模糊图像的增强方法、计算机设备和存储介质技术

本申请涉及一种模糊图像的增强方法、装置、计算机设备和存储介质。所述方法包括：获取待增强模糊图像，所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像；将所述待增强模糊图像输入至预设图像增强网络中，得到目标增强图像；其中，所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理，并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。采用本方法能够降低模糊图像的增强处理难度以及降低时间成本。

【技术实现步骤摘要】
模糊图像的增强方法、计算机设备和存储介质
本申请涉及图像增强
，特别是涉及一种模糊图像的增强方法、计算机设备和存储介质。
技术介绍
对车辆进行年检时，需要对各类文本图像或者自然场景图像进行分类、检测或者识别，但由于车辆年检所处场景的光线不好和/或类似于智能终端的数码产品的摄影参数设置不当等其它原因，导致拍摄的图像中存在低曝光或者暗光条件下拍摄的模糊图像，因此对此类模糊图像进行增强处理是现在亟需解决的问题之一。传统技术中，使用对比度增强法可以对线性区域和曝光程度规律的模糊图像进行增强处理，对于模糊图像中的非线性区域和不规律曝光程度的区域使用修图软件进行调整，从而得到增强处理后图像。然而，上述增强处理方法存在增强处理难度较大，而且耗费时间的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够降低模糊图像的增强处理难度以及降低时间成本的模糊图像的增强方法、计算机设备和存储介质。一种模糊图像的增强方法，所述方法包括：获取待增强模糊图像，所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像；将所述待增强模糊图像输入至预设图像增强网络中，得到目标增强图像；其中，所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理，并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。在其中一个实施例中，还包括：将所述待增强模糊图像输入至所述预测处理子网络中，得到低分辨率光照预测图像；将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理，得到全分辨率光照图像；将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理，得到所述目标增强图像。在其中一个实施例中，还包括：将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取，得到所述待增强模糊图像的全局特征和局部特征；将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合，得到所述低分辨率光照预测图像。在其中一个实施例中，还包括：获取训练样本集；所述训练样本集包括训练样本图像和标准样本图像，所述标准样本图像为对所述训练样本图像进行增强处理后的图像；根据所述训练样本集对预设的初始神经网络进行训练，得到所述预设图像增强网络。在其中一个实施例中，还包括：根据所述训练样本集对预设的初始神经网络进行迭代训练，获取预设的迭代次数训练后得到的中间神经网络的损失函数的值；判断所述损失函数的值是否达到预设的标准值；若所述损失函数的值达到预设的标准值，则将所述损失函数的值对应的中间神经网络作为所述预设图像增强网络；若所述损失函数的值未达到预设的标准值，则对所述训练样本集中的训练样本图像进行错乱排序处理得到新的训练样本集，并对迭代次数进行调整，并根据所述新的训练样本集和调整后的迭代次数，对所述损失函数的值对应的中间神经网络进行训练，得到所述预设图像增强网络。在其中一个实施例中，还包括：对于每次迭代训练，将所述训练样本集中的各个训练样本图像输入至所述初始神经网络中，得到各个所述训练样本图像对应的预测增强图像；根据所述预测增强图像和对应的标准样本图像，计算所述损失函数的值。在其中一个实施例中，还包括：所述重建损失函数用于获取所述训练样本图像的全分辨率光照图像和标准样本图像之间的重建差异；所述平滑度损失函数用于获取所述训练样本图像和所述全分辨率光照图像之间的平滑差异；所述颜色损失函数用于获取所述全分辨率增强图像和所述标准样本图像之间的颜色差异。在其中一个实施例中，还包括：获取多个训练样本图像和对应的标准样本图像；对所述多个训练样本图像中的至少一个训练样本图像进行扩充增广处理，得到所述训练样本集；其中，所述扩充增广处理包括平移、旋转、剪裁、仿射交换中的至少一种。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待增强模糊图像，所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像；将所述待增强模糊图像输入至预设图像增强网络中，得到目标增强图像；其中，所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理，并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待增强模糊图像，所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像；将所述待增强模糊图像输入至预设图像增强网络中，得到目标增强图像；其中，所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理，并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。上述模糊图像的增强方法、装置、计算机设备和存储介质，所述模糊图像的增强方法中，首先将获取的车辆年检场景下拍摄的模糊图像作为待增强模糊图像，然后通过将所述待增强模糊图像输入至预设图像增强网络中进行增强处理的过程得到目标增强图像。由于所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理，并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像，因此所述预设图像增强网络能够对输入的各个待增强模糊图像都能够直接进行增强处理，并不需要对输入的每个待增强模糊图像先进行线性区域、非线性区域识别以及曝光程度规律、曝光程度不规律检测后，再采用相应的增强处理方法进行增强处理，从而能够避免现有技术中需要根据待增强模糊图像中的线性区域、非线性区域、曝光程度规律区域、曝光程度不规律区域对应采用不同的增强处理手段进行增强处理导致的增强处理难度大且耗费时间的问题，也能够实现只需将所述待增强模糊图像输入至所述预图像增强网络中即可得到所述目标增强图像的目的，大大降低了增强处理的难度，节省了时间成本。附图说明图1为一个实施例中模糊图像的增强方法的流程示意图；图2为另一实施例中模糊图像的增强方法的流程示意图；图3为再一实施例中模糊图像的增强方法的流程示意图；图4为又一实施例中模糊图像的增强方法的流程示意图；图5为又一实施例中模糊图像的增强方法的流程示意图；图6A为又一实施例中模糊图像的增强方法的流程示意图；图6B为一个实施例中对初始神经网络进行训练的流程示意图；图7为又一实施例中模糊图像的增强方法的流程示意图；图8为一个实施例中模糊图像的增强装置的结构框图；图9为一个实施例中计算机设备的内部结构图。具体实施方式为了本文档来自技高网...

【技术保护点】
1.一种模糊图像的增强方法，其特征在于，所述方法包括：/n获取待增强模糊图像，所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像；/n将所述待增强模糊图像输入至预设图像增强网络中，得到目标增强图像；其中，所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理，并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。/n

【技术特征摘要】
1.一种模糊图像的增强方法，其特征在于，所述方法包括：
获取待增强模糊图像，所述待增强模糊图像包括车辆年检场景下拍摄的模糊图像；
将所述待增强模糊图像输入至预设图像增强网络中，得到目标增强图像；其中，所述预设图像增强网络用于对所述待增强模糊图像和所述待增强模糊图像对应的低分辨率光照预测图像进行双边网格采样处理，并根据采样后的待增强模糊图像和采样后的低分辨率光照预测图像得到所述目标增强图像。


2.根据权利要求1所述的方法，其特征在于，所述预设图像增强网络包括预测处理子网络、采样子网络和增强处理子网络，所述将所述待增强模糊图像输入至预设图像增强网络中，得到目标增强图像，包括：
将所述待增强模糊图像输入至所述预测处理子网络中，得到低分辨率光照预测图像；
将所述待增强模糊图像和所述低分辨率光照预测图像输入至所述网格采样子网络中进行采样融合处理，得到全分辨率光照图像；
将所述待增强模糊图像和所述全分辨率光照图像输入至所述增强处理子网络中进行像素增强处理，得到所述目标增强图像。


3.根据权利要求2所述的方法，其特征在于，所述预测处理子网络包括特征提取子网络和特征融合子网络，所述将所述待增强模糊图像输入至所述预测处理子网络中，得到低分辨率光照预测图像，包括：
将所述待增强模糊图像输入至所述特征提取子网络中进行特征提取，得到所述待增强模糊图像的全局特征和局部特征；
将所述全局特征和局部特征输入至所述特征融合子网络中进行特征融合，得到所述低分辨率光照预测图像。


4.根据权利要求1-3任一项所述的方法，其特征在于，所述预设图像增强网络的训练过程包括：
获取训练样本集；所述训练样本集包括训练样本图像和标准样本图像，所述标准样本图像为对所述训练样本图像进行增强处理后的图像；
根据所述训练样本集对预设的初始神经网络进行训练，得到所述预设图像增强网络。


5.根据权利要求4所述的方法，其特征在于，所述根据所述训练样本集对预设的初始神经网络进训练，得到所述预设图像增强网络，包括：
根据所述训练样本集对预设的初始神经网络进行迭代训练，获取预设的...

【专利技术属性】
技术研发人员：周康明，张栋栋，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31