[发明专利]图像增强模型训练方法、装置、电子设备及可读存储介质

权利要求书

1.一种图像增强模型训练方法，其特征在于，应用于电子设备，所述电子设备包括Unet卷积神经网络、缩减网络及融合网络，所述方法包括：

将初始图像输入所述Unet卷积神经网络；

从所述Unet卷积神经网络中提取所述初始图像经过卷积处理后的高层抽象局部特征；

基于所述缩减网络缩小高层抽象局部特征对应特征图像的尺寸，得到所述初始图像的高层抽象全局特征；

基于所述融合网络将所述初始图像的高层抽象局部特征与高层抽象全局特征进行融合，得到所述初始图像的高层抽象综合特征；

将所述高层抽象综合特征在所述Unet卷积神经网络中进行反卷积处理，得到输出图像；

基于所述输出图像和目标图像，及预设的损失函数方案对所述Unet卷积神经网络进行训练，得到训练后的图像增强模型，其中，所述目标图像为预先对所述初步图像进行明暗和饱和度调节得到的。

2.如权利要求1所述的方法，其特征在于，所述基于所述输出图像和目标图像，及预设的损失函数方案对所述Unet卷积神经网络进行训练，以得到训练后的图像增强模型，包括：

基于所述输出图像和目标图像，及预设权重比例的L1_loss损失函数和Vgg_loss损失函数对所述Unet卷积神经网络进行训练，得到模型参数，完成图像增强模型的训练。

3.如权利要求2所述的方法，其特征在于，所述方法还包括

接收输入的待增强图像；

采用训练好的所述图像增强模型对所述待增强图像进行图像增强，得到增强后的图像。

4.一种图像增强模型训练装置，其特征在于，应用于电子设备，所述电子设备包括Unet卷积神经网络、缩减网络及融合网络，所述装置包括：

输入模块，用于将初始图像输入所述Unet卷积神经网络；

提取模块，用于从所述Unet卷积神经网络中提取所述初始图像经过卷积处理后的高层抽象局部特征；

缩减处理模块，用于基于所述缩减网络缩小高层抽象局部特征对应特征图像的尺寸，得到所述初始图像的高层抽象全局特征；

融合模块，用于基于所述融合网络将所述初始图像的高层抽象局部特征与高层抽象全局特征进行融合，得到所述初始图像的高层抽象综合特征；

反卷积处理模块，用于将所述高层抽象综合特征在所述Unet卷积神经网络中进行反卷积处理，得到输出图像；

训练模块，用于基于所述输出图像和目标图像，及预设的损失函数方案对所述Unet卷积神经网络进行训练，得到训练后的图像增强模型，其中，所述目标图像为预先对所述初步图像进行明暗和饱和度调节得到的。

5.如权利要求4所述的装置，其特征在于，所述训练模块具体用于：

基于所述输出图像和目标图像，及预设权重比例的L1_loss损失函数和Vgg_loss损失函数对所述Unet卷积神经网络进行训练，得到模型参数，完成图像增强模型的训练。

6.如权利要求5所述的装置，其特征在于，所述装置还包括：

接收模块，用于接收输入的待增强图像；

图像增强模块，用于采用训练好的所述图像增强模型对所述待增强图像进行图像增强，得到增强后的图像。

7.一种电子设备，所述电子设备包括处理器及存储有若干计算机指令的非易失性存储器，其特征在于，所述计算机指令被所述处理器执行时，所述电子设备执行权利要求1-3中任意一项所述的图像增强模型训练方法。

8.一种可读存储介质，所述可读存储介质包括计算机程序，其特征在于：

所述计算机程序运行时控制所述可读存储介质所在电子设备执行权利要求1-3中任意一项所述的图像增强模型训练方法。