[发明专利]一种基于对抗学习网络的图像增强方法

权利要求书

1.一种基于对抗学习网络的图像增强方法，其特征在于，主要包括网络框架(一)；损失函数设计(二)；分辨器网络(三)；网络训练参数(四)。

2.基于权利要求书1所述的网络框架(一)，其特征在于，包括一个生成器G和一个分辨器D，对抗学习网络的训练过程即对生成器和分辨器求全局最优的过程，具体如下：

其中，p_data是真实图像数据I的分布，而p_z是生成器生成样本G(z)的分布(z是随机或编码向量)，因此当p_z逐渐收敛到p_data时，公式(1)会在达到全局最优，彼时，分辨器D将无法区分图像是来自于真实图像数据I还是生成器样本G(z)，从而达到对抗学习的目的。

3.基于权利要求书2所述的生成器，其特征在于，根据输入真实图像数据I去学习一组图像增强参数{θ}，这组参数通过一个可微分的转换参数{T_θ}后产生新的图像数据I^output：

其中，θ^crop声明了对给定输入图像I切割参数调整度，从属图像切割模块；θ^L和θ^AB分别代表增强参数{θ}中关于亮度和色度的调整度，从属颜色增强模块。

4.基于权利要求书3所述的图像切割模块，其特征在于，基于视觉审美或人类视觉焦点条件下寻找图像的最关键区域进行增强，具体为对于给定的输入图像I，生成切割坐标参数θ^crop＝[x，y，w，h]，将图像按照此坐标进行切割；同时，基于RestNet网络输出的2048一维向量，采用1×1大小的卷积核对其进行卷积操作，使得其输出个数为5的特征图，前4个特征图为坐标参数，第5个特征为该图像经过概率转换函数softmax时的概率值。

5.基于权利要求书3所述的颜色增强模块，其特征在于，对于给定图像I，使用调整度参数θ^L和θ^AB分别对光照及颜色对比进行调整，具体为使用权利要求书3所述的亮度转换函数和色度转换函数对于每个像素进行换算。

6.基于权利要求书5所述的亮度转换函数，其特征在于，对给定像素m∈L，有

其中，为保证连续，设定和k₃＝1-a；此外，控制参数p≥1使得阴暗区域更加明亮，0＜p＜1使得过度曝光区域更加阴暗，通过公式(3)，转换函数设定了参数θ^L＝[a，b，p，q]，该参数组将通过端对端学习进行调整。

7.基于权利要求书5所述的色度转换函数，其特征在于，对给定像素同时从属两个颜色空间，即m∈A和m∈B，有

及

其中，转换函数设定了参数θ^AB＝[θ^A，θ^B]＝[α，β]，该参数组将通过端对端学习进行调整。