一种面向内容的白盒图像增强方法技术

本发明专利技术涉及一种面向内容的白盒图像增强方法，包括如下步骤：选用若干张人物图片分别组成原图数据集和目标图数据集；使用人像分割算法对原图中的图片进行处理，然后在进行图像数据预处理；构建白盒图像增强模型并进行初始化，白盒图像增强模型包括生成器网络、判别器网络和Critic网络；使用图像数据经过所述生成器网络、判别器网络和Critic网络的处理，得到对图像增强图片的修图结果；将图像数据作为输入对白盒图像增强模型进行训练最终得到训练好的白盒图像增强模型。使用本发明专利技术方法可以提高目前修图技术对于图像增强后图片的修图质量，而且使中间过程可视化，提高修图算法的可解释性，同时当对结果不满意时也可进行改变。同时当对结果不满意时也可进行改变。同时当对结果不满意时也可进行改变。

【技术实现步骤摘要】
一种面向内容的白盒图像增强方法


[0001]本专利技术涉及图像增强领域，特别涉及一种面向内容的白盒图像增强方法。

技术介绍

[0002]随着数码产品的不断普及以及社交网络的快速发展，通过不同的社交媒体分享自己的生活变得越来越受欢迎。但是由于拍摄水平、场景条件、自然环境以及工具的影响，用户拍摄出的照片往往不尽人意。通过对原始图像的修饰处理会大大提高人们的审美体验，这就需要使用各种修图软件如美图秀秀、PhotoShop进行图像增强。针对不同类型的照片人们的要求也各有不同，如风景照主要希望纠正摄影缺陷(曝光不足/过曝、饱和度过高/低、对比度差等)，而人像照片则不仅需要对人像进行精修，还需要考虑不同背景与人像主体的整体性。
[0003]这些对图片的修饰操作可以提高照片的美学质量，这就需要经验丰富的修图师对照片进行一系列的后期处理，如曝光调节、颜色调节、对比度调节等，以此来产生色彩丰富、颜色饱和、富有表现力而且极具视觉吸引力的照片。同样手工修饰也有一些缺点，修图师水平参差不齐导致修饰后的图片质量各不相同；修图过程烦琐，无法高效快速地完成修图任务；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向内容的白盒图像增强方法，其特征在于：包括如下步骤：S100：选用N张人物图片作为原图数据集，选用M张修饰后的人物图片作为目标图数据集；S200：使用DeeplabV3+模型对原图数据集中的所有图片进行人像分割处理，并使用Center
‑
crop技术对人像分割处理后的图片进行数据预处理，使图片大小都统一放缩到64x64分辨率；S300：构建白盒图像增强模型并进行初始化，白盒图像增强模型包括生成器网络、判别器网络和评估网络；S310：选择W种滤波器，滤波器包括在生成器网络中；S320：令i＝1；S330：从原图数据集中任选一张原图输入到生成器网络中，输出W种滤波器的概率策略π1和相对应的W种滤波器参数策略π2；其中，π1对应的网络参数为θ1，π2对应的网络参数为θ2，生成器网络对应的参数为θ，且θ＝(θ1，θ2)；从原图数据集中选择第i张原图，并使用π1和π2同时作用在第i张原图上，得到第i张原图对应的假图；S340：从目标图数据集中选择第j张目标图输入到判别器网络中得到输出值R
j
；将原图数据集中的第i张原图输入到判别器网络中得到输出值F
i
；将第i张原图对应的假图输入到判别器网络中得到输出值F
o
；将第i张原图输入到评估网络中得到输出值V
o
，将第i张原图对应的假图输入到评估网络得到输出值V
n
，S350：计算生成器网络生成的动作建议分布熵G
e
，计算表达式如下：G
e
＝
‑
π1*log(π1)#(1)S360：定义强化学习的目标函数J(π
θ
)，表达式如下：利用J(π
θ
)、F
o
、G
e
、V
o
和V
n
计算生成器网络策略梯度使得J(π
θ
)最大化，生成器网络策略梯计算公式表示如下：梯计算公式表示如下：梯计算公式表示如下：其中，和表示网络所需学习参数的微分，表示状态s0之后折扣奖励的总和，s0为输入图片，S0为数据集，表示期望值，J(π
θ
)表示策略π
θ
可能导致的状态动作序列的预期回报的期望，ρ
π
为状态分布，Q为动作价值函数，a1～π1(s)表示在s状态下从策略π1选取的a1动作，a2＝π2(s，a1)表示在s状态下选择a1动作时策略π2的动作；S370：利用J(π
θ
)和SSIM损失函数计算生成器网络的总损失函数G_LOSS用于更新生成器网络的参数，表达式如下：
其中，SSIM和表达式如下：表达式如下：其中，x，y表示第i张图片上的像素点坐标，μ
x
和μ<...

【专利技术属性】
技术研发人员：柴海洋，杨梦宁，何鑫，
申请(专利权)人：重庆米弘科技有限公司，
类型：发明
国别省市：