CN117391976A - 一种基于深度学习的图形图像增强方法和系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的图形图像增强方法和系统，包括，S1，录制模块对录制区域的图像信息进行获取；S2，训练模块针对第一增强区域和第二增强区域分别采取对应的处理方式；S3，数据处理模块对各遮光特征的区域进行二次标记；S4，校对模块在所述训练模块使用对应的增强方式完成对录制区域的图像信息的处理时，对图像信息中的文字进行提取以获取提取文本，并根据提取文本对训练模块的运行参数是否符合预设标准进行判定；S5，所述校对模块根据对训练模块的运行参数是否符合预设标准判定结果确定对训练模块的运行参数进行调节，或完成针对录制区域的训练。提高了图像增强的处理效率。

Description

一种基于深度学习的图形图像增强方法和系统

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的图形图像增强方法和系统。

背景技术

在图像信息获取中，不利的光照是一种常见的情况，所拍摄的照片往往光照不足，大大妨碍了对其内容的理解。深度神经网络(DNNs)由于其强大的学习能力，已经成功地用于各种高级和低级的视觉任务。这也催生了先进的基于深度学习的数据驱动的LLI E方法。

针对图像信息的增强现有技术需进行大量的数据处理对硬件需求极高；

中国专利公开号:CN116528060B，公开了一种暗光图像增强器件、方法和装置以及电子设备，器件包括I2C配置模块、RGB转HSV模块、CORDIC模块和HSV转RGB模块；I2C配置模块用于配置解/编码芯片的寄存器，以实现与解/编码芯片间的数据交换；RGB转HSV模块用于将输入信号从RGB空间转换到HSV空间，并将H、S分量同步输出至CORDIC模块，将V分量提取、扩展后作为CORDIC模块计算相位的输入值；CORDIC模块用于计算出相位值和新的V分量，将新的V分量跟同步过来的H、S分量一起输入HSV转RGB的模块；HSV转RGB的模块用于将HSV分量重新转换为RGB分量并输出；由此可见，所述现有技术存在以下问题：未考虑到根据实际的录制区域的光照范围不同，针对性对不同的区域采取对应的图像增强方式，未考虑到根据拍摄的时间节点确定对应的增强区域，造成了繁重的数据处理量，进而影响了图像增强的处理效率。

发明内容

为此，本发明提供一种基于深度学习的图形图像增强方法和系统，用以克服现有技术中未考虑到根据实际的录制区域的光照范围不同，针对性对不同的区域采取对应的图像增强方式，未考虑到根据拍摄的时间节点确定对应的增强区域，造成了繁重的数据处理量，进而影响了图像增强的处理效率的问题。

为实现上述目的，一方面本发明提供一种基于深度学习的图形图像增强方法，包括：

S1，录制模块对录制区域的图像信息进行获取，训练模块根据图像信息确定增强面积,以根据增强面积将录制模块获取的各图像信息分为第一增强区域和第二增强区域；

S2，所述训练模块针对第一增强区域和第二增强区域分别采取对应的处理方式；

S3，数据处理模块对录制模块重新获取的图像信息中的第一增强区域内的遮光特征进行提取，并对各遮光特征的区域进行二次标记；

S4，校对模块在所述训练模块使用对应的增强方式完成对录制区域的图像信息的处理时，对图像信息中的文字进行提取以获取提取文本，并根据提取文本对训练模块的运行参数是否符合预设标准进行判定；

S5，所述校对模块根据对训练模块的运行参数是否符合预设标准判定结果确定对训练模块的运行参数进行调节，或完成针对录制区域的训练。

进一步地，所述录制模块在所述步骤S1中，以预设时间间隔对若干个检测周期的录制区域内的图像信息进行获取，训练模块根据图像信息绘制各检测周期的时间-光照面积曲线图G_i(t)，训练模块依次计算各时间-光照面积曲线图G_i(t)中最大值与最小值的最值差值，并计算各最值差值的平均值，训练模块将该平均值记为光照平均值，训练模块根据求得的光照平均值确定针对录制区域的图像增强方式，

训练模块将各时间-光照面积曲线图G_i(t)中光照面积的最大值作为针对图像信息的增强面积，

或，训练模块将各时间-光照面积曲线图G_i(t)在统一坐标系内绘制以提取各时间节点中各时间-光照面积曲线图G_i(t)中的光照面积的面积最大值，训练模块根据获取的各时间节点的面积最大值绘制时间-面积最大值曲线图F(t)，训练模块将时间-面积最大值曲线图F(t)中各时间节点的面积最大值作为针对该时间节点的图像信息的增强面积；所述第二增强方式满足所述光照平均值大于所述预设光照平均值。

进一步地，所述训练模块选定图像信息中增强面积的区域作为第一增强区域；训练模块将图像信息中除第一增强区域外的区域作为第二增强区域；

针对图像信息中第一增强区域的处理方式为使用直方图拉伸以增加对比度；采用曝光补偿以完成色彩校正；

针对图像信息中第二增强区域的处理方式为使用直方图均衡化增加对比度；采用颜色空间转换以调整图像信息的色彩平衡和色调；使用中值滤波的方法对图像信息进行去噪处理。

进一步地，所述录制模块在所述训练模块使用对应的处理方式完成针对录制区域的图像信息的处理时，以预设时间间隔获取录制区域的若干个图像信息，针对单个图像信息所述数据处理模块将图像信息中第一增强区域内的遮光特征进行提取；

针对单个遮光特征数据处理模块将该遮光特征的左下角作为针对的该遮光特征的锚点，并将锚点在图像信息中的位置进行标记，数据处理模块计算锚点在各图像信息中的总位移，数据处理模块根据总位移量确定单个遮光特征的遮光区域的处理方式，

训练模块将单个遮光特征的区域标记为第一增强区域，

或，将单个遮光特征的区域标记为待训练区域。

进一步地，针对待训练区域所述录制模块以预设时间间隔对单个检测周期的录制区域内的图像信息进行获取，并根据图像信息绘制时间-遮光面积曲线图P(t)，其中遮光面积为单个遮光特征的遮光面积，训练模块将各时间节点下的遮光面积作为新增至针对该时间节点的图像信息的增强面积。

进一步地，所述校对模块在所述训练模块完成使用对应的增强方式对录制区域的图像信息的处理时，对图像信息中的文字进行提取以获取提取文本，并获取各文字的原始尺寸，校对模块获取图像信息中符合原始尺寸的文字特征的数量，并计算文字特征的数量与提取文本中的文字数量的差值的绝对值，校对模块将该绝对值记为文字偏差，校对模块根据求得的文字偏差确定训练模块的运行参数是否符合预设标准，并在判定训练模块的运行参数不符合预设标准时，根据第二预设差值与文字偏差的差值将预设时间间隔调节至对应值，

或，根据所述文字偏差与第二预设差值的差值将检测周期的数量调节至对应值。

进一步地，所述校对模块基于文字差值设有若干针对预设时间间隔的调节方式，且各调节方式针对预设时间间隔的调节幅度均不相同；

所述文字差值为第二预设差值与文字偏差的差值。

进一步地，所述校对模块基于文字偏差与第二预设差值的差值设有若干针对录制模块获取的检测周期的数量的调节方式，且各调节方式针对录制模块获取的检测周期的数量的调节幅度均不相同。

进一步地，所述训练模块根据所述增强面积确定所述录制模块获取的图像信息中的第一增强区域和第二增强区域；

训练模块将所述录制模块获取的图像信息转换为灰度图像，并计算灰度图像中各像素点的平均灰度值，训练模块将灰度图像中灰度值大于平均灰度值的像素点记为标定点，训练模块将灰度图像分为若干区域，针对单个区域训练模块对单个区域内相连的标定点的数量进行统计，以根据相连的标定点的数量确定录制模块获取的图像信息中的第一增强区域和第二增强区域；

若相连的标定点的数量大于预设数量；训练模块将各相连的标定点进行选定，并将选定区域设定为第二增强区域；

若相连的标定点的数量小于等于预设数量；训练模块不对各标定点进行选定；

训练模块将图像信息划分为第一增强区域和第二增强区域。

另一方面，本发明还提供一种使用上述基于深度学习的图形图像增强方法的系统，包括，

录制模块，其用以获取录制区域内的图像信息；

训练模块，其与所述录制模块相连用以根据录制模块获取的图像信息确定增强面积,以根据增强面积将录制模块获取的各图像信息分为第一增强区域和第二增强区域；训练模块对第一增强区域和第二增强区域分别采取对应的处理方式；

数据处理模块，其分别与所述录制模块和所述训练模块相连，在训练模块完成使用对应的处理方式完成对第一增强区域和第二增强区域的处理的条件下，根据录制模块重新获取的图像信息对第一增强区域内的遮光特征的区域进行二次标记；

校对模块，其分别与所述录制模块和所述训练模块相连，以根据图像信息中的文字特征判定是否对训练模块的运行参数进行调节。

与现有技术相比，对录制区域进行图像信息的获取，周期性对录制区域的光照情况进行记录，以获取录制区域的光照情况；针对录制区域的光照面积变化稳定时，针对各时间段均采用固定的增强面积；针对录制区域的光照面积变化波动大的情况，训练模块对录制区域的光照面积的波动情况进行记录，以在录制模块在不同的时间节点获取的图像信息采取对应的增强面积；训练模块针对不同的时间节点获取的图像信息采取对应的处理方式，在有效减少对图像增强的数据处理量的同时，进一步提高了图像增强的处理效率。

进一步地，根据增强面积确定对应的增强区域，以根据各图像信息中不同的增强区域选取对应的处理方式，在针对性对不同的增强区域采取针对性的处理方式的同时，有效提高了图像的增强效果。

进一步地，在完成使用上述方法对图像信息的训练后，在实际使用过程中，对图像信息中的物品的遮蔽情况进行获取，即针对单个遮光特征，对其移动状况进行检测，在判定为固定处于对应位置时对单个检测周期的录制区域内的图像信息进行获取，训练模块将各时间节点下的遮光面积作为新增至针对该时间节点的图像信息的增强面积，以对该新增的增强面积使用第二增强区域的处理方式进行处理；在判定其为实时移动的物体时，将单个遮光特征的区域标记为第一增强区域；针对性根据实际的使用情况对图像信息的增强区域进行对应调节，以使训练模块根据录制区域的具体情况进行对应调节的同时，进一步提高了图像的增强效果。

进一步地，在训练模块完成使用对应的增强方式对录制区域的图像信息的处理时，校对模块对图像信息中的文字进行提取，以对完成提取的文字的尺寸进行获取，校对模块获取图像信息中符合原始尺寸的文字特征的数量，和提取文本的文字数量进行比对，以获取文字特征的数量与提取文本中的文字数量的差异性进行检测，以对完成增强的图像信息的增强效果进行检测，在图像信息的增强效果差时，增加数据的训练量，进一步提高了图像增强的处理效率。在完成针对图像信息的处理时，对图像处理的效果进行检测，并在图像处理的效果存在异常时，对训练模块的运行参数进行调节，提高了区域划分的精准度的同时，进一步提高了图像增强的处理效率。

附图说明

图1为本发明实施例基于深度学习的图形图像增强方法的步骤流程图；

图2为本发明实施例基于深度学习的图形图像增强系统的模块框图；

图3为本发明实施例校对模块根据求得的文字差值确定预设时间间隔的调节方式的流程图；

图4为本发明实施例校对模块根据求得的偏差差值确定针对录制模块获取的检测周期的数量的调节方式流程图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1、图2、图3以及图4所示，其分别为本发明实施例基于深度学习的图形图像增强方法的步骤流程图、基于深度学习的图形图像增强系统的模块框图、校对模块根据求得的文字差值确定预设时间间隔的调节方式的流程图、根据求得的偏差差值确定针对录制模块获取的检测周期的数量的调节方式流程图；本发明实施例一种基于深度学习的图形图像增强方法和系统，包括：

S1，录制模块对录制区域的图像信息进行获取，训练模块根据图像信息确定增强面积,以根据增强面积将录制模块获取的各图像信息分为第一增强区域和第二增强区域；

S2，所述训练模块针对第一增强区域和第二增强区域分别采取对应的处理方式；

S3，数据处理模块对录制模块重新获取的图像信息中的第一增强区域内的遮光特征进行提取，并对各遮光特征的区域进行二次标记；

S4，校对模块在所述训练模块使用对应的增强方式完成对录制区域的图像信息的处理时，对图像信息中的文字进行提取以获取提取文本，并根据提取文本对训练模块的运行参数是否符合预设标准进行判定；

S5，所述校对模块根据对训练模块的运行参数是否符合预设标准判定结果确定对训练模块的运行参数进行调节，或完成针对录制区域的训练。

具体而言，所述录制模块在所述步骤S1中，以预设时间间隔对若干个检测周期的录制区域内的图像信息进行获取，训练模块根据图像信息绘制各检测周期的时间-光照面积曲线图G_i(t)，训练模块依次计算各时间-光照面积曲线图G_i(t)中最大值与最小值的最值差值，并计算各最值差值的平均值，训练模块将该平均值记为光照平均值，训练模块根据求得的光照平均值确定针对录制区域的图像增强方式，其中：

第一增强方式为所述训练模块将各时间-光照面积曲线图G_i(t)中光照面积的最大值作为针对图像信息的增强面积；所述第一增强方式满足所述光照平均值小于等于预设光照平均值；

第二增强方式为所述训练模块将各时间-光照面积曲线图G_i(t)在统一坐标系内绘制以提取各时间节点中各时间-光照面积曲线图G_i(t)中的光照面积的面积最大值，训练模块根据获取的各时间节点的面积最大值绘制时间-面积最大值曲线图F(t)，训练模块将时间-面积最大值曲线图F(t)中各时间节点的面积最大值作为针对该时间节点的图像信息的增强面积；所述第二增强方式满足所述光照平均值大于所述预设光照平均值。

具体而言，训练模块选定图像信息中增强面积的区域作为第一增强区域；训练模块将图像信息中除第一增强区域外的区域作为第二增强区域；

针对图像信息中第一增强区域的处理方式为，使用直方图拉伸以增加对比度；采用曝光补偿以完成色彩校正；

针对图像信息中第二增强区域的处理方式为，使用直方图均衡化增加对比度；采用颜色空间转换以调整图像信息的色彩平衡和色调；使用中值滤波的方法对图像信息进行去噪处理。

具体而言，所述录制模块在所述训练模块使用对应的处理方式完成针对录制区域的图像信息的处理时，以预设时间间隔获取录制区域的若干个图像信息，所述数据处理模块针对单个图像信息，数据处理模块将图像信息中第一增强区域内的遮光特征进行提取；

针对单个遮光特征数据处理模块将该遮光特征的左下角作为针对的该遮光特征的锚点，并将锚点在图像信息中的位置进行标记，数据处理模块计算锚点在各图像信息中的总位移，(总位移为若干个图像信息中锚点在各图像信息的位置与在前一预设时间间隔的图像信息中的位置的各位移量之和)，数据处理模块根据总位移量确定单个遮光特征的遮光区域的处理方式，其中：

第一区域处理方式为所述训练模块将单个遮光特征的区域标记为第一增强区域；所述第一区域处理方式满足所述总位移量大于预设位移量；

第二区域处理方式为所述训练模块将单个遮光特征的区域标记为待训练区域；所述第二区域处理方式满足所述总位移量小于等于预设位移量；

具体而言，所述录制模块在所述第二区域处理方式下，以预设时间间隔对单个检测周期的录制区域内的图像信息进行获取，并根据图像信息绘制时间-遮光面积曲线图P(t)，其中遮光面积为单个遮光特征的遮光面积，训练模块将各时间节点下的遮光面积作为新增至针对该时间节点的图像信息的增强面积。

具体而言，所述校对模块在所述训练模块完成使用对应的增强方式对录制区域的图像信息的处理时，对图像信息中的文字进行提取以获取提取文本，并获取各文字的原始尺寸，校对模块获取图像信息中符合原始尺寸的文字特征的数量，并计算文字特征的数量与提取文本中的文字数量的差值的绝对值，校对模块将该绝对值记为文字偏差，校对模块根据求得的文字偏差确定训练模块的运行参数是否符合预设标准的训练判定方式，其中：

第一训练判定方式为所述校对模块判定训练模块的运行参数符合预设标准，并判定训练模块维持当前的运行参数运行；所述第一训练判定方式满足所述文字偏差小于等于第一预设差值；

第二训练判定方式为所述校对模块判定训练模块的运行参数不符合预设标准，并根据第二预设差值与文字偏差的差值将预设时间间隔调节至对应值；所述第二训练判定方式满足所述文字偏差小于等于第二预设差值且大于所述第一预设差值，第一预设差值小于第二预设差值；

第三训练判定方式为所述校对模块判定训练模块的运行参数不符合预设标准，并根据所述文字偏差与第二预设差值的差值将检测周期的数量调节至对应值；所述第三训练判定方式满足所述文字偏差大于所述第二预设差值。

具体而言，所述校对模块在所述第二训练判定方式下计算第二预设差值与文字偏差的差值，并将该差值记为文字差值，校对模块根据求得的文字差值确定预设时间间隔的调节方式，其中：

第一间隔调节方式为所述校对模块使用第一预设间隔调节系数将预设时间间隔调低至对应值；所述第一间隔调节方式满足所述文字差值小于等于第一预设文字差值；

第二间隔调节方式为所述校对模块使用第二预设间隔调节系数将预设时间间隔调低至对应值；所述第二间隔调节方式满足所述文字差值小于等于第二预设文字差值且大于所述第一预设文字差值，第一预设文字差值小于第二预设文字差值；

第三间隔调节方式为所述校对模块使用第三预设间隔调节系数将预设时间间隔调低至对应值；所述第三间隔调节方式满足所述文字差值大于所述第二预设文字差值。

具体而言，所述校对模块在所述第三训练判定方式下计算文字偏差与第二预设差值的差值，并将该差值记为偏差差值，校对模块根据求得的偏差差值确定针对录制模块获取的检测周期的数量的调节方式，其中：

第一数量调节方式为所述校对模块使用第一预设数量调节系数将录制模块获取的检测周期的数量调高至对应值；所述第一数量调节方式满足所述偏差差值小于等于第一预设偏差差值；

第二数量调节方式为所述校对模块使用第二预设数量调节系数将录制模块获取的检测周期的数量调高至对应值；所述第二数量调节方式满足所述偏差差值小于等于第二预设偏差差值且大于所述第一预设偏差差值，第一预设偏差差值小于第二预设偏差差值；

第三数量调节方式为所述校对模块使用第三预设数量调节系数将录制模块获取的检测周期的数量调高至对应值；所述第三数量调节方式满足所述偏差差值大于所述第二预设偏差差值。

具体而言，所述训练模块根据所述增强面积确定所述录制模块获取的图像信息中的第一增强区域和第二增强区域；

训练模块将所述录制模块获取的图像信息转换为灰度图像，并计算灰度图像中各像素点的平均灰度值，训练模块将灰度图像中灰度值大于平均灰度值的像素点记为标定点，训练模块将灰度图像分为若干区域，针对单个区域训练模块对单个区域内相连的标定点的数量进行统计，以根据相连的标定点的数量确定录制模块获取的图像信息中的第一增强区域和第二增强区域；

若相连的标定点的数量大于预设数量；训练模块将各相连的标定点进行选定，并将选定区域设定为第二增强区域；

若相连的标定点的数量小于等于预设数量；训练模块不对各标定点进行选定；

训练模块将图像信息划分为第一增强区域和第二增强区域。

具体而言，录制模块，其用以获取录制区域内的图像信息；

训练模块，其与所述录制模块相连用以根据录制模块获取的图像信息确定增强面积,以根据增强面积将录制模块获取的各图像信息分为第一增强区域和第二增强区域；训练模块对第一增强区域和第二增强区域分别采取对应的处理方式；

数据处理模块，其分别与所述录制模块和所述训练模块相连，在训练模块完成使用对应的处理方式完成对第一增强区域和第二增强区域的处理的条件下，根据录制模块重新获取的图像信息对第一增强区域内的遮光特征的区域进行二次标记；

校对模块，其分别与所述录制模块和所述训练模块相连，以根据图像信息中的文字特征判定是否对训练模块的运行参数进行调节。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的图形图像增强方法，其特征在于，包括：

S1，录制模块对录制区域的图像信息进行获取，训练模块根据图像信息确定增强面积,以根据增强面积将录制模块获取的各图像信息分为第一增强区域和第二增强区域；

S2，所述训练模块针对第一增强区域和第二增强区域分别采取对应的处理方式；

S3，数据处理模块对录制模块重新获取的图像信息中的第一增强区域内的遮光特征进行提取，并对各遮光特征的区域进行二次标记；

S4，校对模块在所述训练模块使用对应的增强方式完成对录制区域的图像信息的处理时，对图像信息中的文字进行提取以获取提取文本，并根据提取文本对训练模块的运行参数是否符合预设标准进行判定；

S5，所述校对模块根据对训练模块的运行参数是否符合预设标准判定结果确定对训练模块的运行参数进行调节，或完成针对录制区域的训练。

2.根据权利要求1所述的基于深度学习的图形图像增强方法，其特征在于，所述录制模块在所述S1中，以预设时间间隔对若干个检测周期的录制区域内的图像信息进行获取，训练模块根据图像信息绘制各检测周期的时间-光照面积曲线图G_i(t)，训练模块依次计算各时间-光照面积曲线图G_i(t)中最大值与最小值的最值差值，并计算各最值差值的平均值，训练模块将该平均值记为光照平均值，训练模块根据求得的光照平均值确定针对录制区域的图像增强方式，

训练模块将各时间-光照面积曲线图G_i(t)中光照面积的最大值作为针对图像信息的增强面积，

或，训练模块将各时间-光照面积曲线图G_i(t)在统一坐标系内绘制以提取各时间节点中各时间-光照面积曲线图G_i(t)中的光照面积的面积最大值，训练模块根据获取的各时间节点的面积最大值绘制时间-面积最大值曲线图F(t)，训练模块将时间-面积最大值曲线图F(t)中各时间节点的面积最大值作为针对该时间节点的图像信息的增强面积；所述第二增强方式满足所述光照平均值大于所述预设光照平均值。

3.根据权利要求2所述的基于深度学习的图形图像增强方法，其特征在于，所述训练模块选定图像信息中增强面积的区域作为第一增强区域；训练模块将图像信息中除第一增强区域外的区域作为第二增强区域；

针对图像信息中第一增强区域的处理方式为使用直方图拉伸以增加对比度；采用曝光补偿以完成色彩校正；

针对图像信息中第二增强区域的处理方式为使用直方图均衡化增加对比度；采用颜色空间转换以调整图像信息的色彩平衡和色调；使用中值滤波的方法对图像信息进行去噪处理。

4.根据权利要求3所述的基于深度学习的图形图像增强方法，其特征在于，所述录制模块在所述训练模块使用对应的处理方式完成针对录制区域的图像信息的处理时，以预设时间间隔获取录制区域的若干个图像信息，针对单个图像信息所述数据处理模块将图像信息中第一增强区域内的遮光特征进行提取；

针对单个遮光特征数据处理模块将该遮光特征的左下角作为针对的该遮光特征的锚点，并将锚点在图像信息中的位置进行标记，数据处理模块计算锚点在各图像信息中的总位移，数据处理模块根据总位移量确定单个遮光特征的遮光区域的处理方式，

训练模块将单个遮光特征的区域标记为第一增强区域，

或，将单个遮光特征的区域标记为待训练区域。

5.根据权利要求4所述的基于深度学习的图形图像增强方法，其特征在于，针对待训练区域所述录制模块以预设时间间隔对单个检测周期的录制区域内的图像信息进行获取，并根据图像信息绘制时间-遮光面积曲线图P(t)，其中遮光面积为单个遮光特征的遮光面积，训练模块将各时间节点下的遮光面积作为新增至针对该时间节点的图像信息的增强面积。

6.根据权利要求5所述的基于深度学习的图形图像增强方法，其特征在于，所述校对模块在所述训练模块完成使用对应的增强方式对录制区域的图像信息的处理时，对图像信息中的文字进行提取以获取提取文本，并获取各文字的原始尺寸，校对模块获取图像信息中符合原始尺寸的文字特征的数量，并计算文字特征的数量与提取文本中的文字数量的差值的绝对值，校对模块将该绝对值记为文字偏差，校对模块根据求得的文字偏差确定训练模块的运行参数是否符合预设标准，并在判定训练模块的运行参数不符合预设标准时，根据第二预设差值与文字偏差的差值将预设时间间隔调节至对应值，

或，根据所述文字偏差与第二预设差值的差值将检测周期的数量调节至对应值。

7.根据权利要求6所述的基于深度学习的图形图像增强方法，其特征在于，所述校对模块基于文字差值设有若干针对预设时间间隔的调节方式，且各调节方式针对预设时间间隔的调节幅度均不相同；

所述文字差值为第二预设差值与文字偏差的差值。

8.根据权利要求7所述的基于深度学习的图形图像增强方法，其特征在于，所述校对模块基于文字偏差与第二预设差值的差值设有若干针对录制模块获取的检测周期的数量的调节方式，且各调节方式针对录制模块获取的检测周期的数量的调节幅度均不相同。

9.根据权利要求8所述的基于深度学习的图形图像增强方法，其特征在于，所述训练模块根据所述增强面积确定所述录制模块获取的图像信息中的第一增强区域和第二增强区域；

训练模块将所述录制模块获取的图像信息转换为灰度图像，并计算灰度图像中各像素点的平均灰度值，训练模块将灰度图像中灰度值大于平均灰度值的像素点记为标定点，训练模块将灰度图像分为若干区域，针对单个区域训练模块对单个区域内相连的标定点的数量进行统计，以根据相连的标定点的数量确定录制模块获取的图像信息中的第一增强区域和第二增强区域；

若相连的标定点的数量大于预设数量；训练模块将各相连的标定点进行选定，并将选定区域设定为第二增强区域；

若相连的标定点的数量小于等于预设数量；训练模块不对各标定点进行选定；

训练模块将图像信息划分为第一增强区域和第二增强区域。

10.一种使用权利要求1-9任一项权利要求所述的基于深度学习的图形图像增强方法的系统，其特征在于，包括，

录制模块，其用以获取录制区域内的图像信息；

训练模块，其与所述录制模块相连用以根据录制模块获取的图像信息确定增强面积,以根据增强面积将录制模块获取的各图像信息分为第一增强区域和第二增强区域；训练模块对第一增强区域和第二增强区域分别采取对应的处理方式；

数据处理模块，其分别与所述录制模块和所述训练模块相连，在训练模块完成使用对应的处理方式完成对第一增强区域和第二增强区域的处理的条件下，根据录制模块重新获取的图像信息对第一增强区域内的遮光特征的区域进行二次标记；

校对模块，其分别与所述录制模块和所述训练模块相连，以根据图像信息中的文字特征判定是否对训练模块的运行参数进行调节。