[发明专利]基于深度学习的图像增强方法、系统、设备及存储介质

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，包括如下步骤：

采集用于模型训练的样本图像；

基于所述样本图像训练并联的多个第一卷积神经网络，每个所述第一卷积神经网络分别对应于至少一增强项目；

训练第二卷积神经网络，所述第二卷积神经网络串联于所述并联的多个第一卷积神经网络之后；

将训练好的第一卷积神经网络和第二卷积神经网络组合得到图像增强模型；

将待增强的图像输入所述图像增强模型，得到所述图像增强模型输出的增强图像；

基于所述样本图像训练并联的多个第一卷积神经网络包括如下步骤：

将所述样本图像作为所述第一卷积神经网络的输入，单独训练每个所述第一卷积神经网络；

将所述第一卷积神经网络分为多个网络组；

对同一个网络组中的多个第一卷积神经网络进行联合训练；

对多个网络组进行联合训练。

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，所述对同一个网络组中的多个第一卷积神经网络进行联合训练，包括如下步骤：

将所述样本图像输入各个所述第一卷积神经网络，基于各个所述第一卷积神经网络的输出图像和标签图像构建各个第一卷积神经网络的损失函数；

将同一个网络组中的各个第一卷积神经网络的损失函数进行组合，得到该网络组的损失函数；

基于该网络组的损失函数迭代训练该网络组中的各个第一卷积神经网络；

所述对多个网络组进行联合训练，包括如下步骤：

将所述样本图像输入各个所述第一卷积神经网络，基于各个所述第一卷积神经网络的输出图像和标签图像构建各个卷积神经网络的损失函数；

将各个第一卷积神经网络的损失函数进行组合，得到整体损失函数；

基于该整体损失函数迭代训练各个网络组中的各个卷积神经网络。

3.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，将所述第一卷积神经网络分为多个网络组，包括如下步骤：

获取各个所述第一卷积神经网络的标签图像；

比较所述第一卷积神经网络的标签图像的颜色直方图与所对应的样本图像的颜色直方图；

根据颜色直方图的比较结果对所述第一卷积神经网络进行分组。

4.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，训练所述第二卷积神经网络包括如下步骤：

基于各个第一卷积神经网络的标签图像组合得到第一多通道图像；

将所述第一多通道图像作为第二卷积神经网络的输入图像，迭代训练所述第二卷积神经网络。

5.根据权利要求4所述的基于深度学习的图像增强方法，其特征在于，将所述第一多通道图像作为第二卷积神经网络的输入图像，迭代训练所述第二卷积神经网络之后，还包括如下步骤：

将各个所述第一卷积神经网络的输出图像组合得到第二多通道图像；

将所述第二多通道图像作为第二卷积神经网络的输入图像，迭代训练所述第二卷积神经网络。

6.一种基于深度学习的图像增强系统，其特征在于，应用于权利要求1至5中任一项所述的基于深度学习的图像增强方法，所述系统包括：

样本采集模块，用于采集用于模型训练的样本图像；

第一训练模块，用于基于所述样本图像训练并联的多个第一卷积神经网络，每个所述第一卷积神经网络分别对应于至少一增强项目；

第二训练模块，用于训练第二卷积神经网络，所述第二卷积神经网络串联于所述并联的多个第一卷积神经网络之后；

模型组合模块，用于将训练好的第一卷积神经网络和第二卷积神经网络组合得到图像增强模型；

图像增强模型，用于将待增强的图像输入所述图像增强模型，得到所述图像增强模型输出的增强图像。

7.一种基于深度学习的图像增强设备，其特征在于，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至5中任一项所述的基于深度学习的图像增强方法的步骤。

8.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至5中任一项所述的基于深度学习的图像增强方法的步骤。