[发明专利]一种基于深度学习的图像增强方法

权利要求书

1.一种基于深度学习的图像增强方法，其特征在于，包括：

(A)选取由专业摄影师拍摄的图像，并让专业修图师进行修图，构建神经网络训练数据集，并将其划分为训练集T_train和测试集T_test；

(B)采用了具有全局特征的U-Net的神经网络S(·)；

(C)S(·)输入为经过数据扩增的原始图像S_input与先验光照估计图I_input，输出为调整后反射图R_output与光照图I_output，并将R_output与I_output按元素相乘获得增强后的图像S_output；

其中全局特征的U-Net的神经网络 的S(·)的训练过程如下：随机初始化神经网络S(·)中的权重参数、学习率、批大小相关参数,采用误差反向传播算法训练所述的神经网络模型，使用adam优化方法训练网络S(·)，并基于权重图计算损失，当损失函数达到期望时，训练停止保存网络S(·)而得到图像增强模型；

所述权重图计算损失，它由六个模块组成，包含局部损失函数、颜色损失函数、L₁与MS-SSIM损失函数、VGG损失函数、光照平滑损失函数，表示为：

(1)局部损失函数；随机从预测图像与标签图像中剪裁出图像块，并计算图像块之间的L₁损失，表示为：

其中，C_x代表预测图像中的剪裁出的图像块，C_y为标签图像中的剪裁出的图像块，n为训练的批处理参数；

(2)颜色损失函数；预测图像X与标签图像Y进行高斯模糊并计算它们之间欧几里得的距离，表示为：

其中X_b与Y_b分别代表X与Y高斯模糊后的图像；

(3)L₁与MS-SSIM损失函数；表示为：

L₁＝||X-Y||₁ (4)

L_MS-SSIM＝1-MS-SSIM(X,Y) (5)

其中X与Y分别代表预测图像与标签图像；

(4)VGG损失函数，表示为：

是从VGG-19获取的第j卷积层获取的特征图，参数C_j，H_j，W _j分别代表相关j层卷积层的通道数，高度和宽度，X与Y分别代表预测图像与标签图像；

(5)结构感知的光照平滑损失函数；表示为：

其中表示水平上的与垂直上的的梯度，λ_t系数为结构感知系数的强度。

2.根据权利要求1所述的基于深度学习的图像增强方法，其特征在于，所述步骤(B)中，所述具有全局特征的U-Net的神经网络S(·)具体由contracting step与expansive step组成,在每一步的contracting step中由2个滤波器为3×3步长为1的卷积层、批处理归一化层与滤波器为2×2步长为2的最大池化层组成，expansive step 中每一步首先执行反卷积，将反卷积的结果与对应步骤的特征图进行拼接，然后经过2个滤波器为3×3步长为1的卷积层与批处理归一化层。

3.根据权利要求2所述的基于深度学习的图像增强方法，其特征在于，所述步骤(C)中，所述数据扩增为将原始图像下采样到指定分辨率大小，并对其进行随机裁剪、旋转操作。