[发明专利]一种基于生成式对抗网络的图像增强方法

权利要求书

1.一种基于生成式对抗网络的图像增强方法，其特征是，包括以下步骤：

第一步、收集光影正常的图像数据，对数据进行预处理，生成光影异常的图像数据；光影正常的图像数据和光影异常的图像数据共同构成生成式对抗网络的训练数据集；

第二步、构建第一生成器网络模型G_A2B，输入光影异常的低质量图像，通过下采样解码操作和上采样编码操作生成光影正常的高质量图像；

第三步、构建第二生成器网络模型G_B2A，将第一生成器网络模型G_A2B网络的输出作为输入，通过下采样解码操作和上采样编码操作恢复出光影异常的低质量原图；

第四步、构建第一判别器网络模型D_A和第二判别器网络模型D_B，通过生成器和判别器之间的对抗来学习光影异常的低质量图像和光影正常的高质量图像之间的相互转换；

第五步、对所收集的光影正常的图像数据再次进行处理，分别得到光影正常的低分辨率图像、光影正常的高分辨率图像、光影异常的高分辨率图像，获得超分辨率重建网络的训练数据集；

第六步、将光影正常的低分辨率图像和光影异常的高分辨率图像进行拼接，同时输入到超分辨率重建网络进行前向传播；

第七步、以光影正常的高分辨率图像作为标签，定义超分辨率网络的约束，对超分辨率模型进行反向传播；

第八步、读取待增强的光影异常的低质量图像，输入到第一生成器网络模型G_A2B中进行图像增强；再将增强后的光影正常的低分辩图像和增强前的光影异常的高分辨率原图同时输入到超分辨率重建网络进行融合，得到增强后的光影正常的高分辨率图像。

2.如权利要求1所述的一种基于生成式对抗网络的图像增强方法，其特征是，第一步具体过程为：从现有的公开数据集和图像分享网站中，收集大量光影正常的图像数据，对图像数据的曝光度、白平衡、对比度、饱和度进行随机化调整，生成光影异常的图像数据，光影正常的图像数据和光影异常的图像数据共同构成生成式对抗网络的训练数据集。

3.如权利要求1所述的一种基于生成式对抗网络的图像增强方法，其特征是，第二步中第一生成器网络模型G_A2B由编码、转换和解码三个阶段组成；编码阶段利用三个卷积层提取光影正常的图像的特征；转换阶段使用残差块组合编码阶段所提取的特征，完成从光影异常数据域到光影正常数据域的转换；解码阶段使用缩放卷积进行上采样，最终输出光影正常的图像。

4.如权利要求3所述的一种基于生成式对抗网络的图像增强方法，其特征是，第三步中第二生成器网络模型G_B2A和第一生成器网络模型G_A2B的主干部分相同，输入输出不同，第二生成器网络模型G_B2A网络将第一生成器网络模型G_A2B网络的输出作为输入，最终的输出结果为光影异常的低质量原图。

5.如权利要求1所述的一种基于生成式对抗网络的图像增强方法，其特征是，第四步中判别器是用来判断输入的图像是网络生成的图像还是真实图像；所述的判别器由五层卷积层构成，卷积核大小设置为4×4，前三个卷积的步长设置为2×2，最后两个卷积的步长大小为1×1。

6.如权利要求1所述的一种基于生成式对抗网络的图像增强方法，其特征是，第五步中对第一步收集的光影正常的图像数据再次进行处理：原始图像作为光影正常的高分辨率图像；对原始图像进行缩放变换得到光影正常的低分辨率图像；对原始图像进行曝光度、白平衡、对比度、饱和度的调整得到光影异常的高分辨率图像。

7.如权利要求1所述的一种基于生成式对抗网络的图像增强方法，其特征是，第六步中将光影正常的低分辨率图像缩放为与光影异常的高分辨率图像相同的尺寸，将缩放后的光影正常的高分辨率图像和光影异常的高分辨率图像拼接起来，同时输入到超分辨率重建网络进行特征提取。

8.如权利要求1所述的一种基于生成式对抗网络的图像增强方法，其特征是，第七步中超分辨率网络的约束采用L1损失和MSE损失两部分，通过Adam优化器对网络进行反向传播，使输入的光影正常的低分辨率图像和光影异常的高分辨率图像融合生成光影正常的高分辨率图像。