基于人工智能技術的圖像紋理細節增強方法

唐曉

（鄭州工業應用技術學院 信息工程學院，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，人們由于借助視覺和自然光感知圖像、獲取信息獲取過程中很容易受到外界因素的干擾，如光照、動態模糊、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量均有不同的下降，導致在許多利用圖像提取信息的領域中，識別和獲取圖像信息受到嚴重阻礙，急需要增強圖像紋理細節，來提高圖像質量[2]。

圖像在生成過程中由于受到光照、光線等因素的影響，導致圖像紋理細節不明顯，細節丟失嚴重[3]。引起國內外很多學者對圖像增強技術的關注，如基于局部二進制模式方差的圖像增強方法[4]，基于PE 壓縮算法的圖像增強方法[5]，但是這兩種方法在實際操作過程中，需要過多的網絡參數，很容易破壞圖像自身的結構，加深圖像質量劣化程度，其實際應用能力需要進一步提高[6]。

因此，提出基于人工智能技術的圖像紋理細節增強方法，解決了傳統圖像增強方法中存在的問題。

1 基于人工智能技術的圖像紋理細節增強方法設計

1.1 訓練生成對抗網絡

圖像紋理細節的增強主要利用人工智能技術中的對抗網絡來實現，生成對抗網絡是人工智能無監督學習中最具前景的方法之一。生成對抗網絡主要包括兩個部分，分別是生成器和判別器。生成器通過接受輸入生成輸出，判別器通過接受輸入來判別該輸入是由生成器“偽造”的還是來自真實數據。通過訓練生成對抗網絡，直到網絡變化過程最小，再處理待增強圖像。

訓練開始時，分布差別比較大，在最優判別器條件下生成對抗網絡的生成器損失函數的行為表示是帶JS 散度的形式，此時生成對抗網絡的目標是最小化兩個來源不同樣本之間的JS 散度，因為JS 是一個非負值，當其變為0 時，兩個來源不同的樣本分布基本相同，能夠達到網絡的目的。但是當兩個來源不同的樣本分布重疊小到可以忽略不計時或者沒有重疊時，計算出兩個樣本之間的散度為log，這就得到梯度為0 的損失函數，生成器訓練失敗。面對這種情況，在生成器和判別器的輸入中加入一些標簽，使輸入到判別器中的真實數據和生成器的輸出分布被強行加入大的重疊部分，達到幫助訓練指導的目的，使網絡訓練更具方向性，加快網絡訓練效率。生成對抗網絡概念示意圖如圖1 所示。

圖1 生成對抗網絡概念示意圖

將人工智能技術中的生成對抗網絡應用在圖像紋理細節增強中，強化圖像的豐富細節信息。

1.2 增強圖像紋理細節

圖像紋理細節增強技術是為了將受到外界干擾導致成像不清晰的圖像恢復到正常圖像，利用經過訓練的生成對抗網絡處理原始圖像，將使用成像設備捕獲的圖像數據作為輸入信息，通過復雜的網絡計算過程中將原始數據映射到清晰明亮的RGB圖像。處理流程如下：

在數據預處理階段，對成像設備捕獲的原始圖像數據進行黑電平校正、信號增益和空間像素轉換操作，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的確定主要取決于輸入的原始圖像數據的曝光時間和目標數據的曝光時間，通過人為確定；空間像素轉換操作按照Bayer 陣列上RGB 的排列方式將原始圖像數據中的RGB 像素拆分組成新的數據，通過這種方式降低輸入數據的空間分辨率而加快圖像的處理速度。

在網絡處理階段，將原始圖像數據作為生成對抗網絡的輸入，通過圖像分層原理得到圖像的細節層和平滑層，將其進行線性結合，得到的輸出結果即為得到細節增強的圖像。為了將輸出結果恢復到需要的圖像尺寸，采用亞卷積操作恢復圖像大小。至此，基于人工智能技術的圖像紋理細節增強方法設計完成。

2 實驗測試及結果

在實驗中，以圖像的結構相似性和峰值信噪比作為實驗指標，引用傳統的圖像增強方法設計對比實驗，驗證設計的基于人工智能技術的圖像紋理細節增強方法的實際應用性能。以圖像的結構相似性作為實驗指標，用于評價圖像增強處理后的圖像質量，其值越大說明圖像結構相似程度越高，圖像質量越高。

實驗中另一個指標為峰值信噪比，該指標表示的是處理后的圖像與真實圖像之間的像素差值的量度，代表了信號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量，單位為dB。計算公式為：

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。

實驗中使用的數據集為SID 數據集，這個數據包含訓練集和測試集兩個部分，數據集中的圖像主要使用sony 相機和fuji相機收集的，包含Bayer 陣列和X-Trans 陣列兩種格式的圖像數據，每個子數據集中又包含不同場景的圖像數據。考慮到設計的基于人工智能技術的圖像增強方法，因此在實驗中將短曝光的數據作為輸入圖像，將長曝光的RGB 圖像作為標簽圖像，在訓練過程中對原始數據進行處理，學習率設置為10-4，將整個圖像裁剪為512*512 的大小，作為不同圖像增強方法的輸入，同時進行相同的旋轉和翻轉，經過多次訓練后將學習率降低為10-5，其他參數默認為相同參數。

基于以上實驗準備，使用傳統的基于局部二進制模式方差的圖像增強方法和基于PE 壓縮算法的圖像增強方法，以及基于人工智能技術的圖像增強方法處理同一圖像，經過計算獲得實驗結果。實驗結果如表1 所示。

表1 不同圖像增強方法的實驗計算結果

觀察表中的計算結果可知，基于局部二進制模式方差的圖像增強方法結構相似性極低，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方法結構相似性水平一般，圖像結構遭到了輕微的破壞，并且其峰值信噪比在30dB 以下，圖像劣化程度也比較大。與前兩組實驗結果相比，設計的基于人工智能技術的圖像紋理細節增強方法結構相似性更高、峰值信噪比高于30dB。綜上所述，設計的基于人工智能技術的圖像增強方法的實際應用性能優于傳統的圖像增強方法。

結束語

圖像信息的獲取在人們的日常生活中一直占據重要地位，近年來，隨著人工智能技術的發展與進步，在圖像處理等任務上取得了很多成就。本文對目前存在的圖像紋理細節增強方法展開充分的研究，針對目前圖像增強方法上存在的問題進行比較分析，提出了基于人工智能技術的圖像紋理細節增強方法，并在方法設計完成后，通過大量實驗證明了提出的基于人工智能技術的圖像增強方法在實際應用中十分有效。但是考慮到圖像增強是一個非常復雜的過程，對于圖像的高動態保護還缺少一定的研究。因此，在未來研究中將更多地對不同環境下的圖像處理進行更深層次的研究，為圖像處理領域的未來發展作出貢獻。