[发明专利]一种基于生成式对抗网络的图像增强方法

说明书

本发明公开了一种基于生成式对抗网络的图像增强方法，包括以下步骤：收集光影正常的图像数据，对数据进行预处理；构建生成器网络模型Gsubgt;B2A/subgt;；构建判别器网络模型Dsubgt;A/subgt;和Dsubgt;B/subgt;；对所收集的光影正常的图像数据再次进行处理；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；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；读取待增强的光影异常的低质量图像，输入到生成器模型Gsubgt;A2B/subgt;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。

技术领域

本发明涉及图像处理和模式识别技术领域，尤其涉及一种基于生成式对抗网络的图像增强方法。

背景技术

随着社交媒体的发展和摄影设备的普及，人们越来越喜欢通过照片记录并分享生活中的美好瞬间，然而在阴天、雾天、低光、逆光等场景下普通摄影者很难获得光影正常的高质量图像，不良的天气条件和光照条件会使得图像呈现出对比度低、清晰度差、噪声多等图像退化问题，图像增强是计算机视觉领域的一个重要研究方向，同时，增强后的图像也可以更好地解决计算机视觉任务，例如图像识别、目标检测、目标跟踪等。

目前，基于深度学习的图像增强算法取得了较好的增强结果。大部分基于深度学习的图像增强算法都需要成对的图像增强数据，该类方法将光影正常的高质量图像和光影异常的低质量图像看作两个域，输入到卷积神经网络中进行端到端的学习。然而，端到端的训练方式使得现有方法高度依赖于训练数据，导致模型的泛化能力较弱。此外，通过神经网络生成的图像易发生细节丢失、伪影多的问题，许多基于深度学习的模型难以处理高分辨率图像。

发明内容

本发明的目的是提供一种基于生成式对抗网络的图像增强方法，通过生成式对抗网络实现无监督的低分辨率图像增强，通过图像超分辨率重建技术将增强后的结果融合到高分辨率原图中，从而得到光影正常的高质量高分辨率图像。

为实现上述目的，本发明采用下述技术方案：

一种基于生成式对抗网络的图像增强方法，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、对第一步中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，共同构成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。