[发明专利]一种基于深度学习的图像增强方法

权利要求书

1.一种基于深度学习的图像增强方法，其特征在于，依次包括有样本采集制作、离线学习和在线处理三个步骤；

所述样本采集制作按照如下步骤：

Y1 采集自然图像，并将图像缩放到标准大小，得到图像集A，

Y2 对图像集A计算图像整体方差，去除方差低于阈值的图像，得到图像集B，

Y3 对B图像集进行高斯模糊，得到图像集C，

Y4 对图像集C添加高斯白噪声，得到图像集D，

Y5 对图像集D使用设定编码质量参数进行jpeg编码压缩，得到jpeg图像集E，

Y6 读取图像集B和E，并将图像数据转换至YUV平面数据格式，

Y7 按照重叠扫描规则对图像集B的Y平面数据提取一定大小的图像块，并将图像块数据归一化至[0,1]范围内，得到归一化图像块数据集{Yi}，

Y8 按照重叠扫描规则对图像集E的Y平面数据提取一定大小的图像块，并将图像块数据归一化至[0,1]范围内，得到归一化的图像块数据集{Xi}；

所述离线学习按照如下步骤：

L1 将{Xi}作为网络的输入数据；

L2 将输入数据进行m次卷积滤波操作，得到m个特征图，

L3 将m个特征图进行重组形成n个新的特征图，

L4 将n个特征图进行卷积滤波操作并进行合并累加形成最终的输出图像；

L5 训练深度学习网络，学习端到端的映射函数F需要估计参数Θ＝{W1,W2,W3,B1,B2,B3}，可以通过最小化重建图像F(X；Θ)和基准图的代价来实现；

所述在线处理按照如下步骤：

Z1 对视频数据的每一帧进行解码至YUV平面格式，提取出Y平面数据并将数据归一化至[0,1]范围内，得到Yinput，UV平面数据保持不变，

Z2 将Yinput输入至深度学习网络，对输入进行m次卷积滤波操作，得到m个特征图，

Z3 将m个特征图进行重组形成n个新的特征图，

Z4 将n个特征图进行卷积滤波操作并进行合并累加形成最终的输出图像，

Z5 Youtput＝CLIP(Yinput*255)，CLIP(x)函数为将x的值限制的设定范围内，一般图像数据中x的范围为[0,255]，

Z6 将Youtput和UV重新压缩编码形成视频文件。

2.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于，所述离线学习的L2步骤，其操作公式为F1(X)＝max(0,W1*X+B1)，其中X为图像块数据，W1为卷积滤波系数，B1为偏置项，max为取大于等于0的值。

3.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于，所述离线学习的L3步骤，其操作公式为F2(X)＝max(0,W2*F1(X)+B2)，其中X为图像块数据，W2为卷积滤波系数，B2为偏置项。

4.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于，所述离线学习的L4步骤，其操作公式为F(X)＝W3*F2(X)+B3，其中W3为卷积滤波系数，B3为偏置项。

5.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于，所述离线学习的L5步骤，其代价函数可以定义为：其中n为训练样本的总个数，Xi为输入图像块，即图像集{Xi}中的图像块数据，Yi为基准输出图像块，即图像集{Yi}中的图像块数据。此代价函数可以通过随机梯度下降法可以求得估计参数Θ。

6.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于，所述在线处理的Z2步骤，操作公式为F1(Yinput)＝max(0,W1*Yinput+B1)，其中W1和B1为离线学习模块中学习得到的卷积滤波系数和偏置项，max为取大于等于0的值。

7.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于，所述在线处理的Z3步骤，操作公式为F2(Yinput)＝max(0,W2*F1(Yinput)+B2)，其中W2和B2为离线学习模块中学习得到的卷积滤波系数和偏置项，max为取大于等于0的值。

8.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于，所述在线处理的Z4步骤，F(Yinput)＝W3*F2(Yinput)+B3，其中W3和B3为离线学习模块中学习得到的卷积滤波系数和偏置项。