[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

说明书

本申请实施例提供的图像增强模型训练方法、装置、电子设备及可读存储介质，其中，该方法包括，将初始图像输入卷积神经网络；从卷积神经网络中提取高层抽象局部特征；将高层抽象局部特征进行缩减处理得到高层抽象全局特征；将高层抽象局部特征与高层抽象全局特征进行融合，得到高层抽象综合特征；将高层抽象综合特征进行反卷积处理，得到输出图像；基于输出图像和目标图像，及预设的损失函数方案进行训练，得到训练后的图像增强模型。上述方法融合了图像的高层抽象局部特征和高层抽象全局特征，可以较好的结合图像的所有信息进行学习，保证图像增强模型输出的图像能更好的逼近目标图像，提升采用该图像增强模型输出的图像的增强效果。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像增强模型训练方法、装置、电子设备及可读存储介质。

背景技术

图像增强是一种提升图像视觉效果的方法，通常来说，图像增强的方式包括调整图像的亮暗、饱和度和对比度。当前，互联网传播的大量图片的视觉效果都不够好，互联网用户很难找到内容好的且图像色彩效果也好的图片。目前，手机拍照已成了大部分人记录生活的一种方式，然而手机拍出来的照片很难满足更高的视觉需求。基于这两个原因来说，图像增强具有一个广泛应用场景。

当前，大部分图像增强算法都才采用传统方法，用固定的参数值分别调整各个通道的像素值，甚至用固定的参数来调整3个通道的像素值。这类方法效果单一，容易出现效果不自然、色块等问题。小部分图像增强算法直接利用CNN来改善增强效果，虽然在某些方面优于传统算法，但这类方法基本属于全卷积的pix2pix，受限于感受视野的大小，这类模型卷积过程学到的特征属于局部特征，整个模型只能学到目标图像的部分特性，难以学到全面信息，增强效果较为普通。

发明内容

本申请的实施例描述一种图像增强模型训练方法、装置、电子设备及可读存储介质。

第一方面，本申请的实施例提供一种图像增强模型训练方法，所述方法包括：

将初始图像输入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；

将所述高层抽象局部特征进行缩减处理得到所述初始图像的高层抽象全局特征；

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。

可选地，在本实施例中，将所述高层抽象局部特征进行缩减处理得到所述初始图像的高层抽象全局特征，包括：

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。

可选地，在本实施例中，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。

可选地，在本实施例中，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。

第二方面，本申请的实施例提供一种图像增强模型训练装置，所述装置包括：