[发明专利]图像增强模型的训练方法、图像增强方法及电子设备

说明书

本发明涉及图像处理技术领域，具体涉及图像增强模型的训练方法、图像增强方法及电子设备，所述训练方法包括获取样本图像对，所述样本图像对包括第一质量样本图像以及对应的第二质量样本图像，所述第一质量样本图像的分辨率小于第二质量样本图像；将第一质量样本图像输入图像增强模型中，得到预测第二质量图像，所述图像增强模型包括至少一个卷积单元以及至少一个残差单元，所述残差单元包括至少两个数据通道；根据第二质量样本图像以及预测第二质量图像进行损失函数计算，并基于计算结果对图像增强模型的参数进行更新，确定目标图像增强模型。在相同计算量的情况下增加像素信息的流通，减少了网络结构的深度，提高了模型训练及后续执行的效率。

技术领域

本发明涉及图像处理技术领域，具体涉及图像增强模型的训练方法、图像增强方法及电子设备。

背景技术

摄像设备在光源照度较低或者强背光的环境下所拍摄的图像画面往往会存在亮度低、噪点多以及偏色等问题，主要原因是在低照度的环境下，光子进入到传感器上的数量较少，会直接影响到图像质量以及后续相关的智能算法任务，如夜晚视频监控下的人员识别、背光条件下的车牌识别等。通过图像增强技术能够在提升图像亮度的同时减少图像中的噪声、还原图像信息、改善图像的视觉效果，同时提高了后续相关识别任务的精度。

现有技术中一般是结合深度学习技术对低质量图像进行图像增强处理，例如，利用全卷积网络U-net实现。由于全卷积网络中通过多个卷积单元的堆叠实现图像增强，为了达到较好的图像增强效果，通常堆叠的卷积单元较多，带来较深的网络结构。然而，网络结构太深会增加图像增强模型的运行时间，导致图像增强处理的效率较低。

发明内容

有鉴于此，本发明实施例提供了一种图像增强模型的训练方法、图像增强方法及电子设备，以解决图像增强处理的效率较低的问题。

根据第一方面，本发明实施例提供了一种图像增强模型的训练方法，所述训练方法包括：

获取样本图像对，所述样本图像对包括第一质量样本图像以及对应的第二质量样本图像，所述第一质量样本图像的分辨率小于所述第二质量样本图像；

将所述第一质量样本图像输入图像增强模型中，得到预测第二质量图像，所述图像增强模型包括至少一个卷积单元以及至少一个残差单元，所述残差单元包括至少两个数据通道；

根据所述第二质量样本图像以及所述预测第二质量图像进行损失函数计算，并基于计算结果对所述图像增强模型的参数进行更新，确定目标图像增强模型。

本发明实施例提供的图像增强模型的训练方法，在图像增强模型中设置至少一个残差单元，且残差单元包括至少两个数据通道，每个数据通道代表一种模型表达，那么一个残差单元就可以看作是至少两种模型的集合，而普通的卷积单元只有一路信息流通，从而能够在相同计算量的情况下增加像素信息的流通，减少了卷积单元的设置，即减少了网络结构的深度，提高了模型训练及后续执行的效率。

结合第一方面，在第一方面第一实施方式中，所述残差单元包括至少一个残差子单元，各个所述残差子单元依次堆叠，每个残差子单元包括至少两个数据通道，各个所述数据通道的输入数据相同，各个所述数据通道的输出数据利用合并单元处理后作为下一个所述残差子单元的输入，所述数据通道利用普通卷积层对所述输入数据进行特征提取，或所述数据通道将所述输入数据传输至所述合并单元。

本发明实施例提供的图像增强模型的训练方法，在残差单元中设置至少一个残差子单元且各个残差子单元包括至少两个数据通道，利用残差子单元来替代卷积单元能够在相同计算量的情况下增加像素信息的流通，一路信息流通代表一种模型表达，在相同的计算量的情况下，增加了模型的表达能力和鲁棒性，且有效地保留了第一质量样本图像的像素信息。

结合第一方面，或第一方面第一实施方式，在第一方面第二实施方式中，所述将所述第一质量样本图像输入图像增强模型中，得到预测第二质量图像，包括：