CN111583161A - 模糊图像的增强方法、计算机设备和存储介质 - Google Patents
模糊图像的增强方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111583161A CN111583161A CN202010551906.8A CN202010551906A CN111583161A CN 111583161 A CN111583161 A CN 111583161A CN 202010551906 A CN202010551906 A CN 202010551906A CN 111583161 A CN111583161 A CN 111583161A
- Authority
- CN
- China
- Prior art keywords
- image
- enhanced
- training sample
- network
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 102
- 238000005286 illumination Methods 0.000 claims abstract description 99
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 230000002708 enhancing effect Effects 0.000 claims abstract description 29
- 238000007689 inspection Methods 0.000 claims abstract description 25
- 230000002146 bilateral effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 291
- 230000006870 function Effects 0.000 claims description 101
- 238000013528 artificial neural network Methods 0.000 claims description 86
- 238000000605 extraction Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 19
- 238000007499 fusion processing Methods 0.000 claims description 17
- 230000003416 augmentation Effects 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本申请涉及一种模糊图像的增强方法、装置、计算机设备和存储介质。所述方法包括:获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像;将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。采用本方法能够降低模糊图像的增强处理难度以及降低时间成本。
Description
技术领域
本申请涉及图像增强技术领域,特别是涉及一种模糊图像的增强方法、计算机设备和存储介质。
背景技术
对车辆进行年检时,需要对各类文本图像或者自然场景图像进行分类、检测或者识别,但由于车辆年检所处场景的光线不好和/或类似于智能终端的数码产品的摄影参数设置不当等其它原因,导致拍摄的图像中存在低曝光或者暗光条件下拍摄的模糊图像,因此对此类模糊图像进行增强处理是现在亟需解决的问题之一。
传统技术中,使用对比度增强法可以对线性区域和曝光程度规律的模糊图像进行增强处理,对于模糊图像中的非线性区域和不规律曝光程度的区域使用修图软件进行调整,从而得到增强处理后图像。
然而,上述增强处理方法存在增强处理难度较大,而且耗费时间的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低模糊图像的增强处理难度以及降低时间成本的模糊图像的增强方法、计算机设备和存储介质。
一种模糊图像的增强方法,所述方法包括:
获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像;
将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
在其中一个实施例中,还包括:
将所述待增强模糊图像输入至所述预测处理子网络中,得到低分辨率光照预测图像;
将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理,得到全分辨率光照图像;
将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理,得到所述目标增强图像。
在其中一个实施例中,还包括:
将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取,得到所述待增强模糊图像的全局特征和局部特征;
将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合,得到所述低分辨率光照预测图像。
在其中一个实施例中,还包括:
获取训练样本集;所述训练样本集包括训练样本图像和标准样本图像,所述标准样本图像为对所述训练样本图像进行增强处理后的图像;
根据所述训练样本集对预设的初始神经网络进行训练,得到所述预设图像增强网络。
在其中一个实施例中,还包括:
根据所述训练样本集对预设的初始神经网络进行迭代训练,获取预设的迭代次数训练后得到的中间神经网络的损失函数的值;
判断所述损失函数的值是否达到预设的标准值;
若所述损失函数的值达到预设的标准值,则将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络;
若所述损失函数的值未达到预设的标准值,则对所述训练样本集中的训练样本图像进行错乱排序处理得到新的训练样本集,并对迭代次数进行调整,并根据所述新的训练样本集和调整后的迭代次数,对所述损失函数的值对应的中间神经网络进行训练,得到所述预设图像增强网络。
在其中一个实施例中,还包括:
对于每次迭代训练,将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中,得到各个所述训练样本图像对应的预测增强图像;
根据所述预测增强图像和对应的标准样本图像,计算所述损失函数的值。
在其中一个实施例中,还包括:
所述重建损失函数用于获取所述训练样本图像的全分辨率光照图像和标准样本图像之间的重建差异;
所述平滑度损失函数用于获取所述训练样本图像和所述全分辨率光照图像之间的平滑差异;
所述颜色损失函数用于获取所述全分辨率增强图像和所述标准样本图像之间的颜色差异。
在其中一个实施例中,还包括:
获取多个训练样本图像和对应的标准样本图像;
对所述多个训练样本图像中的至少一个训练样本图像进行扩充增广处理,得到所述训练样本集;其中,所述扩充增广处理包括平移、旋转、剪裁、仿射交换中的至少一种。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像;
将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像;
将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
上述模糊图像的增强方法、装置、计算机设备和存储介质,所述模糊图像的增强方法中,首先将获取的车辆年检场景下拍摄的模糊图像作为待增强模糊图像,然后通过将所述待增强模糊图像输入至预设图像增强网络中进行增强处理的过程得到目标增强图像。由于所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像,因此所述预设图像增强网络能够对输入的各个待增强模糊图像都能够直接进行增强处理,并不需要对输入的每个待增强模糊图像先进行线性区域、非线性区域识别以及曝光程度规律、曝光程度不规律检测后,再采用相应的增强处理方法进行增强处理,从而能够避免现有技术中需要根据待增强模糊图像中的线性区域、非线性区域、曝光程度规律区域、曝光程度不规律区域对应采用不同的增强处理手段进行增强处理导致的增强处理难度大且耗费时间的问题,也能够实现只需将所述待增强模糊图像输入至所述预图像增强网络中即可得到所述目标增强图像的目的,大大降低了增强处理的难度,节省了时间成本。
附图说明
图1为一个实施例中模糊图像的增强方法的流程示意图;
图2为另一实施例中模糊图像的增强方法的流程示意图;
图3为再一实施例中模糊图像的增强方法的流程示意图;
图4为又一实施例中模糊图像的增强方法的流程示意图;
图5为又一实施例中模糊图像的增强方法的流程示意图;
图6A为又一实施例中模糊图像的增强方法的流程示意图;
图6B为一个实施例中对初始神经网络进行训练的流程示意图;
图7为又一实施例中模糊图像的增强方法的流程示意图;
图8为一个实施例中模糊图像的增强装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的模糊图像的增强方法,其执行主体可以是模糊图像的增强装置,所述模糊图像的增强装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的,该计算机设备可以为个人计算机(Persodal Computer,PC)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等其它电子设备,例如平板电脑、手机等等,所述电子设备可以内置图像采集装置,所述电子设备与所述图像采集装置之间也可以相互独立设置且相互之间可以通过有线或无线连接,所述图像采集装置可以是摄像头,本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是,下述方法实施例的执行主体可以是上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
在一个实施例中,如图1所示,提供了一种模糊图像的增强方法,包括以下步骤:
步骤S11,获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像。
其中,所述车辆年检场景下拍摄的模糊图像可以包括暗光条件下拍摄的图像、低曝光条件下拍摄的图像。
具体地,计算机设备可以接收客户端发送的车检图像指令,并根据所述车检图像指令获取所述图像采集装置采集的若干个年检图像,然后按照预先设置的暗光条件、低曝光条件从所述若干个年检图像中筛选出与所述暗光条件、低曝光条件匹配的模糊图像,将所筛选出的模糊图像作为所述待增强模糊图片。
在实际处理过程中,计算机设备在车辆年检中,可以对所述图像采集装置采集的各类文本图像或自然场景图像进行分类、检测或识别,但是由于年检场景中存在光线暗、灯光闪烁、背景噪声等其它原因,导致图像采集装置采集的图像的图像质量往往不能满足实际需求,比如在暗光条件下采集的图像或者在低曝光条件下的采集图像,由此得到低曝光图像或者暗光图像,从而导致后续对年检场景下的低曝光图像或者暗光图像的检测识别时存在很大干扰,因此需要对所采集的低曝光图像或者暗光图像进行增强处理,以提高年检场景下的模糊图像的检测识别率。
步骤S12,将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
其中,所述待增强模糊图像对应的低分辨率光照预测图像可以包括对所述待增强模糊图像进行特征提取、且对所提取的特征进行特征融合处理后得到的图像。
具体地,计算机设备获取到所述待增强模糊图像时,可以按照预先设置的特征提取算法和特征融合处理算法,对所述待增强模糊图像进行特征提取处理以及特征融合处理,得到所述待增强模糊图像对应的低分辨率光照预测图像,然后对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,得到所述目标增强图像;其中,通过双边网格采样处理算法得到的目标增强图像可以包括多个颜色通道的图像,比如红色(red)通道的增强图像、绿色(green)通道的增强图像、蓝色(blue)通道的增强图像等,具体通道个数可以根据所述待增强模糊图像的原始通道个数确定。
上述模糊图像的增强方法中,计算机设备首先将获取的车辆年检场景下拍摄的模糊图像作为待增强模糊图像,然后通过将所述待增强模糊图像输入至预设图像增强网络中进行增强处理的过程得到目标增强图像。由于所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理后得到目标增强图像,因此能够对输入的各个待增强模糊图像都能够直接进行增强处理,并不需要对输入的每个待增强模糊图像先进行线性区域、非线性区域识别以及曝光程度规律、曝光程度不规律检测后,再采用相应的增强处理方法进行增强处理,从而能够避免现有技术中需要根据待增强模糊图像中的线性区域、非线性区域、曝光程度规律区域、曝光程度不规律区域对应采用不同的增强处理手段进行增强处理导致的增强处理难度大且耗费时间的问题,也能够实现只需将所述待增强模糊图像输入至所述预图像增强网络中即可得到所述目标增强图像的目的,大大降低了增强处理的难度,节省了时间成本。
当所述预设图像增强网络包括预测处理子网络、采样子网络和增强处理子网络时,在一个实施例中,如图2所示,步骤S12可以包括:
步骤S121,将所述待增强模糊图像输入至所述预测处理子网络中,得到低分辨率光照预测图像。
具体地,计算机设备在获取到所述待增强模糊图像时,可以将所述待增强模糊图像输入至所述预设图像增强网络的预测处理子网络中,所述预测处理子网络可以用于对所述待增强模糊图像中分辨率低的区域进行光照预测处理、分辨率高的区域的光照保持不变,以此得到所述低分辨率光照预测图像。其中,计算机设备中可以根据实际需要预存分辨率阈值,以将待增强模糊图像中低于所述分辨率阈值的区域作为所述分辨率低的区域,将待增强模糊图像中高于所述分辨率阈值的区域作为所述分辨率高的区域。
步骤S122,将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理,得到全分辨率光照图像。
具体地,计算机设备在检测到所述预测处理子网络输出所述低分辨率光照预测图像时,可以将所述低分辨率光照预测图像和所述待增强模糊图像输入至所述网格采样子网络中,以使得通过所述网格采样子网络对所述低分辨率光照预测图像和所述待增强模糊图像进行基于双边网格的上采样处理和融合处理,也即将上采样后的待增强模糊图像和上采样后的低分辨率光照预测图像进行融合处理,从而得到所述全分辨率光照图像。
步骤S123,将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理,得到所述目标增强图像。
其中,所述待增强模糊图像、所述全分辨率光照图像和所述目标增强图像的尺寸大小、像素个数分别是相同的。
具体地,计算机设备在检测到所述网格采样子网络输出所述全分辨率光照图像时,可以进一步将所述全分辨率光照图像和所述待增强模糊图像输入至所述增强处理子网络中,以使得通过所述增强处理子网络对所述全分辨率光照图像和所述待增强模糊图像进行像素增强处理,比如可以通过采用公式F=S-1*I,将所述全分辨率光照图像和所述待增强模糊图像中的像素相乘的过程进行像素增强处理,得到所述目标增强图像。其中,S为所述全分辨率光照图像,I为所述待增强模糊图像,F为所述目标增强图像。
本实施例中,计算机设备通过预测处理子网络、采样子网络和增强处理子网络,对获取的待增强模糊图像进行预测处理、采样融合处理和像素增强处理后得到目标增强图像,以此通过图像到光照的映射关系实现对待增强模糊图像的逐步增强处理的目的,避免了传统直接学习图像到图像的映射导致的增强效果不高的问题,从而有效提高了获取所述目标增强图像的可靠性。
当所述预测处理子网络包括特征提取子网络和特征融合子网络时,在一个实施例中,如图3所示,步骤S121可以包括:
步骤S1211,将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取,得到所述待增强模糊图像的全局特征和局部特征。
其中,所述全局特征可以用于表征所述待增强模糊图像的整体属性且具有良好的不变性、计算简单、表示直观等特点,所述全局特征可以包括颜色特征、纹理特征和形状特征;所述局部特征具有在所述待增强模糊图像中蕴含数量丰富、特征间相关度小的特点,可以是从图像局部区域(比如包括边缘、角点和/或曲线等其它属性的区域)中抽取的特征,所述局部特征可以包括所述待增强模糊图像中的角点类和区域类两大类。
具体地,计算机设备在获取到所述待增强模糊图像时,可以通过所述特征提取子网络对所述待增强模糊图像进行特征提取,比如可以通过所述特征提取子网络中的编码器网络子模块对所述待增强模糊图像进行局部特征提取和全局特征提取,从而得到所述待增强模糊图像的全局特征和局部特征;其中,所述全局特征的数量和所述局部特征的数量可以相同,也可以不同。
步骤S1212,将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合,得到所述低分辨率光照预测图像。
具体地,计算机设备在检测到所述特征提取子网络输出所述待增强模糊图像的全局特征和局部特征时,可以进一步将所述全局特征和所述局部特征输入至所述特征融合子网络中,以使通过所述特征融合子网络对所述全局特征和所述局部特征进行特征融合处理,并将特征融合处理后得到的图像作为所述低分辨率光照预测图像。其中,所述低分辨率光照预测图像和所述待增强模糊图像的尺寸、像素个数均相同。
本实施例中,计算机设备针对所述待增强模糊图像获取低分辨率光照预测图像时,通过所述特征提取子网络和所述特征融合子网络提取所述待增强模糊图像中的全局特征和局部特征、并对所提取的全局特征和局部特征进行特征融合处理的过程,来实现快速且有效地得到所述低分辨率光照预测图像的目的,也以此实现了对所述待增强模糊图像的初步增强处理,为后续得到所述目标增强图像奠定基础。
通过上述实施例可知,所述预设图像增强网络能够实现快速且有效地对所述待增强模糊图像进行增强处理,因此如何训练神经网络后得到所述预设增强网络就显得尤为重要。在一个实施例中,如图4所示,所述预设图像增强网络的训练过程,可以包括:
步骤S41,获取训练样本集;所述训练样本集包括训练样本图像和标准样本图像,所述标准样本图像为对所述训练样本图像进行增强处理后的图像。
具体地,计算机设备可以从所述图像采集装置采集的若干个年检图像中筛选出与预先设置的暗光条件、低曝光条件匹配的多个模糊图像,并且所述多个模糊图像可以为同一年检场景下的图像,每个模糊图像可以为低曝光条件下拍摄的图像或者暗光条件下拍摄的图像,并将所获取的多个模糊图像分别作为训练样本图像。
并且,计算机设备针对所述多个模糊图像,可以对每个模糊图像进行增强处理,得到各个标准样本图像,也即按照预先设置的标准图像的对比度范围、颜色分布比例范围、平均亮度范围、高光范围、阴影清晰度范围、锐度范围中的至少一个,对每个模糊图像的对比度、颜色分布比例、平均亮度、高光、阴影清晰度、锐度中的至少一个进行调整,得到各个调整处理后图像,所述各个调整后图像可以为各个标准样本图像,且训练样本图像与标准样本图像的个数相同且一一对应,并且训练样本图像的尺寸大小、像素个数与标准样本图像的尺寸大小、像素个数是相同的。
步骤S42,根据所述训练样本集对预设的初始神经网络进行训练,得到所述预设图像增强网络。
其中,所述预设的初始神经网络可以包括基于Retinex理论的卷积神经网络模型—RetinexNet,Retinex是由retina(视网膜)+cortex(皮层)组成的合成词,Retinex算法是由模仿人类视觉系统发展的,从单尺度Retinex算法(single scale retinex,SSR)改进为多尺度加权平均的Retinex算法(multi-scale retinex,MSR),再从MSR发展成带彩色恢复的多尺度Retinex算法(multi-scale retinex with color restoration,MSRCR);Retinex理论的基本内容是物体的颜色是由物体对长波(红)、中波(绿)和短波(蓝)光线的反射能力决定的,而不是由反射光强度的绝对值决定的;物体的色彩不受光照非均性的影响,具有一致性,也即Retinex理论通常是以色感一致性(颜色恒常性)为基础的。
具体地,计算机设备在获取到所述训练样本集时,可以根据所述训练样本集对所述预设的初始神经网络进行训练,比如可以设定训练轮数,通过所述训练样本集对所述初始神经网络进行所述设定训练轮数的训练后,可以将当前训练后的输出图像发送至客户端,以通过客户端对应用户确定所述输出图像的清晰度是否满足实际需求。
当计算机设备接收到客户端反馈的包括当前图像的图像清晰度符合要求的第一反馈信息时,可以将所述输出图像的对应神经网络作为所述预设图像增强网络;反之,当计算机设备接收到客户端反馈的包括当前图像的图像清晰图不符合要求和训练轮数调整数值的第二反馈信息时,可以对所述训练样本集中的图像顺序进行调整,将所述输出图像对应的神经网络作为新的初始神经网络,然后再根据所述调整后的训练样本集和所述训练轮数调整数值对新的初始神经网络进行所述训练轮数调整数值的轮数训练;直至接收到客户端反馈的所述第一反馈信息。可选地,所述预设的初始神经网络可以为resnet18网络。
本实施例中,计算机设备通过包括训练样本图像和标准样本图像的训练样本集对预设的初始神经网络进行训练的过程得到所述预设图像增强网络,以此实现根据训练样本图像和标准样本图像训练神经网络的目的,避免了传统方法仅使用训练样本图像训练网络时导致的稳定性和可靠性不高的问题,提高了训练过程的稳定性和可靠性。
为了提高训练神经网络的灵活性以及提高所述预设图像增强网络的可靠性,在一个实施例中,如图5所示,步骤S42可以包括:
步骤S421,根据所述训练样本集对预设的初始神经网络进行迭代训练,获取预设的迭代次数训练后得到的中间神经网络的损失函数的值。
具体地,计算机设备根据所述训练样本集对预设的初始神经网络进行迭代训练,可以是根据所述训练样本集对所述初始神经网络进行预设的设定次数的迭代训练,以得到经过预设的迭代次数训练后的中间神经网络以及所述中间神经网络的损失函数的损失值。其中,所述中间神经网络可以包括对所述预设的初始神经网络进行预设的迭代次数训练后的网络。
步骤S422,判断所述损失函数的值是否达到预设的标准值。
具体地,计算机设备可以根据所述中间神经网络的损失函数的损失值,判断所述损失函数的损失值是否达到预设的标准值,如果确定所述损失函数的损失值达到预设的标准值,则进入步骤S423;反之,如果确定所述损失函数的损失值未达到预设的标准值,则进入步骤S424。
在实际处理过程中,所述预设的标准值可以是损失值范围,也可以是损失值,并且所述预设的标准值可以根据待增强模糊图像中的不同类型的目标对象设定,比如当目标对象为车检场景中的人或者车辆时,对应设定的预设的标准值可以不同。
步骤S423,若所述损失函数的值达到预设的标准值,则将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络。
具体地,当所述损失函数的值达到所述预设的标准时,计算机设备可以确定经过预设的迭代次数训练后的神经网络为训练好的网络,此时可以将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络。
步骤S424,若所述损失函数的值未达到预设的标准值,则对所述训练样本集中的训练样本图像进行错乱排序处理得到新的训练样本集,并对迭代次数进行调整,并根据所述新的训练样本集和调整后的迭代次数,对所述损失函数的值对应的中间神经网络进行训练,得到所述预设图像增强网络。
具体地,当所述损失函数的值未达到所述预设的标准值时,计算机设备可以确定经过预设的迭代次数训练后的神经网络并不是训练好的网络,此时可以对所述训练样本集中的各个训练样本图像进行错乱排序处理,得到新的训练样本集。由于所述训练样本集中训练样本图像和标准样本图像的数量相同且一一对应,因此当对各个训练样本图像进行错乱排序处理时,也会相应对各个标准样本图像进行错乱排序处理,以使得错乱排序后的各个训练样本图像各错乱排序后的各个标准样本图像之间满足一一对应关系,因此,可以将所述错乱排序后的各个训练样本图像各错乱排序后的各个标准样本图像作为所述新的训练样本集。
并且,当所述损失函数的值未达到所述预设的标准值时,计算机设备还可以对所述预设的迭代次数进行调整,具体可以先获取所述损失函数的值和所述预设的标准值之间的差值,然后再根据所述差值和所述预设的标准值之间的比值对所述预设的迭代次数进行调整,比如,当所述比值小于1时,可以将所述预设的迭代次数至少减少1;当所述比值大于1时,可以将所述预设的迭代次数至少增加2,以此得到调整后的迭代次数。
当计算机设备确定出所述新的训练样本集和调整后的迭代次数时,可以根据所述新的训练样本集和调整后的迭代次数,对所述损失函数的值对应的中间神经网络再次进行所述调整后的迭代次数的迭代训练;直至得到所述预设图像增强网络。
本实施例中,计算机设备通过根据所述训练样本集对所述初始神经网络进行迭代训练后得到的中间神经网络的损失函数的损失值,确定所述中间神经网络为所述预设图像增强网络,还是调整训练样本集且调整当前迭代次数后继续对所述损失函数的值对应的中间神经网络进行训练,直至得到所述预设图像增强网络。以此提高了训练神经网络的灵活性,从而提高了所述预设图像增强网络的可靠性。
为了避免传统方法中使用图像到图像的映射关系训练网络时导致的网络训练精度和准确度不高的弊端,在一个实施例中,如图6A所示,步骤S421可以包括:
步骤S4211,对于每次迭代训练,将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中,得到各个所述训练样本图像对应的预测增强图像。
其中,所述预测增强图像可以是由对应训练样本图像输入至所述初始神经网络训练后得到的图像,且所述预测增强图像可以包括分辨率光照预测图像和像素增强预测图像。
具体地,参照图6B,计算机设备利用所述训练样本集中的各个训练样本图像对所述初始神经网络进行迭代训练时,可以将各个训练样本图像按照当前排列顺序划分为多个分组,再将每个分组中的训练样本图像依次输入至所述初始神经网络进行训练,得到每个训练样本图像对应的预测增强图像。其中,所述进行训练包括进行全局特征和局部特征的特征提取处理、全局特征和局部特征的特征融合处理、基于双边网格的上采样处理、像素增强处理。
步骤S4212,根据所述预测增强图像和对应的标准样本图像,计算所述损失函数的值。
其中,所述损失函数包括重建损失函数、平滑度损失函数和颜色损失函数;
所述重建损失函数用于获取所述训练样本图像的全分辨率光照图像和标准样本图像之间的重建差异,可以采用下式计算重建损失值:
为第i个训练样本图像输入至所述初始神经网络进行训练后的重建损失值,Ii为第i个训练样本图像,S为将第i个训练图像输入至所述初始神经网络进行全局特征和局部特征的特征提取处理、全局特征和局部特征的特征融合处理、基于双边网格的上采样处理后得到的分辨率光照预测图像,为第i个标准样本图像。
并且,所述重建损失函数可以用于控制分辨率光照预测图像S的上限,避免错误地使曝光不足的区域变暗,得到更清晰的细节和更好的对比度。
所述平滑度损失函数用于获取所述训练样本图像和所述全分辨率光照图像之间的平滑差异,可以采用下式计算平滑度损失值;
为第i个训练样本图像输入至所述初始神经网络进行训练后的平滑度损失值,为第i个训练样本图像中的像素水平方向偏导数,为第i个训练样本图像中的像素垂直方向偏导数,为第i个训练样本图像中的水平方向第p个像素位置、第c个颜色通道的权重值,为第i个训练样本图像中的垂直方向第p个像素位置、第c个颜色通道的权重值,l为常数,θ为预设角度值,为第i个训练样本图像中第p个像素位置的像素对数值,Sp为S中第p个像素位置的光照映射矩阵,所述光照映射矩阵在首轮训练为随机矩阵,非首轮训练时包括对上轮训练的光照映射矩阵进行反向运算处理后得到的矩阵;S为将第i个训练图像输入至所述初始神经网络进行全局特征和局部特征的特征提取处理、全局特征和局部特征的特征融合处理、基于双边网格的上采样处理后得到的分辨率光照预测图像,下标p为每个训练样本图像中的像素位置序号,下标c为每个训练样本图像中的颜色通道序号。
并且,所述平滑度损失函数用于鼓励光照在小梯度的像素上平滑、在大梯度的像素上不连续。对于曝光不足的模糊图像,其图像内容和细节往往很弱,较大的渐变更可能是由不一致的光照造成的,通过进一步加入平滑度损失函数能够恢复良好的图像对比度,与仅使用重建损失函数的结果相比,细节更加清晰。
所述颜色损失函数用于获取所述全分辨率增强图像和所述标准样本图像之间的颜色差异,可以采用下式计算颜色损失值:
为第i个训练样本图像输入至所述初始神经网络进行训练后的颜色损失值,F(Ii)为将第i个训练图像输入至所述初始神经网络进行全局特征和局部特征的特征提取处理、全局特征和局部特征的特征融合处理、基于双边网格的上采样处理、像素增强处理后得到的像素增强预测图像,为第i个标准样本图像,为(F(Ii))p和的RGB颜色的夹角,下标p为每个训练样本图像中的像素位置序号。
在实际处理过程中,当将所述训练样本集输入至所述初始神经网络中执行完一次迭代时,可以采用下式计算本次训练后的总损失值:
N为每次参与训练的训练样本图像总个数,ωr为重建损失值的权重值,ωs为平滑度损失值的权重值,ωc为颜色损失值的权重值,L为将所述训练样本集输入至所述初始神经网络中进行完一次迭代后的训练样本集总损失值。
另外,在每个训练样本图像进入所述初始神经网络进行训练后,都会计算对应所述训练样本图像对应的平滑度损失值、重建损失值、颜色损失值;当将每个分组中的训练样本图像依次输入至所述初始神经网络进行训练后,得到对应分组的分组总损失值,所述分组总损失值包括对应分组中每个训练样本图像对应的平滑度损失值、重建损失值、颜色损失值之和的平均值;当对下个分组进行训练前,可以使用反向传播算法更新当前神经网络的参数,然后再对下个分组进行训练;直至将所有分组都训练完成,得到每个训练样本图像对应的预测增强图像;当将所述训练样本集输入至所述初始神经网络中再次进行训练前,可以先对所述训练样本集中的各个训练样本图像进行错乱排序处理且相应对各个标准样本图像进行排序处理,然后再进行训练。
本实施例中,计算机设备通过将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中,得到各个所述训练样本图像对应的预测增强图像,并根据所述预测增强图像和对应的标准样本图像计算所述损失函数的值。以此能够基于图像到光照的映射关系,实现在光照上采样各种约束条件和先验的损失函数有效恢复自然曝光、对比度合适、细节清晰、色彩鲜艳的低曝光照片或者暗光照片的目的,避免了传统方法中使用图像到图像的映射关系训练网络时导致的网络训练精度和准确度不高的弊端,从而有效提高了训练初始神经网络的训练精度和准确度。
计算机在获取所述训练样本集时,也可以通过获取部分训练样本图像以及多部分训练样本图像中的至少一个进行扩充增广处理的方式得到所述训练样本集,因此在一个实施例中,如图7所示,步骤S41可以包括:
步骤S411,获取多个训练样本图像和对应的标准样本图像。
具体地,计算机设备在获取所述训练样本集时,可以先获取部分训练样本图像和对应个数的标准样本图像。比如,当所述训练样本集中包括N个训练样本图像时,可以先获取N'个训练样本图像,N'<N,并对N'个训练样本图像中的每个训练样本图像分别按照预先设置的标准图像的对比度范围、颜色分布比例范围、平均亮度范围、高光范围、阴影清晰度范围、锐度范围中的至少一个,对每个模糊图像的对比度、颜色分布比例、平均亮度、高光、阴影清晰度、锐度中的至少一个进行调整,得到N'个标准样本图像。
步骤S412,对所述多个训练样本图像中的至少一个训练样本图像进行扩充增广处理,得到所述训练样本集;其中,所述扩充增广处理包括平移、旋转、剪裁、仿射交换中的至少一种。
具体地,当计算机设备获取到N'个训练样本图像和N'个标准样本图像时,可以对N'个训练样本图像中的至少一个训练样本图像进行扩充增广处理,以得到N-N'个训练样本图像,此时再按照预先设置的标准图像的对比度范围、颜色分布比例范围、平均亮度范围、高光范围、阴影清晰度范围、锐度范围中的至少一个,对每个扩充增广处理后训练样本图像的对比度、颜色分布比例、平均亮度、高光、阴影清晰度、锐度中的至少一个进行调整,从而得到N-N'个标准训练样本,并将此时得到的所述N'个训练样本图像、所述N'个标准样本图像、所述N-N'个训练样本图像和所述N-N'个标准训练样本,作为所述训练样本集。
本实施例中,计算机设备在确定自身得到的训练样本图像个数和标准图像个数之和小于预先设置的图像个数阈值时,通过对获取的多个训练样本图像中的至少一个训练样本图像进行扩充增广处理的方式来得到与所述图像个数阈值相同的所述训练样本集。以此提高了获取所述训练样本集的灵活性和多样性。
应该理解的是,虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
由于前述实施例所述的模糊图像的增强方法可以对应一种模糊图像的增强装置,因此,在一个实施例中,如图8所示,提供了一种模糊图像的增强装置,包括:获取模块11和确定模块12,其中:
获取模块11,用于获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像。
确定模块12,用于用于将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
确定模块12,可以包括:第一确定子模块、第二确定子模块和第三确定子模块。
具体地,第一确定子模块,用于将所述待增强模糊图像输入至所述预测处理子网络中,得到低分辨率光照预测图像。
第二确定子模块,用于将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理,得到全分辨率光照图像。
第三确定子模块,用于将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理,得到所述目标增强图像。
第一确定子模块,可以包括:特征提取模块和特征融合模块。
具体地,特征提取单元,用于将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取,得到所述待增强模糊图像的全局特征和局部特征。
特征融合单元,用于将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合,得到所述低分辨率光照预测图像。
确定模块12,还可以包括:第一获取子模块和训练模块。
具体地,第一获取子模块,用于获取训练样本集;所述训练样本集包括训练样本图像和标准样本图像,所述标准样本图像为对所述训练样本图像进行增强处理后的图像。
训练子模块,用于根据所述训练样本集对预设的初始神经网络进行训练,得到所述预设图像增强网络。
训练子模块,可以包括:第一训练单元、判断单元、确定单元和第二训练单元。
具体地,第一训练单元,用于根据所述训练样本集对预设的初始神经网络进行迭代训练,获取预设的迭代次数训练后得到的中间神经网络的损失函数的值;
判断单元,用于判断所述损失函数的值是否达到预设的标准值;
确定单元,用于若所述损失函数的值达到预设的标准值,则将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络;
第二训练单元,用于若所述损失函数的值未达到预设的标准值,则对所述训练样本集中的训练样本图像进行错乱排序处理得到新的训练样本集,并对迭代次数进行调整,并根据所述新的训练样本集和调整后的迭代次数,对所述损失函数的值对应的中间神经网络进行训练,得到所述预设图像增强网络。
第一训练单元,可以包括:训练子单元和处理单元。
具体地,训练子单元,用于对于每次迭代训练,将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中,得到各个所述训练样本图像对应的预测增强图像;处理单元,用于根据所述预测增强图像和对应的标准样本图像,计算所述损失函数的值。
训练子单元或第一训练单元中的损失函数,可以包括重建损失函数、平滑度损失函数和颜色损失函数;所述重建损失函数用于获取所述训练样本图像的全分辨率光照图像和标准样本图像之间的重建差异;所述平滑度损失函数用于获取所述训练样本图像和所述全分辨率光照图像之间的平滑差异;所述颜色损失函数用于获取所述全分辨率增强图像和所述标准样本图像之间的颜色差异。
获取模块11,可以包括:第二获取子模块和处理子模块。
具体地,第二获取子模块,用于获取多个训练样本图像和对应的标准样本图像;
处理子模块,用于对所述多个训练样本图像中的至少一个训练样本图像进行扩充增广处理,得到所述训练样本集;其中,所述扩充增广处理包括平移、旋转、剪裁、仿射交换中的至少一种。
关于模糊图像的增强装置的具体限定可以参见上文中对于模糊图像的增强方法的限定,在此不再赘述。上述模糊图像的增强装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种模糊图像的增强方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像;将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述待增强模糊图像输入至所述预测处理子网络中,得到低分辨率光照预测图像;将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理,得到全分辨率光照图像;将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理,得到所述目标增强图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取,得到所述待增强模糊图像的全局特征和局部特征;将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合,得到所述低分辨率光照预测图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练样本集;所述训练样本集包括训练样本图像和标准样本图像,所述标准样本图像为对所述训练样本图像进行增强处理后的图像;根据所述训练样本集对预设的初始神经网络进行训练,得到所述预设图像增强网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述训练样本集对预设的初始神经网络进行迭代训练,获取预设的迭代次数训练后得到的中间神经网络的损失函数的值;判断所述损失函数的值是否达到预设的标准值;若所述损失函数的值达到预设的标准值,则将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络;若所述损失函数的值未达到预设的标准值,则对所述训练样本集中的训练样本图像进行错乱排序处理得到新的训练样本集,并对迭代次数进行调整,并根据所述新的训练样本集和调整后的迭代次数,对所述损失函数的值对应的中间神经网络进行训练,得到所述预设图像增强网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对于每次迭代训练,将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中,得到各个所述训练样本图像对应的预测增强图像;根据所述预测增强图像和对应的标准样本图像,计算所述损失函数的值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述损失函数包括重建损失函数、平滑度损失函数和颜色损失函数;所述重建损失函数用于获取所述训练样本图像的全分辨率光照图像和标准样本图像之间的重建差异;所述平滑度损失函数用于获取所述训练样本图像和所述全分辨率光照图像之间的平滑差异;所述颜色损失函数用于获取所述全分辨率增强图像和所述标准样本图像之间的颜色差异。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个训练样本图像和对应的标准样本图像;对所述多个训练样本图像中的至少一个训练样本图像进行扩充增广处理,得到所述训练样本集;其中,所述扩充增广处理包括平移、旋转、剪裁、仿射交换中的至少一种。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像;将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述待增强模糊图像输入至所述预测处理子网络中,得到低分辨率光照预测图像;将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理,得到全分辨率光照图像;将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理,得到所述目标增强图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取,得到所述待增强模糊图像的全局特征和局部特征;将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合,得到所述低分辨率光照预测图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本集;所述训练样本集包括训练样本图像和标准样本图像,所述标准样本图像为对所述训练样本图像进行增强处理后的图像;根据所述训练样本集对预设的初始神经网络进行训练,得到所述预设图像增强网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述训练样本集对预设的初始神经网络进行迭代训练,获取预设的迭代次数训练后得到的中间神经网络的损失函数的值;判断所述损失函数的值是否达到预设的标准值;若所述损失函数的值达到预设的标准值,则将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络;若所述损失函数的值未达到预设的标准值,则对所述训练样本集中的训练样本图像进行错乱排序处理得到新的训练样本集,并对迭代次数进行调整,并根据所述新的训练样本集和调整后的迭代次数,对所述损失函数的值对应的中间神经网络进行训练,得到所述预设图像增强网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于每次迭代训练,将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中,得到各个所述训练样本图像对应的预测增强图像;根据所述预测增强图像和对应的标准样本图像,计算所述损失函数的值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述损失函数包括重建损失函数、平滑度损失函数和颜色损失函数;所述重建损失函数用于获取所述训练样本图像的全分辨率光照图像和标准样本图像之间的重建差异;所述平滑度损失函数用于获取所述训练样本图像和所述全分辨率光照图像之间的平滑差异;所述颜色损失函数用于获取所述全分辨率增强图像和所述标准样本图像之间的颜色差异。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个训练样本图像和对应的标准样本图像;对所述多个训练样本图像中的至少一个训练样本图像进行扩充增广处理,得到所述训练样本集;其中,所述扩充增广处理包括平移、旋转、剪裁、仿射交换中的至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种模糊图像的增强方法,其特征在于,所述方法包括:
获取待增强模糊图像,所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像;
将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像;其中,所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理,并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。
2.根据权利要求1所述的方法,其特征在于,所述预设图像增强网络包括预测处理子网络、采样子网络和增强处理子网络,所述将所述待增强模糊图像输入至预设图像增强网络中,得到目标增强图像,包括:
将所述待增强模糊图像输入至所述预测处理子网络中,得到低分辨率光照预测图像;
将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理,得到全分辨率光照图像;
将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理,得到所述目标增强图像。
3.根据权利要求2所述的方法,其特征在于,所述预测处理子网络包括特征提取子网络和特征融合子网络,所述将所述待增强模糊图像输入至所述预测处理子网络中,得到低分辨率光照预测图像,包括:
将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取,得到所述待增强模糊图像的全局特征和局部特征;
将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合,得到所述低分辨率光照预测图像。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述预设图像增强网络的训练过程包括:
获取训练样本集;所述训练样本集包括训练样本图像和标准样本图像,所述标准样本图像为对所述训练样本图像进行增强处理后的图像;
根据所述训练样本集对预设的初始神经网络进行训练,得到所述预设图像增强网络。
5.根据权利要求4所述的方法,其特征在于,所述根据所述训练样本集对预设的初始神经网络进训练,得到所述预设图像增强网络,包括:
根据所述训练样本集对预设的初始神经网络进行迭代训练,获取预设的迭代次数训练后得到的中间神经网络的损失函数的值;
判断所述损失函数的值是否达到预设的标准值;
若所述损失函数的值达到预设的标准值,则将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络;
若所述损失函数的值未达到预设的标准值,则对所述训练样本集中的训练样本图像进行错乱排序处理得到新的训练样本集,并对迭代次数进行调整,并根据所述新的训练样本集和调整后的迭代次数,对所述损失函数的值对应的中间神经网络进行训练,得到所述预设图像增强网络。
6.根据权利要求5所述的方法,其特征在于,所述根据所述训练样本集对预设的初始神经网络进行迭代训练,获取预设的迭代次数训练后得到的中间神经网络的损失函数的值,包括:
对于每次迭代训练,将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中,得到各个所述训练样本图像对应的预测增强图像;
根据所述预测增强图像和对应的标准样本图像,计算所述损失函数的值。
7.根据权利要求5或6所述的方法,其特征在于,所述损失函数包括重建损失函数、平滑度损失函数和颜色损失函数;
所述重建损失函数用于获取所述训练样本图像的全分辨率光照图像和标准样本图像之间的重建差异;
所述平滑度损失函数用于获取所述训练样本图像和所述全分辨率光照图像之间的平滑差异;
所述颜色损失函数用于获取所述全分辨率增强图像和所述标准样本图像之间的颜色差异。
8.根据权利要求4所述的方法,其特征在于,所述获取训练样本集,包括:
获取多个训练样本图像和对应的标准样本图像;
对所述多个训练样本图像中的至少一个训练样本图像进行扩充增广处理,得到所述训练样本集;其中,所述扩充增广处理包括平移、旋转、剪裁、仿射交换中的至少一种。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551906.8A CN111583161A (zh) | 2020-06-17 | 2020-06-17 | 模糊图像的增强方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551906.8A CN111583161A (zh) | 2020-06-17 | 2020-06-17 | 模糊图像的增强方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111583161A true CN111583161A (zh) | 2020-08-25 |
Family
ID=72118466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010551906.8A Withdrawn CN111583161A (zh) | 2020-06-17 | 2020-06-17 | 模糊图像的增强方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583161A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915642A (zh) * | 2020-09-14 | 2020-11-10 | 北京百度网讯科技有限公司 | 图像样本的生成方法、装置、设备和可读存储介质 |
CN112465709A (zh) * | 2020-10-26 | 2021-03-09 | 华为技术有限公司 | 一种图像增强方法、装置、存储介质及设备 |
CN112561813A (zh) * | 2020-12-10 | 2021-03-26 | 深圳云天励飞技术股份有限公司 | 人脸图像增强方法、装置、电子设备及存储介质 |
CN112907469A (zh) * | 2021-02-05 | 2021-06-04 | 北京理工大学 | 基于Lab域增强、分类及对比度提升的水下图像识别方法 |
CN112926351A (zh) * | 2021-03-17 | 2021-06-08 | 北京金朗维科技有限公司 | 一种图形码识别的方法、装置和扫码设备 |
CN113066019A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像增强方法及相关装置 |
CN113436112A (zh) * | 2021-07-21 | 2021-09-24 | 杭州海康威视数字技术股份有限公司 | 一种图像增强方法、装置及设备 |
CN113744169A (zh) * | 2021-09-07 | 2021-12-03 | 讯飞智元信息科技有限公司 | 图像增强方法、装置、电子设备和存储介质 |
CN114972112A (zh) * | 2022-06-17 | 2022-08-30 | 如你所视(北京)科技有限公司 | 用于图像逆渲染的方法、装置、设备和介质 |
WO2023060921A1 (zh) * | 2021-10-14 | 2023-04-20 | 荣耀终端有限公司 | 图像处理方法与电子设备 |
CN116188346A (zh) * | 2023-05-04 | 2023-05-30 | 安翰科技(武汉)股份有限公司 | 内窥镜图像的画质增强方法及装置 |
CN116188332A (zh) * | 2023-04-27 | 2023-05-30 | 深圳思谋信息科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN117314801A (zh) * | 2023-09-27 | 2023-12-29 | 南京邮电大学 | 基于人工智能的模糊图像优化增强方法 |
CN117422855A (zh) * | 2023-12-19 | 2024-01-19 | 浙江省北大信息技术高等研究院 | 面向机器视觉的图像预处理方法、装置、设备及存储介质 |
CN114972112B (zh) * | 2022-06-17 | 2024-05-14 | 如你所视(北京)科技有限公司 | 用于图像逆渲染的方法、装置、设备和介质 |
-
2020
- 2020-06-17 CN CN202010551906.8A patent/CN111583161A/zh not_active Withdrawn
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915642B (zh) * | 2020-09-14 | 2024-05-14 | 北京百度网讯科技有限公司 | 图像样本的生成方法、装置、设备和可读存储介质 |
CN111915642A (zh) * | 2020-09-14 | 2020-11-10 | 北京百度网讯科技有限公司 | 图像样本的生成方法、装置、设备和可读存储介质 |
CN112465709A (zh) * | 2020-10-26 | 2021-03-09 | 华为技术有限公司 | 一种图像增强方法、装置、存储介质及设备 |
CN112465709B (zh) * | 2020-10-26 | 2024-04-12 | 华为技术有限公司 | 一种图像增强方法、装置、存储介质及设备 |
CN112561813B (zh) * | 2020-12-10 | 2024-03-26 | 深圳云天励飞技术股份有限公司 | 人脸图像增强方法、装置、电子设备及存储介质 |
CN112561813A (zh) * | 2020-12-10 | 2021-03-26 | 深圳云天励飞技术股份有限公司 | 人脸图像增强方法、装置、电子设备及存储介质 |
CN112907469A (zh) * | 2021-02-05 | 2021-06-04 | 北京理工大学 | 基于Lab域增强、分类及对比度提升的水下图像识别方法 |
CN113066019A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像增强方法及相关装置 |
CN112926351A (zh) * | 2021-03-17 | 2021-06-08 | 北京金朗维科技有限公司 | 一种图形码识别的方法、装置和扫码设备 |
CN113436112A (zh) * | 2021-07-21 | 2021-09-24 | 杭州海康威视数字技术股份有限公司 | 一种图像增强方法、装置及设备 |
CN113744169A (zh) * | 2021-09-07 | 2021-12-03 | 讯飞智元信息科技有限公司 | 图像增强方法、装置、电子设备和存储介质 |
WO2023060921A1 (zh) * | 2021-10-14 | 2023-04-20 | 荣耀终端有限公司 | 图像处理方法与电子设备 |
CN114972112A (zh) * | 2022-06-17 | 2022-08-30 | 如你所视(北京)科技有限公司 | 用于图像逆渲染的方法、装置、设备和介质 |
CN114972112B (zh) * | 2022-06-17 | 2024-05-14 | 如你所视(北京)科技有限公司 | 用于图像逆渲染的方法、装置、设备和介质 |
CN116188332A (zh) * | 2023-04-27 | 2023-05-30 | 深圳思谋信息科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN116188332B (zh) * | 2023-04-27 | 2023-07-28 | 深圳思谋信息科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN116188346A (zh) * | 2023-05-04 | 2023-05-30 | 安翰科技(武汉)股份有限公司 | 内窥镜图像的画质增强方法及装置 |
CN117314801A (zh) * | 2023-09-27 | 2023-12-29 | 南京邮电大学 | 基于人工智能的模糊图像优化增强方法 |
CN117422855A (zh) * | 2023-12-19 | 2024-01-19 | 浙江省北大信息技术高等研究院 | 面向机器视觉的图像预处理方法、装置、设备及存储介质 |
CN117422855B (zh) * | 2023-12-19 | 2024-05-03 | 浙江省北大信息技术高等研究院 | 面向机器视觉的图像预处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583161A (zh) | 模糊图像的增强方法、计算机设备和存储介质 | |
US10979640B2 (en) | Estimating HDR lighting conditions from a single LDR digital image | |
WO2020171373A1 (en) | Techniques for convolutional neural network-based multi-exposure fusion of multiple image frames and for deblurring multiple image frames | |
Wang et al. | Biologically inspired image enhancement based on Retinex | |
US11233933B2 (en) | Method and device for processing image, and mobile terminal | |
US8175385B2 (en) | Foreground/background segmentation in digital images with differential exposure calculations | |
US20200234414A1 (en) | Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures | |
US20110268359A1 (en) | Foreground/Background Segmentation in Digital Images | |
WO2021115242A1 (zh) | 一种超分辨率图像处理方法以及相关装置 | |
KR20210118233A (ko) | 모바일 전자 기기를 사용한 고품질 플래쉬 사진을 위해 복수의 이미지를 촬영 및 블렌딩하는 장치 및 방법 | |
Ulucan et al. | Multi-exposure image fusion based on linear embeddings and watershed masking | |
WO2023005827A1 (zh) | 曝光补偿方法、装置和电子设备 | |
Wang et al. | Low-light image enhancement based on virtual exposure | |
CN114862722B (zh) | 一种图像亮度增强实现方法及处理终端 | |
WO2021128593A1 (zh) | 人脸图像处理的方法、装置及系统 | |
Liu et al. | Progressive complex illumination image appearance transfer based on CNN | |
WO2023151214A1 (zh) | 图像生成方法、系统、电子设备、存储介质和产品 | |
WO2023110880A1 (en) | Image processing methods and systems for low-light image enhancement using machine learning models | |
Chou et al. | Power constrained exposure correction network for mobile devices | |
CN115082345A (zh) | 图像阴影去除方法、装置、计算机设备和存储介质 | |
CN111080543B (zh) | 图像处理方法及装置、电子设备及计算机可读存储介质 | |
CN113592753A (zh) | 基于工业相机拍摄的图像的处理方法、装置和计算机设备 | |
CN114565506B (zh) | 图像颜色迁移方法、装置、设备及存储介质 | |
US20240163566A1 (en) | Exposure compensation method and apparatus, and electronic device | |
US20230186612A1 (en) | Image processing methods and systems for generating a training dataset for low-light image enhancement using machine learning models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200825 |
|
WW01 | Invention patent application withdrawn after publication |