【技术实现步骤摘要】
本申请涉及计算机，具体而言，涉及一种图像画质增强方法。
技术介绍
1、随着计算机网络的不断发展，需要对图像进行优化的场景越来越多，如对用户的某张照片进行画质增强，或者对视频数据中的图像帧进行画质增强等。在现有的画质增强方法中，常通过卷积神经网络训练图像得到增强模型，利用该模型对图像进行画质增强处理。
2、但在现有的画质增强方法中，由于设备功耗和资源的限制，在移动端上进行画质增强的卷积神经网络模型通常具备较少的层数和较为简单的网络结构，即模型容量相对较小，导致模型的泛化能力不够，无法适应各种需要画质增强处理的场景，且画质增强的效果不够理想。
技术实现思路
1、为了至少克服现有技术中的上述不足，本申请的目的在于提供一种图像画质增强方法。
2、第一方面，本申请实施例提供一种图像画质增强方法，应用图像画质增强系统，所述图像画质增强系统包括移动端和服务器，所述方法包括：
3、所述服务器对多分支多层卷积网络进行图像画质增强训练得到网络模型，将所述网络模型转化为与其等效的单分支多层卷积网络，并将所述单分支多层卷积网络部署到所述移动端作为图像画质增强模型；
4、所述移动端将待进行图像画质增强的目标图像分解为第一通道图像、第二通道图像及第三通道图像；
5、将所述第一通道图像输入到图像画质增强模型中进行图像画质增强处理，得到增强后的第一通道图像；
6、将所述增强后的第一通道图像与所述第二通道图像及所述第三通道图像进行合成，得到图像
7、在一种可能的实现方式中，所述服务器对多分支多层卷积网络进行图像画质增强训练得到网络模型，将所述网络模型转化为与其等效的单分支多层卷积网络，并将所述单分支多层卷积网络部署到所述移动端作为图像画质增强模型的步骤，包括：
8、所述服务器对多分支训练模型进行图像画质增强训练，得到训练后的多分支训练模型；
9、将所述训练后的多分支训练模型中的各个分支转换为卷积核大小相同的分支；
10、基于转换后的多分支训练模型，得到与所述转换后的多分支训练模型等效的单分支多层卷积网络，并将所述单分支多层卷积网络部署到所述移动端作为图像画质增强模型。
11、在一种可能的实现方式中，所述服务器对多分支训练模型进行训练，得到训练后的多分支训练模型的步骤，包括：
12、所述服务器获取样本图像对，其中，所述样本图像对包括高低两种画质的同一图像；
13、将所述样本图像对中的低画质图像分解为第一通道图像、第二通道图像及第三通道图像；
14、将所述低画质图像的第一通道图像输入所述多分支训练模型中进行训练，得到增强后的第一通道图像；
15、将所述增强后的第一通道图像与所述低画质图像的第二通道图像和第三通道图像进行合成，得到训练后的图像；
16、基于所述训练后的图像与所述样本图像对中高画质图像计算模型的损失函数值，并根据所述损失函数值对所述多分支训练模型中的模型参数进行迭代更新，直到满足迭代终止条件，将更新后的多分支训练模型作为训练后的多分支训练模型。
17、在一种可能的实现方式中，所述多分支训练模型包括第一分支、第二分支、残差分支及拓展分支，所述将所述训练后的多分支训练模型中的各个分支转换为卷积核大小相同的分支的步骤，包括：
18、将所述第一分支、所述残差分支和所述拓展分支分别转换为与所述第二分支的卷积核相同的对应分支。
19、在一种可能的实现方式中，所述基于转换后的多分支训练模型，得到与所述转换后的多分支训练模型等效的单分支多层卷积网络，并将所述单分支多层卷积网络部署到所述移动端作为图像画质增强模型的步骤，包括：
20、将转换后的多分支训练模型中各个分支的卷积核权重以及偏置进行融合，得到与所述转换后的多分支训练模型等效的单分支多层卷积网络。
21、在一种可能的实现方式中，所述目标图像为rgb图像，所述移动端将待进行图像画质增强的目标图像分解为第一通道图像、所述第二通道图像及所述第三通道图像的步骤，包括：
22、所述移动端将所述目标图像转换为yuv图像；
23、将所述yuv图像分解为包括y分量图像的第一通道图像，包括u分量图像的第二通道图像及包括v分量图像的第三通道图像；
24、所述将所述增强后的第一通道图像与所述第二通道图像及所述第三通道图像进行合成，得到图像画质增强后的目标图像的步骤，包括：
25、将所述增强后的第一通道图像与所述第二通道图像及所述第三通道图像进行合成为yuv图像；
26、将合成的yuv图像转化为rgb图像，得到图像画质增强后的目标图像。
27、第二方面，本申请实施例还提供另一种图像画质增强方法，应用于服务器，所述方法包括：
28、对多分支训练模型中进行图像画质增强训练，得到训练后的多分支训练模型；
29、将所述训练后的多分支训练模型中的各个分支转换为卷积核大小相同的分支；
30、基于转换后的多分支训练模型，得到与所述转换后的多分支训练模型等效的单分支多层卷积网络，由所述单分支多层卷积网络作为所述图像画质增强模型，并将所述图像画质增强模型部署到移动端，由所述移动端基于所述图像画质增强模型对待进行图像画质增强的目标图像进行画质增强。
31、在一种可能的实现方式中，所述对多分支训练模型中进行图像画质增强训练，得到训练后的多分支训练模型的步骤，包括：
32、获取样本图像对，其中，所述样本图像对包括高低两种画质的同一图像；
33、将所述样本图像对中的低画质图像分解为第一通道图像、第二通道图像及第三通道图像；
34、将所述低画质图像的第一通道图像输入所述多分支训练模型中进行训练，得到增强后的第一通道图像；
35、将所述增强后的第一通道图像与所述低画质图像的第二通道图像和第三通道图像进行合成，得到训练后的图像；
36、基于所述训练后的图像与所述样本图像对中高画质图像计算模型的损失函数值，并根据所述损失函数值对所述多分支训练模型中的模型参数进行迭代更新，直到满足迭代终止条件，将更新后的多分支训练模型作为训练后的多分支训练模型。
37、在一种可能的实现方式中，所述多分支训练模型包括第一分支、第二分支、残差分支及拓展分支，所述将所述训练后的多分支训练模型中的各个分支转换为卷积核大小相同的分支的步骤，包括：
38、将所述第一分支、所述残差分支和所述拓展分支分别转换为与所述第二分支的卷积核相同的对应分支；
39、所述基于转换后的多分支训练模型，得到与所述转换后的多分支训练模型等效的单分支多层卷积网络，由所述单分支多层卷积网络作为所述图像画质增强模型的步骤，包括：
40、将转换后的多分支训练模型中各个分支的卷积核权重以及偏置进行融合，得到与所述转换后的本文档来自技高网...
【技术保护点】
1.一种图像画质增强方法，其特征在于，应用图像画质增强系统，所述图像画质增强系统包括移动端和服务器，所述方法包括：
2.如权利要求1所述的图像画质增强方法，其特征在于，所述服务器对多分支多层卷积网络进行图像画质增强训练得到网络模型，将所述网络模型转化为与其等效的单分支多层卷积网络，并将所述单分支多层卷积网络部署到所述移动端作为图像画质增强模型的步骤，包括：
3.如权利要求2所述的图像画质增强方法，其特征在于，所述服务器对多分支训练模型进行训练，得到训练后的多分支训练模型的步骤，包括：
4.如权利要求2所述的图像画质增强方法，其特征在于，所述多分支训练模型包括第一分支、第二分支、残差分支及拓展分支，所述将所述训练后的多分支训练模型中的各个分支转换为卷积核大小相同的分支的步骤，包括：
5.如权利要求4所述的图像画质增强方法，其特征在于，所述基于转换后的多分支训练模型，得到与所述转换后的多分支训练模型等效的单分支多层卷积网络，并将所述单分支多层卷积网络部署到移动端作为图像画质增强模型的步骤，包括：
6.如权利要求1-5中任意一
7.一种图像画质增强方法，其特征在于，应用于服务器，所述方法包括：
8.如权利要求7所述的图像画质增强方法，其特征在于，所述对多分支训练模型进行图像画质增强训练，得到训练后的多分支训练模型的步骤，包括：
9.如权利要求7所述的图像画质增强方法，其特征在于，所述多分支训练模型包括第一分支、第二分支、残差分支及拓展分支，所述将所述训练后的多分支训练模型中的各个分支转换为卷积核大小相同的分支的步骤，包括：
10.一种图像画质增强方法，其特征在于，应用于移动端，所述方法包括：
...【技术特征摘要】
1.一种图像画质增强方法，其特征在于，应用图像画质增强系统，所述图像画质增强系统包括移动端和服务器，所述方法包括：
2.如权利要求1所述的图像画质增强方法，其特征在于，所述服务器对多分支多层卷积网络进行图像画质增强训练得到网络模型，将所述网络模型转化为与其等效的单分支多层卷积网络，并将所述单分支多层卷积网络部署到所述移动端作为图像画质增强模型的步骤，包括：
3.如权利要求2所述的图像画质增强方法，其特征在于，所述服务器对多分支训练模型进行训练，得到训练后的多分支训练模型的步骤，包括：
4.如权利要求2所述的图像画质增强方法，其特征在于，所述多分支训练模型包括第一分支、第二分支、残差分支及拓展分支，所述将所述训练后的多分支训练模型中的各个分支转换为卷积核大小相同的分支的步骤，包括：
5.如权利要求4所述的图像画质增强方法，其特征在于，所述基于转换后的多分支训练模型，得到与所述转换后的多分...
【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：
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。