CN102982511B - 一种图像智能优化处理方法 - Google Patents

一种图像智能优化处理方法 Download PDF

Info

Publication number
CN102982511B
CN102982511B CN201210343894.5A CN201210343894A CN102982511B CN 102982511 B CN102982511 B CN 102982511B CN 201210343894 A CN201210343894 A CN 201210343894A CN 102982511 B CN102982511 B CN 102982511B
Authority
CN
China
Prior art keywords
image
processing links
denoising
carry out
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201210343894.5A
Other languages
English (en)
Other versions
CN102982511A (zh
Inventor
王敏
周树道
黄峰
刘志华
梁妙元
金永奇
刘星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
METEOROLOGICAL COLLEGE UNIV OF TECHNOLOGY PLA
Original Assignee
METEOROLOGICAL COLLEGE UNIV OF TECHNOLOGY PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by METEOROLOGICAL COLLEGE UNIV OF TECHNOLOGY PLA filed Critical METEOROLOGICAL COLLEGE UNIV OF TECHNOLOGY PLA
Priority to CN201210343894.5A priority Critical patent/CN102982511B/zh
Publication of CN102982511A publication Critical patent/CN102982511A/zh
Application granted granted Critical
Publication of CN102982511B publication Critical patent/CN102982511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种图像智能优化处理方法，首先根据用户需求将处理流程按照先后顺序设置为至少一个处理环节；在每一个处理环节中，利用该环节之下所列方法对图像同时并行处理，对得到的处理结果进行统一的处理效果评价，并从中选出评价最高的处理结果作为该处理环节的最终结果。此种处理方法可为用户提供一种满足其目的的最佳输出结果。

Description

一种图像智能优化处理方法
技术领域
 本发明属于图像处理领域，特别涉及一种适用于自动分析比较各种图像处理，并能自动选取最佳处理方法的图像智能优化多路处理方法。
背景技术
 图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。很多情况下，图像对于人眼来说是模糊的甚至是不可见的，通过图像增强技术，可以使模糊甚至不可见的图像变得清晰明亮。另一方面，通过数字图像处理中的模式识别技术，可以将人眼无法识别的图像进行分类处理，通过计算机模式识别技术可以快速准确地检索、匹配和识别出各种东西。数字图像处理技术已经广泛深入地应用于国计民生休戚相关的各个领域，如航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等。常见的处理有图像数字化、图像增强、图像复原、图像分割和图像分类等，每个处理环节都已发展出多种处理方法，目前国内外研究者大多关注于各种具体处理方法的研究和改进，还没有考虑过将各种处理方法集中，为用户提供自动选择最佳处理方法的思路。
基于以上分析，本发明人试图提出一种结合多种图像处理方法并加以优化选择的处理方法。
发明内容
 本发明的目的，在于提供一种图像智能优化处理方法，其可为用户提供一种满足其目的的最佳输出结果。
为了达成上述目的，本发明的解决方案是：
一种图像智能优化处理方法，首先根据用户需求将处理流程按照先后顺序设置为至少一个处理环节；在每一个处理环节中，利用该环节之下所列方法对图像同时并行处理，对得到的处理结果进行统一的处理效果评价，并从中选出评价最高的处理结果作为该处理环节的最终结果。
上述用户需要对图像进行去噪，设置一个图像去噪处理环节，对采集到的原始图像分别同时利用均值滤波、维纳滤波和小波软阈值算法进行去噪，计算相应的去噪图像和原始图像的峰值信噪比，并对三个峰值信噪比进行比较，记录其中最大峰值信噪比值对应的方法，将该方法对应的去噪图像作为最终输出图像。
上述用户需要对图像进行增强，设置一个图像增强处理环节，对采集到的原始图像分别同时利用线性灰度变换、非线性变换和直方图修正三种算法进行增强，计算相应的增强图像和之前图像的对比度，并对三个对比度进行比较，记录其中最大对比度值对应的方法，将该方法对应的增强图像作为最终输出图像。
上述用户需要对图像进行分割，设置一个图像分割处理环节，对采集到的原始图像分别同时利用基于阈值的分割方法、基于区域生长的分割方法和基于边界检测的三种算法进行分割，计算相应的分割图像内的区域内部均匀性，并对三个均匀性值进行比较，记录其中最大均匀性值对应的方法，将该方法对应的分割图像作为最终输出图像。
上述用户需要对图像进行特征提取，设置一个图像特征提取处理环节，对采集到的原始图像分别同时利用二阶颜色矩、灰度共生矩阵和奇异值特征三种算法提取图像特征，计算相应的分类识别正确率，并对三个正确率值进行比较，记录其中最大正确率值对应的方法，将该方法对应的特征作为最终输出特征。
上述用户需要对图像进行目标识别，设置一个图像目标识别处理环节，对采集到的原始图像分别同时利用最近距离分类、神经网络分类和模糊模式识别三种算法进行分类识别，计算相应的分类识别正确率，并对三个正确率值进行比较，记录其中最大正确率值对应的方法，将该方法对应的目标识别结果作为最终输出结果。
上述用户需要对图像进行目标识别，依次设置图像去噪、图像增强、图像分割、图像特征提取和图像目标识别五个处理环节，在每一个处理环节中，对待处理的图像分别同时利用至少两种算法进行处理，对得到的处理结果进行统一的处理效果评价，并从中选出评价最高的处理结果作为该处理环节的最终结果，并进入下一个处理环节。
采用上述方案后，本发明将目前常用的经典图像处理方法集结，并用统一的评价标准评判方法优劣，最终为用户提供一种满足其目的的最佳方法及结果，无需人为手工判断操作，且具体算法经典易于实现，操作简单，能够满足用户多方面需求，可以根据需要自行扩充其功能。
附图说明
 图1是本发明的总体流程图；
图2是图像去噪环节处理算法流程图；
图3是图像增强环节处理算法流程图；
图4是图像分割环节处理算法流程图；
图5是图像特征提取环节处理算法流程图；
图6是图像目标识别环节处理算法流程图。
具体实施方式
 本发明提供一种图像智能优化处理方法，其主要思路是根据用户进行图像处理的目的确认处理环节，如以去噪为目的，只需设置图像去噪一个处理环节，而若以目标识别为目的，则需根据具体需要，仅设置图像目标识别一个处理环节，或依次设置图像去噪、图像增强、图像分割、图像特征提取及图像目标识别共5个处理环节，对于每一个处理环节，均给出多种经典处理方法，对图像进行每一个处理环节后，对通过各种处理方法进行处理的图像进行统一的处理效果评价，并从中选出评价最高的处理结果作为该处理环节的最终结果，该处理结果所对应的处理方法作为该环节的最优处理方法。以下将结合附图对本发明的技术方案进行详细说明。
（1）如图1所示的用户以图像的目标识别为目的或是如图2所示的用户仅是需要对图像进行去噪，首先对采集到的原始图像分别同时利用均值滤波、维纳滤波和小波软阈值算法进行去噪，计算相应的去噪图像和原始图像的峰值信噪比，并对三个峰值信噪比进行比较，记录其中最大峰值信噪比值对应的方法，将该方法对应的去噪图像作为图1或是图2中去噪环节的最终输出图像；
（2）如图1所示的用户以图像的目标识别为目的或是如图3所示的用户仅是需要对图像进行增强，对图1中上一环节的去噪图像或是如图3中采集到的原始图像分别同时利用线性灰度变换、非线性变换和直方图修正三种算法进行增强，计算相应的增强图像和之前图像的对比度，并对三个对比度进行比较，记录其中最大对比度值对应的方法，将该方法对应的增强图像作为图1或是图3中增强环节的最终输出图像；
（3）如图1所示的用户以图像的目标识别为目的或是如图4所示的用户仅是需要对图像进行分割，对图1中上一环节的输出图像或是如图4中采集到的原始图像分别同时利用基于阈值的分割方法、基于区域生长的分割方法和基于边界检测的三种算法进行分割，计算相应的分割图像内的区域内部均匀性，并对三个均匀性值进行比较，记录其中最大均匀性值对应的方法，将该方法对应的分割图像作为图1或是图4中分割环节的最终输出图像；
（4）如图1所示的用户以图像的目标识别为目的或是如图5所示的用户仅是需要对图像进行特征提取，对图1中上一环节的输出图像或是如图5中采集到的原始图像分别同时利用二阶颜色矩、灰度共生矩阵和奇异值特征三种算法提取图像特征，计算相应的分类识别正确率，并对三个正确率值进行比较，记录其中最大正确率值对应的方法，将该方法对应的特征作为图1或是图5中特征提取环节的有效特征；
（5）如图1所示的用户以图像的目标识别为目的或是如图6所示的用户仅是需要对图像进行目标识别，对图1中上一环节的输出图像或是如图6中采集到的原始图像分别同时利用最近距离分类、神经网络分类和模糊模式识别三种算法进行分类识别，计算相应的分类识别正确率，并对三个正确率值进行比较，记录其中最大正确率值对应的方法，将该方法对应的目标识别结果作为图1或是图6中目标识别环节的最终输出结果。
需要特别说明的是，前文仅根据通常处理流程给出常见处理环节的先后顺序，在实际实施中，还可以遵从其它的处理顺序，如以去噪为目的，设置图像增强、图像去噪两个处理环节，各处理环节中更可给出其它现有算法，数目也不仅仅限于三种，本技术方案也适用于本文未提及的其它处理环节，以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (1)

1.一种图像智能优化处理方法，其特征在于：用户需要对图像进行目标识别，依次设置图像去噪、图像增强、图像分割、图像特征提取和图像目标识别五个处理环节； 在每一个处理环节中，利用该环节之下所列方法对图像同时并行处理，对得到的处理结果进行统一的处理效果评价，并从中选出评价最高的处理结果作为该处理环节的最终结果，并进入下一个处理环节；
    所述用户需要对图像进行去噪，设置一个图像去噪处理环节，对采集到的原始图像分别同时利用均值滤波、维纳滤波和小波软阈值算法进行去噪，计算相应的去噪图像和原始图像的峰值信噪比，并对三个峰值信噪比进行比较，记录其中最大峰值信噪比值对应的方法，将该方法对应的去噪图像作为最终输出图像；
所述用户需要对图像进行增强，设置一个图像增强处理环节，对采集到的原始图像分别同时利用线性灰度变换、非线性变换和直方图修正三种算法进行增强，计算相应的增强图像和之前图像的对比度，并对三个对比度进行比较，记录其中最大对比度值对应的方法，将该方法对应的增强图像作为最终输出图像；
所述用户需要对图像进行分割，设置一个图像分割处理环节，对采集到的原始图像分别同时利用基于阈值的分割方法、基于区域生长的分割方法和基于边界检测的三种算法进行分割，计算相应的分割图像内的区域内部均匀性，并对三个均匀性值进行比较，记录其中最大均匀性值对应的方法，将该方法对应的分割图像作为最终输出图像；
所述用户需要对图像进行特征提取，设置一个图像特征提取处理环节，对采集到的原始图像分别同时利用二阶颜色矩、灰度共生矩阵和奇异值特征三种算法提取图像特征，计算相应的分类识别正确率，并对三个正确率值进行比较，记录其中最大正确率值对应的方法，将该方法对应的特征作为最终输出特征；
所述用户需要对图像进行目标识别，设置一个图像目标识别处理环节，对采集到的原始图像分别同时利用最近距离分类、神经网络分类和模糊模式识别三种算法进行分类识别，计算相应的分类识别正确率，并对三个正确率值进行比较，记录其中最大正确率值对应的方法，将该方法对应的目标识别结果作为最终输出结果。
CN201210343894.5A 2012-09-17 2012-09-17 一种图像智能优化处理方法 Active CN102982511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210343894.5A CN102982511B (zh) 2012-09-17 2012-09-17 一种图像智能优化处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210343894.5A CN102982511B (zh) 2012-09-17 2012-09-17 一种图像智能优化处理方法

Publications (2)

Publication Number Publication Date
CN102982511A CN102982511A (zh) 2013-03-20
CN102982511B true CN102982511B (zh) 2015-09-09

Family

ID=47856458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210343894.5A Active CN102982511B (zh) 2012-09-17 2012-09-17 一种图像智能优化处理方法

Country Status (1)

Country Link
CN (1) CN102982511B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044114B (zh) * 2015-04-27 2018-08-10 中国人民解放军理工大学 一种电解电容外观包装缺陷图像检测系统与方法
CN107809559A (zh) * 2017-09-21 2018-03-16 中国科学院长春光学精密机械与物理研究所 一种图像自学习增强方法和系统
CN108416749A (zh) * 2018-02-28 2018-08-17 沈阳东软医疗系统有限公司 一种超声图像处理方法、装置和计算机设备
CN109214319A (zh) * 2018-08-23 2019-01-15 中国农业大学 一种水下图像目标检测方法及系统
CN110252504B (zh) * 2019-03-25 2020-03-03 泰州三凯工程技术有限公司 基于信号采集的随动控制系统
CN110111286B (zh) * 2019-05-16 2022-02-11 北京印刷学院 图像优化方式的确定方法和装置
CN110378419B (zh) * 2019-07-19 2021-07-16 广东浪潮大数据研究有限公司 一种图像集扩充方法、装置、设备及可读存储介质
CN113240964B (zh) * 2021-05-13 2023-03-31 广西英腾教育科技股份有限公司 一种心肺复苏教学机器

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1556497A (zh) * 2003-12-31 2004-12-22 厦门大学 赤潮生物图像自动识别装置与识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7283669B2 (en) * 2003-01-29 2007-10-16 Lockheed Martin Corporation Fine segmentation refinement for an optical character recognition system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1556497A (zh) * 2003-12-31 2004-12-22 厦门大学 赤潮生物图像自动识别装置与识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种基于小波阈值的SAR图像降噪方法;陈鲁宁等;《海洋测绘》;20090930;第29卷(第5期);第48页 *
交通流检测及车辆识别系统的构架分析;鹿玉红等;《微计算机信息》;20070410;第23卷(第10期);第295-296页 *
基于光流场的动态目标分割;李晋惠等;《电脑开发与应用》;20091231;第22卷(第12期);第17-19页 *

Also Published As

Publication number Publication date
CN102982511A (zh) 2013-03-20

Similar Documents

Publication Publication Date Title
CN102982511B (zh) 一种图像智能优化处理方法
CN109559310B (zh) 基于显著性检测的输变电巡检图像质量评价方法及系统
CN107480643B (zh) 一种智能垃圾分类处理的机器人
CN109815850A (zh) 基于深度学习的虹膜图像分割及定位方法、系统、装置
CN103164695B (zh) 一种基于多源图像信息融合的果实识别方法
CN102568007A (zh) 利用改进霍夫变换进行类圆形检测的图像处理方法
CN107563389A (zh) 一种基于深度学习的农作物病害识别方法
CN105005765A (zh) 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
CN108960185A (zh) 基于YOLOv2的车辆目标检测方法及系统
CN101551853A (zh) 复杂静态彩色背景下的人耳检测方法
CN101526994B (zh) 一种与采集设备无关的指纹图像分割方法
CN105205821A (zh) 一种焊接图像分割方法
CN103440035A (zh) 一种三维空间中的手势识别系统及其识别方法
CN102254174A (zh) 崩滑体中裸地信息的自动提取方法
CN102902956A (zh) 一种地基可见光云图识别处理方法
CN109034184A (zh) 一种基于深度学习的均压环检测识别方法
CN112861931B (zh) 一种基于差异注意力神经网络的多级别变化检测方法、系统、介质及电子设备
CN113011386B (zh) 一种基于等分特征图的表情识别方法及系统
Gu et al. Research on the improvement of image edge detection algorithm based on artificial neural network
Feng et al. A separating method of adjacent apples based on machine vision and chain code information
CN112184646B (zh) 基于梯度域导向滤波和改进pcnn的图像融合方法
CN107169996A (zh) 一种视频中动态人脸识别方法
CN103903017B (zh) 一种基于自适应软直方图局部二值模式的人脸识别方法
CN105893941A (zh) 一种基于区域图像的人脸表情识别方法
Li et al. MrFDDGAN: Multireceptive field feature transfer and dual discriminator-driven generative adversarial network for infrared and color visible image fusion

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant