[发明专利]一种基于深度学习的图像比特增强方法

说明书

本发明公开了一种基于深度学习网络的图像比特深度增强方法，所述方法包括以下步骤：对高比特无损画质的图像进行预处理，并量化到低比特图像；基于深度学习设计卷积神经网络，将量化后的低比特图像作为输入，并将输出结果和原始高比特图像之间的感知损失作为损失函数；通过优化器梯度下降损失函数来训练模型中各个卷积层和批归一化层的参数，在模型损失函数的下降幅度不超过阈值后，保存相应模型及模型中所有层的参数；将高比特图像量化成低比特后，通过保存的卷积神经网络恢复高比特图像。本发明利用深度学习中的卷积神经网络框架，能够准确恢复高质量的高比特图像。

技术领域

本发明涉及深度学习领域，尤其涉及一种基于深度学习的图像比特增强方法。

背景技术

随着科学技术的发展，人们在物质文化水平不断提高的同时，对显示器提供的视觉质量的要求也在不断提高。人们逐渐希望显示器能够提供清晰度更高、色彩更加接近真实景物的画面。在这种情况下，高清显示器和HDR(高动态范围，High Dynamic Range)显示器凭借其很好的视觉体验逐渐占有更大的市场份额。

但是，目前大多数已经存在的图片和视频资料都以低比特的形式拍摄存储。大多数的图像和视频中的每个像素的每个颜色通道都用8比特存储，因此每个颜色通道最多表现出256个颜色。有一些网络摄像机甚至分别用5,6,5个比特来表示红、绿、蓝三个颜色通道。另外，图像和视频在高倍率压缩时也经常会将高比特图像压缩成低比特图像。

当在高分辨率的显示器上显示低分辨率的图片时，画面会模糊不清。与之相似，当低比特的图像在经过简单的转换后就在高比特的显示器上显示时，会出现明显的伪轮廓效应，而且在亮度比较大的区域会出现色彩失真现象^[1]。因此，对于图片比特深度增强的研究有着非常重要的价值。

近些年来，DL(深度学习，Deep Learning)和CNN(卷积神经网络，ConvolutionalNeural Network)已经被应用于大多数的计算机视觉领域。卷积神经网络能够提取图片的高维特征，并且将输入转化为特定分布，在图像可记忆度预测^[2]，图像美感度评估^[3]，目标识别和跟踪^[4-6]等任务上都得到了比传统算法更好的结果。

目前已经提出了许多基于简单计算的图像比特深度增强的算法，但是大多数的算法都不能很好的解决图像伪轮廓的问题。有些算法是基于插值进行计算，可以在很大程度上消除伪轮廓，但一般会导致图像细节和浅色轮廓模糊不清，尤其是在LMM区域(局部最大值最小值区域，Local Maximum/Minimum Region)。

发明内容

本发明提供了一种基于深度学习的图像比特增强方法，本发明基于卷积神经网络的机器学习框架，能够准确恢复高质量的高比特图像，详见下文描述：

一种基于深度学习的图像比特深度增强方法，所述方法包括：

对用于训练的高比特深度无损画质的图像进行预处理，并量化到低比特深度图像作为模型输入；

基于深度学习设计卷积神经网络，将量化后的低比特深度图像作为输入，并将输出结果和原始高比特图像之间的感知损失作为损失函数；

通过优化器梯度下降损失函数来训练模型中各个卷积层和批归一化层的参数，在模型损失函数的下降幅度不超过阈值后，保存相应模型及模型中所有层的参数；

将高比特深度图像量化成低比特深度的版本后作为测试用例，通过保存的卷积神经网络恢复高比特图像。

其中，所述对图像进行预处理具体为：

将无损画质的高比特深度图像进行切块，降低模型的计算复杂度、减少训练内存占用量；

将切分好的图像随机打散后以numpy的形式进行存储，提高图像读取效率并防止图像的学习率差别过大造成的效果不均衡；