[发明专利]一种基于深度学习的图像增强方法

说明书

本发明公开了一种基于深度学习的图像增强方法，包括：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，并划分为训练集T_train和测试集T_test；采用了具有全局特征的U‑Net的神经网络S(·)；其输入为经过数据增强的原始图像S_Input与先验光照估计I，输出为增强后的R_output与I_output；随机初始化神经网络S(·)中的权重参数、学习率、批大小等相关参数；采用误差反向传播算法训练所述的图像增强神经网路模型，并基于权重图计算损失，从而得到深度图像增强模型；相较于先前方法具有更加自然的颜色、更加吸引人、更好的对比度，与专业修图师修后图像的差异性更小，没有伪影现象，并且推理时间很少，可以在手机等设备上以ms级实时运行。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于深度学习的图像增强方法。

背景技术

摄影是一门光与影的艺术，一张让人喜欢的照片就是对光影明亮、色彩浓淡的准确把握。随着微单、手机等便携摄影设备的流行，越来越多的人用照片去记录自己的生活，开始享受摄影的乐趣，并乐于在社交网络上分享自己的摄影作品。通常而已，人们常常会对自己拍摄出的照片由于不自然的亮度、不够饱和的色彩等。因此，人们在分享自己的摄影作品之前，经常花费大量的时间进行图像的美化。尽管市面上有着大量交互式与半自动的图像处理工具，但这些工具仍然对使用者有着较大的门槛，并且美化后的照片也与使用者的审美水平相关联。

图像增强作为计算机视觉领域长期的挑战，一直受到学者们的关注。传统的图像增强算法主要有直方图均衡化、灰度世界假设、小波变换算法、自动白平衡等。这些算法主要集中于图像的对比度与对色彩的修正。但是这些算法仅仅适用于特定的条件下，如直方图均衡化不会对数据的处理进行选择、自动白平衡只适用于光照均匀的条件下等。并且经过处理后的图像与人们的期望仍然有较大差距。近几年，基于深度学习的图像处理算法在图像增强领域取得了巨大的成功，然而这些方法仍然存在处理速度慢，效果不理想等缺点。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种满足实时性的深度学习的图像增强方法，相较于先前方法具有更加自然的颜色、更加吸引人、更好的对比度，与专业修图师修后图像的差异性更小，没有伪影现象。

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)其输入为经过数据增强的原始图像S_Input与先验光照估计I，输出为增强后的R_output与I_output；

(D)随机初始化神经网络S(·)中的权重参数、学习率、批大小等相关参数；

(E)采用误差反向传播算法训练所述的图像增强神经网路模型，并基于权重图计算损失，从而得到深度图像增强模型。

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expansivestep组成。在每一步的cont racting 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。