[发明专利]一种图像增强方法及装置

说明书

本发明提供一种图像增强方法及装置，能够使得增强后的图像从色彩方面有所改善，更接近专业图像色彩，且能够大大降低训练过程的计算复杂度。所述方法包括：建立基于单域数据集的循环生成对抗网络，其中，循环生成对抗网络包含生成器和判别器，生成器用于生成原图的增强图像，判别器用于辨别原图与增强图像的高层特征相似度；确定循环生成对抗网络的目标函数；将单域数据集中的每一个样本图像依次输入到生成器中，对建立的循环生成对抗网络进行训练，得到最优的生成器，利用得到的最优的生成器对待增强图像进行图像增强。本发明涉及图像处理技术领域。

技术领域

本发明涉及图像处理技术领域，特别是指一种图像增强方法及装置。

背景技术

近年来，随着深度学习在计算机领域的快速发展，基于深度学习的图像合成、图像风格迁移、图像增强等方向受到了极大的关注。目前，许多图像合成算法能够对人脸、风景、工业界特定场景图像作很好的处理。而图像增强是图像合成方法的重要分支，是进行图像特征提取的重要部分，同时也是生产生活中对照片处理的重要步骤。图像增强可以有选择的突出图像的重要信息，改善图像的视觉效果，针对不同的应用场景可以选择不同的图像增强效果。因此，图像增强是图像合成，数字图像处理的重要分支，具有很大的应用价值。

在深度学习方法中，训练数据集与训练网络模型都是每个学习的关键，随着技术的发展，越来越多的方法涌现，方法日新月异的同时，对数据集的依赖也越来越重要，而好的数据集是宝贵且难以获得的。生成对抗网络从提出时，就需要成对的数据集，经过近些年研究技术人员的改良，逐渐可以允许数据集的不严格成对(即：成对数据集，需要两个数据域的数据集且数据是一一成对的，例如：未增强图像与该图像的已增强图像是一对)，但依然需要两组不同域的数据集(即：不成对的双域数据集，即需要两个数据域的数据集且数据不严格一一成对的，例如：未增强图像与其他图像的已增强图像组成一对)，导致增加训练过程的计算复杂度。

发明内容

本发明要解决的技术问题是提供一种图像增强方法及装置，以解决现有技术所存在的使用成对数据集或者不成对的双域数据集进行训练增加训练过程的计算复杂度的问题。

为解决上述技术问题，本发明实施例提供一种图像增强方法，包括：

建立基于单域数据集的循环生成对抗网络，其中单域数据集中的样本图像为已增强图像，循环生成对抗网络包含生成器和判别器，生成器用于生成原图的增强图像，判别器用于辨别原图与增强图像的高层特征相似度，高层特征为生成器中的卷积层提取到的图像特征；

确定循环生成对抗网络的目标函数；

将单域数据集中的每一个样本图像依次输入到生成器中，对建立的循环生成对抗网络进行训练，得到最优的生成器，利用得到的最优的生成器对待增强图像进行图像增强。

进一步地，循环生成对抗网络包括：具有相同结构的生成器G、G’和具有相同结构的判别器D、D’；

每个生成器包括：输入层、三个训练的卷积层、六个残差模块和两个转置卷积层；

每个判别器包括：输入层、三个训练的卷积层。

进一步地，所述确定循环生成对抗网络的目标函数包括：

确定生成器G和判别器D’的对抗损失函数L_GAN(G,D′,X)，其中X表示单域数据集；

确定生成器G’和判别器D的对抗损失函数L_GAN(G′,D,X)；

确定生成器G和G’的循环一致损失函数L_cyc(G,G′)；

根据确定的L_GAN(G,D′,X)、L_GAN(G′,D,X)和L_cyc(G,G′)，确定循环生成对抗网络的总损失函数L(G,G′,D,D′)，L(G,G′,D,D′)表示为：