基于人工智能技術(shù)的圖像紋理細(xì)節(jié)增強(qiáng)方法

唐曉

（鄭州工業(yè)應(yīng)用技術(shù)學(xué)院 信息工程學(xué)院，河南 鄭州451150）

目前，在圖像中獲取信息是獲取信息的主要方式之一，人們由于借助視覺(jué)和自然光感知圖像、獲取信息獲取過(guò)程中很容易受到外界因素的干擾，如光照、動(dòng)態(tài)模糊、障礙物等[1]。在這種情況下，人們感知圖像的能力與圖像的質(zhì)量均有不同的下降，導(dǎo)致在許多利用圖像提取信息的領(lǐng)域中，識(shí)別和獲取圖像信息受到嚴(yán)重阻礙，急需要增強(qiáng)圖像紋理細(xì)節(jié)，來(lái)提高圖像質(zhì)量[2]。

圖像在生成過(guò)程中由于受到光照、光線(xiàn)等因素的影響，導(dǎo)致圖像紋理細(xì)節(jié)不明顯，細(xì)節(jié)丟失嚴(yán)重[3]。引起國(guó)內(nèi)外很多學(xué)者對(duì)圖像增強(qiáng)技術(shù)的關(guān)注，如基于局部二進(jìn)制模式方差的圖像增強(qiáng)方法[4]，基于PE 壓縮算法的圖像增強(qiáng)方法[5]，但是這兩種方法在實(shí)際操作過(guò)程中，需要過(guò)多的網(wǎng)絡(luò)參數(shù)，很容易破壞圖像自身的結(jié)構(gòu)，加深圖像質(zhì)量劣化程度，其實(shí)際應(yīng)用能力需要進(jìn)一步提高[6]。

因此，提出基于人工智能技術(shù)的圖像紋理細(xì)節(jié)增強(qiáng)方法，解決了傳統(tǒng)圖像增強(qiáng)方法中存在的問(wèn)題。

1 基于人工智能技術(shù)的圖像紋理細(xì)節(jié)增強(qiáng)方法設(shè)計(jì)

1.1 訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)

圖像紋理細(xì)節(jié)的增強(qiáng)主要利用人工智能技術(shù)中的對(duì)抗網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，生成對(duì)抗網(wǎng)絡(luò)是人工智能無(wú)監(jiān)督學(xué)習(xí)中最具前景的方法之一。生成對(duì)抗網(wǎng)絡(luò)主要包括兩個(gè)部分，分別是生成器和判別器。生成器通過(guò)接受輸入生成輸出，判別器通過(guò)接受輸入來(lái)判別該輸入是由生成器“偽造”的還是來(lái)自真實(shí)數(shù)據(jù)。通過(guò)訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)，直到網(wǎng)絡(luò)變化過(guò)程最小，再處理待增強(qiáng)圖像。

訓(xùn)練開(kāi)始時(shí)，分布差別比較大，在最優(yōu)判別器條件下生成對(duì)抗網(wǎng)絡(luò)的生成器損失函數(shù)的行為表示是帶JS 散度的形式，此時(shí)生成對(duì)抗網(wǎng)絡(luò)的目標(biāo)是最小化兩個(gè)來(lái)源不同樣本之間的JS 散度，因?yàn)镴S 是一個(gè)非負(fù)值，當(dāng)其變?yōu)? 時(shí)，兩個(gè)來(lái)源不同的樣本分布基本相同，能夠達(dá)到網(wǎng)絡(luò)的目的。但是當(dāng)兩個(gè)來(lái)源不同的樣本分布重疊小到可以忽略不計(jì)時(shí)或者沒(méi)有重疊時(shí)，計(jì)算出兩個(gè)樣本之間的散度為log，這就得到梯度為0 的損失函數(shù)，生成器訓(xùn)練失敗。面對(duì)這種情況，在生成器和判別器的輸入中加入一些標(biāo)簽，使輸入到判別器中的真實(shí)數(shù)據(jù)和生成器的輸出分布被強(qiáng)行加入大的重疊部分，達(dá)到幫助訓(xùn)練指導(dǎo)的目的，使網(wǎng)絡(luò)訓(xùn)練更具方向性，加快網(wǎng)絡(luò)訓(xùn)練效率。生成對(duì)抗網(wǎng)絡(luò)概念示意圖如圖1 所示。

圖1 生成對(duì)抗網(wǎng)絡(luò)概念示意圖

將人工智能技術(shù)中的生成對(duì)抗網(wǎng)絡(luò)應(yīng)用在圖像紋理細(xì)節(jié)增強(qiáng)中，強(qiáng)化圖像的豐富細(xì)節(jié)信息。

1.2 增強(qiáng)圖像紋理細(xì)節(jié)

圖像紋理細(xì)節(jié)增強(qiáng)技術(shù)是為了將受到外界干擾導(dǎo)致成像不清晰的圖像恢復(fù)到正常圖像，利用經(jīng)過(guò)訓(xùn)練的生成對(duì)抗網(wǎng)絡(luò)處理原始圖像，將使用成像設(shè)備捕獲的圖像數(shù)據(jù)作為輸入信息，通過(guò)復(fù)雜的網(wǎng)絡(luò)計(jì)算過(guò)程中將原始數(shù)據(jù)映射到清晰明亮的RGB圖像。處理流程如下：

在數(shù)據(jù)預(yù)處理階段，對(duì)成像設(shè)備捕獲的原始圖像數(shù)據(jù)進(jìn)行黑電平校正、信號(hào)增益和空間像素轉(zhuǎn)換操作，將圖像中的黑色像素校正為真正的黑色；增益操作中增益參數(shù)的確定主要取決于輸入的原始圖像數(shù)據(jù)的曝光時(shí)間和目標(biāo)數(shù)據(jù)的曝光時(shí)間，通過(guò)人為確定；空間像素轉(zhuǎn)換操作按照Bayer 陣列上RGB 的排列方式將原始圖像數(shù)據(jù)中的RGB 像素拆分組成新的數(shù)據(jù)，通過(guò)這種方式降低輸入數(shù)據(jù)的空間分辨率而加快圖像的處理速度。

在網(wǎng)絡(luò)處理階段，將原始圖像數(shù)據(jù)作為生成對(duì)抗網(wǎng)絡(luò)的輸入，通過(guò)圖像分層原理得到圖像的細(xì)節(jié)層和平滑層，將其進(jìn)行線(xiàn)性結(jié)合，得到的輸出結(jié)果即為得到細(xì)節(jié)增強(qiáng)的圖像。為了將輸出結(jié)果恢復(fù)到需要的圖像尺寸，采用亞卷積操作恢復(fù)圖像大小。至此，基于人工智能技術(shù)的圖像紋理細(xì)節(jié)增強(qiáng)方法設(shè)計(jì)完成。

2 實(shí)驗(yàn)測(cè)試及結(jié)果

在實(shí)驗(yàn)中，以圖像的結(jié)構(gòu)相似性和峰值信噪比作為實(shí)驗(yàn)指標(biāo)，引用傳統(tǒng)的圖像增強(qiáng)方法設(shè)計(jì)對(duì)比實(shí)驗(yàn)，驗(yàn)證設(shè)計(jì)的基于人工智能技術(shù)的圖像紋理細(xì)節(jié)增強(qiáng)方法的實(shí)際應(yīng)用性能。以圖像的結(jié)構(gòu)相似性作為實(shí)驗(yàn)指標(biāo)，用于評(píng)價(jià)圖像增強(qiáng)處理后的圖像質(zhì)量，其值越大說(shuō)明圖像結(jié)構(gòu)相似程度越高，圖像質(zhì)量越高。

實(shí)驗(yàn)中另一個(gè)指標(biāo)為峰值信噪比，該指標(biāo)表示的是處理后的圖像與真實(shí)圖像之間的像素差值的量度，代表了信號(hào)的最大功率和噪聲功率的比值，用以衡量被處理后圖像的質(zhì)量，單位為dB。計(jì)算公式為：

公式中P 表示圖像像素值可取值的最大值，MSE 表示原始圖像和重建圖像的均方誤差，R 表示峰值信噪比。

實(shí)驗(yàn)中使用的數(shù)據(jù)集為SID 數(shù)據(jù)集，這個(gè)數(shù)據(jù)包含訓(xùn)練集和測(cè)試集兩個(gè)部分，數(shù)據(jù)集中的圖像主要使用sony 相機(jī)和fuji相機(jī)收集的，包含Bayer 陣列和X-Trans 陣列兩種格式的圖像數(shù)據(jù)，每個(gè)子數(shù)據(jù)集中又包含不同場(chǎng)景的圖像數(shù)據(jù)?？紤]到設(shè)計(jì)的基于人工智能技術(shù)的圖像增強(qiáng)方法，因此在實(shí)驗(yàn)中將短曝光的數(shù)據(jù)作為輸入圖像，將長(zhǎng)曝光的RGB 圖像作為標(biāo)簽圖像，在訓(xùn)練過(guò)程中對(duì)原始數(shù)據(jù)進(jìn)行處理，學(xué)習(xí)率設(shè)置為10-4，將整個(gè)圖像裁剪為512*512 的大小，作為不同圖像增強(qiáng)方法的輸入，同時(shí)進(jìn)行相同的旋轉(zhuǎn)和翻轉(zhuǎn)，經(jīng)過(guò)多次訓(xùn)練后將學(xué)習(xí)率降低為10-5，其他參數(shù)默認(rèn)為相同參數(shù)。

基于以上實(shí)驗(yàn)準(zhǔn)備，使用傳統(tǒng)的基于局部二進(jìn)制模式方差的圖像增強(qiáng)方法和基于PE 壓縮算法的圖像增強(qiáng)方法，以及基于人工智能技術(shù)的圖像增強(qiáng)方法處理同一圖像，經(jīng)過(guò)計(jì)算獲得實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果如表1 所示。

表1 不同圖像增強(qiáng)方法的實(shí)驗(yàn)計(jì)算結(jié)果

觀察表中的計(jì)算結(jié)果可知，基于局部二進(jìn)制模式方差的圖像增強(qiáng)方法結(jié)構(gòu)相似性極低，峰值信噪比在30dB 以下，圖像劣化程度比較大；基于PE 壓縮算法的圖像增強(qiáng)方法結(jié)構(gòu)相似性水平一般，圖像結(jié)構(gòu)遭到了輕微的破壞，并且其峰值信噪比在30dB 以下，圖像劣化程度也比較大。與前兩組實(shí)驗(yàn)結(jié)果相比，設(shè)計(jì)的基于人工智能技術(shù)的圖像紋理細(xì)節(jié)增強(qiáng)方法結(jié)構(gòu)相似性更高、峰值信噪比高于30dB。綜上所述，設(shè)計(jì)的基于人工智能技術(shù)的圖像增強(qiáng)方法的實(shí)際應(yīng)用性能優(yōu)于傳統(tǒng)的圖像增強(qiáng)方法。

結(jié)束語(yǔ)

圖像信息的獲取在人們的日常生活中一直占據(jù)重要地位，近年來(lái)，隨著人工智能技術(shù)的發(fā)展與進(jìn)步，在圖像處理等任務(wù)上取得了很多成就。本文對(duì)目前存在的圖像紋理細(xì)節(jié)增強(qiáng)方法展開(kāi)充分的研究，針對(duì)目前圖像增強(qiáng)方法上存在的問(wèn)題進(jìn)行比較分析，提出了基于人工智能技術(shù)的圖像紋理細(xì)節(jié)增強(qiáng)方法，并在方法設(shè)計(jì)完成后，通過(guò)大量實(shí)驗(yàn)證明了提出的基于人工智能技術(shù)的圖像增強(qiáng)方法在實(shí)際應(yīng)用中十分有效。但是考慮到圖像增強(qiáng)是一個(gè)非常復(fù)雜的過(guò)程，對(duì)于圖像的高動(dòng)態(tài)保護(hù)還缺少一定的研究。因此，在未來(lái)研究中將更多地對(duì)不同環(huán)境下的圖像處理進(jìn)行更深層次的研究，為圖像處理領(lǐng)域的未來(lái)發(fā)展作出貢獻(xiàn)。