[发明专利]一种卷积神经网络模型生成方法及图像增强方法在审
| 申请号： | 201811443438.1 | 申请日： | 2018-11-29 |
| 公开（公告）号： | CN109544482A | 公开（公告）日： | 2019-03-29 |
| 发明（设计）人： | 周铭柯;李启东;李志阳;张伟;许清泉 | 申请（专利权）人： | 厦门美图之家科技有限公司 |
| 主分类号： | G06T5/00 | 分类号： | G06T5/00;G06T7/33 |
| 代理公司： | 北京思睿峰知识产权代理有限公司 11396 | 代理人： | 孟玉洁;张赞 |
| 地址： | 361008 福建省厦门*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种用于图像增强的卷积神经网络(CNN)模型的生成方法，在计算设备中执行，该方法包括：构建CNN模型结构并设置损失函数表达式，CNN模型结构包括通用特征模块、局部特征模块、全局特征模块、参数表生成模块、引导图生成模块、增强参数生成模块以及图像增强模块；获取多个训练图像对，每一个训练图像对包括输入图像和目标图像；将多个训练图像对作为训练样本来训练CNN模型，不断更新CNN模型的模型参数，每更新一次模型参数，按照前述损失函数表达式来计算模型的损失函数值，当损失函数值收敛时，停止训练过程，得到CNN模型的模型参数从而生成CNN模型。本发明一并公开了相应的图像增强方法和计算设备。 | ||
| 搜索关键词： | 损失函数 模型参数 图像增强 训练图像 卷积神经网络 计算设备 模型结构 参数生成模块 图像增强模块 计算模型 局部特征 模型生成 目标图像 全局特征 生成模块 输入图像 通用特征 训练过程 参数表 图生成 更新 构建 收敛 | ||
【主权项】：
1.一种卷积神经网络模型生成方法，在计算设备中执行，所述卷积神经网络模型适于增强输入图像的对比度和锐度以得到输出图像，所述方法包括：构建卷积神经网络模型结构并设置损失函数表达式，所述模型结构包括通用特征模块、局部特征模块、全局特征模块、参数表生成模块、引导图生成模块、增强参数生成模块以及图像增强模块，其中，所述通用特征模块、引导图生成模块的输入为输入图像，输出分别为多个通用特征图、一个引导图，所述局部特征模块、全局特征模块的输入为所述多个通用特征图，输出分别为多个局部特征图、一个全局特征向量，所述参数表生成模块的输入为所述多个局部特征图和一个全局特征向量，输出为多个参数特征图，所述增强参数生成模块的输入为所述多个参数特征图和一个引导图，输出为多个增强参数图，所述图像增强模块的输入为输入图像和所述多个增强参数图，输出为输出图像；获取多个训练图像对，每一个训练图像对包括输入图像和目标图像；将所述多个训练图像对作为训练样本来训练所述卷积神经网络模型，不断更新所述卷积神经网络模型的模型参数，每更新一次模型参数，按照所述损失函数表达式来计算模型的损失函数值，当所述损失函数值收敛时，停止训练过程，得到所述卷积神经网络模型的模型参数从而生成所述卷积神经网络模型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于厦门美图之家科技有限公司，未经厦门美图之家科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811443438.1/，转载请声明来源钻瓜专利网。
