[发明专利]图像美化方法、装置、设备及介质

说明书

本申请提供一种图像美化方法、装置、设备及介质，该方法包括：获取图像数据集与美学图像数据集；构建全卷积神经网络模型，基于所述美学图像数据集对所述全卷积神经网络模型进行训练，得到审美模型；基于所述审美模型的全卷积构建上下文聚合网络模型；利用所述审美模型对所述上下文聚合网络模型进行参数优化，根据所述数据集对优化后的所述上下文聚合网络模型进行训练，得到图像美化模型；将待处理图像输入至所述图像美化模型，确定美化后的图像并予以输出，利用图像美化模型自动化美化图像，大大降低人力优化图像的成本，显著提高工作效率；同时，在图像美化过程中确保图像美化的审美标准，稳定地提升了图像美感。

技术领域

本申请涉及图像处理领域，具体涉及一种图像美化方法、装置、设备及介质。

背景技术

数字图像处理技术是近年来发展较为迅速的一种技术，具体来说，就是指将计算机技术应用于图像的处理，从而使其达到期望的要求的过程。在具体的处理过程中，以改善图像的视觉效果为核心，最终呈现出人们想要表达的意思。数字图像处理技术主要包含图像数字化、图像增强、图像还原、图像分割等领域。在当下，图像处理技术主要应用于摄影活动后期对于图像的处理，以及对于医学影像的处理等等领域。应用数字图像处理技术将大幅降低人力优化图像质量的成本，且同时显著提高工作效率。

相关技术中，图像增强技术主要有两大类组成：空间域处理法和变换域处理法。空间域处理法是直接处理图像的数据达到增强效果。其具体过程是处理图像中的每个像素点的数据或者尺寸较小的子图像。目前主流的方法包括线性对比度拉伸、Unsharp Masking(UM)、自适应增强算法，直方图均衡化以及在直方图均衡化基础上的各种改进算法。

然而，现有的CNN(Convolutional Neural Network，卷积神经网络)模型结构设置损失函数表达式，CNN模型结构包括通用特征模块、局部特征模块、全局特征模块、参数表生成模块、引导图生成模块、增强参数生成模块以及图像增强模块；获取多个训练图像对，每一个训练图像对包括输入图像和目标图像；将多个训练图像对作为训练样本来训练CNN模型，不断更新CNN模型的模型参数，每更新一次模型参数，按照前述损失函数表达式来计算模型的损失函数值，当损失函数值收敛时，停止训练过程，得到CNN模型的模型参数从而生成CNN模型。该方法的流程复杂，且CNN网络的存储开销很大、计算效率低下；同时，利用该方法对图像美化后，并不符合人的审美标准的情况。

申请内容

鉴于以上所述现有技术的缺点，本申请提供一种图像美化方法、装置、设备及介质产品，以解决上述图像美化后的图像不符合人的审美标准的问题。

在第一方面，本申请提供的一种图像美化方法，包括：

获取图像数据集与美学图像数据集，所述图像数据集由多张图像优化前后对比关联所形成的图像序列，所述美学图像数据集对每张图像进行美学分析而生成审美评分；

构建全卷积神经网络模型，基于所述美学图像数据集对所述全卷积神经网络模型进行训练，得到审美模型；

基于所述审美模型的全卷积构建上下文聚合网络模型；

利用所述审美模型对所述上下文聚合网络模型进行参数优化，根据所述数据集对优化后的所述上下文聚合网络模型进行训练，得到图像美化模型；

将待处理图像输入至所述图像美化模型，确定美化后的图像并予以输出。

于本申请的一实施例中，构建全卷积神经网络模型，基于所述美学图像数据集对所述全卷积神经网络模型进行训练，得到审美模型，包括：

利用经验概率对美学图像数据集中每张图像进行评分，得到每张所述图像在数据集中的评分概率分布；

在确定每张所述图像的评分概率分布前提下，基于EDM损失函数来训练所述全卷积神经网络模型，得到审美模型，其中，所述EDM损失函数的表达式为，