[发明专利]一种结合人因的深度学习图像色彩引擎

说明书

本发明涉及一种结合人因的深度学习图像色彩引擎，包括：图像获取模块与图像处理模块；通过图像获取模块获取图像集，所述图像集包括若干个图像对，每一个图像对包括一原始图像和一与原始图像相对应的目标图像；利用图像处理模块对目标图像对进行预定方式处理，获取处理后的增强图像；基于人因工学进行视觉感知实验，获得高质量的可用于深度学习的图像对；构建基于空洞卷积的全卷积网络，利用通过视觉感知实验筛选出的图像对作为深度学习的训练集；通过全卷积网络加载深度学习训练生成的模型权重，作为图像色彩引擎进行使用。

技术领域

本发明涉及一种图像色彩处理引擎，尤其涉及一种结合人因的深度学习图像色彩引擎。

背景技术

图像色彩引擎是一种图像处理引擎，应用于显示系统中，通过一些算法对图像信号进行处理和修复，能够指挥和协调显示系统中各项功能对图像信号进行优化。

传统的图像色彩引擎由多个算法组合而成，每个算法实现不同的功能，例如色彩增强关注图像色彩的饱和度和对比度等问题；高动态范围显示(HDR)重点关注对比度和细节等。传统图像色彩引擎的主要部分是图像增强，包括灰度变换，直方图均衡化，图像锐化，图像去雾等图像处理算法。

近年来，由于GPU的快速发展，深度学习在计算机视觉呈现上已取得了空前的成功。事实上，目前很多深度学习框架已被应用于图像处理领域。深度学习技术可以在大规模图像数据集上学习到泛化能力更强的先验知识，对图像处理领域有着极大的促进作用。在图像色彩方面，Deng等人(Aesthetic-Driven Image Enhancement by AdversarialLearning)采用对抗网络(GAN)实现图像的色彩增强；Jianrui Cai等人通过三个CNN模块组合，从多曝光图中学习对比增强参数(Learning a deep single image contrastenhancer from multi-exposure images)。然而，以上提出的深度学习框架以及大多数深度学习框架都需要较高的计算成本，无疑这会对算法硬件化及实际应用推广产生阻碍。从深度学习算法硬件化角度出发，Hasinoff等人提出了一种基于双边网格和局部仿射颜色转换的网络模型(Deep Bilateral learning for Real-Time Image Enhancement)，虽然这种算法能够保证处理速度，实现实时处理图像，但是该算法需要上采样-下采样，而在下采样的过程中会丢失部分原始图像信息，显然会影响输出图像的效果。

现有的传统图像色彩引擎若要实现好的画质，内含的算法往往是繁多和复杂的，因此若要实现好的图像优化效果，必然需要较长的处理时间和较大的存储空间，这导致算法在硬件化的实现过程中存在很多限制。此外，某些深度学习框架因为较高的计算成本或有图像信息损失的问题在落地方面也有一定的阻碍。而深度学习技术由于图像训练数据质量和数量的敏感性的限制，很多缺失完整数据标签的图像处理问题也无法充分训练出高效的深度神经网络，传统图像色彩引擎以及一些深度学习算法对于图像处理不具有普适性，往往某些图像处理的效果好，某些图像的处理效果不尽人意。为了解决此问题，结合人因工学思想设计视觉感知实验，构建了基于空洞卷积的全卷积网络,在兼顾运行时间和内存占用的同时,获得了较好的图像优化效果。

发明内容

本发明克服了现有技术的不足，提供一种结合人因的深度学习图像色彩引擎。

为达到上述目的，本发明采用的一种技术方案为：一种结合人因的深度学习图像色彩引擎，包括：图像获取模块与图像处理模块；

通过图像获取模块获取图像集，所述图像集包括若干个图像对，每一个图像对包括一原始图像和一与原始图像相对应的目标图像，所述原始图像与所述目标图像尺寸相同；

利用图像处理模块对目标图像对进行预定方式处理，获取处理后的增强图像；

基于人因工学进行视觉感知实验，获得高质量的可用于深度学习的图像对；