[发明专利]一种图像增强方法、模型训练方法及设备

说明书

本申请实施例公开了一种图像增强方法、模型训练方法及设备，可应用于人工智能领域中的图像处理领域，包括：通过第一神经网络层对输入图像提取特征，得到第一特征，并分别通过第二神经网络层及第三神经网络层对第一特征进行像素分类和图像分类，分别生成第一分类信息和第二分类信息，再基于第一分类信息、第二分类信息以及空间感知三维查找表(3D LUT)得到目标查找表，该空间感知三维查找表根据各图像类别及各像素类别构建得到；最后根据输入图像及目标查找表得到增强图像。本申请方法相对传统三维查找表提升了处理能力，解决了基于传统三维查找表的增强方法中由于信息少从而容易产生不精确结果(如，局部产生错误颜色、出现伪影等)的问题。

技术领域

本申请涉及图像处理领域，尤其涉及一种图像增强方法、模型训练方法及设备。

背景技术

图像增强是一种改善图像视觉效果的方法，通常来说，图像增强的主要目的是为了改善图像的视觉效果，提高图像的清晰度，例如，去雾、去雨、去噪、色彩增强、超分辨重建等。传统的图像增强方法主要分为基于空域和频域的方法，基于空域的方法是直接对图像进行处理；基于频域的方法是在图像的某种变换域内对图像的变换系数进行修正，然后再反变换到原来的空域，得到增强的图像。

随着深度学习技术的发展，基于深度学习的图像增强方法的增强效果已超过传统方法。一般来说，复杂模型相对简单模型能取得更优的增强效果，但缺陷是模型的网络结构复杂，计算、存储等开销大，从而难以应用在手机等算力不高的终端设备上。目前一种解决方式是通过卷积神经网络(convolutional neural networks，CNN)对全分辨率的输入图像进行下采样，并对下采样得到的低分辨率图像进行特征提取，学习到三维查找表(3-dimention look-up-table，3D LUT)，然后根据三维查找表中输入-输出像素的映射关系，对输入图像的每个输入像素进行转换，得到增强结果。

上述这种方案计算、存储开销小，速度快，但由于三维查找表中表征的仅仅是输入像素与输出像素之间的映射关系，所以该方案稳定性差，例如，容易产生不精确的局部信息，甚至产生错误的颜色或者伪影，图像增强的失败率高。

发明内容

本申请实施例提供了一种图像增强方法、模型训练方法及设备，用于根据输入图像中的每个像素点的像素类别以及构建的空间感知三维查找表得到目标查找表，并基于该目标查找表实现对输入图像的增强，相对传统三维查找表提升了处理能力，解决了基于传统三维查找表的增强方法中由于信息少(仅有像素值)从而容易产生不精确结果(如，局部产生错误颜色、出现伪影等)的问题。

基于此，本申请实施例提供以下技术方案：