[发明专利]一种基于深度学习的图像增强方法

摘要

本发明提供了一个基于深度学习的图像增强方法及系统，此方法及系统由样本采集制作模块、离线学习模块和在线处理模块组成。样本采集制作模块非常关键，其决定了深度学习网络的能力；离线学习模块通过构建一个深度学习网络，并使用大量采集制作的样本学习出深度学习网络参数；在线处理模块将需要处理的视频输入到学习好的深度网络中，得到图像边缘清晰锐利且削弱编码噪声的视频。

主权项

一种基于深度学习的图像增强方法，其特征在于，依次包括有样本采集制作、离线学习和在线处理三个步骤；所述样本采集制作按照如下步骤：Y1 采集自然图像，并将图像缩放到标准大小，得到图像集A，Y2 对图像集A计算图像整体方差，去除方差低于阈值的图像，得到图像集B，Y3 对B图像集进行高斯模糊，得到图像集C，Y4 对图像集C添加高斯白噪声，得到图像集D，Y5 对图像集D使用设定编码质量参数进行jpeg编码压缩，得到jpeg图像集E，Y6 读取图像集B和E，并将图像数据转换至YUV平面数据格式，Y7 按照重叠扫描规则对图像集B的Y平面数据提取一定大小的图像块，并将图像块数据归一化至[0,1]范围内，得到归一化图像块数据集{Yi}，Y8 按照重叠扫描规则对图像集E的Y平面数据提取一定大小的图像块，并将图像块数据归一化至[0,1]范围内，得到归一化的图像块数据集{Xi}；所述离线学习按照如下步骤：L1 将{Xi}作为网络的输入数据；L2 将输入数据进行m次卷积滤波操作，得到m个特征图，L3 将m个特征图进行重组形成n个新的特征图，L4 将n个特征图进行卷积滤波操作并进行合并累加形成最终的输出图像；L5 训练深度学习网络，学习端到端的映射函数F需要估计参数Θ＝{W1,W2,W3,B1,B2,B3}，可以通过最小化重建图像F(X；Θ)和基准图的代价来实现；所述在线处理按照如下步骤：Z1 对视频数据的每一帧进行解码至YUV平面格式，提取出Y平面数据并将数据归一化至[0,1]范围内，得到Yinput，UV平面数据保持不变，Z2 将Yinput输入至深度学习网络，对输入进行m次卷积滤波操作，得到m个特征图，Z3 将m个特征图进行重组形成n个新的特征图，Z4 将n个特征图进行卷积滤波操作并进行合并累加形成最终的输出图像，Z5 Youtput＝CLIP(Yinput*255)，CLIP(x)函数为将x的值限制的设定范围内，一般图像数据中x的范围为[0,255]，Z6 将Youtput和UV重新压缩编码形成视频文件。