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高的问题，对 传统的对抗生成网络进行改进，以提高图像增强精度和增强效果。
[0005]根据本专利技术的一方面，提供了一种图像增强模型的训练方法，包括：
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]根据本专利技术的另一方面，提供了一种图像增强方法，包括：
[0011]获取待处理图像；
[0012]通过目标图像增强模型对所述待处理图像进行图像增强处理得到增强图 像。
[0013]根据本专利技术的另一方面，提供了一种图像增强模型的训练装置，包括：
[0014]获取模块，用于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；
[0015]预测模块，用于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；
[0016]训练模块，用于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；
[0017]迭代模块，用于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。
[0018]根据本专利技术的另一方面，提供了一种图像增强装置，包括：
[0019]获取模块，用于获取待处理图像；
[0020]处理模块，用于通过目标图像增强模型对所述待处理图像进行图像增强 处理得到增强图像。
[0021]根据本专利技术的另一方面，提供了一种计算机设备，所述计算机设备包 括：
[0022]至少一个处理器；以及
[0023]与所述至少一个处理器通信连接的存储器；其中，
[0024]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述 计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执 行本专利技术任一实施例所述的图像增强模型的训练方法或者图像增强方法。
[0025]根据本专利技术的另一方面，提供了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指令，所述计算机指令用于使处理器执行时 实现本专利技术任一实施例所述的图像增强模型的训练方法或者图像增强方 法。
[0026]本专利技术实施例的技术方案，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，解决 传统的图像增强模型的图像增强效果有待提高的问题，对传统的对抗生成 网络进行改进，达到了提高图像增强精度和增强效果的技术效果。
[0027]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键 或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下 的说明书而变得容易理解。
附图说明
[0028]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述 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。
[0029]图1是根据本专利技术实施例一提供的一种图像增强模型的训练方法的流 程图；
[0030]图2是循环生成对抗网络的结构示意图；
[0031]图3是根据本专利技术实施例一所提供的一种循环生成对抗网络模型的生 成网络；
[0032]图4是传统U型网络U
‑
Net的网络结构示意图；
[0033]图5是根据本专利技术实施例一所提供的一种U型网络的网络结构示意图；
[0034]图6是根据本专利技术实施例一所提供的一种空洞卷积块的结构示意图；
[0035]图7是根据本专利技术实施例一所提供的一种生成网络中上采样块的结构 示意图；
[0036]图8是根据本专利技术实施例一所提供的一种生成网络中下采样块的结构 示意图；
[0037]图9是根据本专利技术实施例二提供的一种图像增强方法的流程图；
[0038]图10是根据本专利技术实施例三提供的一种图像增强模型的训练装置的 结构示意图；
[0039]图11是根据本专利技术实施例四提供的一种图像增强装置的结构示意图；
[0040]图12是实现本专利技术实施例的图像增强模型的训练方法的计算机设备 的结构示意图。
具体实施方式
[0041]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术 实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施 例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动 前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0042]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的本文档来自技高网...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。