CN113436081A - 数据处理方法、图像增强方法及其模型训练方法 - Google Patents
数据处理方法、图像增强方法及其模型训练方法 Download PDFInfo
- Publication number
- CN113436081A CN113436081A CN202010208572.4A CN202010208572A CN113436081A CN 113436081 A CN113436081 A CN 113436081A CN 202010208572 A CN202010208572 A CN 202010208572A CN 113436081 A CN113436081 A CN 113436081A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- enhancement
- model
- enhancement model
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 690
- 238000000034 method Methods 0.000 title claims abstract description 118
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 230000002708 enhancing effect Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 202
- 239000011159 matrix material Substances 0.000 claims description 67
- 238000012360 testing method Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 18
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 89
- 230000008569 process Effects 0.000 description 45
- 238000010586 diagram Methods 0.000 description 24
- 230000000007 visual effect Effects 0.000 description 20
- 238000003707 image sharpening Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000003706 image smoothing Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000004984 smart glass Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
Abstract
本说明书提供数据处理方法、图像增强方法及其模型训练方法,其中所述数据处理方法包括:接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;展示调整后的所述图像增强模型的参数。
Description
技术领域
本说明书涉及图像处理技术领域,特别涉及数据处理方法、图像增强方法及图像增强模型训练方法。
背景技术
随着互联网技术的发展,图像和视频的视觉效果增强受到越来越多的关注,在显示设备中展示时均会对待展示图像或者待展示视频进行增强处理后再进行展示,以提升对用户的视觉效果。对待展示图像或者待展示视频进行增强处理通常是采用卷积神经网络实现,然而卷积神经网络的输出虽然可以达到图像或者视频增强的效果,但是存在着区域平滑或者图像/视频存在瑕疵等问题,增强效果不够明显。故亟需一种有效方案以解决上述问题。
发明内容
有鉴于此,本说明书实施例提供了一种数据处理方法,一种数据处理装置;同时涉及一种图像增强方法,一种图像增强装置,一种图像增强模型训练方法,一种图像增强模型训练装置,三种计算设备,以及三种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种数据处理方法,包括:
接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示调整后的所述图像增强模型的参数。
可选的,所述根据所述请求数据,提取训练图像步骤执行之后,且所述根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像步骤执行之前,还包括:
向所述用户展示所述训练图像;
在接收到所述用户针对所述训练图像提交的调整请求的情况下,根据所述调整请求对所述训练图像进行调整处理,获得目标训练图像;
相应的,所述根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像,包括:
根据所述预设的增强算法,对所述目标训练图像进行增强处理,获得所述第一图像,以及将所述目标训练图像输入至所述图像增强模型,获得所述第二图像。
可选的,所述根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,包括:
基于所述训练图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的所述增强算法,对所述训练图像进行增强处理,获得所述第一图像。
可选的,所述将所述训练图像输入至图像增强模型,获得第二图像,包括:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
可选的,所述根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整,包括:
基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
按照所述待增强参数对所述图像增强模型的参数进行调整。
可选的,所述展示调整后的所述图像增强模型的参数步骤执行之后,还包括:
接收所述用户上传的调整数据,其中,所述调整数据中包含参数调整请求;
确定调整后的所述图像增强模型的参数中与所述调整数据对应的目标参数,并根据所述参数调整请求对所述目标参数进行调整;
展示调整后的所述图像增强模型的目标参数。
根据本说明书实施例的第二方面,提供了一种数据处理装置,包括:
接收模块,被配置为接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
提取模块,被配置为根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
增强模块,被配置为根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
调整模块,被配置为根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示模块,被配置为展示调整后的所述图像增强模型的参数。
根据本说明书实施例的第三方面,提供了一种图像增强方法,包括:
获取待处理图像;
将所述待处理图像输入至目标图像增强模型进行图像增强处理;
获得所述目标图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述目标图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
可选的,所述训练图像维度,通过如下方式确定:
确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
将所述训练图像参数与所述真实图像参数进行对比;
根据对比结果在所述图像维度中确定所述训练图像维度。
可选的,所述训练图像维度的增强算法对所述训练图像进行增强处理的过程如下所述:
提取所述训练图像在所述训练图像维度对应的图像参数;
按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像;
将所述第一图像确定为所述训练图像维度的增强算法对所述训练图像进行增强处理的处理结果。
可选的,所述图像增强模型对所述训练图像进行增强处理的过程如下所述:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像;
将所述第二图像确定为所述图像增强模型对所述训练图像进行增强处理的处理结果。
可选的,对所述图像增强模型进行优化的过程如下所述:
基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
根据所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
根据本说明书实施例的第四方面,提供了一种图像增强装置,包括:
获取模块,被配置为获取待处理图像;
输入模块,被配置为将所述待处理图像输入至目标图像增强模型进行图像增强处理;
输出模块,被配置为获得所述目标图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述目标图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
根据本说明书实施例的第五方面,提供了一种图像增强模型训练方法,包括:
获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
可选的,所述基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度,包括:
确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
将所述训练图像参数与所述真实图像参数进行对比;
根据对比结果在所述图像维度中确定所述至少一个训练图像维度。
可选的,所述按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,包括:
提取所述训练图像在所述训练图像维度对应的图像参数;
按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像。
可选的,所述将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像,包括:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
可选的,所述图像增强模型通过如下方式进行训练:
根据模型训练图像对应的模型真实图像构建训练图像样本;
将所述训练图像样本输入至初始图像增强模型进行训练,获得所述图像增强模型,所述初始图像增强模型基于所述模型训练图像与所述模型真实图像之间的关系构建。
可选的,所述第二图像相对于所述第一图像存在的损失,通过如下方式确定:
基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
按照所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失。
可选的,所述对所述图像增强模型进行优化,包括:
基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整。
可选的,所述按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化步骤执行之后,还包括:
根据对所述图像增强模型进行优化的结果,获得目标图像增强模型;
在预设的测试图像集中选择测试图像输入至所述目标图像增强模型进行增强处理,获得所述测试图像对应的预测图像;
将所述测试图像对应的目标图像与所述预测图像进行比对;
在比对结果为合格的情况下,将所述目标图像增强模型进行存储。
可选的,所述增强算法包括下述至少一项:
导向滤波算法、对比度线性拉伸算法、自适应直方图均衡化算法、非局部均值算法、锐化算法、双边滤波算法。
根据本说明书实施例的第六方面,提供了一种图像增强模型训练装置,包括:
获取模块,被配置为获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
确定模块,被配置为基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
增强模块,被配置为按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
优化模块,被配置为按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
根据本说明书实施例的第七方面,提供了第一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示调整后的所述图像增强模型的参数。
根据本说明书实施例的第八方面,提供了第二种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取待处理图像;
将所述待处理图像输入至目标图像增强模型进行图像增强处理;
获得所述目标图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述目标图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
根据本说明书实施例的第九方面,提供了第三种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
根据本说明书实施例的第十方面,提供了第一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述数据处理方法的步骤。
根据本说明书实施例的第十一方面,提供了第二种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述图像增强方法的步骤。
根据本说明书实施例的第十二方面,提供了第三种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述图像增强模型训练方法的步骤。
本说明书一实施例提供的数据处理方法,在接收到用户针对图像增强模型提交的包含模型训练请求的请求数据的情况下,根据所述请求数据提取训练图像,并按照预设的增强算法对所述训练图像进行增强处理,获得第一图像,同时将所述训练图像输入至图像增强模型,获得第二图像,之后根据所述第一图像和所述第二图像对所述图像增强模型进行参数的调整,并向用户展示调整后的模型参数,实现了将图像增强模型的增强效果进行提升,并且对图像增强模型的参数调整方向是与用户的模型训练请求所对应,使得参数调整完成的图像增强模型能够输出符合用户需求的增强图像,进一步提高了用户的体验效果。
本说明书一实施例提供的图像增强方法,通过将所述待处理图像输入至采用训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得的目标图像增强模型,获得所述目标图像,实现了提高对所述待处理图像的增强效果,从而保证增强处理后的图像视觉效果具有显著的提升。
本说明书一实施例提供的图像增强模型训练方法,根据作为训练样本的至少一个图像集中的训练图像和其对应的真实图像在各个图像维度的图像参数,确定至少一个训练图像维度,按照所述训练图像维度的增强算法对所述训练图像进行增强处理获得第一图像,同时将训练图像输入至图像增强模型获得第二图像,基于所述第一图像和第二图像之间存在的损失对所述图像增强模型进行优化即可获得输出准确率较高的图像增强模型,实现了在使用优化后的图像增强模型进行图像增强时,可以使得图像增强后的视觉效果更佳,并且通过第一图像和第二图像之间存在的损失对图像增强模型进行优化,使得优化后的图像增强模型可以准确的确定需要增强处理的图像的增强图像维度,从而使得增强处理后的图像在保证展示效果的同时不会出现过度增强的问题。
附图说明
图1是本说明书一实施例提供的一种数据处理方法的流程图;
图2是本说明书一实施例提供的一种数据处理方法的结构示意图;
图3是本说明书一实施例提供的一种图像增强方法的流程图;
图4是本说明书一实施例提供的一种图像增强方法的结构示意图;
图5是本说明书一实施例提供的一种图像增强模型训练方法的流程图;
图6是本说明书一实施例提供的一种图像增强模型训练方法的结构示意图;
图7是本说明书一实施例提供的一种图像增强模型训练方法中优化过程的示意图;
图8是本说明书一实施例提供的一种数据处理装置的结构示意图;
图9是本说明书一实施例提供的一种图像增强装置的结构示意图;
图10是本说明书一实施例提供的一种图像增强模型训练装置的结构示意图;
图11是本说明书一实施例提供的第一种计算设备的结构框图;
图12是本说明书一实施例提供的第二种计算设备的结构框图;
图13是本说明书一实施例提供的第三种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本说明书中,提供了一种数据处理方法,一种数据处理装置;同时涉及一种图像增强方法,一种图像增强装置,一种图像增强模型训练方法,一种图像增强模型训练装置,三种计算设备,以及三种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一实施例提供的一种数据处理方法的流程图,图2示出了根据本说明书一实施例提供的一种数据处理方法的结构示意图,其中图1具体包括以下步骤:
步骤102,接收用户上传的请求数据。
实际应用中,随着用户对图像或者视频的视觉效果的追求程度加深,很多用户为了能够获得符合自身意图的增强图像,会选择在提供图像增强服务的平台搭建图像增强模型,使得在需要图像增强的时候可以通过该平台获得展示效果较好的增强图像,然而大多数平台采用神经网络实现图像增强,由于神经网络的输出结果过于平滑,虽然可以对图像实现增强处理,但是容易造成细节的丢失,使得图像趋于均值,效果并不能达到用户需求标准,并且对神经网络的训练过程较为单一,输出结果很难达到用户的图像增强需求。
参见图2所示,本实施例提供的数据处理方法,为了能够实现向用户提供图像增强处理服务的同时,还可以根据用户的需求对图像增强模型进行参数调整,从而可以通过图像增强模型输出符合用户需求的增强图像,通过用户提交的请求数据提取训练图像,并按照预设的增强算法对所述训练图像进行增强处理,获得第一图像,同时将所述训练图像输入至图像增强模型,获得第二图像,之后根据所述第一图像和所述第二图像对所述图像增强模型进行参数的调整,并向用户展示调整后的模型参数,实现了将图像增强模型的增强效果进行提升,并且对图像增强模型的参数调整方向是与用户的模型训练请求所对应,使得参数调整完成的图像增强模型能够输出符合用户需求的增强图像,进一步提高了用户的体验效果。
具体实施时,所述请求数据中包含模型训练请求;所述模型训练请求是指对图像增强模型进行训练的请求,所述图像增强模型是指与用户具有匹配关系的模型,搭载该模型的平台可以根据用户的需求对模型进行训练或者优化,使得最终获得的图像增强模型的输出效果更加符合用户的需求;
进一步的,当用户针对所述图像增强模型提交请求数据的情况下,说明此时图像增强模型的图像增强效果未能够满足用户的需求,则需要根据所述请求数据进行后续的模型参数调整过程。
步骤104,根据所述请求数据,提取训练图像。
具体的,在上述接收到包含模型训练请求的请求数据的基础上,进一步的,根据所述请求数据提取训练图像;其中,所述训练图像用于模型训练。
具体实施时,所述训练图像是指用于在对所述图像增强模型进行训练的过程中所使用的图像,并且,根据所述请求数据提取所述训练图像的过程中,由于用户是有目的性的对所述图像增强模型进行训练,故此时提取的训练图像与所述请求数据具有对应关系,比如图像增强模型的颜色增强效果较差,此时用户需要对图像增强模型中的颜色维度对应的模型参数进行调整,当用户提交的请求数据中包含颜色训练请求的情况下,将根据该请求提取训练图像增强模型颜色增强维度的训练图像进行后续的模型优化,从而可以使得优化后的模型满足用户在颜色增强效果的需求。
此外,在提取到与所述请求数据对应的训练图像之后,为了能够更进一步的确保后续的图像增强模型的参数调整结果符合用户的需求,此时可以将所述训练图像向所述用户进行展示,用户可以根据需求对所述训练图像进行调整,本实施例的一个或多个实施方式中,具体实现方式如下所述:
向所述用户展示所述训练图像;
在接收到所述用户针对所述训练图像提交的调整请求的情况下,根据所述调整请求对所述训练图像进行调整处理,获得目标训练图像;
在获得所述目标训练图像之后,更进一步的,将执行下述步骤106根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;步骤106具体是指根据所述预设的增强算法,对所述目标训练图像进行增强处理,获得所述第一图像,以及将所述目标训练图像输入至所述图像增强模型,获得所述第二图像。
实际应用中,在提取与所述请求数据对应的训练图像之后,可以将所述训练图像向所述用户进行展示,并检测在预设的时间周期内是否接收到用户针对所述训练图像提交的调整请求,若是,则说明此时用户需要对所述训练图像进行调整,表明提取的训练图像若用于后续的图像增强模型的训练,可能导致训练结果不符合用户的需求,此时用户则可以针对训练图像作出调整;根据用户提交的调整请求,对所述训练图像进行调整处理,获得目标训练图像即可,后续通过使用目标训练图像对所述图像增强模型的参数进行调整,能够获得更加符合用户需求的模型;
若否,则说明用户不需要对所述训练图像进行调整,表明提取的训练图像若用于后续的图像增强模型的训练,可以获得符合用户需求的图像增强模型,则执行后续步骤106即可。
具体实施时,对所述训练图像进行调整处理,具体是指在所述训练图像中增加或者删除不符合用户需求的训练图像中的子训练图像,从而使得最终用于训练模型的图像都是符合用户需求的训练图像,才能够保证最终的调整方向符合用户需求。
综上,在提取到训练图像之后,为了能够确保最终对图像增强模型的参数调整结果符合用户的需求,在此期间,可以向用户展示训练图像,用于询问用户是否存在对训练图像的调整需求,在接收到调整请求的情况下,直接多所述训练图像按照调整请求进行处理,获得目标训练图像,更进一步的提高了用户的体验效果。
步骤106,根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像。
具体的,在上述提取训练图像的基础上,进一步的,将根据预设的增强算法对所述训练图像进行增强处理,同时通过图像增强模型进行增强处理,获得第一图像和第二图像。
实际应用中,在根据预设的增强算法对所述训练图像进行增强处理的过程中,可以通过提取所述训练图像对应的真实图像,根据所述真实图像和所述训练图像在各个图像维度的图像参数,确定至少一个训练图像维度,再按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像;
其中,至少一个训练图像维度与所述请求数据所对应,具体是指当用户针对所述图像增强模型提交请求数据的情况下,在所述请求数据中将携带有对所述图像增强模型进行训练的方向,比如告知对模型的颜色增强方向的参数进行调整,此时,提取的训练图像也是与所述请求数据所对应,故根据所述训练图像和真实图像确定的至少一个训练图像维度也是与所述训练请求所对应。
并且,在对图像增强模型进行优化的过程中,当按照用户的请求数据进行模型的优化时,可能出现图像增强模型在其他维度的增强效果下降,比如,对图像增强模型的颜色参数进行调整,而导致图像增强模型在像素维度的效果降低,此时的图像增强模型的增强效果将偏离用户的需求,为了避免这种情况发生,可以在提取请求数据对应的训练图像的过程中,提取的训练图像在其他维度的增强效果进行调整,从而使得图像增强模型在优化的过程中可以对其他维度的增强效果也进行微调,从而使得模型的增强效果更好。
具体实施时,训练图像维度可以是一个或者多个,当训练图像维度为一个的情况下,此时说明训练图像相对于其对应的真实图像在一个图像维度的效果存在区别,当训练图像维度为多个的情况下,此时说明训练图像相对于其对应的真实图像在多个图像维度的效果存在区别;所述图像维度可以包括下述至少一项:图像平滑维度、图像边缘维度、图像灰度维度、图像均衡化维度、图像像素维度以及图像锐化维度。
例如,真实图像在图像清晰维度的清晰度参数是a1,在图像颜色维度的颜色参数是b1,在图像锐化维度的锐化参数是c1,此时确定图像维度即为图像清晰维度、图像颜色维度以及图像锐化维度,相应的,训练图像在图像清晰度的清晰度参数是a2,在图像颜色维度的颜色参数是b2,在图像锐化维度的锐化参数是c2,其中,c2小于c1,说明训练图像在锐化维度的效果区别于真实图像在锐化维度的展示效果,此时可以确定锐化维度即为训练图像维度,需要在后续将训练图像在此维度的参数进行调整,实现训练图像在此维度的图像增强处理。
综上,将训练图像和真实图像分别对应的图像参数进行比对,即可确定二者之间存在的差异的图像参数,将存在差异的图像参数所属的维度确定为所述训练图像维度,方便后续能够准确的对训练图像进行增强处理,提高了对图像增强模型的优化程度。
进一步的,为了提高后续参数调整的准确性,可以通过图像参数确定增强算法,从而实现对训练图像的增强处理,本实施例的一个或多个实施方式中,具体实现方式如下所述:
基于所述训练图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的所述增强算法,对所述训练图像进行增强处理,获得所述第一图像。
实际应用中,不同的训练图像维度将设置有不同的增强算法,用于对该维度的训练图像的图像参数进行调整,使得图像参数调整后的训练图像在该训练图像维度的展示效果更佳,例如,训练图像维度是图像平滑维度,此时则可以根据图像平滑维度预设的加权最小二乘算法对训练图像进行增强处理,增强处理过程实则是将训练图像经过平滑处理后得到展示效果更佳第一图像。
此外,所述增强算法包括下述至少一项:导向滤波算法、对比度线性拉伸算法、自适应直方图均衡化算法、非局部均值算法、锐化算法、双边滤波算法。
其中,导向滤波算法(weighted least square filter)属于图像平滑维度,对比线性拉伸算法(linear contrast stretch)属于图像灰度维度,自适应直方图均衡化算法(adaptive histogram equalization)属于图像均衡化维度,非局部均值算法(Non-localmeans)属于图像像素维度,锐化算法(unsharpen mask)属于图像锐化维度,双边滤波算法(biletarial filter)属于图像去噪维度;相应的,所述导向滤波算法用于对图像的平滑程度进行处理,所述对比度线性拉伸算法用于对图像的灰度值进行拉伸处理,所述自适应直方图均衡化算法用于对图像的明暗分布问题进行处理,所述非局部均值算法用于对图像的像素点进行处理,所述锐化算法用于对图像的锐化程度进行处理,所述双边滤波算法用于对图像的透射率进行处理。
具体实施时,基于所述训练图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度可以通过选择训练图像对应真实图像,将真实图像的图像参数和训练图像的图像参数进行对比,确定所述至少一个训练图像维度,还可以通过将训练图像在各个图像维度的图像参数与各个维度的参数阈值进行比对,确定所述至少一个训练图像维度,再进行后续的增强处理即可获得第一图像。
在通过增强算法对所述训练图像进行增强处理的同时,通过所述图像增强模型也对所述训练图像进行增强处理,具体实现方式如下所述:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
具体的,通过提取所述训练图像在训练图像维度对应的图像参数,再按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果即可获得训练图像增强处理后的第一图像,同时再对所述训练图像的高频信息进行处理,根据处理结果获得所述待增强图像,再将所述待增强图像输入至所述图像增强模型进行图像增强处理,即可获得增强处理后的训练图像对应的第二图像。
其中,所述高频信息具体是指所述训练图像在各个图像维度的图像参数的集合,在对所述图像增强模型进行训练的过程中,为了检测出图像增强模型的增强效果,需要对输入模型的图像进行预处理,即将所述训练图像进行低质量处理,将所述训练图像随机选择至少一个图像维度的图像参数进行降低,获得所述待增强图像,之后再由图像增强模型进行增强处理,获得的第二图像即为对待增强图像的增强处理结果;最后基于所述第一图像和第二图像即可对图像增强模型进行参数调整,从而使得用户获得增强效果更好的图像增强模型。
沿用上例,确定训练图像维度是锐化维度的情况下,此时将根据锐化维度预设的锐化算法对训练图像进行调整,将训练图像的锐化参数c2调整为c3,根据调整结果获得第一增强图像,同时将该训练图像输入至图像增强模型进行增强处理,获得第二增强图像;其中,第一增强图像的清晰度参数是a2,颜色参数是b2,锐化参数是c3,第二增强图像的清晰度参数是a3,颜色参数是b3,锐化参数是c4。
综上,按照训练图像维度预设的增强算法对所述训练图像进行增强处理的同时,还经过所述图像增强模型对所述训练图像进行增强处理,分别获得第一图像和第二图像,以用于在后续可以对图像增强模型的参数进行调整,从而使得用户获得的图像增强模型的增强效果更好。
步骤108,根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整。
具体的,在上述通过对所述训练图像进行增强处理,获得第一图像和第二图像的基础上,进一步的,将基于所述第一图像和所述第二图像对所述图像增强模型的参数进行调整。
实际应用中,所述第二图像虽然经过所述图像增强模型进行增强处理,但是可能此时图像增强模型的增强效果达不到较好的状态,输出的第二图像并未达到训练图像对应的真实图像的标准,即第二图像与真实图像存在的差异较大,而第一图像经过增强算法进行增强处理后,此时虽然第一图像相比于训练图像对应的真实图像的标准存在一定的差异,但是此时第一图像与真实图像存在的差异是较小的,在可控范围内,即可以根据第二图像相对于第一图像存在的损失对所述图像增强模型进行参数的调整,再向用户展示调整结果。
进一步的,为了能够准确的对图像增强模型进行调整,从而获得符合用户需求的图像增强模型,可以通过计算第一图像和第二图像二者直接的损失对所述模型的参数进行适应调整,本实施例的一个或多个实施方式中,具体实现方式如下所述:
基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
按照所述待增强参数对所述图像增强模型的参数进行调整。
具体的,在确定所述第二图像相对于所述第一图像存在的损失之后,基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数,所述待增强参数具体是指所述第二图像还需要进行增强的图像参数,此时说明所述图像增强模型在所述待增强参数对应的增强效果不够明显,故将按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整;所述模型参数与所述待增强参数相对应,通过调整模型参数即可增强模型的输出图像在待增强参数所属的维度的视觉效果。
实际应用中,所述第一图像和第二图像之间存在的损失可以通过计算欧式距离的方式确定,首先基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵,之后按照所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,最后确定所述第二图像相对于所述第一图像存在的损失。具体实施时,确定所述第二图像相对于所述第一图像存在的损失可以通过如下公式(1)实现:
沿用上例,第一增强图像的清晰度参数是a2,颜色参数是b2,锐化参数是c3,第二增强图像的清晰度参数是a3,颜色参数是b3,锐化参数是c4,通过计算第一增强图像和第二增强图像之间的欧氏距离损失,确定a2与a3相近,c3与c4相近,b3与b2存在差异较大,此时可以确定图像增强模型输出的第二增强图像在图像颜色维度的增强效果不明显,确定待增强参数为颜色参数,按照颜色参数对图像增强模型中对图像的颜色参数进行增强处理的处理层相关的模型参数进行调整,并向用户展示参数调整结果,使得用户可以确定模型的调整过程。
按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整,实现了可以有针对性的对所述图像增强模型进行优化,从而实现优化后的图像增强模型的增强效果更佳。
步骤110,展示调整后的所述图像增强模型的参数。
具体的,在对所述图像增强模型的参数进行调整的基础上,进一步的,将向用户展示调整后的所述图像增强模型的参数;在向用户展示调整后的参数时,可以是对图像增强模型的参数进行调整的相关信息,或者调整后图像增强模型能够达到的图像增强效果的相关信息。
此外,在向用户展示调整后的图像增强模型的参数之后,可能此时的调整结果与用户的需求存在一定的偏差,为了避免这一情况而影响图像增强模型的优化,以及降低用户的体验效果,可以向用户开放参数调整权限,本实施例的一个或多个实施方式中,具体实现方式如下所述:
接收所述用户上传的调整数据,其中,所述调整数据中包含参数调整请求;
确定调整后的所述图像增强模型的参数中与所述调整数据对应的目标参数,并根据所述参数调整请求对所述目标参数进行调整;
展示调整后的所述图像增强模型的目标参数。
实际应用中,在向用户展示调整后的图像增强模型的参数之后,此时若接收到所述用户上传的针对调整后的参数进行调整的调整数据的情况下,说明初步调整后的参数不符合用户需求,则根据用户上传的调整数据中包含的参数调整请求,在初步调整后的参数中确定与所述调整数据对应的目标参数,并根据所述参数调整请求对所述目标参数进行进一步的调整,此时再向用户展示最终的调整后的目标参数即可,使得最终展示的调整后的目标参数更加符合用户的需求,从而使得最终的图像增强模型的增强效果更加符合用户的需求。
本实施例提供的数据处理方法,通过用户提交的请求数据提取训练图像,并按照预设的增强算法对所述训练图像进行增强处理,获得第一图像,同时将所述训练图像输入至图像增强模型,获得第二图像,之后根据所述第一图像和所述第二图像对所述图像增强模型进行参数的调整,并向用户展示调整后的模型参数,实现了将图像增强模型的增强效果进行提升,并且对图像增强模型的参数调整方向是与用户的模型训练请求所对应,使得参数调整完成的图像增强模型能够输出符合用户需求的增强图像,进一步提高了用户的体验效果。
图3示出了根据本说明书一实施例提供的一种图像增强方法的流程图,图4示出了根据本说明书一实施例提供的一种图像增强方法的结构示意图,其中图具体包括以下步骤:
步骤302,获取待处理图像。
实际应用中,在对图像进行增强处理的过程中,通常是采用基于神经网络构建的图像增强模型实现,同时为了增加图像的真实感,会结合判别模型同时对图像进行增强处理,然而无论是神经网络还是结合判别模型在对图像进行增强处理后获得的目标图像虽然进行了增强,但是目标图像很可能出现细节的丢失,并且判别网络的损失的约束将会导致目标图像产生瑕疵,使得最终的展示效果大大降低。
参见图4所示,本实施例提供的图像增强方法,为了能够实现可以对图像进行增强处理后的视觉效果达到用户需求标准,以及提高图像增强模型的增强处理效果,通过将所述待处理图像输入至采用训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得的目标图像增强模型,获得所述目标图像,实现了提高对所述待处理图像的增强效果,从而保证增强处理后的图像视觉效果具有显著的提升。
参见图4所示,所述待处理图像为需要进行增强处理的图像,并且所述待处理图像的数目可以是多个或者一个,实际应用中,在通过所述图像增强模型对待处理图像进行增强处理的过程中,所述待处理图像在输入至图像增强模型之前,为了提高对所述待处理图像的增强效果,可以对所述待处理图像进行预处理,预处理过程具体是指将所述待处理图像进行修剪,修剪方式是将所述待处理图像的尺寸或者大小调整为图像增强模型的输入标准,从而更加方便进行图像增强处理。
步骤304,将所述待处理图像输入至目标图像增强模型进行图像增强处理。
步骤306,获得所述目标图像增强模型输出的所述待处理图像对应的目标图像。
具体的,所述目标图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
本实施例的一个或多个实施方式中,所述训练图像维度,通过如下方式确定:
确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
将所述训练图像参数与所述真实图像参数进行对比;
根据对比结果在所述图像维度中确定所述训练图像维度。
实际应用中,在确定所述训练图像维度的过程中,将分别确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数,之后在将所述训练图像参数和所述真实图像参数进行比对,即可了解到所述训练图像与所述真实图像存在的差异图像参数,再确定差异图像参数所属的图像维度,将此维度确定为所述训练图像维度即可。
例如,真实图像在图像清晰维度的清晰度参数是a1,在图像颜色维度的颜色参数是b1,在图像锐化维度的锐化参数是c1,此时确定图像维度即为图像清晰维度、图像颜色维度以及图像锐化维度,相应的,训练图像在图像清晰度的清晰度参数是a2,在图像颜色维度的颜色参数是b2,在图像锐化维度的锐化参数是c2,其中,c2小于c1,说明训练图像在锐化维度的效果区别于真实图像在锐化维度的展示效果,此时可以确定锐化维度即为训练图像维度,需要在后续将训练图像在此维度的参数进行调整,实现训练图像在此维度的图像增强处理。
本实施例的一个或多个实施方式中,所述训练图像维度的增强算法对所述训练图像进行增强处理的过程如下所述:
提取所述训练图像在所述训练图像维度对应的图像参数;
按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像;
将所述第一图像确定为所述训练图像维度的增强算法对所述训练图像进行增强处理的处理结果。
本实施例的一个或多个实施方式中,所述图像增强模型对所述训练图像进行增强处理的过程如下所述:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像;
将所述第二图像确定为所述图像增强模型对所述训练图像进行增强处理的处理结果。
实际应用中,通过提取所述训练图像在训练图像维度对应的图像参数,再按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果即可获得训练图像增强处理后的第一图像,同时在对所述训练图像的高频信息进行处理,根据处理结果获得所述待增强图像,再将所述待增强图像输入至所述图像增强模型进行图像增强处理,即可获得增强处理后的训练图像对应的第二图像。
其中,所述高频信息具体是指所述训练图像在各个图像维度的图像参数的集合,在对所述图像增强模型进行训练的过程中,为了检测出图像增强模型的增强效果,需要对输入模型的图像进行预处理,即将所述训练图像进行低质量处理,将所述训练图像随机选择至少一个图像维度的图像参数进行降低,获得所述待增强图像,之后再由图像增强模型进行增强处理,获得的第二图像即为对待增强图像的增强处理结果;最后基于所述第一图像和第二图像即可对图像增强模型进行优化获得增强效果更好的目标图像增强模型。
沿用上例,确定训练图像维度是锐化维度的情况下,此时将根据锐化维度预设的锐化算法对训练图像进行调整,将训练图像的锐化参数c2调整为c3,根据调整结果获得第一增强图像,同时将该训练图像输入至图像增强模型进行增强处理,获得第二增强图像;其中,第一增强图像的清晰度参数是a2,颜色参数是b2,锐化参数是c3,第二增强图像的清晰度参数是a3,颜色参数是b3,锐化参数是c4。
本实施例的一个或多个实施方式中,对所述图像增强模型进行优化的过程如下所述:
基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
根据所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
实际应用中,首先基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵,之后按照所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,最后确定所述第二图像相对于所述第一图像存在的损失。
具体实施时,在确定所述第二图像相对于所述第一图像存在的损失之后,基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数,所述待增强参数具体是指所述第二图像还需要进行增强的图像参数,此时说明所述图像增强模型在所述待增强参数对应的增强效果不够明显,故将按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整;所述模型参数与所述待增强参数相对应,通过调整模型参数即可增强模型的输出图像在待增强参数所属的维度的视觉效果。
例如,需要对待处理图像进行增强处理,此时可以确定待处理图像的展示效果较差,将待处理图像输入至图像增强模型进行增强处理,获得图像增强模型输出的目标图像,增强处理后的图像的展示效果得到有效的提升。
实际应用中,在对所述图像进行增强处理的过程中,不仅限于对图像的清晰度进行增强处理,还可以对图像的锐化度、明暗度以及像素等维度均可以进行增强,本实施例在此不作过多赘述。
本实施例提供的图像增强方法,通过将所述待处理图像输入至采用训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得的目标图像增强模型,获得所述目标图像,实现了有效的提高了对所述待处理图像的增强效果,从而保证了增强处理后的图像视觉效果具有显著的提升。
图5示出了根据本说明书一实施例提供的一种图像增强模型训练方法的流程图,图6示出了根据本说明书一实施例提供的一种图像增强模型训练方法的结构示意图,图7示出了根据本说明书一实施例提供的一种图像增强模型训练方法中优化过程的示意图,其中,图5具体包括以下步骤:
步骤502,获取作为训练样本的至少一个图像集。
实际应用中,随着用户对图像或者视频的视觉效果的追求程度加深,图像增强成为了较为重要的拓展方向。对图像进行增强处理更多的是采用神经网络实现,由于神经网络的输出结果过于平滑,虽然可以对图像实现增强处理,但是容易造成细节的丢失,使得图像趋于均值,效果并不能达到用户需求标准;此外,在部分图像增强对应的神经网络中会引入判别网络,以实现可以进一步增加图像的真实感,同时可以生成一些合理的纹理细节,然而判别网络的损失的约束不可避免的会产生瑕疵,对视觉效果影响较大。
参见图6所示,本实施例提供的图像增强模型训练方法,为了提高图像增强模型的增强效果,从而使得模型输出的图像视觉效果具有显著的提升,根据作为训练样本的至少一个图像集中的训练图像和其对应的真实图像在各个图像维度的图像参数,确定至少一个训练图像维度,按照所述训练图像维度的增强算法对所述训练图像进行增强处理获得第一图像,同时将训练图像输入至图像增强模型获得第二图像,基于所述第一图像和第二图像之间存在的损失对所述图像增强模型进行优化即可获得输出准确率较高的图像增强模型,实现了在使用优化后的图像增强模型进行图像增强时,可以使得图像增强后的视觉效果更佳,并且通过第一图像和第二图像之间存在的损失对图像增强模型进行优化,使得优化后的图像增强模型可以准确的确定需要增强处理的图像的增强图像维度,从而使得增强处理后的图像在保证展示效果的同时不会出现过度增强的问题。
具体实施时,所述图像集中包含的训练图像具有对应的真实图像;所述图像集具体是指用于在对所述图像增强模型进行训练的过程中所使用的训练图像组成的集合,所述训练图像用于在优化图像增强模型过程中所使用的图像,相应的,所述真实图像具体是指所述训练图像对应的图像,例如,训练图像是一张未被增强处理的照片,则此时真实图像即为展示效果较好的照片。
进一步的,在需要对所述图像增强模型进行优化的过程中,需要根据训练阶段的初步训练结果对所述图像增强模型进行优化,即在图像增强模型进行初步训练后,此时为了能够提高图像增强模型的图像增强效果,此时需要对初步训练后的中间图像增强模型进行优化,之后再对优化后的图像增强模型进行图像增强效果进行检测,若检测合格则优化后的图像增强模型即可进行使用,若检测未合格则还需要对优化后的图像增强模型继续进行训练,再对训练后的模型继续进行优化,直至模型合格即可进行使用。
本实施例将以对中间图像增强模型进行优化的过程进行描述,在图像增强模型检测合格之前,任意优化阶段均可参考本实施例相关的描述内容,在此不作过多赘述。
步骤504,基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度。
具体的,在上述获取作为训练样本的至少一个图像集的基础上,进一步的,将基于所述图像集中的训练图像以及其对应的真实图像确定所述至少一个训练图像维度,其中,所述图像维度具体是指图像的各项图像参数所属的维度,相应的,所述训练图像维度具体是指所述训练图像相对于其对应的真实图像的图像参数未合格的维度。
实际应用中,所述训练图像维度可以是一个或者多个,当训练图像维度为一个的情况下,此时说明训练图像相对于其对应的真实图像在一个图像维度的效果存在区别,当训练图像维度为多个的情况下,此时说明训练图像相对于其对应的真实图像在多个图像维度的效果存在区别;无论是一个训练图像维度还是多个训练图像维度,后续对训练图像的增强处理过程相类似,本实施例将以至少一个训练图像维度进行后续的描述,多个训练图像维度的情况可以基于本实施进行参考,本实施例在此不作过多赘述。
此外,所述图像维度可以包括下述至少一项:图像平滑维度、图像边缘维度、图像灰度维度、图像均衡化维度、图像像素维度以及图像锐化维度。
进一步的,在确定所述训练图像维度的过程中,为了实现后续能够准确的对所述训练图像进行增强处理,需要根据所述真实图像与所述训练图像二者之间的图像参数的比对结果确定所述训练图像维度,本实施例的一个或多个实施方式中,具体过程如下所述:
确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
将所述训练图像参数与所述真实图像参数进行对比;
根据对比结果在所述图像维度中确定所述至少一个训练图像维度。
具体的,分别确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数,之后在将所述训练图像参数和所述真实图像参数进行比对,即可了解到所述训练图像与所述真实图像存在的差异图像参数,再确定差异图像参数所属的图像维度,将此维度确定为所述训练图像维度即可。
例如,真实图像在图像清晰维度的清晰度参数是a1,在图像颜色维度的颜色参数是b1,在图像锐化维度的锐化参数是c1,此时确定图像维度即为图像清晰维度、图像颜色维度以及图像锐化维度,相应的,训练图像在图像清晰度的清晰度参数是a2,在图像颜色维度的颜色参数是b2,在图像锐化维度的锐化参数是c2,其中,c2小于c1,说明训练图像在锐化维度的效果区别于真实图像在锐化维度的展示效果,此时可以确定锐化维度即为训练图像维度,需要在后续将训练图像在此维度的参数进行调整,实现训练图像在此维度的图像增强处理。
综上,将所述训练图像和所述真实图像分别对应的图像参数进行比对,即可确定二者之间存在的差异的图像参数,将存在差异的图像参数所属的维度确定为所述训练图像维度,方便后续能够准确的对训练图像进行增强处理,提高了对图像增强模型的优化程度。
步骤506,按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像。
具体的,在上述确定所述至少一个训练图像维度的基础上,进一步的,将需要按照所述训练图像维度对所述训练图像进行增强处理,根据处理结果以用于后续对图像增强模型进行优化;
基于此,将按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,根据增强处理结果即可获得第一图像,同时将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;后续将基于所述第一图像和第二图像进行模型的优化。
实际应用中,不同的训练图像维度将设置有不同的增强算法,用于对该维度的训练图像的图像参数进行调整,使得图像参数调整后的训练图像在该训练图像维度的展示效果更佳,例如,训练图像维度是图像平滑维度,此时则可以根据图像平滑维度预设的加权最小二乘算法对训练图像进行增强处理,增强处理过程实则是将训练图像经过平滑处理后得到展示效果更佳第一图像。
此外,所述增强算法包括下述至少一项:导向滤波算法、对比度线性拉伸算法、自适应直方图均衡化算法、非局部均值算法、锐化算法、双边滤波算法。
其中,导向滤波算法(weighted least square filter)属于图像平滑维度,对比线性拉伸算法(linear contrast stretch)属于图像灰度维度,自适应直方图均衡化算法(adaptive histogram equalization)属于图像均衡化维度,非局部均值算法(Non-localmeans)属于图像像素维度,锐化算法(unsharpen mask)属于图像锐化维度,双边滤波算法(biletarial filter)属于图像去噪维度;相应的,所述导向滤波算法用于对图像的平滑程度进行处理,所述对比度线性拉伸算法用于对图像的灰度值进行拉伸处理,所述自适应直方图均衡化算法用于对图像的明暗分布问题进行处理,所述非局部均值算法用于对图像的像素点进行处理,所述锐化算法用于对图像的锐化程度进行处理,所述双边滤波算法用于对图像的透射率进行处理。
在确定所述训练图像维度后,即可根据所述训练图像维度预设的算法对所述训练图像进行增强处理,使得图像在训练图像维度的图像参数得以调整,从而使得增强后的图像视觉效果更佳。
进一步的,在对所述训练图像进行增强处理的过程中,将结合训练图像维度预设的增强算法以及所述图像增强模型进行增强处理,本实施例的一个或多个实施方式中,具体实现方式如下所述:
提取所述训练图像在所述训练图像维度对应的图像参数;
按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像。
在通过增强算法对所述训练图像进行增强处理的同时,通过所述图像增强模型也对所述训练图像进行增强处理,具体实现方式如下所述:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
具体的,通过提取所述训练图像在训练图像维度对应的图像参数,再按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果即可获得训练图像增强处理后的第一图像,同时再对所述训练图像的高频信息进行处理,根据处理结果获得所述待增强图像,再将所述待增强图像输入至所述图像增强模型进行图像增强处理,即可获得增强处理后的训练图像对应的第二图像。
其中,所述高频信息具体是指所述训练图像在各个图像维度的图像参数的集合,在对所述图像增强模型进行训练的过程中,为了检测出图像增强模型的增强效果,需要对输入模型的图像进行预处理,即将所述训练图像进行低质量处理,将所述训练图像随机选择至少一个图像维度的图像参数进行降低,获得所述待增强图像,之后再由图像增强模型进行增强处理,获得的第二图像即为对待增强图像的增强处理结果;最后基于所述第一图像和第二图像即可对图像增强模型进行优化获得增强效果更好的图像增强模型。
沿用上例,确定训练图像维度是锐化维度的情况下,此时将根据锐化维度预设的锐化算法对训练图像进行调整,将训练图像的锐化参数c2调整为c3,根据调整结果获得第一增强图像,同时将该训练图像输入至图像增强模型进行增强处理,获得第二增强图像;其中,第一增强图像的清晰度参数是a2,颜色参数是b2,锐化参数是c3,第二增强图像的清晰度参数是a3,颜色参数是b3,锐化参数是c4。
综上,按照训练图像维度预设的增强算法对所述训练图像进行增强处理的同时,还经过所述图像增强模型对所述训练图像进行增强处理,分别获得第一图像和第二图像,以用于在后续可以对图像增强模型的优化程度更佳,从而使得优化后的图像增强模型的增强效果更好。
此外,在将所述训练图像输入至所述图像增强模型获得第二图像之前,需要对所述图像增强模型进行训练完成后才可以进行优化,本实施例的一个或多个实施方式中,训练所述图像增强模型的具体过程如下所述:
根据模型训练图像对应的模型真实图像构建训练图像样本;
将所述训练图像样本输入至初始图像增强模型进行训练,获得所述图像增强模型,所述初始图像增强模型基于所述模型训练图像与所述模型真实图像之间的关系构建。
实际应用中,所述模型训练图像是在对模型进行优化之前,对图像增强模型进行训练过程中所使用的图像,此时将根据模型训练图像以及对应的模型真实图像构建训练图像样本,将所述训练图像样本输入至初始图像增强模型进行训练,获得所述图像增强模型,其中,所述初始图像增强模型基于所述模型训练图像与所述模型真实图像之间的关系构建。
步骤508,按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
具体的,在上述通过对所述训练图像进行增强处理,获得第一图像和第二图像的基础上,进一步的,将基于所述第一图像和所述第二图像之间存在的损失对所述图像增强模型进行优化。
实际应用中,所述第二图像虽然经过所述图像增强模型进行增强处理,但是可能此时图像增强模型的增强效果达不到较好的状态,输出的第二图像并未达到训练图像对应的真实图像的标准,即第二图像与真实图像存在的差异较大,而第一图像经过训练图像维度的预设增强算法进行增强处理后,此时虽然第一图像相比于训练图像对应的真实图像的标准存在一定的差异,但是此时第一图像与真实图像存在的差异是较小的,在可控范围内,即可以根据第二图像相对于第一图像存在的损失对所述图像增强模型进行优化,使得所述图像增强模型输出的预测图像更加趋近于真实图像的展示效果。
进一步的,在确定所述第二图像相对于所述第一图像存在的损失的过程中,为了能够有效的提高所述图像增强模型的增强效果,可以通过计算欧式距离的方式确定欧式距离损失,本实施例的一个或多个实施方式中,具体实现方式如下所述:
基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
按照所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失。
实际应用中,首先基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵,之后按照所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,最后确定所述第二图像相对于所述第一图像存在的损失。具体实施时,确定所述第二图像相对于所述第一图像存在的损失可以通过公式(1)实现。
综上,通过欧式距离损失约束图像增强模型使得优化后的图像增强模型可以对需要增强处理的图像的细节进行增强,从而使得图像可以进一步的提高视觉效果。
更进一步的,在对所述图像增强模型进行优化的过程中,将需要对第二图像增强效果不明显图像参数所对应图像增强模型中的模型参数进行调整,本实施例的一个或多个实施方式中,具体实现方式如下所述:
基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整。
具体的,在确定所述第二图像相对于所述第一图像存在的损失之后,基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数,所述待增强参数具体是指所述第二图像还需要进行增强的图像参数,此时说明所述图像增强模型在所述待增强参数对应的增强效果不够明显,故将按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整;所述模型参数与所述待增强参数相对应,通过调整模型参数即可增强模型的输出图像在待增强参数所属的维度的视觉效果。
沿用上例,第一增强图像的清晰度参数是a2,颜色参数是b2,锐化参数是c3,第二增强图像的清晰度参数是a3,颜色参数是b3,锐化参数是c4,通过计算第一增强图像和第二增强图像之间的欧氏距离损失,确定a2与a3相近,c3与c4相近,b3与b2存在差异较大,此时可以确定图像增强模型输出的第二增强图像在图像颜色维度的增强效果不明显,确定待增强参数为颜色参数,按照颜色参数对图像增强模型中对图像的颜色参数进行增强处理的处理层相关的模型参数进行调整,即可实现对图像增强模型的优化。
综上,按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整,实现了可以有针对性的对所述图像增强模型进行优化,从而实现优化后的图像增强模型的增强效果更佳,并且避免出现增强过度导致图像视觉效果降低的问题。
此外,在对所述图像增强模型进行优化之后,为了能够获得图像增强效果较好的图像增强模型,此时可以对优化后的图像增强模型进行检测,本实施例的一个或多个实施方式中,具体实现方式如下所述:
根据对所述图像增强模型进行优化的结果,获得目标图像增强模型;
在预设的测试图像集中选择测试图像输入至所述目标图像增强模型进行增强处理,获得所述测试图像对应的预测图像;
将所述测试图像对应的目标图像与所述预测图像进行比对;
在比对结果为合格的情况下,将所述目标图像增强模型进行存储。
具体的,基于对所述图像增强模型进行优化的结果获得所述目标图像增强模型,之后通过在预设的测试图像集中选择测试图像对所述目标图像增强模型进行测试,将所述测试图像输入至所述目标图像增强模型进行增强处理,获得所述目标图像增强模型输出的所述测试图像对应的预测图像;进一步的,将所述测试图像对应的目标图像与所述预测图像进行比对;
在比对结果为合格的情况下,表明所述目标图像增强模型的增强效果较好,此时可以将所述目标图像增强模型进行存储,用于在实际应用中进行图像增强处理;在比对结果为未合格的情况下,表明所述目标图像增强模型的增强效果较差,此时可以继续对所述目标图像增强模型进行训练,再对训练后的图像增强模型进行优化,直至获得增强处理效果较好的图像增强模型即可。
实际应用中,在将所述测试图像对应的真实图像与所述预测图像进行比对的过程中,由于目标图像增强模型的输出结果的效果也是趋近于所述真实图像,故目标图像增强模型的输出结果与所述真实图像存在较小的偏差,进行比对时即可根据存在的偏差大小决定是否比对合格,偏差越小说明效果越好,反之偏差越大效果越差。
综上,通过在获得优化后的目标图像增强模型的基础上,对所述目标图像增强模型进行测试,使得可以对图像增强模型的增强处理效果进行测试,从而能够获得增强效果更好的图像增强模型进行图像的增强处理,提高了图像增强模型的增强效果。
参见图7所示,通过确定训练图像和真实图像在清晰度维度、颜色维度以及锐化维度的图像参数,确定训练图像在清晰度维度和锐化维度与真实图像的清晰度和锐化度存在较大的差异,此时则将清晰度维度和锐化维度确定为训练图像维度,即按照清晰度维度预设的增强算法对训练图像进行清晰度增强处理,按照锐化维度预设的增强算法对训练图像进行锐化度增强处理,获得第一图像,如图7所示,通过增强算法对训练图像进行增强处理后获得的第一图像与真实图像的展示效果相接近;
同时,将训练图像输入至图像增强模型进行图像增强处理,获得第二图像,再通过公式(1)计算第二图像相对于第一图像存在的欧式距离损失,确定第二图像虽然经过图像增强模型进行增强处理,但是在锐化维度的增强效果过强,导致第二图像的展示效果并不是很好,如图7所示的图像增强模型的输出图像,此时则可以根据该损失对图像增强模型进行优化处理,即为对图像增强模型增强锐化维度的相关参数进行调整,使得图像增强模型输出的图像效果更加趋近于真实图像。
本实施例提供的图像增强模型训练方法,根据作为训练样本的至少一个图像集中的训练图像和其对应的真实图像在各个图像维度的图像参数,确定至少一个训练图像维度,按照所述训练图像维度的增强算法对所述训练图像进行增强处理获得第一图像,同时将训练图像输入至图像增强模型获得第二图像,基于所述第一图像和第二图像之间存在的损失对所述图像增强模型进行优化即可获得输出准确率较高的图像增强模型,实现了在使用优化后的图像增强模型进行图像增强时,可以使得图像增强后的视觉效果更佳,并且通过第一图像和第二图像之间存在的损失对图像增强模型进行优化,使得优化后的图像增强模型可以准确的确定需要增强处理的图像的增强图像维度,从而使得增强处理后的图像在保证展示效果的同时不会出现过度增强的问题。
与上述方法实施例相对应,本说明书还提供了数据处理装置实施例,图8示出了本说明书一实施例提供的一种数据处理装置的结构示意图。如图8所示,该装置包括:
接收模块802,被配置为接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
提取模块804,被配置为根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
增强模块806,被配置为根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
调整模块808,被配置为根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示模块810,被配置为展示调整后的所述图像增强模型的参数。
一个可选的实施例中,所述数据处理装置,还包括:
展示训练图像模块,被配置为向所述用户展示所述训练图像;
训练图像调整模块,被配置为在接收到所述用户针对所述训练图像提交的调整请求的情况下,根据所述调整请求对所述训练图像进行调整处理,获得目标训练图像;
相应的,所述增强模块806进一步被配置为:
根据所述预设的增强算法,对所述目标训练图像进行增强处理,获得所述第一图像,以及将所述目标训练图像输入至所述图像增强模型,获得所述第二图像。
一个可选的实施例中,所述增强模块806,包括:
确定图像维度单元,被配置为基于所述训练图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
第一增强单元,被配置为按照所述训练图像维度预设的所述增强算法,对所述训练图像进行增强处理,获得所述第一图像。
一个可选的实施例中,所述增强模块806,包括:
处理单元,被配置为对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
第二增强单元,被配置为将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
一个可选的实施例中,所述调整模块808,包括:
确定参数单元,被配置为基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
调整单元,被配置为按照所述待增强参数对所述图像增强模型的参数进行调整。
一个可选的实施例中,所述数据处理装置,还包括:
接收调整数据模块,被配置为接收所述用户上传的调整数据,其中,所述调整数据中包含参数调整请求;
调整目标参数模块,被配置为确定调整后的所述图像增强模型的参数中与所述调整数据对应的目标参数,并根据所述参数调整请求对所述目标参数进行调整;
展示目标参数模块,被配置为展示调整后的所述图像增强模型的目标参数。
本实施例提供的数据处理装置,通过用户提交的请求数据提取训练图像,并按照预设的增强算法对所述训练图像进行增强处理,获得第一图像,同时将所述训练图像输入至图像增强模型,获得第二图像,之后根据所述第一图像和所述第二图像对所述图像增强模型进行参数的调整,并向用户展示调整后的模型参数,实现了将图像增强模型的增强效果进行提升,并且对图像增强模型的参数调整方向是与用户的模型训练请求所对应,使得参数调整完成的图像增强模型能够输出符合用户需求的增强图像,进一步提高了用户的体验效果。
上述为本实施例的一种数据处理装置的示意性方案。需要说明的是,该数据处理装置的技术方案与上述的数据处理方法的技术方案属于同一构思,数据处理装置的技术方案未详细描述的细节内容,均可以参见上述数据处理方法的技术方案的描述。
与上述方法实施例相对应,本说明书还提供了图像增强装置实施例,图9示出了本说明书一实施例提供的一种图像增强装置的结构示意图。如图9所示,该装置包括:
获取模块902,被配置为获取待处理图像;
输入模块904,被配置为将所述待处理图像输入至图像增强模型进行图像增强处理;
输出模块906,被配置为获得所述图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
一个可选的实施例中,所述训练图像维度,通过如下方式确定:
确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
将所述训练图像参数与所述真实图像参数进行对比;
根据对比结果在所述图像维度中确定所述训练图像维度。
一个可选的实施例中,所述训练图像维度的增强算法对所述训练图像进行增强处理的过程如下所述:
提取所述训练图像在所述训练图像维度对应的图像参数;
按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像;
将所述第一图像确定为所述训练图像维度的增强算法对所述训练图像进行增强处理的处理结果。
一个可选的实施例中,所述图像增强模型对所述训练图像进行增强处理的过程如下所述:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像;
将所述第二图像确定为所述图像增强模型对所述训练图像进行增强处理的处理结果。
一个可选的实施例中,对所述图像增强模型进行优化的过程如下所述:
基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
根据所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
本说明书提供的图像增强装置,通过将所述待处理图像输入至采用训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得的图像增强模型,获得所述目标图像,实现了有效的提高了对所述待处理图像的增强效果,从而保证了增强处理后的图像视觉效果具有显著的提升。
上述为本实施例的一种图像增强装置的示意性方案。需要说明的是,该图像增强装置的技术方案与上述的图像增强方法的技术方案属于同一构思,图像增强装置的技术方案未详细描述的细节内容,均可以参见上述图像增强方法的技术方案的描述。
与上述方法实施例相对应,本说明书还提供了图像增强模型训练装置实施例,图10示出了本说明书一实施例提供的一种图像增强模型训练装置的结构示意图。如图10所示,该装置包括:
获取模块1002,被配置为获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
确定模块1004,被配置为基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
增强模块1006,被配置为按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
优化模块1008,被配置为按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
一个可选的实施例中,所述确定模块1004,包括:
确定图像参数单元,被配置为确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
参数对比单元,被配置为将所述训练图像参数与所述真实图像参数进行对比;
确定图像维度单元,被配置为根据对比结果在所述图像维度中确定所述至少一个训练图像维度。
一个可选的实施例中,所述增强模块1006,包括:
提取图像参数单元,被配置为提取所述训练图像在所述训练图像维度对应的图像参数;
参数调整单元,被配置为按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像。
一个可选的实施例中,所述增强模块1006,包括:
信息处理单元,被配置为对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
模型增强处理单元,被配置为将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
一个可选的实施例中,所述图像增强模型通过如下方式进行训练:
根据模型训练图像对应的模型真实图像构建训练图像样本;
将所述训练图像样本输入至初始图像增强模型进行训练,获得所述图像增强模型,所述初始图像增强模型基于所述模型训练图像与所述模型真实图像之间的关系构建。
一个可选的实施例中,所述优化模块1008,包括:
构建矩阵单元,被配置为基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
确定损失单元,被配置为按照所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失。
一个可选的实施例中,所述优化模块1008,包括:
确定待增强参数单元,被配置为基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
调整单元,被配置为按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整。
一个可选的实施例中,所述图像增强模型训练装置,还包括:
确定模型模块,被配置为根据对所述图像增强模型进行优化的结果,获得目标图像增强模型;
测试模块,被配置为在预设的测试图像集中选择测试图像输入至所述目标图像增强模型进行增强处理,获得所述测试图像对应的预测图像;
比对模块,被配置为将所述测试图像对应的目标图像与所述预测图像进行比对;
存储模块,被配置为在比对结果为合格的情况下,将所述目标图像增强模型进行存储。
一个可选的实施例中,所述增强算法包括下述至少一项:
导向滤波算法、对比度线性拉伸算法、自适应直方图均衡化算法、非局部均值算法、锐化算法、双边滤波算法。
本说明书提供的图像增强模型训练装置,根据作为训练样本的至少一个图像集中的训练图像和其对应的真实图像在各个图像维度的图像参数,确定至少一个训练图像维度,按照所述训练图像维度的增强算法对所述训练图像进行增强处理获得第一图像,同时将训练图像输入至图像增强模型获得第二图像,基于所述第一图像和第二图像之间存在的损失对所述图像增强模型进行优化即可获得输出准确率较高的图像增强模型,实现了在使用优化后的图像增强模型进行图像增强时,可以使得图像增强后的视觉效果更佳,并且通过第一图像和第二图像之间存在的损失对图像增强模型进行优化,使得优化后的图像增强模型可以准确的确定需要增强处理的图像的增强图像维度,从而使得增强处理后的图像在保证展示效果的同时不会出现过度增强的问题。
上述为本实施例的一种图像增强模型训练装置的示意性方案。需要说明的是,该图像增强模型训练装置的技术方案与上述的图像增强模型训练方法的技术方案属于同一构思,图像增强模型训练装置的技术方案未详细描述的细节内容,均可以参见上述图像增强模型训练方法的技术方案的描述。
图11示出了根据本说明书一实施例提供的第一种计算设备1100的结构框图。该计算设备1100的部件包括但不限于存储器1110和处理器1120。处理器1120与存储器1110通过总线1130相连接,数据库1150用于保存数据。
计算设备1100还包括接入设备1140,接入设备1140使得计算设备1100能够经由一个或多个网络1160通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1140可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备1100的上述部件以及图11中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图11所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1100可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1100还可以是移动式或静止式的服务器。
其中,处理器1120用于执行如下计算机可执行指令:
接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示调整后的所述图像增强模型的参数。
上述为本实施例的第一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的数据处理方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述数据处理方法的技术方案的描述。
图12示出了根据本说明书一实施例提供的第二种计算设备1200的结构框图。该计算设备1200的部件包括但不限于存储器1210和处理器1220。处理器1220与存储器1210通过总线1230相连接,数据库1250用于保存数据。
计算设备1200还包括接入设备1240,接入设备1240使得计算设备1200能够经由一个或多个网络1260通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1240可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备1200的上述部件以及图12中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图12所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1200可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1200还可以是移动式或静止式的服务器。
其中,处理器1220用于执行如下计算机可执行指令:
获取待处理图像;
将所述待处理图像输入至图像增强模型进行图像增强处理;
获得所述图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
上述为本实施例的第二种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的图像增强方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述图像增强方法的技术方案的描述。
图13示出了根据本说明书一实施例提供的第三种计算设备1300的结构框图。该计算设备1300的部件包括但不限于存储器1310和处理器1320。处理器1320与存储器1310通过总线1330相连接,数据库1350用于保存数据。
计算设备1300还包括接入设备1340,接入设备1340使得计算设备1300能够经由一个或多个网络1360通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1340可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备1300的上述部件以及图13中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图13所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1300可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1300还可以是移动式或静止式的服务器。
其中,处理器1320用于执行如下计算机可执行指令:
获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
上述为本实施例的第三种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的图像增强模型训练方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述图像增强模型训练方法的技术方案的描述。
本说明书一实施例还提供第一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示调整后的所述图像增强模型的参数。
上述为本实施例的第一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的图像增强方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述图像增强方法的技术方案的描述。
本说明书一实施例还提供第二种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
获取待处理图像;
将所述待处理图像输入至图像增强模型进行图像增强处理;
获得所述图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
上述为本实施例的第二种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的图像增强方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述图像增强方法的技术方案的描述。
本说明书一实施例还提供第三种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
上述为本实施例的第三计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的图像增强模型训练方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述图像增强模型训练方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书并不受所描述的动作顺序的限制,因为依据本说明书,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (29)
1.一种数据处理方法,包括:
接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示调整后的所述图像增强模型的参数。
2.根据权利要求1所述的数据处理方法,所述根据所述请求数据,提取训练图像步骤执行之后,且所述根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像步骤执行之前,还包括:
向所述用户展示所述训练图像;
在接收到所述用户针对所述训练图像提交的调整请求的情况下,根据所述调整请求对所述训练图像进行调整处理,获得目标训练图像;
相应的,所述根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像,包括:
根据所述预设的增强算法,对所述目标训练图像进行增强处理,获得所述第一图像,以及将所述目标训练图像输入至所述图像增强模型,获得所述第二图像。
3.根据权利要求1所述的数据处理方法,所述根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,包括:
基于所述训练图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的所述增强算法,对所述训练图像进行增强处理,获得所述第一图像。
4.根据权利要求1所述的数据处理方法,所述将所述训练图像输入至图像增强模型,获得第二图像,包括:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
5.根据权利要求1所述的数据处理方法,所述根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整,包括:
基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
按照所述待增强参数对所述图像增强模型的参数进行调整。
6.根据权利要求1所述的数据处理方法,所述展示调整后的所述图像增强模型的参数步骤执行之后,还包括:
接收所述用户上传的调整数据,其中,所述调整数据中包含参数调整请求;
确定调整后的所述图像增强模型的参数中与所述调整数据对应的目标参数,并根据所述参数调整请求对所述目标参数进行调整;
展示调整后的所述图像增强模型的目标参数。
7.一种数据处理装置,包括:
接收模块,被配置为接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
提取模块,被配置为根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
增强模块,被配置为根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
调整模块,被配置为根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示模块,被配置为展示调整后的所述图像增强模型的参数。
8.一种图像增强方法,包括:
获取待处理图像;
将所述待处理图像输入至目标图像增强模型进行图像增强处理;
获得所述目标图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述目标图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
9.根据权利要求8所述的图像增强方法,所述训练图像维度,通过如下方式确定:
确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
将所述训练图像参数与所述真实图像参数进行对比;
根据对比结果在所述图像维度中确定所述训练图像维度。
10.根据权利要求9所述的图像增强方法,所述训练图像维度的增强算法对所述训练图像进行增强处理的过程如下所述:
提取所述训练图像在所述训练图像维度对应的图像参数;
按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像;
将所述第一图像确定为所述训练图像维度的增强算法对所述训练图像进行增强处理的处理结果。
11.根据权利要求10所述的图像增强方法,所述图像增强模型对所述训练图像进行增强处理的过程如下所述:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像;
将所述第二图像确定为所述图像增强模型对所述训练图像进行增强处理的处理结果。
12.根据权利要求11所述的图像增强方法,对所述图像增强模型进行优化的过程如下所述:
基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
根据所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
13.一种图像增强装置,包括:
获取模块,被配置为获取待处理图像;
输入模块,被配置为将所述待处理图像输入至目标图像增强模型进行图像增强处理;
输出模块,被配置为获得所述目标图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述目标图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
14.一种图像增强模型训练方法,包括:
获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
15.根据权利要求14所述的图像增强模型训练方法,所述基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度,包括:
确定所述真实图像在所述各个图像维度的真实图像参数,以及所述训练图像在所述各个图像维度的训练图像参数;
将所述训练图像参数与所述真实图像参数进行对比;
根据对比结果在所述图像维度中确定所述至少一个训练图像维度。
16.根据权利要求14所述的图像增强模型训练方法,所述按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,包括:
提取所述训练图像在所述训练图像维度对应的图像参数;
按照所述训练图像维度预设的增强算法对所述图像参数进行调整,根据调整结果获得所述第一图像。
17.根据权利要求14所述的图像增强模型训练方法,所述将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像,包括:
对所述训练图像的高频信息进行处理,根据处理结果获得待增强图像;
将所述待增强图像输入至所述图像增强模型进行图像增强处理,获得所述第二图像。
18.根据权利要求14所述的图像增强模型训练方法,所述图像增强模型通过如下方式进行训练:
根据模型训练图像对应的模型真实图像构建训练图像样本;
将所述训练图像样本输入至初始图像增强模型进行训练,获得所述图像增强模型,所述初始图像增强模型基于所述模型训练图像与所述模型真实图像之间的关系构建。
19.根据权利要求14所述的图像增强模型训练方法,所述第二图像相对于所述第一图像存在的损失,通过如下方式确定:
基于所述第一图像构建第一矩阵,以及基于所述第二图像构建第二矩阵;
按照所述第一矩阵和所述第二矩阵计算二者之间的欧式距离,确定所述第二图像相对于所述第一图像存在的损失。
20.根据权利要求14所述的图像增强模型训练方法,所述对所述图像增强模型进行优化,包括:
基于所述第二图像相对于所述第一图像存在的损失确定所述第二图像的待增强参数;
按照所述待增强参数对所述图像增强模型中对应的模型参数进行调整。
21.根据权利要求14所述的图像增强模型训练方法,所述按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化步骤执行之后,还包括:
根据对所述图像增强模型进行优化的结果,获得目标图像增强模型;
在预设的测试图像集中选择测试图像输入至所述目标图像增强模型进行增强处理,获得所述测试图像对应的预测图像;
将所述测试图像对应的目标图像与所述预测图像进行比对;
在比对结果为合格的情况下,将所述目标图像增强模型进行存储。
22.根据权利要求14所述的图像增强模型训练方法,所述增强算法包括下述至少一项:
导向滤波算法、对比度线性拉伸算法、自适应直方图均衡化算法、非局部均值算法、锐化算法、双边滤波算法。
23.一种图像增强模型训练装置,包括:
获取模块,被配置为获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
确定模块,被配置为基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
增强模块,被配置为按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
优化模块,被配置为按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
24.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
接收用户上传的请求数据,其中,所述请求数据中包含模型训练请求;
根据所述请求数据,提取训练图像,其中,所述训练图像用于模型训练;
根据预设的增强算法,对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型,获得第二图像;
根据所述第一图像和所述第二图像,对所述图像增强模型的参数进行调整;
展示调整后的所述图像增强模型的参数。
25.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取待处理图像;
将所述待处理图像输入至目标图像增强模型进行图像增强处理;
获得所述目标图像增强模型输出的所述待处理图像对应的目标图像;
其中,所述目标图像增强模型根据训练图像和真实图像在各个图像维度的图像参数确定训练图像维度,按照所述训练图像输入至图像增强模型进行增强处理相对于所述训练图像维度的增强算法对所述训练图像进行增强处理存在的损失,对图像增强模型进行优化获得。
26.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取作为训练样本的至少一个图像集;所述图像集中包含的训练图像具有对应的真实图像;
基于所述训练图像和所述真实图像在各个图像维度的图像参数,确定所述图像维度中的至少一个训练图像维度;
按照所述训练图像维度预设的增强算法对所述训练图像进行增强处理,获得第一图像,以及将所述训练图像输入至图像增强模型进行图像增强处理,获得第二图像;
按照所述第二图像相对于所述第一图像存在的损失,对所述图像增强模型进行优化。
27.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至6任意一项所数据处理方法的步骤。
28.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求8至12任意一项所述图像增强方法的步骤。
29.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求14至22任意一项所述图像增强模型训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208572.4A CN113436081A (zh) | 2020-03-23 | 2020-03-23 | 数据处理方法、图像增强方法及其模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208572.4A CN113436081A (zh) | 2020-03-23 | 2020-03-23 | 数据处理方法、图像增强方法及其模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436081A true CN113436081A (zh) | 2021-09-24 |
Family
ID=77752628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010208572.4A Pending CN113436081A (zh) | 2020-03-23 | 2020-03-23 | 数据处理方法、图像增强方法及其模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436081A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210390671A1 (en) * | 2020-06-16 | 2021-12-16 | Samsung Electronics Co., Ltd. | Image processing system for performing image quality tuning and method of performing image quality tuning |
CN114463584A (zh) * | 2022-01-29 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
US11900570B2 (en) | 2020-06-16 | 2024-02-13 | Samsung Electronics Co., Ltd. | Image processing system for performing image quality tuning and method of performing image quality tuning |
-
2020
- 2020-03-23 CN CN202010208572.4A patent/CN113436081A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210390671A1 (en) * | 2020-06-16 | 2021-12-16 | Samsung Electronics Co., Ltd. | Image processing system for performing image quality tuning and method of performing image quality tuning |
US11900570B2 (en) | 2020-06-16 | 2024-02-13 | Samsung Electronics Co., Ltd. | Image processing system for performing image quality tuning and method of performing image quality tuning |
CN114463584A (zh) * | 2022-01-29 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229296B (zh) | 人脸皮肤属性识别方法和装置、电子设备、存储介质 | |
WO2020207423A1 (zh) | 肤质检测方法、肤质等级分类方法及肤质检测装置 | |
Ma et al. | Objective quality assessment for color-to-gray image conversion | |
US10600171B2 (en) | Image-blending via alignment or photometric adjustments computed by a neural network | |
CN113436081A (zh) | 数据处理方法、图像增强方法及其模型训练方法 | |
CN110717868B (zh) | 视频高动态范围反色调映射模型构建、映射方法及装置 | |
CN112614060A (zh) | 人脸图像头发渲染方法、装置、电子设备和介质 | |
US10580122B2 (en) | Method and system for image enhancement | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
Feng et al. | URNet: A U-Net based residual network for image dehazing | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
CN116309559A (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN114202491B (zh) | 一种增强光学图像的方法及系统 | |
Wang et al. | No-reference stereoscopic image quality assessment using quaternion wavelet transform and heterogeneous ensemble learning | |
CN111626335A (zh) | 一种像素增强的神经网络的改进难例挖掘训练方法及系统 | |
CN111709305A (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN108446688B (zh) | 人脸图像性别判断方法、装置、计算机设备及存储介质 | |
CN114298935A (zh) | 图像增强方法、装置及计算机可读存储介质 | |
Hassan | A uniform illumination image enhancement via linear transformation in CIELAB color space | |
CN111489333B (zh) | 一种无参考夜间自然图像质量评价方法 | |
CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 | |
CN107292331A (zh) | 基于无监督特征学习的无参考屏幕图像质量评价方法 | |
Li et al. | A novel detail weighted histogram equalization method for brightness preserving image enhancement based on partial statistic and global mapping model | |
Zhou et al. | Saliency preserving decolorization | |
CN111062862A (zh) | 基于颜色的数据增强方法和系统及计算机设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40059948 Country of ref document: HK |