图像增强模型的训练和图像增强方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种图像增强模型的训练和图像增强方法、装置、设备及介质。通过获取目标图像样本集；目标图像样本集包括：多个第一目标图像和多个第二目标图像；第一目标图像的对比度低于第二目标图像的对比度；将目标图像样本集中的目标图像输入循环生成对抗网络模型得到预测图像；循环生成对抗网络模型的生成网络包括：多个U型网络；根据预测图像和目标图像形成的损失函数训练循环生成对抗网络模型的参数；返回执行将目标图像样本集中的目标图像输入循环生成对抗网络模型得到预测图像的操作，直至得到目标图像增强模型，将传统循环生成对抗网络模型的对抗生成网络进行改进，能够提高图像增强精度和增强效果。提高图像增强精度和增强效果。提高图像增强精度和增强效果。

【技术实现步骤摘要】
图像增强模型的训练和图像增强方法、装置、设备及介质


[0001]本专利技术涉及图像处理
，尤其涉及一种图像增强模型的训练和 图像增强方法、装置、设备及介质。

技术介绍

[0002]在实际生活中，经常会需要对文档进行扫描。现在市场有许多可以实 现扫描的应用程序，文档扫描的核心步骤在于经过图像增强处理得到一张 高对比度的灰度图像。经过图像增强过程，除掉了噪声但是也会丢失图片 中的某些信息。
[0003]目前常见的图像增强方法主要分为传统方法和机器学习方法。传统方 法的缺点主要在于难以全面覆盖各种情况，实际效果显著取决于参数的变 动。现有的机器学习方法包括：有监督机器学习方法和无监督学习方法。 有监督学习方法需要人工标注大量的成对的训练数据才有可能取得不错 的结果，而图像清晰化的数据手工标注的难度较高，需要很高的成本。无 监督学习方法通常使用对抗生成网络，图像增强效果有待提高。

技术实现思路

[0004]本专利技术提供了一种图像增强模型的训练和图像增强方法、装置、设备 及介质，以解决传统的图像增强模型的图像增强效果有待提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像增强模型的训练方法，其特征在于，包括：获取目标图像样本集；所述目标图像样本集包括：多个第一目标图像和多个第二目标图像；所述第一目标图像的对比度低于所述第二目标图像的对比度；将所述目标图像样本集中的目标图像输入循环生成对抗网络模型得到预测图像；其中，所述循环生成对抗网络模型的生成网络包括：多个U型网络；根据所述预测图像和所述目标图像形成的损失函数训练所述循环生成对抗网络模型的参数；返回执行将所述目标图像样本集中的目标图像输入所述循环生成对抗网络模型得到预测图像的操作，直至得到目标图像增强模型。2.根据权利要求1所述的方法，其特征在于，所述循环生成对抗网络模型包括：样本图像域到预测图像域的第一生成网络和预测图像域到样本图像域的第二生成网络；其中，所述第一生成网络和所述第二生成网络分别由第一U型网络和第二U型网络组成，所述第一U型网络的输入端和所述第一U型网络的输出端分别与所述第二U型网络的输入端连接；所述第一U型网络和所述第二U型网络具有相同的网络结构。3.根据权利要求2所述的方法，其特征在于，所述网络结构包括：第一预设数量的连续的上采样块和第一预设数量的连续的下采样块；其中，所述连续的上采样块和所述连续的下采样块之间采用空洞卷积块连接，所述空洞卷积块包括：第二预设数量的空洞卷积。4.根据权利要求3所述的方法，其特征在于，所述上采样块包括：第一激活单元、双线性插值单元、卷积单元和第一归一化单元；所述下采样块包括：第二激活单元、空洞卷积单元、最大池化单元和第二归一化单元。5.根据权利要求2
‑
4任一所述的方法，其特征在于，所述损失函数包括：第一生成网络对应的第一对抗损失、第二生成网络对应的第二对抗损失以及所述第一生成网络和所述第二生成网络之间的循环一致损失；其中，所述循环一致损失包括第一预设权重的多尺度图片结构相似性函数和平均...

【专利技术属性】
技术研发人员：钟志育，李斌，
申请(专利权)人：广州市乐无边教育科技有限公司，
类型：发明
国别省市：