[发明专利]图像增强处理方法及装置

权利要求书

1.一种图像增强处理方法，其特征在于，所述方法包括：

采用第一回归网络模型对指定图像进行处理，得到所述指定图像的内容特征图；

采用第二回归网络模型对所述指定图像的梯度图进行处理，得到所述指定图像的边缘特征图；

采用融合处理模型，对所述内容特征图和所述边缘特征图进行融合处理，得到恢复图像；

其中，所述第二回归网络模型包括：M个卷积块、与所述M个卷积块一一对应的M个反卷积块以及循环神经网络模型，所述M为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；

所述采用第二回归网络模型对所述指定图像的梯度图进行处理，得到所述指定图像的边缘特征图，包括：

采用所述M个卷积块依次对所述指定图像的梯度图进行处理，得到中间梯度特征图；采用所述M个反卷积块依次对所述中间梯度特征图进行处理，得到第一特征图；确定所述循环神经网络模型在不同梯度方向上的权重值；基于确定权重值的所述循环神经网络模型，对所述第一特征图进行处理，得到所述指定图像的边缘特征图。

2.根据权利要求1所述的方法，其特征在于，所述第一回归网络模型包括：N个卷积块，以及与所述N个卷积块一一对应的N个反卷积块，所述N为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；

所述采用第一回归网络模型对指定图像进行处理，得到所述指定图像的内容特征图，包括：

采用所述N个卷积块依次对所述指定图像进行处理，得到中间特征图；

采用所述N个反卷积块依次对所述中间特征图进行处理，得到所述内容特征图。

3.根据权利要求2所述的方法，其特征在于，所述N等于3；

所述N个卷积块包括第一卷积块、第二卷积块和第三卷积块，其中，所述第一卷积块包括：两个腐蚀卷积层和一个卷积层；所述第二卷积块包括：两个卷积层和一个下采样卷积层；所述第三卷积块包括：三个卷积层；

所述N个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块，其中，所述第一反卷积块包括：三个卷积层；所述第二反卷积块包括：一个反卷积层和两个卷积层；所述第三反卷积块包括：一个反卷积层和两个卷积层。

4.根据权利要求1所述的方法，其特征在于，所述第二回归网络模型中属于不同卷积块的任意两个卷积处理层的尺度不同。

5.根据权利要求4所述的方法，其特征在于，所述第二回归网络模型，还包括：下采样模型，所述下采样模型包括多个不同尺度的下采样卷积层；

所述确定所述循环神经网络模型在不同梯度方向上的权重值，包括：

采用所述多个不同尺度的下采样卷积层分别对叠加图像进行处理，得到多个不同尺度的第二特征图，其中，所述叠加图像为对所述指定图像和所述梯度图进行叠加后得到的图像；

对所述第一特征图和所述多个不同尺度的第二特征图进行分层处理，确定所述循环神经网络模型在不同梯度方向上的权重值。

6.根据权利要求4所述的方法，其特征在于，所述M等于3；

所述M个卷积块包括第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块包括：两个卷积层和一个下采样卷积层；第五卷积块包括：两个卷积层和一个下采样卷积层；第六卷积块包括：三个卷积层；

所述M个反卷积块包括第四反卷积块、第五反卷积块和第六反卷积块，其中，第四反卷积块包括：三个卷积层；第五反卷积块包括：一个反卷积层和两个卷积层；第六反卷积块包括：一个反卷积层和两个卷积层。