[发明专利]一种基于深度学习的照片智能优化系统及其方法

权利要求书

1.一种基于深度学习的照片智能优化系统，其特征在于：所述的系统包括图片参数设置模块、多维度参数训练模块、目标图片测试模块、图片参数优化模块、图片备份和存储模块；

所述的图片参数设置模块，包括图片参数管理模块和图片参数测量模块；图片参数管理模块主要负责图片参数的增删改查；图片参数测量模块实现图片参数的测量；

所述的多维度参数训练模块采用caffe深度学习框架进行图片参数训练；

所述的目标图片测试模块包括输入模块和输出模块；输入模块为输入目标测试图片；输出模块输出数据至图片参数优化模块；

所述的图片参数优化模块，根据输出的图片量化特征，进行对应参数的自动编辑调整；

所述的图片备份和存储模块，主要针对测试的目标图片，优化前预备份其副本至数据库，优化后将新图片存入新字段；采用调用数据库的方法查看优化历史记录。

2.一种权利要求1所述的基于深度学习的照片智能优化系统实现方法，其特征在于：所述的方法是通过海量的各种特征的图片训练集训练机器，输出模型，让机器能自动监测和分类目标图片的参数信息，并提供推荐参数和美观度精调参数，从而实现机器代替人力的照片智能自动优化。

3.根据权利要求2所述的方法，其特征在于：

由图片参数设置模块实现：

A：新增图片参数：属性包括亮度、对比度、锐度、饱和度、色温、美观度等参数名称、-255至255的参数量化范围、-10至10的参数权重、正常参数推荐的参数平衡值；

B：编辑图片参数；

C：删除图片参数；

D：图片参数测量，对某一张训练图片进行参数测量；所得值在规定范围内。

4.根据权利要求3所述的方法，其特征在于：新建对比度时，可设置该参数的值域范围为-255至255；越小对比度越低，越大对比度越高；

同时可设置参数权重，表明这个参数在美观度方面的占比；权重越大，参数起到的美观作用越大；反之，在精调美观度时，可极少关注该参数；

同时需要设置一个参数平衡值，这个值往往取0，但不绝对；需要根据实际的效果进行调动，因此这个平衡值是全局的、动态的，需要得到其他各特征参数，综合算出每个参数平衡值；当一张图对比度为0，但其他参数都偏低，使得整个图黯淡无光，模糊，因此对比度的平衡值要略大，大概在40左右。

5.根据权利要求2所述的方法，其特征在于：

所述多维度参数训练模块实现流程如下：

A：准备不同参数特征的海量图片训练集；假设参数只包括亮度和对比度，它们的参数量化范围都是一样、并设定为-10至10，即都有20的不同特征范围；那么本次训练集的全部特征数就为20*20＝400种；其中，假设每种特征提供不同类别和风格的图片20张；那么总共的训练集图片数量为400*20＝8000张；

B：采用caffe深度学习框架，第二步为格式化图片大小，将数据转化为lmdb/leveldb格式；并求得均值文件mean.binaryproto和配置训练相关文件；

C：训练；输出一个模型文件model。

6.根据权利要求2所述的方法，其特征在于：

所述目标图片测试模块输入目标图片；根据模型预测的多维度参数量化值，通过对这些参数结果和系统参数平衡值进行软件自动比对和分析，输出推荐优化的参数和推荐优化的参数量化值范围；其具体流程为：

A：选择目标图片，

B：对该图片进行分类测试；

C：测试结果得到该图片的参数信息，包括亮度的实际值和推荐值，对比度的实际值和推荐值，以及美观度精细化参数；

D：将参数信息传递至图片参数优化模块。

7.根据权利要求2所述的方法，其特征在于：

所述图片参数优化模块的具体流程为：

A：定位目标图片；

B：粗调：软件自动编辑图片参数，亮度：调大实际参数值至推荐值；对比度：调低实际参数值至推荐值；

C：精调：软件自动围绕美观度精细化参数进行细微调试；

D：输出优化后的图片，提供优化前后视图比较窗口。