[发明专利]基于深度学习的夜间彩色图像的还原方法、系统、介质在审
| 申请号： | 201910608369.3 | 申请日： | 2019-07-08 |
| 公开（公告）号： | CN110458763A | 公开（公告）日： | 2019-11-15 |
| 发明（设计）人： | 邢军华;欧阳一村;许文龙;曾志辉;贺涛 | 申请（专利权）人： | 深圳中兴网信科技有限公司 |
| 主分类号： | G06T5/00 | 分类号： | G06T5/00;G06T7/90;G06N3/08;G06N3/04 |
| 代理公司： | 11343 北京友联知识产权代理事务所(普通合伙) | 代理人： | 尚志峰;汪海屏<国际申请>=<国际公布> |
| 地址： | 518109广东省深圳市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 网络模型 训练图片 数据集 彩色图像 图片 还原 计算机可读存储介质 采集 图像还原 网络训练 选择网络 训练结果 迭代 灰阶 优化 放大 学习 分析 | ||
1.一种基于深度学习的夜间彩色图像的还原方法，其特征在于，包括：
采集图片对，所述图片对包括夜间图片和对应于所述夜间图片的白天图片；
通过数据增广获取训练图片数据集；
选择网络模型；
将所述训练图片数据集采用RGB格式或RAW格式对选择的所述网络模型进行网络训练；
对训练结果进行分析；
基于所述分析结果优化所述网络模型，并继续优化迭代；
确定最优的所述网络模型。
2.根据权利要求1所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，基于将所述训练图片数据集采用RAW格式对选择的所述网络模型进行网络训练，在所述将所述训练图片数据集采用RAW格式对选择的所述网络模型进行网络训练的步骤之前，还包括：
将所述训练图片数据集由RGB格式转化为RAW格式。
3.根据权利要求2所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，所述将所述训练图片数据集由RGB格式转化为RAW格式的步骤，具体包括：
采用插值算法，将所述训练图片数据集由RGB格式转化为RAW格式。
4.根据权利要求1至3中任一项所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，所述将所述训练图片数据集采用RGB格式或RAW格式对选择的所述网络模型进行网络训练的步骤，具体包括：
将所述训练图片数据集采用RGB格式以红-绿-蓝三通道对选择的所述网络模型进行网络训练；或
将所述训练图片数据集采用RAW格式以红-绿-蓝-绿四通道对选择的所述网络模型进行网络训练。
5.根据权利要求1至3中任一项所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，所述通过数据增广获取训练图片数据集的步骤，具体包括：
采用神经风格迁移算法，通过数据增广获取所述训练图片数据集。
6.根据权利要求1至3中任一项所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，
所述网络模型包括损失函数和神经网络模型。
7.根据权利要求6所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，
基于将所述训练图片数据集采用RGB格式对选择的所述网络模型进行网络训练，所述损失函数为第一损失函数，所述神经网络模型为第一神经网络模型。
8.根据权利要求6所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，
基于将所述训练图片数据集采用RAW格式对选择的所述网络模型进行网络训练，所述损失函数为第二损失函数，所述神经网络模型为第二神经网络模型。
9.根据权利要求1至3中任一项所述的基于深度学习的夜间彩色图像的还原方法，其特征在于，通过以下指标对所述训练结果进行分析：
峰值信噪比和/或结构相似性。
10.一种基于深度学习的夜间彩色图像的还原系统，其特征在于，包括存储器、处理器及存储在所述存储器上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权利要求1至9中任一项所述的基于深度学习的夜间彩色图像的还原方法。
11.一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如权利要求1至9中任一项所述的基于深度学习的夜间彩色图像的还原方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于深圳中兴网信科技有限公司，未经深圳中兴网信科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910608369.3/1.html，转载请声明来源钻瓜专利网。
