申请/专利权人：宏达国际电子股份有限公司

申请日：2017-09-30

公开（公告）日：2021-04-27

公开（公告）号：CN107967514B

主分类号：G06N3/04(20060101)

分类号：G06N3/04(20060101);G06N3/08(20060101);G06T7/194(20170101)

优先权：["20161020 US 62/410,407","20170926 US 15/716,490"]

专利状态码：有效-授权

法律状态：2021.04.27#授权;2018.05.22#实质审查的生效;2018.04.27#公开

摘要：一种卷积网络装置及其影像强化装置与方法。影像强化装置包括：缩减取样模块、校正模块、扩增取样模块及串接模块。缩减取样模块对输入影像进行缩减取样，以产生不同缩减解析度的缩减取样影像。校正模块耦接于缩减取样模块，通过各校正模型，根据校正参数对缩减取样影像进行校正，以产生校正影像。扩增取样模块耦接于校正模块，并对校正影像进行扩增取样，以产生多个扩增取样影像，其中各扩增取样影像具有相同的扩增解析度。串接模块耦接于扩增取样模块，并串接扩增取样影像为输出影像。本发明可根据学习结果进行影像强化，并进一步进行卷积达到更佳的影像分割结果。

主权项：1.一种影像强化装置，其特征在于，该影像强化装置包括：一缩减取样模块，配置以对一输入影像进行缩减取样，以产生具有不同缩减解析度的多个缩减取样影像；多个校正模块，耦接于该缩减取样模块，并各配置以通过至少一校正模型，根据至少一校正参数对所述多个缩减取样影像其中之一进行校正，以产生多个校正影像的其中之一；一扩增取样模块，耦接于所述多个校正模块，并配置以对所述多个校正影像进行扩增取样，以产生多个扩增取样影像，其中各所述扩增取样影像具有相同的扩增解析度；以及一串接模块，耦接于该扩增取样模块，并配置以串接所述多个扩增取样影像为一输出影像。

全文数据：卷积网络装置及其影像强化装置与方法技术领域[0001]本发明是有关于影像处理技术，且特别是有关于一种卷积网络装置及其影像强化装置与方法。背景技术[0002]影像分割对于计算机影像运算是具有挑战性的问题，特别是要将数字影像中欲分割的物件前景从背景中分割时。这样的分割技术，在静止影像或是动画中要进行数字编辑时非常有用。在部分技术中，是用以模型为基础的深度学习分割法来进行影像分割。然而，利用这样的方法所产生的分割结果，常常会受到影像尺寸、亮度以及位置变化影响，无法达到较佳的分割结果。[0003]因此，如何设计一个新的卷积网络装置及其影像强化装置与方法，以解决上述的缺失，乃为此一业界亟待解决的问题。发明内容[0004]本发明的目的在于提供一种卷积网络装置及其影像强化装置与方法，以根据学习结果进行影像强化，并进一步进行卷积达到更佳的影像分割结果。[0005]本发明的目的在于提供一种影像强化imageenhancement装置，包括:缩减取样down-samp1ing模块、多个校正模块、扩增取样up-samp1ing模块以及串接模块。缩减取样模块配置以对输入影像进行缩减取样，以产生具有不同缩减解析度的多个缩减取样影像。校正模块耦接于缩减取样模块，并各配置以通过至少一校正模型，根据至少一校正参数对缩减取样影像其中之一进行校正，以产生多个校正影像的其中之一。扩增取样模块^接于校正模块，并配置以对校正影像进行扩增取样，以产生多个扩增取样影像，其中各扩增取样影像具有相同的扩增解析度。串接模块耦接于扩增取样模块，并配置以串接扩增取样影像为输出影像。[0006]于一实施例中，校正模型包括模糊校正模型、颜色校正模型、亮度校正模型或其组合。[0007]于一•实施例中，影像强化装置还包括：比$父_旲块，親接于校正模块，配置以通过成本函数并根据输出影像以及对应输入影像的预设影像间的差计算成本值，或通过成本函数并根据处理后影像以及预设影像间的差计算成本值，其中处理后影像是由影像强化装置后的至少一运算层处理后所产生。其中在学习模式中，各校正模块更配置以根据成本值调整校正参数，以降低成本值。在操作模式中，各校正模块停止调整校正参数。[0008]于一实施例中，在学习模式中，校正模块判断成本值是否小于预设门揽值，以在成本值小于预设门槛值时，使影像强化装置运作于操作模式中，并使各校正模块停止调整校正参数。[0009]于一实施例中，串接模块传送输出影像至卷积convolutional网络装置的多个运算层中的第一运算层。[0010]于一实施例中，串接模块自卷积网络装置的运算层中，在第一运算层之前的第二运算层接收输入影像。[0011]于一实施例中，串接模块接收卷积网络装置的待处理输入影像做为输入影像。[0012]—本发明的另一目的在于提供一种卷积网络装置，包括:多个运算层以及影像强化装置。运算层彼此相串联进行运算，并配置以对待处理输入影像进行卷积运算，以产生处理后输出影像。影像强化装置包括:缩减取样模块、多个校正模块、扩增取样模块以及串接模块。缩减取样模块配置以对输入影像进行缩减取样，以产生具有不同缩减解析度的多个缩减取样影像，其中输入影像是从运算层中的第一运算层所接收，或输入影像是待处理输入影像。校正模块耦接于缩减取样模块，并各配置以通过至少一校正模型，根据至少一校正参数对缩减取样影像其中之一进行校正，以产生多个校正影像的其中之一。扩增取样模块耦接于校正模块，并配置以对校正影像进行扩增取样，以产生多个扩增取样影像，其中各扩增取样影像具有相同的扩增解析度。串接模块耦接于扩增取样模块，并配置以串接扩增取样影像为输出影像，其中串接模块传送输出影像至运算层中的第二运算层。[0013]于一实施例中，处理后输出影像包括至少一分割segmented特征。[0014]本发明的又一目的在于提供一种影像强化方法，应用于影像强化装置，包括:对输入影像进行缩减取样，以产生具有不同缩减解析度的多个缩减取样影像;通过至少一校正模型，根据至少一校正参数对缩减取样影像其中之一进行校正，以产生多个校正影像;对校正影像进行扩增取样，以产生多个扩增取样影像，其中各扩增取样影像具有相同的扩增解析度；以及串接扩增取样影像为输出影像。[0015]于一实施例中，校正模型包括模糊校正模型、颜色校正模型、亮度校正模型或其组合。[0016]于一实施例中，影像强化方法还包括:通过成本函数并根据输出影像以及对应输入影像的预设影像间的差计算成本值，或通过成本函数并根据处理后影像以及预设影像间的差计算成本值，其中处理后影像是由影像强化装置后的至少一运算层处理后所产生。在学习模式中，根据成本值调整校正参数，以降低成本值。在操作模式中，停止调整校正参数。[0017]于一实施例中，在学习模式中，影像强化方法还包括:判断成本值是否小于预设门槛值，以在成本值小于预设门槛值时，使影像强化装置运作于操作模式中，并使各校正模块停止调整校正参数。[0018]于一实施例中，影像强化方法还包括:传送输出影像至卷积网络装置的多个运算层中的第一运算层。[0019]于一实施例中，影像强化方法还包括：自卷积网络装置的运算层中，在第一运算层之前的第二运算层接收输入影像。[0020]应用本发明的优点在于本发明的影像强化装置可根据学习结果进行影像强化，以进行例如，但不限于模糊、颜色及亮度的校正。更进一步地，本发明的卷积网络装置可利用强化的影像进行卷积，达到更佳的影像分割结果。附图说明[0021]图1为本发明一实施例中，一种卷积网络装置的示意图；[0022]图2为本发明一实施例中，影像强化装置的方块图；以及[0023]图3为本发明一实施例中，一种影像强化方法的流程图。具体实施方式[0024]现在将详细参考附图描述本发明的实施例。现在将详细参考本发明的优选实施例，其示例在附图中示出。在任何可能的情况下，在所有附图中将使用相同的标记来表示相同或相似的部分。[0025]当一元件被称为“连接”或“耦接”至另一元件时，它可以为直接连接或耦接至另一元件，又或是其中有一额外元件存在。相对的，当一元件被称为“直接连接”或“直接耦接”至另一元件时，其中是没有额外元件存在。进一步地，“电性连接”或“连接”，可进一步表示两个或多个元件间的连接或是互动。[0026]尽管术语第一、第二、第三等可用在本文中用以描述各种元件、部件、区域、层和或区段，这些元件、部件、区域、层和或区段不应该被这些术语限制。这些术语可仅用于将一个元件、部件、区域、层或区段与另一区域、层或区段进行区分。例如“第一”、“第二”、以及另外的数字形式的术语当在本文中使用时不意味着次序或顺序，除非文中清楚地指出。因此，下文所讨论的第一元件、部件、区域、层或区段可以称为第二元件、部件、区域、层或区段，而不会偏离示例性实施方式的教导。[0027]此外应理解的是，当在本说明书中使用时，术语“包括”、“具有”、“包括”、和“含有”应理解为开放式术语，即意味着“包括，但不限于”。[0028]此外应理解的是，当在本说明书中使用时，术语“和或”包括一个或多个相关列出项的任何和所有组合。[0029]以下实施例中所提到的方向用语，例如“上、下、左、右”仅是参考附图的方向，因此，使用的方向用语是用来说明并非用来限制本发明。[0030]除非另外限定，这里使用的术语包括技术术语与科学术语具有与本发明所属领域中的普通技术人员通常理解的含义相同的含义。将要进一步理解的是，术语、比如在通常使用的字典中限定的这些术语，应该被解释为具有与它们在相关技术的上下文中的含义相一致的含义，并且不应被以理想化的或过于正式的意义进行解释，除非在这里清楚地限定。[0031]请参照图1。图1为本发明一实施例中，一种卷积网络装置1的示意图。[0032]卷积网络装置1包括：多个运算层L1、L2、L3、…、Ln以及影像强化装置10。运算层L1、L2、L3、…、Ln可包括例如，但不限于卷积层、池化pooling层、丢弃dropout层、批次归一化（batchnormalization层、扩张卷积（dilationconvolution层、活化函数activefunction层或其组合。[0033]于一实施例中，卷积网络装置1为一个卷积神经网络，以执行影像分割。包括于卷积网络装置丨中的运算层11丄2、13、...儿11彼此沿着4方向相串联进行运算，并配置以对待处理输入影像Fin进行卷积运算，以产生处理后输出影像FQUt。处理后输出影像Fcut可包括例如，但不限于至少一个分割特征未绘示）。[0034]更详细地说，如图1所示，各个运算层11儿2儿3、...儿11是绘示为一个立方体，并用以=一个输入影像进行运算，并产生输出影像。其中，输入影像是经由前一个运算层处理后所产生，而输出影像则传送至后一个运算层。唯独例外的是，第一个运算层L1是对待处理输入影像Fin进行运算，而最后一个运算层Ln则产生处理后输出影像Fout。[0035]举例而言，运算层L2将对运算层L1处理后的影像未绘示进行运算，并产生处理后的影像未绘不至运算层L3。[0036]影像强化装置10可设置于运算层L1前，或是设置于任二运算层，例如运算层L2及L3之间。[0037]于本实施例中，影像强化装置10是设置于运算层L1前，且影像强化装置10配置以对待处理输入影像Fin进行影像强化，而使运算层L1实际上接收到强化处理后的结果，例如图1所示的强化影像Fin’。[0038]因此，设置于影像强化装置10之后的运算层，可通过强化后的影像进行卷积。卷积网络装置1可达到较佳的影像分割结果。[0039]需注意的是，设置于运算层L1前的影像强化装置10仅为一个范例。于另一实施例中，影像强化装置10可设置在例如，但不限于运算层L2及L3间，以对运算层L2处理后的影像进行强化，并使运算层L3实际上接收到强化的结果。更进一步地，于一实施例中，卷积网络装置1可包括多于一个的影像强化装置，并分别设置于不同对的运算层间。[0040]以下段落将对于影像强化装置10的运作进行更详细的说明。[0041]请参照图2。图2为本发明一实施例中，影像强化装置10的方块图。影像强化装置1〇包括:缩减取样模块100、校正模块102A、102B及10况、扩增取样模块104、串接模块106以及比较模块108。[0042]于部分实施例中，缩减取样模块100、校正模块102A、102B及102C、扩增取样模块104、串接模块1〇6以及比较模块108可由例如一个或多个处理器，如中央处理器及或微处理器实现，但本发明并不以此为限。[0043]于部分实施例中，缩减取样模块100、校正模块102A、102B及102C、扩增取样模块104、串接模块1〇6以及比较模块1〇8包括一个或多个记忆体装置，各包括或是共同包括计算机可读取记录媒体。计算机可读取记录媒体可为只读记忆体、快闪记忆体、软盘、硬盘、光盘、随身盘、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的计算机可读取记录媒体。[0044]于部分实施例中，缩减取样模块100、校正模块102A、102B及102C、扩增取样模块104、串接模块106以及比较模块108可执行不同的软件程序及或储存于记忆体未绘示）中的一组指令，以执行影像强化装置10的各种功能，并进行数据处理。[0045]缩减取样模块100配置以对输入影像，例如但不限于待处理输入影像Fin，进行缩减取样，以产生具有不同缩减解析度的缩减取样影像D1、D2及D3。[0046]举例而言，当待处理输入影像„具有200乂200的解析度时，缩减取样影像D1、D2及D3的解析度可分别为例如，但不限于2〇〇X200—倍的缩减取样）、100X10012倍的缩减取样及50X5014倍的缩减取样）。[0047]各个校正模块l〇2A、l〇2B及102C耦接于缩减取样模块100,并各配置以通过至少一校正模型，根据至少一校正参数对缩减取样影像D1、D2及D3其中之一进行校正，以产生校正影像C1、C2及C3的其中之一。在不同的实施例中，校正模型可为任何合适并用以执行影像校正的数学模型。[0048]在本实施例中，各个校正模块l〇2A、102B及102C包含模糊校正模型BL、颜色校正模型C0以及亮度校正模型LU。[0049]模糊校正模型BL配置以根据至少一与模糊校正运算相关的参数执行对影像，例如但不限于缩减取样后的待处理输入影像Fin，进行模糊校正。当校正参数经过适当选择时，影像中的模糊区域将在模糊校正模型BL处理后，变得较为清晰。[00S0]颜色校正模型C0配置以根据至少一与颜色校正运算相关的参数执行对影像，例如但不限于缩减取样后的待处理输入影像Fin，进行颜色校正。当校正参数经过适当选择时，影像中具有错色falsecolor的区域将在颜色校正模型C0处理后，变得较为正确。[0051]亮度校正模型LU配置以根据至少一与亮度校正运算相关的参数执行对影像，例如但不限于缩减取样后的待处理输入影像Fin，进行亮度校正。当校正参数经过适当选择时，影像中亮度较暗的区域将在亮度校正模型LU处理后，变得较为明亮。[0052]扩增取样模块104耦接于校正模块102A、102B及102C，并配置以对校正影像C1、C2及C3进行扩增取样，以产生扩增取样影像U1、U2及U3,其中各扩增取样影像U1、U2及U3具有相同的扩增解析度。[0053]于一实施例中，当待处理输入影像Fin的解析度为200X200时，各个扩增取样影像U1、U2及U3亦具有200X200的解析度。[0054]串接模块1〇6耦接于扩增取样模块104,并配置以串接扩增取样影像U1、U2及U3为输出影像。于一实施例中，由串接模块106产生的输出影像为强化影像Fin’。[0055]比较模块108配置以通过成本函数，根据处理后影像以及对应待处理输入影像Fin的预设影像P间的差计算成本值CV。其中，此处理后影像为经由影像强化装置10后的至少一运算层所运算产生。[0056]于一实施例中，此处理后影像是处理后输出影像F%t。于其他实施例中，此处理后影像是由运算层LI、L2、L3、…或Ln所产生。[0057]于一实施例中，比较模块108通过成本函数，根据处理后输出影像Fout及预设影像P间的差计算成本值CV。在实作中，处理后输出影像Fcut可为例如，但不限于特征图（featuremap，且预设影像P可为例如，但不限于真实数据groundtruth。[0058]于一实施例中，当不同运算层11丄2丄3、一或^1产生的影像被当作预设影像?时，预设影像P亦将不同。[0059]于一实施例中，在一学习模式中，各校正模块102A、102B及102C更配置以根据成本值CV调整校正参数，以降低成本值CV。[0060]举例来说，待处理输入影像Fin可为预设影像P的模糊版本，并可由校正模块102A、102B及102C、扩增取样模块104及串接模块106进行前述的处理。比较模块108将比较预设影像P以及输出影像，例如但不限于强化影像Fin’，以产生至少一个成本值CV，进而使各个校正模块102A、102B及102C据以调整校正参数。[0061]于一实施例中，在一操作模式中，各校正模块102A、102B及102C判断成本值CV是否小于预设门槛值，以在成本值小于预设门槛值时，使影像强化装置10运作于操作模式中，并使各校正模块102A、102B及102C停止调整校正参数。[0062]更详细地说，在一实施例中，待处理输入影像Fin可由上述的模块再次进行处理，其中各个102A、102B及102C通过调整后的校正参数进行校正。校正模块108将比较预设影像P以及新产生的输出影像，以产生新的成本值CV。[0063]当成本值CV仍然未小于预设门槛值时，各个102A、102B及102C将继续调整校正参数，并重复上述的过程，直到成本值cv小于预设门槛值。[0064]于一实施例中，在操作模式中，各个校正模块102A、102B及102C停止调整校正参数。因此，各个校正模块102A、102B及102C将使用最终调整完的校正参数进行校正，以使后续的串接模块106根据校正参数校正后的结果产生强化影像Fin’。[0065]因此，本发明的影像强化装置1〇可根据学习结果进行影像强化，以进行例如，但不限于模糊、颜色及亮度的校正。更进一步地，本发明的卷积网络装置i可利用强化的影像进行卷积，达到更佳的影像分割结果。[0066]需注意的是，在不同实施例中，卷积网络装置丨的运算层以及影像强化装置10中的模块可由硬件元件或是软件模块所实现。[0067]亦需注意的是，在另一实施例中，可通过计算验证精确度validationaccuracy来判断是否结束学习模式。于一实施例中，验证精确度可根据例如，但不限于一组训练的输入影像与一组验证的输入影像来计算。当验证精确度高于一预设值时，将结束学习模式，且影像强化装置10将运作于操作模式中。更进一步地，于其他实施例中，多个指数，例如但不限于成本值CV、验证精确度、训练组误差（trainingseterror、验证误差（validationerror或其组合，可被用来判断是否结束学习模式。[0068]图3为本发明一实施例中，一种影像强化方法300的流程图。影像强化方法300可应用于图2所绘示的影像强化装置1〇中，或经由其他硬件元件如数据库、一般处理器、计算机、服务器、或其他具特定逻辑电路的独特硬件装置或具特定功能的设备来实作，如将程序码和处理器芯片整合成独特硬件。[0069]更详细地说，影像强化方法300可实作为具有计算机可读取指令的一计算机程序，并储存于计算机可读取记录媒体中，而使计算机读取此记录媒体后控制影像强化装置10的模块执行影像强化方法300。指令可储存于记忆体中，且记忆体可为只读记忆体、快闪记忆体、软盘、硬盘、光盘、随身盘、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的计算机可读取记录媒体。[0070]图3的影像强化方法300将搭配图2进行详细的说明。影像强化方法300包括下列步骤应了解到，在本实施方式中所提及的步骤，除特别叙明其顺序者外，均可依实际需要调整其則后顺序，甚至可同时或部分同时执行）。[0071]于步骤301，使缩减取样模块100对输入影像，例如但不限于待处理输入影像Fin，进行缩减取样，以产生具有不同缩减解析度的缩减取样影像D1、D2及D3。[0072]于步骤3〇2,使校正模块l〇2A、102B及102C通过至少一校正模型，根据至少一校正参数对缩减取样影像D1、D2及D3其中之一进行校正，以产生校正影像C1、C2及C3。[0073]于步骤303,使扩增取样模块1〇4对校正影像C1、C2及C3进行扩增取样，以产生扩增取样影像U1、U2及U3,其中各扩增取样影像U1、U2及U3具有相同的扩增解析度。[0074]于步骤3〇4,使串接模块106串接扩增取样影像U1、U2及U3为输出影像，例如但不限于强化影像Fin’。[0075]于步骤305,使比较模块108将输出影像，例如但不限于处理后输出影像Fcmt，与对应待处理输入影像Fin的预设影像P相比较，以产生至少一成本值CV。[0076]于步骤3〇6,校正模块102A、102B及102C判断成本值CV是否小于预设门槛值。[0077]于步骤3〇7,当成本值CV未小于预设门槛值，影像强化装置1运作于学习模式，以使各校正模块102A、102B及102C根据成本值CV调整校正参数。[0078]于步骤30S，当成本值CV小于预设门槛值，影像强化装置丨运作于操作模式，以使各校正模块102A、102B及102C停止调整校正参数。[0079]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包括本发明的保护范围之内。、

权利要求：1.一种影像强化装置，其特征在于，该影像强化装置包括：一缩减取样模块，配置以对一输入影像进行缩减取样，以产生具有不同缩减解析度的多个缩减取样影像；多个校正模块，耦接于该缩减取样模块，并各配置以通过至少一校正模型，根据至少一校正参数对所述多个缩减取样影像其中之一进行校正，以产生多个校正影像的其中之一；一扩增取样模块，耦接于所述多个校正模块，并配置以对所述多个校正影像进行扩增取样，以产生多个扩增取样影像，其中各所述扩增取样影像具有相同的扩增解析度；以及一串接模块，耦接于该扩增取样模块，并配置以串接所述多个扩增取样影像为一输出影像。2.根据权利要求1所述的影像强化装置，其特征在于，该校正模型包括一模糊校正模型、一颜色校正模型、一亮度校正模型或其组合。3.根据权利要求1所述的影像强化装置，其特征在于，该影像强化装置还包括：一比较模块，耦接于所述多个校正模块，配置以通过一成本函数并根据该输出影像以及对应该输入影像的一预设影像间的差计算一成本值，或通过该成本函数并根据一处理后影像以及该预设影像间的差计算该成本值，其中该处理后影像是由该影像强化装置后的至少一运算层处理后所产生；其中在一学习模式中，各所述校正模块更配置以根据该成本值调整该校正参数，以降低该成本值;以及在一操作模式中，各所述校正模块停止调整该校正参数。4_根据权利要求3所述的影像强化装置，其特征在于，在该学习模式中，所述校正模块判断该成本值是否小于一预设门檻值，以在该成本值小于该预设门滥值时，使该影像强化装置运作于该操作模式中，并使各所述校正模块停止调整该校正参数。5.根据权利要求1所述的影像强化装置，其特征在于，该串接模块传送该输出影像至一卷积网络装置的多个运算层中的一第一运算层。6.根据权利要求5所述的影像强化装置，其特征在于，该串接模块自该卷积网络装置的所述多个运算层中，在该第一运算层之前的一第二运算层接收该输入影像。7.根据权利要求5所述的影像强化装置，其特征在于，该串接模块接收该卷积网络装置的一待处理输入影像做为该输入影像。8.—种卷积网络装置，其特征在于，该卷积网络装置包括：多个运算层，彼此相串联进行运算，并配置以对一待处理输入影像进行卷积运算，以产生一处理后输出影像；以及一影像强化装置，包括：一缩减取样模块，配置以对一输入影像进行缩减取样，以产生具有不同缩减解析度的多个缩减取样影像，其中该输入影像是从所述多个运算层中的一第一运算层所接收，或输入影像是该待处理输入影像；多个校正模块，耦接于该缩减取样模块，并各配置以通过至少一校正模型，根据至少一校正参数对所述多个缩减取样影像其中之一进行校正，以产生多个校正影像的其中之一；一扩^取样模块，耦接于所述多个校正模块，并配置以对所述多个校正影像进行扩增取样，以产生多个扩增取样影像，其中各所述扩增取样影像具有相同的扩增解析度;以及一串接模块，耦接于该扩增取样模块，并配置以串接所述多个扩增取样影像为一输出影像，其中该串接模块传送该输出影像至所述多个运算层中的一第二运算层。9.根据权利要求8所述的卷积网络装置，其特征在于，该处理后输出影像包括至少一分割特征。10.—种影像强化方法，其特征在于，该影像强化方法应用于一影像强化装置，该影像强化方法包括：对一输入影像进行缩减取样，以产生具有不同缩减解析度的多个缩减取样影像；通过至少一校正模型，根据至少一校正参数对所述多个缩减取样影像其中之一进行校正，以产生多个校正影像；对所述多个校正影像进行扩増取样，以产生多个扩增取样影像，其中各所述扩增取样影像具有相同的扩增解析度；以及串接所述多个扩增取样影像为一输出影像。11.根据权利要求10所述的影像强化方法，其特征在于，该校正模型包括一模糊校正模型、一颜色校正模型、一亮度校正模型或其组合。12.根据权利要求10所述的影像强化方法，其特征在于，该影像强化方法还包括：通过一成本函数并根据该输出影像以及对应该输入影像的一预设影像间的差计算一成本值，或通过该成本函数并根据一处理后影像以及该预设影像间的差计算该成本值，其中该处理后影像是由该影像强化装置后的至少一运算层处理后所产生；在一学习模式中，根据该成本值调整该校正参数，以降低该成本值；以及在一操作模式中，停止调整该校正参数。13.根据权利要求10所述的影像强化方法，其特征在于，在该学习模式中，该影像强化方法还包括：判断该成本值是否小于一预设门槛值；以及在该成本值小于该预设门槛值时，使该影像强化装置运作于该操作模式中，并停止调整该校正参数。14.根据权利要求1〇所述的影像强化方法，其特征在于，该影像强化方法还包括：传送该输出影像至一卷积网络装置的多个运算层中的一第一运算层。15.根据权利要求14所述的影像强化方法，其特征在于，该影像强化方法还包括：自该卷积网络装置的所述多个运算层中，在该第一运算层之前的一第二运算层接收该输入影像。

百度查询： 宏达国际电子股份有限公司 卷积网络装置及其影像强化装置与方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD