[发明专利]基于可逆神经网络的图像增强方法、装置、设备及介质

权利要求书

1.一种基于可逆神经网络的图像增强方法，其特征在于，所述基于可逆神经网络的图像增强方法包括：

获取初始图像，基于所述初始图像构建样本数据集，所述样本数据集包含初始图像、增强图像与噪声图像，所述初始图像与所述增强图像之间的差为增强信息；

基于所述样本数据集对预设可逆神经网络进行训练，以学习所述样本数据集中初始图像、噪声图像与所述增强信息之间的映射关系，得到目标可逆神经网络；

根据所述目标可逆神经网络所学习的所述映射关系对待处理图像进行处理，生成增强图像。

2.如权利要求1所述的基于可逆神经网络的图像增强方法，其特征在于，所述基于所述样本数据集对预设可逆神经网络进行训练，以学习所述样本数据集中初始图像、噪声图像与所述增强信息之间的映射关系，得到目标可逆神经网络的步骤包括：

根据所述样本数据集中的初始图像与增强图像计算增强信息；

基于所述初始图像与所述增强信息对预设可逆神经网络进行训练，以学习所述样本数据集中初始图像、噪声图像与所述增强信息之间的映射关系，得到目标可逆神经网络。

3.如权利要求2所述的基于可逆神经网络的图像增强方法，其特征在于，所述基于所述初始图像与所述增强信息对预设可逆神经网络进行训练的步骤还包括：

对预设可逆神经网络的损失函数进行优化，以求解所述预设可逆神经网络的网络参数。

4.如权利要求1所述的基于可逆神经网络的图像增强方法，其特征在于，所述根据所述目标可逆神经网络所学习的所述映射关系对待处理图像进行处理，生成增强图像的步骤包括：

获取服从高斯分布的目标噪声图像；

获取待处理图像，将所述待处理图像及所述目标噪声图像输入所述目标可逆神经网络；

基于所述目标可逆神经网络中学习的所述映射关系对所述待处理图像及所述目标噪声图像进行处理，生成增强图像。

5.如权利要求4所述的基于可逆神经网络的图像增强方法，其特征在于，所述基于所述目标可逆神经网络中学习的所述映射关系对所述待处理图像及所述目标噪声图像进行处理，生成增强图像的步骤包括：

基于所述目标可逆神经网络中学习的所述映射关系对所述待处理图像及所述目标噪声图像进行处理，生成由增强信息形成的残差图像；

根据所述残差图像与所述待处理图像生成增强图像。

6.如权利要求1所述的基于可逆神经网络的图像增强方法，其特征在于，所述基于所述初始图像构建样本数据集的步骤包括：

计算所述初始图像的平均图像，将所述平均图像确定为增强图像；

获取服从高斯分布的噪声图像；

根据所述初始图像、所述增强图像与所述噪声图像构建样本数据集。

7.如权利要求1所述的基于可逆神经网络的图像增强方法，其特征在于，所述预设可逆神经网络基于预设可逆函数构建。

8.一种基于可逆神经网络的图像增强装置，其特征在于，所述基于可逆神经网络的图像增强装置包括：

构建模块，用于获取初始图像，基于所述初始图像构建样本数据集，所述样本数据集包含初始图像、增强图像与噪声图像，所述初始图像与所述增强图像之间的差为增强信息；

训练模块，用于基于所述样本数据集对预设可逆神经网络进行训练，以学习所述样本数据集中初始图像、噪声图像与所述增强信息之间的映射关系，得到目标可逆神经网络；

生成模块，用于根据所述目标可逆神经网络所学习的所述映射关系对待处理图像进行处理，生成增强图像。

9.一种基于可逆神经网络的图像增强设备，其特征在于，所述基于可逆神经网络的图像增强设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于可逆神经网络的图像增强程序，所述基于可逆神经网络的图像增强程序被所述处理器执行时实现如权利要求1-7中任一项所述的基于可逆神经网络的图像增强方法的步骤。

10.一种介质，其特征在于，所述介质上存储有基于可逆神经网络的图像增强程序，所述基于可逆神经网络的图像增强程序被处理器执行时实现如权利要求1-7中任一项所述的基于可逆神经网络的图像增强方法的步骤。