entropy损失函数计算亮度判断模型的损失值；设置亮度增强模型输出的亮度增强图片的标签为正，输入训练好的亮度判断模型，计算训练好的亮度判断模型的损失值，包括：设置亮度增强模型输出的亮度增强图片的标签为正，输入训练好的亮度判断模型，采用Cross Entropy损失函数计算训练好的亮度判断模型的损失值。5.如权利要求1所述的方法，其特征在于，利用训练好的亮度增强模型，对待识别图片进行亮度增强之前，还包括：对每一样本的第一图片和第二图片进行数据增强，得到测试集；利用测试集对训练好的亮度增强模型和训练好的亮度判断模型进行测试；在训练好的亮度增强模型和亮度判断模型通过测试后，利用训练好的亮度增强模型，
对待识别图片进行亮度增强。6.一种银行后台系统的图片亮度增强装置，其特征在于，包括：建立模块，用于分别在不同光照条件下，对不同图片进行拍摄后建立训练集，所述训练集中的每一样本包括对同一图片拍摄得到的第一图片和第二图片，其...

【专利技术属性】
技术研发人员：徐晓健，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：