[发明专利]基于强化学习的图像增强方法

说明书

本发明涉及一种基于强化学习的图像增强方法，包括下列步骤：制作失真图片数据集：用matlab采用不同程度的三种类型处理方式对训练集和测试集进行预处理，生成失真图片；设计图像增强处理工具：针对不同类型或不同程度的失真图片，分别训练增强算法参数，并生成对应的meta文件，获得多个处理工具，每个工具对应处理特定程度、特定类型的失真；训练最优处理工具选择网络；模型性能测试。

技术领域

本发明属于图像处理技术领域，涉及一种基于机器学习技术，采用强化学习提高图像质量的方法。

背景技术

随着大数据时代的到来，图像信息因其更具有直观性，更加通俗易懂，已经是日常生活中必不可少的信息来源。然而通过图片去了解信息的必要条件是获得一张高质量的图片，降质的图片含有许多噪音，为之后的分析带来各种各样的障碍。随着人工智能的发展，人们对于图片质量的要求也越来越高。在计算机视觉领域，图像增强也一直是研究的热点。

在许多数字图像处理应用中，经常需要用高质量的图片或者视频来进行处理和分析。由于现有技术的局限性，成像设备往往得到的是低质量的图片，包括但不仅限于带有高斯白噪声，分辨率过低，模糊等，这些都会给后续的图像处理和分析带来困难，而如何提升这些图片的质量就成了需要关注的重点。

在最近几年，深度学习尤其是卷积神经网络被证明是一种高效的数据驱动框架，并且在底层图像处理问题上展示出了不错的效果。Dong等人设计了一种卷积神经网络架构[1]来解决单张图片超分辨率重建问题，设计的三层卷积神经网络分别模拟基于稀疏编码超分辨率重建。Wang等人把神经网络融入稀疏编码框架来解决超分辨率重建问题[2]，利用一种针对快速解稀疏编码的神经网络设计，巧妙地将这个设计应用到了图像超分辨率问题。Schuler等人开发了一种通过解卷积构造的多层感知机方法[3]去除噪声和手工痕迹。Xu等人使用一种深度卷积神经网络[4]来恢复带有噪声的图像，使用了奇异值分解的方法，减少了网络中的参数。Kim等人[5]发现可以通过学习低分辨率图片和高分辨率图片之间的残差把更多的层加入到网络中，帮助神经网络收敛。

[1]Dong C,Chen C L,He K,et al.Image super-Resolution Using DeepConvolutional Networks[J].IEEE Transactions onPatternAnalysisMachineIntelligence,2016,38(2):295-307

[2]Wang Z,Liu D,Yang J,et al.Deep networks for Image Super-Resolutionwith Sparse Prior[C].In proceedingofICCV,Santiago,Chile,2015:370-378.

[3]Schuler C J,Burger H C,Haemeling S,et al.A Machine LearningApproach for Non-blind Image Deconvolution[C].InProceedingofCVPR,Portland,ORUSA,2013:1067-1074

[4]Xu L,Ren J S,Liu C,et al.Deep convolutional neural network forimage deconvolution[C].In Proceeding ofNIPS,Montreal,Quebec,Canada,2014:1790-1798.

[5]Kim J,Lee J K,Lee KM.Accurate Image Super-Resolution Using VeryDeep ConvolutionNetworks[C].InProceedings ofCVPR,LasVegas,NV,USA,2016:1646-1654

发明内容