[发明专利]基于深度神经网络与级联回归的图像美感增强方法

权利要求书

1.基于深度神经网络与级联回归的图像美感增强方法，其特征在于，所述图像美感增强方法包括以下步骤:

S1，提供尺寸为C₀的原始图像，通过级联回归算法进行求解获得最小化目标为：

其中，代表一个矩形区域，C为裁剪后图像的尺寸，为数据集提供的图像裁剪尺寸；

S2，通过AVA数据集与CHUKPQ数据集提供的预训练图像数据，训练深度卷积神经网络的提取图像特征功能；

S3，通过深度卷积神经网络提取原始图像的深度特征x^t，并通过深度卷积神经网络的空间金字塔池化层将尺寸为C₀原始图像变转化为特征向量；

S4，将提取的深度特征x^t应用于随机蕨回归器中，并采用梯度下降方法学习获得基元回归器，通过级联回归器来输出候选结果C_j，其中，1≤j≤4；其中，所述候选结果C_j是通过累加前j-1次基元回归器的回归值并加上图像初始尺寸值得到，被称为基元回归器，不断迭代直到误差不再减小，获得基元回归器的最小化目标函数；其中，t的取值范围为1,2,3,4....，T；

S5，将步骤S4中获得的基元回归器与深度特征x^t按照迭代的方式进行T次循环，通过多级循环剪切获得最终裁剪图像。

2.根据权利要求1所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，步骤S3中，通过深度卷积神经网络的空间金字塔池化层将尺寸为C₀原始图像变转化为特征向量，特征向量表示为(2*2+3*3+4*4)*32。

3.根据权利要求2所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，步骤S4中，通过级联回归器输出的候选结果C_j是通过累加前j-1次基元回归器的回归值并加上图像初始尺寸值得到：

其中，基元回归器的最小化目标函数表示为：

其中，Y_ij被称为目标标注，每一个特征向量对应了一个目标标注。

4.根据权利要求3所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，步骤S5中，将步骤S4中获得的基元回归器与深度特征x^t按照迭代的方式进行T次循环，通过多级循环剪切获得最终裁剪图像表示为：

其中，λ为收缩率。

5.根据权利要求1所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，所述步骤S2中，具体包括以下步骤：

S21，当原始图像尺寸不是C₀时，对原始图像缩放或扩大为C₀；

S22，将AVA数据集与CHUKPQ数据集提供的预训练图像分为低质量与高质量，每个图像分别用于训练深度卷积神经网络。

6.根据权利要求5所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，深度卷积神经网络拥有五个卷积层和五个池化层，五个池化层分别为四个最大池化层和一个金字塔池化层；深度卷积神经网络的最大池化层使用2*2的区域。

7.根据权利要求6所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，深度卷积神经网络的第一个卷积层拥有32个5*5*3的卷积核，用于输出32个原始图像的特征图；之后采用修正线性单元激活函数以及最大池化层，每个卷积层均输出32个特征图；在最后一层使用空间金字塔池化层。

8.根据权利要求1所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，所述步骤S4中，基元回归器通过在一组随机蕨回归器中利用梯度下降方法学习得到。

9.根据权利要求1所述的基于深度神经网络与级联回归的图像美感增强方法，其特征在于，所述步骤S5中，循环次数T大于30次。