CN105894465A - 基于人工神经网络的图像去污系统 - Google Patents
基于人工神经网络的图像去污系统 Download PDFInfo
- Publication number
- CN105894465A CN105894465A CN201610188107.2A CN201610188107A CN105894465A CN 105894465 A CN105894465 A CN 105894465A CN 201610188107 A CN201610188107 A CN 201610188107A CN 105894465 A CN105894465 A CN 105894465A
- Authority
- CN
- China
- Prior art keywords
- module
- neural network
- image
- artificial neural
- spot
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims description 12
- 230000000052 comparative effect Effects 0.000 claims description 7
- 238000009966 trimming Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像去污系统的技术领域,具体涉及一种基于人工神经网络的图像去污系统;解决的技术问题为:提供一种能够批量自动化处理图像的图像去污系统;采用的技术方案为:包括:第一输入单元:用于将图像输入到所述图像去污系统中;处理单元:用于处理输入的图像;第二输入单元:用于将处理后的图像数据输入到人工神经网络单元中;人工神经网络单元:用于计算图像数据与污渍数据的相似度值,将所述相似度值与阈值进行比较,并输出比较结果;修整单元:用于根据比较结果,对图像进行修整;本发明适用于图像处理领域。
Description
技术领域
本发明属于图像去污系统的技术领域,具体涉及一种基于人工神经网络的图像去污系统。
背景技术
在目前的日常生活和工作中,我们会接触大量的图片,很多图片都会因为各种原因出现黑斑、孔洞、杂线等缺陷,为了使这样的图片变得美观,我们会采用传统的人工方式,使用一些图像处理工具,针对有缺陷的区域进行精心修饰。
但是面对日趋增长的图片数据,一个人一天也就处理几百张图片,使得传统的人工处理方式效率低下,虽然目前市面上的图像处理工具也有自动去污渍功能,但是存在以下缺点:使用算法单一,仅能针对某一类特征进行识别与修整,并且无法进行批量自动化处理。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种能够批量自动化处理图像的图像去污系统。
为了解决上述技术问题,本发明采用的技术方案为:基于人工神经网络的图像去污系统,包括:第一输入单元:用于将图像输入到所述图像去污系统中;处理单元:用于处理输入的图像;第二输入单元:用于将处理后的图像数据输入到人工神经网络单元中;人工神经网络单元:用于计算图像数据与污渍数据的相似度值,将所述相似度值与阈值进行比较,并输出比较结果;修整单元:用于根据比较结果,对图像进行修整。
优选地,所述处理单元包括:切分模块:用于将图像切分成多张图片;参数化模块:用于将切分后的图片进行参数化。
优选地,所述人工神经网络单元包括:建立模块:用于建立人工神经网络;计算模块:用于计算图像数据与污渍数据的相似度值;比较模块:用于将所述相似度值与阈值进行比较,其中阈值大于等于0.5;输出模块:用于当相似度值大于阈值时输出兴奋信号,反之则输出抑制信号。
优选地,所述建立模块包括:切取模块:用于人工将含有污渍的图像切分成多张图片;分类模块:用于人工将切分后的每一张图片进行分类,分为有污渍和无污渍两类;训练集形成模块:用于将分类后的每一张图片进行参数化,形成训练集;机器学习模块:用于采用反向传播算法,训练机器学习数据;存储模块:用于在迭代学习中当训练结果收敛且正确率达到80%以上时,将当前网络节点的误差率和连接权重进行存储。
优选地,所述建立模块还包括:加载模块:用于将机器学习完成的结果加载进一个空的神经网络中。
本发明与现有技术相比具有以下有益效果:
本发明中的图像去污系统包括:第一输入单元、处理单元、第二输入单元、人工神经网络单元和修整单元,由于利用了采用仿生学制作的人工神经网络,使得本发明中的图像去污系统能够人机交互筛选污渍训练集,机器学习污渍特征后能够修改图像高相似率的区域,使得大量的人力从图像处理的工作中解放出来,对有污渍的图像进行批量自动化处理。
附图说明
下面结合附图对本发明做进一步详细的说明;
图1为本发明基于人工神经网络的图像去污系统提供的实施例一的结构示意图;
图2为本发明基于人工神经网络的图像去污系统提供的实施例二的结构示意图;
图3为本发明基于人工神经网络的图像去污系统提供的实施例三的结构示意图;
图4为本发明基于人工神经网络的图像去污系统提供的实施例四的结构示意图;
图中:11为第一输入单元,12为处理单元,121为切分模块,122为参数化模块,13为第二输入单元,14为人工神经网络单元,141为建立模块,1411为切取模块,1412为分类模块,1413为训练集形成模块,1414为机器学习模块,1415为存储模块,1416为加载模块,142为计算模块,143为比较模块,144为输出模块,15为修整单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明基于人工神经网络的图像去污系统提供的实施例一的结构示意图,如图1所示,基于人工神经网络的图像去污系统,包括:
第一输入单元11:用于将图像输入到所述图像去污系统中。
处理单元12:用于处理输入的图像。
第二输入单元13:用于将处理后的图像数据输入到人工神经网络单元14中。
人工神经网络单元14:用于计算图像数据与污渍数据的相似度值,将所述相似度值与阈值进行比较,并输出比较结果。
修整单元15:用于根据比较结果,对图像进行修整,本实施例中的比较结果可分为“兴奋”和“抑制”,修整单元15修整的图像区域为“兴奋”区域。
图2为本发明基于人工神经网络的图像去污系统提供的实施例二的结构示意图,如图2所示,所述处理单元12可包括:
切分模块121:用于将图像切分成多张图片。
参数化模块122:用于将切分后的图片进行参数化。
图3为本发明基于人工神经网络的图像去污系统提供的实施例三的结构示意图,如图2所示,所述人工神经网络单元14可包括:
建立模块141:用于建立人工神经网络。
计算模块142:用于计算图像数据与污渍数据的相似度值。
比较模块143:用于将所述相似度值与阈值进行比较,其中,阈值可根据实际情况进行设置,本实施例中的阈值可大于等于0.5。
输出模块144:用于当相似度值大于阈值时输出兴奋信号,反之则输出抑制信号,例如相似度值为0.78,大于阈值0.5,则输出兴奋信号,若相似度值为0.45,则输出抑制信号。
图4为本发明基于人工神经网络的图像去污系统提供的实施例四的结构示意图,如图4所示,所述建立模块141可包括:
切取模块1411:用于人工将含有污渍的图像切分成多张图片,例如将一张含有污渍的2000*3000像素的图像进行切图,切图大小可以是32*32的小图片,比如切分出10000张小图片。
分类模块1412:用于人工将切分后的每一张图片进行分类,人工将上述切分的图片进行分类,在10000张小图片中,分为有污渍和无污渍两类,。
训练集形成模块1413:用于将分类后的每一张图片进行参数化,形成训练集。将上述每一张图片依从上到下,从左到有的顺序取其RGB像素值,以逗号分隔,并根据其分类设定标签。例如无污渍的标签为0,有污渍的标签为1,这样我们可以得到1024列的图片信息列,1列数据标签列,而每一行信息为一张参数化后的图片,共10000行。
机器学习模块1414:用于采用反向传播算法,训练机器学习数据。
存储模块1415:用于在迭代学习中当训练结果收敛且正确率达到80%以上时,将当前网络节点的误差率和连接权重进行存储。
加载模块1416:用于将机器学习完成的结果加载进一个空的神经网络中。
本发明基于人工智能算法,含有机器学习功能,后期的高准确率,更多的污渍类型都可以通过丰富训练集,通过机器再学习达到应用目的,是个功能性能可进化的智能系统,能让大量的人力从图像处理的工作中解放出来,能够人机交互筛选污渍训练集,机器可学习污渍特征,进行图像分区域判别,最后修改高相似率的区域,具有突出的实质性特点和显著的进步。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.基于人工神经网络的图像去污系统,其特征在于:包括:
第一输入单元(11):用于将图像输入到所述图像去污系统中;
处理单元(12):用于处理输入的图像;
第二输入单元(13):用于将处理后的图像数据输入到人工神经网络单元(14)中;
人工神经网络单元(14):用于计算图像数据与污渍数据的相似度值,将所述相似度值与阈值进行比较,并输出比较结果;
修整单元(15):用于根据比较结果,对图像进行修整。
2.根据权利要求1所述的基于人工神经网络的图像去污系统,其特征在于:所述处理单元(12)包括:
切分模块(121):用于将图像切分成多张图片;
参数化模块(122):用于将切分后的图片进行参数化。
3.根据权利要求1所述的基于人工神经网络的图像去污系统,其特征在于:所述人工神经网络单元(14)包括:
建立模块(141):用于建立人工神经网络;
计算模块(142):用于计算图像数据与污渍数据的相似度值;
比较模块(143):用于将所述相似度值与阈值进行比较,其中阈值大于等于0.5;
输出模块(144):用于当相似度值大于阈值时输出兴奋信号,反之则输出抑制信号。
4.根据权利要求3所述的基于人工神经网络的图像去污系统,其特征在于:所述建立模块(141)包括:
切取模块(1411):用于人工将含有污渍的图像切分成多张图片;
分类模块(1412):用于人工将切分后的每一张图片进行分类,分为有污渍和无污渍两类;
训练集形成模块(1413):用于将分类后的每一张图片进行参数化,形成训练集;
机器学习模块(1414):用于采用反向传播算法,训练机器学习数据;
存储模块(1415):用于在迭代学习中当训练结果收敛且正确率达到80%以上时,将当前网络节点的误差率和连接权重进行存储。
5.根据权利要求4所述的基于人工神经网络的图像去污系统,其特征在于:所述建立模块(141)还包括:
加载模块(1416):用于将机器学习完成的结果加载进一个空的神经网络中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610188107.2A CN105894465A (zh) | 2016-03-29 | 2016-03-29 | 基于人工神经网络的图像去污系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610188107.2A CN105894465A (zh) | 2016-03-29 | 2016-03-29 | 基于人工神经网络的图像去污系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894465A true CN105894465A (zh) | 2016-08-24 |
Family
ID=57014913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610188107.2A Pending CN105894465A (zh) | 2016-03-29 | 2016-03-29 | 基于人工神经网络的图像去污系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894465A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1196633A (zh) * | 1997-04-14 | 1998-10-21 | 鸿友科技股份有限公司 | 图像修复装置及方法 |
CN1627323A (zh) * | 2003-12-09 | 2005-06-15 | 香港中文大学 | 数字图像的自动修正方法和采用该方法的系统 |
CN103369342A (zh) * | 2013-08-05 | 2013-10-23 | 重庆大学 | 一种dibr目标图像空洞填充修复处理方法 |
-
2016
- 2016-03-29 CN CN201610188107.2A patent/CN105894465A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1196633A (zh) * | 1997-04-14 | 1998-10-21 | 鸿友科技股份有限公司 | 图像修复装置及方法 |
CN1627323A (zh) * | 2003-12-09 | 2005-06-15 | 香港中文大学 | 数字图像的自动修正方法和采用该方法的系统 |
CN103369342A (zh) * | 2013-08-05 | 2013-10-23 | 重庆大学 | 一种dibr目标图像空洞填充修复处理方法 |
Non-Patent Citations (3)
Title |
---|
C.-J. LU、D.-M. TSAI: "Defect inspection of patterned thin film transistor-liquid crystal display panels using a fast subimage-based singular value decomposition", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》 * |
尹力: "木材表面缺陷模式特征提取的图像处理方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
张昱,张健: "基于多项式曲面拟合的TFT-LCD斑痕缺陷自动检测技术", 《光电工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Awe et al. | Smart trash net: Waste localization and classification | |
CN109874313A (zh) | 文本行检测方法及文本行检测装置 | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
CN111415343B (zh) | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 | |
CN110751185A (zh) | 目标检测模型的训练方法和装置 | |
CN106372648A (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
CN105046272B (zh) | 一种基于简洁非监督式卷积网络的图像分类方法 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN108364281A (zh) | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 | |
CN107977592B (zh) | 一种图像文本检测方法及系统、用户终端及服务器 | |
CN110827260A (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN107506362B (zh) | 基于用户群优化的图像分类仿脑存储方法 | |
CN115423603A (zh) | 一种基于机器学习的风控模型建立方法、系统及存储介质 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN112446376B (zh) | 一种工业图像智能分割压缩方法 | |
CN110942063B (zh) | 证件文字信息获取方法、装置以及电子设备 | |
CN110414517B (zh) | 一种用于配合拍照场景的快速高精度身份证文本识别算法 | |
CN112446417B (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 | |
CN117475221A (zh) | 一种交直流配电屏空开投运状态识别方法及系统 | |
CN105894465A (zh) | 基于人工神经网络的图像去污系统 | |
CN116542962A (zh) | 一种基于改进Yolov5m模型光伏电池缺陷检测方法 | |
CN113902765B (zh) | 基于全景分割的半导体自动分区方法 | |
CN110046696A (zh) | 基于卷积循环神经网络的残差神经网络调整方法 | |
CN113888506B (zh) | 基于深度分割网络的包覆药形状缺陷检测算法 | |
CN115641437A (zh) | 工业缺陷实例分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |