图像调色增强方法和图像调色增强神经网络训练方法
技术领域
本申请属于图像处理技术领域,尤其涉及图像调色增强方法和图像调色增强神经网络训练方法。
背景技术
在移动互联网时代,越来越多的人习惯于在社交网络上分享自己拍摄的照片。由于受到光照、天气、环境、设备等因素的影响,拍摄的照片可能会存在过曝、欠曝、色彩沉闷、饱和度低、对比度失衡等问题,影响人的主观视觉感受,因此需要对照片进行后期的调色处理。
图像调色处理是通过算法调整图像的对比度、饱和度、色调等,改变图像的整体或局部色彩,例如调亮偏暗的图片、调暗偏亮的图片、调高饱和度低的图片等,使得图像看上去更加饱满生动。而传统的图像调色处理方法效果较差,鲁棒性较差。
发明内容
为克服相关技术中存在的问题,本申请实施例提供了图像调色增强方法、图像调色增强神经网络训练方法、装置、终端设备及存储介质。
本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种图像调色增强神经网络训练方法,包括:
获取训练数据样本;
构建图像调色增强神经网络,所述图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构;
基于所述训练数据样本,采用固定步长学习率衰减策略对所述图像调色增强神经网络进行训练,直至所述图像调色增强神经网络的颜色损失函数满足预设条件;其中,将待调色增强图像输入训练后的图像调色增强神经网络能够得到用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置。
在第一方面的一种可实现方式中,所述获取训练数据样本,包括:
获取存在调色缺陷的第一图像样本作为所述训练数据样本,并对所述训练数据样本进行调色处理,将调色处理后的所述训练数据样本作为网络监督学习的真值标签,所述调色缺陷包括过曝/欠曝、对比度不平衡、色彩不饱满中的至少一种;或者,
获取不存在调色缺陷的第二图像样本作为网络监督学习的真值标签,并对所述第二图像样本进行色彩降质处理,得到所述训练数据样本;其中,所述色彩降质处理包括使所述第二图像样本过曝、欠曝、调低对比度、调低色彩饱满度中的至少一种。
在第一方面的一种可实现方式中,所述颜色损失函数为:
其中,
为调色增强后的图像,Y为所述真值标签,Gau(.)是高斯滤波函数。
在第一方面的一种可实现方式中,所述编码器-解码器结构包括多个单元,每个单元包括卷积Conv、线性修正单元ReLU、残差块ResBlock以及池化下采样Pooling;
其中,所述残差块ResBlock包括:卷积Conv、实例归一化IN以及线性修正单元ReLU,所述实例归一化IN按照
对图像进行处理,x为特征图,μ(x)为x的平均值,σ(x)为x的标准差,γ和β
1为线性仿射参数。
在第一方面的一种可实现方式中,所述采用固定步长学习率衰减策略对所述图像调色增强神经网络进行训练,包括:
采用梯度下降算法,通过迭代学习得出所述图像调色增强神经网络的参数;其中,每经过预设个数的迭代回合,将学习率衰减一半,对所述图像调色增强 神经网络进行训练。
第二方面,本申请实施例提供了一种图像调色增强方法,包括:
获取待调色增强图像;
将所述待调色增强图像输入训练后的图像调色增强神经网络,得到用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置;
基于所述调色乘度因子和所述偏置,对所述待调色增强图像进行调色增强处理。
在第二方面的一种可实现方式中,所述基于所述调色乘度因子和所述偏置,对所述待调色增强处理图像进行调色增强处理,包括:
通过J(x)=α·I(x)+β
2对所述待调色增强图像进行调色增强处理,其中,I(x)为所述待调色增强的图像,J(x)是调色增强后的图像,α为所述I(x),β
2为所述偏置,x表示像素坐标。
第三方面,本申请实施例提供了一种图像调色增强神经网络训练装置,包括:
样本获取模块,用于获取训练数据样本;
神经网络构建模块,用于构建图像调色增强神经网络,所述图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构;
神经网络训练模块,用于基于所述训练数据样本,采用固定步长学习率衰减策略对所述图像调色增强神经网络进行训练,直至所述图像调色增强神经网络的颜色损失函数满足预设条件;其中,将待调色增强图像输入训练后的图像调色增强神经网络能够得到用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置。
第四方面,本申请实施例提供了一种图像调色增强装置,包括:
图像获取模块,用于获取待调色增强图像;
参数获取模块,用于将所述待调色增强图像输入训练后的图像调色增强神经网络,获取用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置;
调色增强处理模块,用于基于所述调色乘度因子和所述偏置,对所述待调色增强图像进行调色增强处理。
第五方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的图像调色增强神经网络训练方法,或实现如第二方面任一项所述的图像调色增强方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的图像调色增强神经网络训练方法,或实现如第二方面任一项所述的图像调色增强方法。
第七方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的图像调色增强神经网络训练方法,或实现如第二方面任一项所述的图像调色增强方法。
可以理解的是,上述第二方面至第七方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例,获取训练数据样本,构建图像调色增强神经网络,该图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构;基于上述训练数据样本,采用固定步长学习率衰减策略对上述图像调色增强神经网络进行训练,直至上述图像调色增强神经网络的颜色损失函数满足预设条件;其中,将待调色增强图像输入训练后的图像调色增强神经网络能够得到用于对所述待调色增强图像进行调色增强处理的调色乘度因子和偏置,通过上述图像调色增强神经网络能够估计用于图像增强处理的中间参数,使得本方案在图像增强处理上有更好的可解释性、鲁棒性、泛化性和延拓性,提高图像增强处理的效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的图像调色增强方法的应用场景示意图;
图2是本申请一实施例提供的图像调色增强前后的对比示意图;
图3是本申请一实施例提供的图像调色增强神经网络训练方法的流程示意图;
图4是本申请一实施例提供的图像调色增强神经网络的架构示意图;
图5是本申请一实施例提供的图像调色增强方法的流程示意图;
图6是本申请一实施例提供的多组图像调色增强前后的对比示意图;
图7是本申请一实施例提供的图像调色增强的流程示意图;
图8是本申请实施例提供的图像调色增强神经网络训练装置的结构示意图;
图9是本申请实施例提供的增强装置的结构示意图;
图10是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指 示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
图像调色增强,即通过算法调整图像的对比度、饱和度、色调等,改变图像的整体或局部色彩,例如调亮偏暗的图片,调暗偏亮的图片,调高饱和度低的图片等,使得图像看上去更加饱满生动。在影视制作、摄影摄像、医学成像、遥感成像等领域,图像调色增强技术都有着广泛的应用。图像调色增强同时可以作为目标识别、目标跟踪、特征点匹配、图像融合、超分辨率重构等图像处理算法的预处理算法。
近年来,基于深度学习的图像增强技术得到了快速发展,这些算法通过有 监督或半监督学习的方式,从大量的训练数据对中,让神经网络学习出图像增强前后的映射关系。传统的基于学习的图像调色增强算法可以大致分为三类:基于物理建模的方法、图像到图像的转换方法和强化学习方法。
基于物理建模的方法试图估计所提出的物理模型或图像增强假设的中间参数。然而,由于实际数据的非线性和复杂性,当输入图像的分布与模型假设不匹配时,基于物理模型的方法很容易被打破。
第二类方法将图像增强看作是一个图像到图像的转换问题,它直接学习输入和增强图像之间的端到端映射,而不需要建模中间参数。然而这种方式训练较为困难,容易引入噪声,同时会改变图像原来的纹理。
强化学习是另一种强化方法,其目的是显式地模拟人类润色的逐步过程。这种方法将颜色增强问题转化为马尔可夫决策过程(MDP),将每一步操作定义为一个全局颜色调整操作,并用深度Q网络求解。然而,这种方法需要预先定义一系列的调色操作,一旦操作定义不好,便会影响效果。同时,这种方法的计算复杂度和代价也较高。
而且,上述方法局限性大、泛化能力差。具体的,上述方法大部分只能针对一种或者几种图像色彩退化问题进行处理,例如只能处理过曝或者欠曝图片。然而,在实际应用中,人们面对的不仅仅是单一退化问题,需要同时处理曝光度、对比度、饱和度、色调等问题。这些现有方法一旦遇到自己模型处理不了的情况,便需要更换数据集重新训练,甚至进一步修改模型,有较大的局限性,泛化能力不足。
另外,上述方法在真实数据集上表现欠佳。具体的,基于学习的方法是一种数据驱动的方法,现有的方法在某一特定数据集上训练好后,可以在这个数据集上有较好的表现,但一旦更换数据集,效果就会下降。尤其是真实数据集,其包含的退化类型更多,情况更复杂,现有方法容易引起颜色失真、噪声、伪影、恢复力度不够等问题。
基于上述问题,本申请实施例中的图像调色增强神经网络训练方法,获取 训练数据样本,构建图像调色增强神经网络,该图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构;基于上述训练数据样本,采用固定步长学习率衰减策略对上述图像调色增强神经网络进行训练,直至上述图像调色增强神经网络的颜色损失函数满足预设条件;其中,将待调色增强图像输入训练后的图像调色增强神经网络能够得到用于对所述待调色增强图像进行调色增强处理的调色乘度因子和偏置,通过上述图像调色增强神经网络能够估计用于图像增强处理的中间参数,使得本方案在图像增强处理上有更好的可解释性、鲁棒性、泛化性和延拓性,提高图像增强处理的效果。
举例说明,本申请实施例可以应用到如图1所示的示例性场景中。在该场景中,终端10获取训练数据样本,例如,终端10可以获取存在调色缺陷的第一图像样本作为训练数据样本,并对训练数据样本进行人工标注调色处理,将调色处理后的训练数据样本作为网络监督学习的真值标签;或者,获取不存在调色缺陷的第二图像样本作为网络监督学习的真值标签,并对第二图像样本进行自动的预定义色彩降质处理,得到训练数据样本。
服务器20获取上述训练数据样本,并构建图像调色增强神经网络,该图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构,基于训练数据样本,采用固定步长学习率衰减策略对图像调色增强神经网络进行训练,直至图像调色增强神经网络的颜色损失函数满足预设条件。
参见图2,将待调色增强处理图像输入上述经过训练后的图像调色增强神经网络能够得到用于图像增强处理的中间参数,通过该中间参数对待调色增强处理图像进行调色增强处理得到调色增强处理后的图像,使得本方案在图像增强处理上有更好的可解释性、鲁棒性、泛化性和延拓性,提高图像调色增强处理的效果。
本申请可以用于对摄影作品、影视作品进行图像调色增强,使得图像作品视觉效果更加生动饱满。例如,对过曝/欠曝的图片调整亮度,使其处于正常的曝光水平;对对比度偏高或偏低的图像进行调整,使图像中的重要内容能够凸 显出来;对饱和度不平衡的图片进行增强,使图像色彩更加饱满生动。
以下结合图1对本申请的图像调色增强神经网络训练方法进行详细说明。
图3是本申请一实施例提供的图像调色增强神经网络训练方法的示意性流程图,参照图3,对该图像调色增强神经网络训练方法的详述如下:
在步骤101中,获取训练数据样本。
其中,上述训练数据样本可以为未经人工调色的图像或者经过过曝、欠曝等降质处理的图像,网络监督学习的真值标签可以为经过人工调色或者人工选择的无过曝欠曝、色彩平衡、视觉质量好的图像。
一些实施例中,可以获取存在调色缺陷的第一图像样本作为所述训练数据样本,并对所述训练数据样本进行调色处理,将调色处理后的所述训练数据样本作为网络监督学习的真值标签,所述调色缺陷包括过曝/欠曝、对比度不平衡、色彩不饱满中的至少一种。
例如,可以收集大量存在过曝/欠曝、对比度不平衡、色彩不饱满的图像作为神经网络的输入Input,并通过专业的调色专家对这些输入的图像进行润饰,得到的手工调色结果作为网络监督学习的真值标签GT。
另一些实施例中,可以获取不存在调色缺陷的第二图像样本作为网络监督学习的真值标签,并对所述第二图像样本进行色彩降质处理,得到所述训练数据样本;其中,所述色彩降质处理包括使所述第二图像样本过曝、欠曝、调低对比度、调低色彩饱满度中的至少一种。
例如,可以收集大量高质量的图片作为网络监督学习的真值标签GT,这些图片色彩饱满生动,符合美学审美。对这些数据集随机进行色彩降质,例如使其过曝、欠曝、调低其对比度等,将降质后的图像作为神经网络的输入Input。
在步骤102中,构建图像调色增强神经网络,所述图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构。
其中,本步骤中构建用于图像调色增强的卷积神经网络,该网络的输入为待调色增强的低质量图片(全图),该神经网络包括一个带密集跳跃链接的编 码器-解码器结构。
一些实施例中,上述编码器-解码器结构中的解码器和编码器之间设置密集跨越链接;
上述编码器包括多个第一单元,每个第一单元包括卷积Conv、线性修正单元ReLU、残差块ResBlock以及池化下采样Pooling;其中,所述残差块ResBlock包括:卷积Conv、实例归一化IN以及线性修正单元ReLU,所述实例归一化IN按照
对图像进行处理,x为特征图,μ(x)为x的平均值,σ(x)为x的标准差,γ和β为线性仿射参数;
上述解码器包含多个第二单元,每个第二单元包括卷积Conv、线性修正单元ReLU和上采样Up。
参见图4,上述编码器包含一系列的卷积Conv、线性修正单元ReLU、残差块ResBlock以及池化下采样Pooling操作,用来提取图像的特征图feature map,同时逐渐将特征图的空间分辨率降低。其中,上述残差块包含卷积Conv、实例归一化IN以及线性修正单元ReLU操作。
在上述编码器中引入的实例归一化公式如下:
其中,x是特征图,μ(x)是x的平均值,σ(x)是x的标准差,γ和β
1是线性仿射参数。
上述解码器部分包含一系列的卷积Conv、线性修正单元ReLU以及上采样Up操作,用于提取图像特征、加工编码器提取的特征,同时将特征图的分辨率逐渐恢复到原图大小。
同时,本申请中还引入密集跨越链接(denseskipconnection),即在解码器和编码器之间加入了密集跨越链接,使得低层级的特征信息能够在深层网络中继续复用,更加高效地利用特征信息。
具体的,每个第一单元可以与一个第二单元跨越连接。以图4为例,由左到右的方向,分别为依次连接的第一单元1、第一单元2、第一单元3、第二单 元1、第二单元2和第二单元3,而且各个第一单元和各个第二单元之间密集跨越连接。
具体的,第一单元1与第二单元2跨越链接,第一单元2与第二单元3跨越链接,第一单元3与参数估计整合单元跨越链接。第一单元1中池化下采样Pooling得到的数据发送给第二单元2的卷积Conv,第一单元2中池化下采样Pooling得到的数据发送给第二单元3的卷积Conv,第一单元3中池化下采样Pooling得到的数据发送给参数估计整合单元的卷积Conv。
在步骤103中,基于所述训练数据样本,采用固定步长学习率衰减策略对所述图像调色增强神经网络进行训练,直至所述图像调色增强神经网络的颜色损失函数满足预设条件。
其中,将待调色增强图像输入训练后的图像调色增强神经网络能够得到用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置。
本步骤中,可以采用颜色损失color loss作为损失函数,即高斯平滑后的L1或L2损失,使用颜色损失color loss可以让神经网络聚焦于低频的颜色部分。例如,上述颜色损失函数可以为:
其中,
为调色增强后的图像,Y为所述真值标签,Gau(.)是高斯滤波函数。
一些实施例中,可以采用梯度下降算法,通过迭代学习得出所述图像调色增强神经网络的参数;其中,每经过预设个数的迭代回合,将学习率衰减一半,对所述图像调色增强神经网络进行训练。
示例性的,本技术使用梯度下降算法,通过迭代学习出网络的参数。例如,初始学习率可以设置为一个预设值(例如1e-4),每50000个迭代回合,将学习率衰减一半,使用收集好的数据,对构造好的神经网络进行训练,直到神经网络收敛。
上述图像调色增强神经网络训练方法,获取训练数据样本,构建图像调色增强神经网络,该图像调色增强神经网络包含密集跳跃链接的编码器-解码器结 构;基于上述训练数据样本,采用固定步长学习率衰减策略对上述图像调色增强神经网络进行训练,直至上述图像调色增强神经网络的颜色损失函数满足预设条件;其中,将待调色增强图像输入训练后的图像调色增强神经网络能够得到用于对所述待调色增强图像进行调色增强处理的调色乘度因子和偏置,通过上述图像调色增强神经网络能够估计用于图像增强处理的中间参数,使得本方案在图像增强处理上有更好的可解释性、鲁棒性、泛化性和延拓性,提高图像增强处理的效果。
以下结合图1对本申请的图像调色增强方法进行详细说明。
图5是本申请一实施例提供的图像调色增强方法的示意性流程图,参照图5,对该图像调色增强方法的详述如下:
在步骤201中,获取待调色增强图像。
示例性的,上述待调色增强图像可以为亮度偏暗的图像、亮度偏亮的图像、饱和度较高的图像、饱和度较低的图像、对比度较高的图像和对比度较低的图像等。
在步骤202中,将所述待调色增强图像输入训练后的图像调色增强神经网络,得到用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置。
其中,将待调色增强图像输入到训练后的图像调色增强神经网络后,该网络能够输出用于对上述待调色增强图像进行调色增强的调色乘度因子α和偏置β。
在步骤203中,基于所述调色乘度因子和所述偏置,对所述待调色增强图像进行调色增强处理。
其中,可以计算调色乘度因子α和待调色增强的图像的乘积,与偏置β的和,确定调色增强后的图像。
示例性的,可以通过J(x)=α·I(x)+β
2对上述待调色增强图像进行调色增强处理,其中,I(x)为待调色增强的图像,J(x)是调色增强后的图像,α为所述调色乘度因子,β
2为所述偏置,x表示像素坐标。
图6为经过本申请调色增强处理前后的图像之间的对比示意图,由图6可知本申请对图像的调色增强处理效果较好。
图7是本申请一实施例提供的图像调色增强的流程示意图,参照图7,对该图像调色增强的流程如下:
在步骤301中,获取训练数据样本。
在步骤302中,构建图像调色增强神经网络,所述图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构。
在步骤303中,基于所述训练数据样本,采用固定步长学习率衰减策略对所述图像调色增强神经网络进行训练,直至所述图像调色增强神经网络的颜色损失函数满足预设条件。
在步骤304中,获取待调色增强图像。
在步骤305中,将所述待调色增强图像输入训练后的图像调色增强神经网络,得到用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置。
在步骤306中,基于所述调色乘度因子和所述偏置,对所述待调色增强图像进行调色增强处理。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的图像调色增强神经网络训练方法,图X示出了本申请实施例提供的图像调色增强神经网络训练装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图8,本申请实施例中的图像调色增强神经网络训练装置可以包括样本获取模块401、神经网络构建模块402和神经网络训练模块403。
其中,样本获取模块401,用于获取训练数据样本;
神经网络构建模块402,用于构建图像调色增强神经网络,所述图像调色增强神经网络包含密集跳跃链接的编码器-解码器结构;
神经网络训练模块403,用于基于所述训练数据样本,采用固定步长学习率衰减策略对所述图像调色增强神经网络进行训练,直至所述图像调色增强神经网络的颜色损失函数满足预设条件;其中,将待调色增强图像输入训练后的图像调色增强神经网络能够得到用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置。
可选的,样本获取模块401具体可以用于:
获取存在调色缺陷的第一图像样本作为所述训练数据样本,并对所述训练数据样本进行调色处理,将调色处理后的所述训练数据样本作为网络监督学习的真值标签,所述调色缺陷包括过曝/欠曝、对比度不平衡、色彩不饱满中的至少一种;或者,
获取不存在调色缺陷的第二图像样本作为网络监督学习的真值标签,并对所述第二图像样本进行色彩降质处理,得到所述训练数据样本;其中,所述色彩降质处理包括使所述第二图像样本过曝、欠曝、调低对比度、调低色彩饱满度中的至少一种。
可选的,所述颜色损失函数为:
其中,
为调色增强后的图像,Y为所述真值标签,Gau(.)是高斯滤波函数。
可选的,所述编码器-解码器结构包括多个单元,每个单元包括卷积Conv、线性修正单元ReLU、残差块ResBlock以及池化下采样Pooling;
其中,所述残差块ResBlock包括:卷积Conv、实例归一化IN以及线性修正单元ReLU,所述实例归一化IN按照
对图像进行处理,x为特征图,μ(x)为x的平均值,σ(x)为x的标准差,γ和β
1为线性仿射参数。
可选的,神经网络训练模块403具体可以用于:
采用梯度下降算法,通过迭代学习得出所述图像调色增强神经网络的参数;其中,每经过预设个数的迭代回合,将学习率衰减一半,对所述图像调色增强神经网络进行训练。
对应于上文实施例所述的图像调色增强方法,图X示出了本申请实施例提供的图像调色增强装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图9,本申请实施例中的图像调色增强装置可以包括图像获取模块501、参数获取模块502和调色增强处理模块503。
其中,图像获取模块501,用于获取待调色增强图像;
参数获取模块502,用于将所述待调色增强图像输入训练后的图像调色增强神经网络,获取用于对所述待调色增强图像进行调色增强的调色乘度因子和偏置;
调色增强处理模块503,用于基于所述调色乘度因子和所述偏置,对所述待调色增强图像进行调色增强处理。
可选的,调色增强处理模块503具体可以用于:
通过J(x)=α·I(x)+β
2对所述待调色增强图像进行调色增强处理,其中,I(x)为所述待调色增强的图像,J(x)是调色增强后的图像,α为所述I(x),β
2为所述偏置,x表示像素坐标。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上 述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图10,该终端设600可以包括:至少一个处理器610、存储器620以及存储在所述存储器620中并可在所述至少一个处理器610上运行的计算机程序,所述处理器610执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤S101至步骤S103,或如图5所示实施例中的步骤S201至步骤S203。或者,处理器610执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块401至403的功能,或如图9所示模块501至503的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器620中,并由处理器610执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备600中的执行过程。
本领域技术人员可以理解,图10仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器610可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器620可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器620用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器620还可以 用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述图像调色增强神经网络训练方法各个实施例中的步骤,或实现上述图像调色增强方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述图像调色增强神经网络训练方法各个实施例中的步骤,或实现上述图像调色增强方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序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至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、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。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
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 述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。