【技术实现步骤摘要】
本专利技术涉视频图像修复处理处理，具体涉及一种采用深度学习的视频图像增强修复方法及系统。
技术介绍
1、随着信息技术的飞速发展，视频内容已成为人们获取信息和娱乐的重要来源。然而，在视频采集、处理、传输和显示的各个环节中，由于多种因素如光照条件不良、设备限制、压缩算法等，经常会导致视频质量下降，表现为图像模糊、噪声、颜色失真等问题。这些问题严重影响了视频图像的可用性和观看体验。传统的视频图像增强方法主要包括锐化、对比度调整、去噪等技术，这些方法往往基于简单的线性处理模型，例如卷积滤波器和频域技术。虽然这些方法在一定程度上能够改善图像质量，但它们通常无法很好地处理图像细节的恢复，尤其是在图像受损严重的情况下。此外，这些传统方法处理高分辨率视频时计算量大，难以实时处理，限制了它们的应用范围。
2、随着深度学习技术的发展，特别是卷积神经网络(cnn)在图像识别和处理领域的成功应用，提供了新的思路和方法来解决视频图像增强的问题。深度学习模型能够通过大量数据学习到图像的复杂特征和模式，从而有效地进行图像增强和修复。这种方法可以动态调整处理策略，根据不同的图像内容和损伤情况智能优化处理效果，大幅提升了处理质量和效率。
3、然而，尽管深度学习在图像处理领域表现出了优越的性能，现有的深度学习方法在视频图像增强应用中仍面临诸多挑战。例如，大多数模型需要大量的训练数据和高昂的计算资源，且对实时处理的支持不足。此外，这些模型往往缺乏针对特定图像处理任务的自适应能力，如不能根据视频内容的具体特征动态调整激活函数或其他网络参数。且现
技术实现思路
1、针对现有技术中提到的上述问题，本专利技术提供一种采用深度学习的视频图像增强修复方法及系统，该方法首先实时检测用户输入，判断用户是否有图像处理关键词输入；其次，当检测到用户输入图像处理关键词时，则对该关键词进行编码转换为关键词特征向量，并将关键词特征向量与视频图像序列特征向量首尾相接后输入至训练好的第一卷积神经网络模型进行处理；再次，当没有检测到用户输入关键词时，将视频图像序列特征向量输入至训练好的第二卷积神经网络模型进行处理；最后，第一卷积神经网络模型进行处理或第二卷积神经网络模型将处理后的视频图像输出至显示模块。本申请通采用第一卷积神经网络模型和第二卷积神经网络模型，根据用户输入关键词条件针对性处理，大大提高了视频处理的精确度及效率，极大增加用户体验。
2、本申请提供一种采用深度学习的视频图像增强修复方法，包括步骤：
3、s1：实时检测用户输入，判断用户是否有图像处理关键词输入；
4、s2：当检测到用户输入图像处理关键词时，则对该关键词进行编码转换为关键词特征向量，并将关键词特征向量与视频图像序列特征向量首尾相接后输入至训练好的第一卷积神经网络模型进行处理；
5、s3：当没有检测到用户输入关键词时，将视频图像序列特征向量输入至训练好的第二卷积神经网络模型进行处理；
6、s4：第一卷积神经网络模型进行处理或第二卷积神经网络模型将处理后的视频图像输出至显示模块。
7、本申请一种采用深度学习的视频图像增强修复方法，所述训练好的第一卷积神经网络模型采用改进的mish激活函数f(x)：
8、f(x)＝x*tanh(ln(1+eβx))
9、其中，β是根据用户输入的关键词动态调整的参数；tanh为双曲正切函数；ln表示自然对数；x为卷积层输出。
10、优选地，所述图像处理关键词包括：降噪、锐化、色彩校正、对比度增强、细节增强中的一种。
11、优选地，所述训练好的第一卷积神经网络模型通过使用带有关键词并带有标记配对的有损和无损图像的数据集进行训练；所述训练好的第二卷积神经网络模型通过使用带有标记配对的有损和无损图像的数据集进行训练。
12、优选地，所述训练好的第二卷积神经网络模型采用改进的sigmoid激活函数：
13、
14、其中，z为第二卷积神经网络模型的卷积层卷积操作输出，r1为输入视频帧图像平均亮度；γ为亮度调节参数。
15、本申请还提供一种采用深度学习的视频图像增强修复系统，包括：
16、检测模块，实时检测用户输入，判断用户是否有图像处理关键词输入；
17、第一神经网络模型处理模块，当检测到用户输入图像处理关键词时，则对该关键词进行编码转换为关键词特征向量，并将关键词特征向量与视频图像序列特征向量首尾相接后输入至训练好的第一卷积神经网络模型进行处理；
18、第二卷积神经网络模型处理模块，当没有检测到用户输入关键词时，将视频图像序列特征向量输入至训练好的第二卷积神经网络模型进行处理；
19、输出模块，第一卷积神经网络模型进行处理或第二卷积神经网络模型将处理后的视频图像输出至显示模块。
20、优选地，所述训练好的第一卷积神经网络模型采用改进的mish激活函数f(x)：
21、f(x)＝x*tanh(ln(1+eβx))
22、其中，β是根据用户输入的关键词动态调整的参数；tanh为双曲正切函数；ln表示自然对数；x为卷积层输出。
23、优选地，所述图像处理关键词包括：降噪、锐化、色彩校正、对比度增强、细节增强中的一种。
24、优选地，所述训练好的第一卷积神经网络模型通过使用带有关键词并带有标记配对的有损和无损图像的数据集进行训练；所述训练好的第二卷积神经网络模型通过使用带有标记配对的有损和无损图像的数据集进行训练。
25、优选地，所述训练好的第二卷积神经网络模型采用改进的sigmoid激活函数：
26、
27、其中，z为第二卷积神经网络模型的卷积层卷积操作输出，r1为输入视频帧图像平均亮度；γ为亮度调节参数。
28、本专利技术提供了一种采用深度学习的视频图像增强修复方法及系统，所能实现的有益技术效果如下：
29、1、本专利技术提供一种采用深度学习的视频图像增强修复方法及系统，该方法首先实时检测用户输入，判断用户是否有图像处理关键词输入；其次，当检测到用户输入图像处理关键词时，则对该关键词进行编码转换为关键词特征向量，并将关键词特征向量与视频图像序列特征向量首尾相接后输入至训练好的第一卷积神经网络模型进行处理；再次，当没有检测到用户输入关键词时，将视频图像序列特征向量输入至训练好的第二卷积神经网络模型进行处理；最后，第一卷积神经网络模型进行处理或第二卷积神经网络模型将处理后的视频图像输出至显示模块。本申请通采用第一卷积神经网络模型和第二卷积神经网络模型，根据用户输入关键本文档来自技高网...
【技术保护点】
1.一种采用深度学习的视频图像增强修复方法，其特征在于，包括步骤：
2.如权利要求1所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述训练好的第一卷积神经网络模型采用改进的Mish激活函数f(x)：
3.如权利要求2所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述图像处理关键词包括：降噪、锐化、色彩校正、对比度增强、细节增强中的一种。
4.如权利要求1所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述训练好的第一卷积神经网络模型通过使用带有关键词并带有标记配对的有损和无损图像的数据集进行训练；所述训练好的第二卷积神经网络模型通过使用带有标记配对的有损和无损图像的数据集进行训练。
5.如权利要求1所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述训练好的第二卷积神经网络模型采用改进的Sigmoid激活函数：
6.一种采用深度学习的视频图像增强修复系统，其特征在于，包括：
7.如权利要求6所述的一种采用深度学习的视频图像增强修复系统，其特征在于，所述训练好的第一卷
8.如权利要求6所述的一种采用深度学习的视频图像增强修复系统，其特征在于，所述图像处理关键词包括：降噪、锐化、色彩校正、对比度增强、细节增强中的一种。
9.如权利要求6所述的一种采用深度学习的视频图像增强修复系统，其特征在于，所述训练好的第一卷积神经网络模型通过使用带有关键词并带有标记配对的有损和无损图像的数据集进行训练；所述训练好的第二卷积神经网络模型通过使用带有标记配对的有损和无损图像的数据集进行训练。
10.如权利要求6所述的一种采用深度学习的视频图像增强修复系统，其特征在于，所述训练好的第二卷积神经网络模型采用改进的Sigmoid激活函数：
...【技术特征摘要】
1.一种采用深度学习的视频图像增强修复方法，其特征在于，包括步骤：
2.如权利要求1所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述训练好的第一卷积神经网络模型采用改进的mish激活函数f(x)：
3.如权利要求2所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述图像处理关键词包括：降噪、锐化、色彩校正、对比度增强、细节增强中的一种。
4.如权利要求1所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述训练好的第一卷积神经网络模型通过使用带有关键词并带有标记配对的有损和无损图像的数据集进行训练；所述训练好的第二卷积神经网络模型通过使用带有标记配对的有损和无损图像的数据集进行训练。
5.如权利要求1所述的一种采用深度学习的视频图像增强修复方法，其特征在于，所述训练好的第二卷积神经网络模型采用改进的sigmoid激活函数：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。