(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210540438.3 (22)申请日 2022.05.17 (71)申请人 武汉工程大 学 地址 430000 湖北省武汉市东湖新 技术开 发区光谷一路20 6号 (72)发明人 闵锋　熊文逸　杨朝源　刘朋　 (74)专利代理 机构 北京轻创知识产权代理有限 公司 11212 专利代理师 李昆蔚 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06T 3/40(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种图像增强方法、 装置以及存 储介质 (57)摘要 本发明提供一种图像增强方法、 装置以及存 储介质， 属于图像处理领域， 方法包括： 分别对各 个原始昆虫图像进行图像缩放得到缩放后昆虫 图像； 按照预设比例对所有的缩放后昆虫图像进 行划分得到昆虫训练集和昆虫测试集； 根据昆虫 训练集对训练模 型进行训练得到训练后的模型； 根据昆虫测试集对训练后的模型进行测试得到 图像增强模 型； 通过图像增强模 型对待增强昆虫 图像进行图像增强得到图像增强结果。 本发明解 决了公开大规模部分昆虫数据集少、 人为采集数 据工作量大的问题， 有效地生 成昆虫类稀缺目标 类图像， 提高了对昆虫类稀缺目标分类的准确 率， 节省了大量的人力物力， 减少了人工的介入。 权利要求书3页 说明书10页 附图2页 CN 114937183 A 2022.08.23 CN 114937183 A 1.一种图像增强方法， 其特 征在于， 包括如下步骤： S1： 导入多个原始昆虫图像， 并分别对各个所述原始昆虫图像进行图像缩放， 得到与各 个所述原 始昆虫图像对应的缩放后昆虫图像； S2： 按照预设比例对所有的缩放后昆虫图像进行划分， 得到昆虫训练集和昆虫测试集； S3： 构建训练模型， 根据所述昆虫训练集对所述训练模型进行训练， 得到训练后的模 型； S4： 根据所述昆虫测试集对所述训练后的模型进行测试， 得到图像增强模型； S5： 导入待增强昆虫图像， 通过所述图像增强模型对所述待增强昆虫图像进行图像增 强， 得到图像增强结果。 2.根据权利要求1所述的图像增强方法， 其特征在于， 所述昆虫训练集包括多个昆虫训 练图像， 所述训练模型包括 生成器和判别器， 所述 步骤S3的过程包括： 通过所述生成器分别对各个所述昆虫训练图像进行特征图的生成， 得到与 各个所述昆 虫训练图像对应的目标 特征图； 通过所述判别器分别对各个所述目标特征图进行判别分析， 得到与 各个所述昆虫训练 图像对应的鉴别概 率； 判断所有所述鉴别概率是否均大于或等于第 一预设判别阈值， 且小于或等于第 二预设 判别阈值， 若 是， 则将所述训练模 型作为训练后的模型,并执行步骤S4； 若否， 则根据所有的 鉴别概率对所述训练模型进行参数 更新， 得到更新后的训练模型， 并返回步骤S2。 3.根据权利要求2所述的图像增强方法， 其特征在于， 所述生成器包括第一全连接层、 第一反卷积层、 ReLU激活函数层、 反跨 步卷积层和Tanh 激活函数层； 所述通过所述生成器分别对各个所述昆虫训练图像进行特征图的生成， 得到与各个所 述昆虫训练图像对应的目标 特征图的过程包括： 通过所述第 一全连接层 分别对各个所述昆虫训练图像进行升维处理， 得到与 各个所述 昆虫训练图像对应的升维后昆虫 特征图像； 通过所述第 一反卷积层 分别对各个所述升维后昆虫特征图像进行首次特征提取， 得到 与各个所述昆虫训练图像对应的首次特 征提取后昆虫 特征图像； 通过所述ReLU激活函数层分别对各个所述首次特征提取后昆虫特征图像进行首次映 射处理， 得到与各个所述昆虫训练图像对应的首次映射后昆虫 特征图像； 通过所述反跨步卷积层 分别对各个所述首次映射后昆虫特征图像进行再次特征提取， 得到与各个所述昆虫训练图像对应的再次特 征提取后昆虫 特征图像； 通过所述Tanh激活函数层分别对各个所述再次特征提取后昆虫特征图像进行再次映 射处理， 得到与各个所述昆虫训练图像对应的目标 特征图。 4.根据权利要求2所述的图像增强方法， 其特征在于， 所述判别器包括第二反卷积层、 Leaky ReLU激活函数层、 残差块网络、 第二全连接层和Sigmo id激活函数层； 所述通过所述判别器分别对各个所述目标特征图进行判别分析， 得到与各个所述昆虫 训练图像对应的鉴别概 率的过程包括： 通过所述第 二反卷积层 分别对各个所述目标特征图进行首次特征提取， 得到与各个所 述昆虫训练图像对应的首次特 征提取后目标 特征图； 通过所述Leaky  ReLU激活函数层分别对各个所述首次特征提取后目标特征图进行映权　利　要　求　书 1/3 页 2 CN 114937183 A 2射处理， 得到与各个所述昆虫训练图像对应的映射后目标 特征图； 通过所述残差块网络分别对各个所述映射后目标特征图进行再次特征提取， 得到与 各 个所述昆虫训练图像对应的再次特 征提取后目标 特征图； 通过所述第 二全连接层 分别对各个所述再次特征提取后目标特征图进行降维处理， 得 到与各个所述昆虫训练图像对应的降维后目标 特征图； 通过所述Sigmoid激活函数层分别对各个所述降维后目标特征图进行图像鉴别， 得到 与各个所述昆虫训练图像对应的鉴别概 率。 5.根据权利要求2或3所述的图像增强方法， 其特征在于， 所述根据所有的鉴别概率对 所述训练模型进行参数 更新， 得到更新后的训练模型的过程包括： 导入与各个所述昆虫训练图像对应的真实图像概率， 对所有的鉴别概率和所有的真实 图像概率进行损失值的计算， 得到损失值； 通过所述损失值更新所述训练模型的参数， 得到更新后的训练模型。 6.根据权利要求5所述的图像增强方法， 其特征在于， 所述对所有的鉴别概率和所有的 真实图像概 率进行损失值的计算， 得到损失值的过程包括： 通过第一式对所有的鉴别概率和所有的真实图像概率进行损失值的计算， 得到损失 值， 所述第一式为： 其中， maxD V(D,G)为损失值， m为昆虫训练图像的数量， x(i)为第i个昆虫训练图像对应 的真实图像概率， G(Z(i))为第i个昆虫训练图像对应的目标特征图， D(G(Z(i)))为第i个昆虫 训练图像对应的鉴别概 率。 7.一种图像增强装置， 其特 征在于， 包括： 图像缩放模块， 用于导入多个原始昆虫图像， 并分别对各个所述原始昆虫图像进行图 像缩放， 得到与各个所述原 始昆虫图像对应的缩放后昆虫图像； 图像划分模块， 用于按照预设比例对所有的缩放后昆虫图像进行划分， 得到昆虫训练 集和昆虫测试集； 模型训练模块， 用于构建训练模型， 根据 所述昆虫训练集对所述训练模型进行训练， 得 到训练后的模型； 模型测试模块， 用于根据所述昆虫测试集对所述训练后的模型进行测试， 得到 图像增 强模型； 图像增强结果获得模块， 用于导入待增强昆虫图像， 通过所述图像增强模型对所述待 增强昆虫图像进行图像增强， 得到图像增强结果。 8.根据权利要求7所述的图像增强装置， 其特征在于， 所述昆虫训练集包括多个昆虫训 练图像， 所述训练模型包括 生成器和判别器， 所述模型训练模块具体用于： 通过所述生成器分别对各个所述昆虫训练图像进行特征图的生成， 得到与 各个所述昆 虫训练图像对应的目标 特征图； 通过所述判别器分别对各个所述目标特征图进行判别分析， 得到与 各个所述昆虫训练 图像对应的鉴别概 率； 判断所有所述鉴别概率是否均大于或等于第 一预设判别阈值， 且小于或等于第 二预设权　利　要　求　书 2/3 页 3 CN 114937183 A 3