图像增强模型训练方法、图像增强方法及相关装置制造方法及图纸

本发明专利技术涉及图像处理技术领域，提供一种图像增强模型训练方法、图像增强方法及相关装置。该方法包括：获取多个低质图像样本及其对应的高质图像；然后利用生成器对低质图像样本进行高频增强操作和低频增强操作获得其对应的重建图像，并确定其对应的高频增强损失函数；接着基于预设损失函数、每个低质图像样本对应的高频增强损失函数，对生成器进行训练获得训练后的生成器，并将训练后的生成器作为图像增强模型。通过采用高频增强损失函数使图像增强模型具有自适应调节增强程度的能力，实现了图像增强模型对图像中的高低特征进行不同程度的增强，提高了图像增强效果。提高了图像增强效果。提高了图像增强效果。

【技术实现步骤摘要】
图像增强模型训练方法、图像增强方法及相关装置


[0001]本专利技术涉及图像处理
，具体而言，涉及一种图像增强模型训练方法、图像增强方法及相关装置。

技术介绍

[0002]图像中不同尺度的纹理对应不同的特征。大尺度的纹理对应着低频特征，其表示图像中的整体主干信息如背景、基本形状和结构等；小尺度的纹理对应着高频特征，其表示图像中快速变化的局部细节信息如边缘等。目前的图像增强模型往往是对图像中所有尺度的纹理进行相同程度的增强，这样就会导致高频特征增强不够，低频特征增强冗余，从而出现图像的细节信息不够清晰、图像失真、增强效果差的情况。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种图像增强模型训练方法、图像增强方法及相关装置。
[0004]为了实现上述目的，本专利技术采用的技术方案如下：
[0005]第一方面，本专利技术提供一种图像增强模型训练方法，所述方法包括：
[0006]获取多个低质图像样本及其对应的高质图像；
[0007]对于每个所述低质图像样本，利用生成器对所述低质图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像增强模型训练方法，其特征在于，所述方法包括：获取多个低质图像样本及其对应的高质图像；对于每个所述低质图像样本，利用生成器对所述低质图像样本进行高频增强操作和低频增强操作，获得所述低质图像样本对应的重建图像；基于所述低质图像样本对应的高质图像和重建图像，获得所述低质图像样本对应的高频增强损失函数；基于预设损失函数、每个所述低质图像样本对应的高频增强损失函数，对所述生成器进行训练获得训练后的生成器，并将所述训练后的生成器作为图像增强模型。2.根据权利要求1所述的图像增强模型训练方法，其特征在于，所述生成器包括多个网络层；所述利用生成器对所述低质图像样本进行高频增强操作和低频增强操作，获得所述低质图像样本对应的重建图像，包括：将所述低质图像样本作为输入特征，并将所述生成器中的第一个网络层作为目标网络层；利用所述目标网络层对所述输入特征进行卷积操作获得第一特征图和第二特征图；利用所述目标网络层对所述第一特征图进行高频增强操作获得高频特征图；所述高频特征图表示所述低质图像样本的局部细节信息；利用所述目标网络层对所述第二特征图进行低频增强操作获得低频特征图；所述低频特征图表示所述低质图像样本的整体主干信息；利用所述目标网络层将所述高频特征图和低频特征图进行拼接并与所述输入特征进行残差连接获得输出特征；将所述输出特征作为输入特征并将所述目标网络层的后一个网络层作为目标网络层后，重复所述利用所述目标网络层对所述输入特征进行卷积操作获得第一特征图和第二特征图的步骤，直至获得所述生成器中最后一个网络层的输出特征，得到所述低质图像样本对应的重建图像。3.根据权利要求2所述的图像增强模型训练方法，其特征在于，所述网络层包括高频分支网络；所述利用所述目标网络层对所述第一特征图进行高频增强操作获得高频特征图，包括：利用所述目标网络层中的高频分支网络对所述第一特征图进行卷积操作和全局池化操作，获得所述第一特征图中每个通道的缩放系数；利用所述目标网络层中的高频分支网络对所述第一特征图进行快速傅里叶变换操作，获得第一特征图中每个通道的频率分布；利用所述目标网络层中的高频分支网络基于每个通道的缩放系数和频率分布计算每个通道的截断频率，并基于全部通道的截断频率对所述第一特征图进行高通滤波，获得初始高频特征图；利用所述目标网络层中的高频分支网络对所述第一特征图进行卷积操作、全局池化操作和激活操作，获得锐化参数；利用所述目标网络层中的高频分支网络基于所述锐化参数和所述初始高频特征图对
所述第一特征图进行锐化操作，获得所述高频特征图。4.根据权利要求2所述的图像增强模型训练方法，其特征在于，所述网络层包括低频分支网络；所述利用所述目标网络层对所述第二特征图进行低频增强操作获得低频特征图，包括：利用所述目标网络层中的低频分支网络对所述第二特征图进行深度可分离卷积操作和卷积操作，获得所述低频特征图。5.根据权利要求1所述的图像增强模型训练方法，其特征在于，所述基于所述低质图像样本对应的高质图像和重建图像，获得所述低质图像样本对应的高频增强损失函数，包括：分别对所述低质图像样本、所述低质图像样本对应的高质图像和重建图像进行拉普拉斯梯度变换，获得低质梯度图、高质梯度图和重建梯度图；计算所述低质梯度图中全部像素点的梯度值的平均值，并计算所述平均值与预设系数的乘积获得梯度阈值；获取所述低质梯度图中所述梯度值大于或者等于所述梯度阈值的全部像素点获得初始区域，并对所述初始区域进行高斯平滑操作获得目标区域；所述目标区域表示所述低质图像样本的高频特征存在的区域；根据所述目标区域、所述高质梯度图和所述重建梯度图，确定所述重建图像中的高频增强欠缺区域和高频增强过剩区域；根据所述高频增强欠缺区域确定所述低质图像样本对应的激励损失函数，并根据所述高频增强过剩区域确定所述低质图像样本对应的惩罚损失函数，得到所述低质图像样本对应的高频增强损失函数。6.根据权利要求5所述的图像增强模型训练方法，其特征在于，所述根据所述目标区域、所述高质梯度图和所述重建梯度图，确定所述重建图像中的高频增强欠缺区域和高频增强过剩区域，包括：将所述目标区域中的任意一个像素点作为目标像素点；分别在所述高质梯度图和所述重建梯度图中，获取与所述目标像素点对应的像素点，获得第一像素点和第二像素点；若所述第一像素点的梯度值大于所述第二像素点的梯度值，则将所述重建图像中与所述第二像素点对应的像素点...

【专利技术属性】
技术研发人员：周凡，
申请(专利权)人：广州虎牙科技有限公司，
类型：发明
国别省市：