CN110111286A - 图像优化方式的确定方法和装置 - Google Patents
图像优化方式的确定方法和装置 Download PDFInfo
- Publication number
- CN110111286A CN110111286A CN201910410073.0A CN201910410073A CN110111286A CN 110111286 A CN110111286 A CN 110111286A CN 201910410073 A CN201910410073 A CN 201910410073A CN 110111286 A CN110111286 A CN 110111286A
- Authority
- CN
- China
- Prior art keywords
- optimal way
- image
- optimization
- neural network
- network model
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims description 38
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 210000004218 nerve net Anatomy 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 208000004930 Fatty Liver Diseases 0.000 description 3
- 206010019708 Hepatic steatosis Diseases 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000010706 fatty liver disease Diseases 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 231100000240 steatosis hepatitis Toxicity 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像优化方式的确定方法和装置，涉及图像技术领域，通过获取同一图像采集器采集目标对象得到的图像样本集和获取目标对象的标准图像集；利用预建立的优化库的优化方式依次对图像样本集进行优化，得到优化样本集；从每个优化方式对应的优化样本集选择训练样本集，对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型；基于标准图像集计算每个优化方式对应的神经网络模型的准确率；将准确率最高的神经网络模型对应的优化方式确定为图像采集器的最优图像优化方式。这种对图像样本采用不同优化方式进行优化，基于神经网络模型找出适合最优图像优化方式的方式，保证了该最优图像优化方式对图像采集器的专属性和适用性。
Description
技术领域
本发明涉及图像技术领域，尤其是涉及一种图像优化方式的确定方法和装置。
背景技术
现有图像采集器并未配置特定的图像优化方式，多采用统一编译的图像优化方式对采集的图像进行处理，由于不同类型的图像采集器所采集到的图像的清晰度、噪点等情况均不相同，同一套图像优化方式并不适用于所有类型的图像采集器。
发明内容
有鉴于此，本发明的目的在于提供一种图像优化方式的确定方法和装置，以缓解同一套图像优化方式不适用于所有类型的图像采集器的技术问题。
第一方面，本发明实施例提供了一种图像优化方式的确定方法，该方法包括：获取同一类型的图像采集器采集目标对象得到的图像样本集；获取目标对象的标准图像集；其中，标准图像集中的图像为带有标注信息的图像；利用预建立的优化库的优化方式依次对图像样本集进行优化，得到每个优化方式对应的优化样本集；从每个优化方式对应的优化样本集选择训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型；基于标准图像集计算每个优化方式对应的神经网络模型的准确率；将准确率最高的神经网络模型对应的优化方式确定为图像采集器的最优图像优化方式，以对图像采集器采集的图像进行优化处理。
进一步的，利用预建立的优化库的优化方式依次对图像样本集进行优化，得到每个优化方式对应的优化样本集的步骤，包括：如果预建立的优化库包括的优化方式为第一类优化方式，应用该第一类优化方式中的各个优化方式分别对图像样本集进行优化，得到每个优化方式对应的优化样本集；其中，第一类优化方式为去噪或增强。
进一步的，该方法还包括：如果预建立的优化库包括的优化方式还包括第二类优化方式，在确定出第一类优化方式中的最优图像优化方式之后，利用第二类优化方式中的每个优化方式依次对第一类优化方式对应的优化样本集进行优化，得到新的优化样本集；以新的优化样本集作为训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个第二类优化方式对应的训练好的神经网络模型；基于标准图像集计算每个第二类优化方式对应的神经网络模型的准确率；将准确率最高的神经网络模型对应的第二类优化方式和第一类优化方式中的最优图像优化方式组合，确定为图像采集器对应的最终图像优化方式，以对图像采集器采集的图像进行优化处理。
进一步的，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型的步骤还包括：从每个优化方式对应的优化样本集选择验证样本集；应用每个训练样本集对初始神经网络模型进行训练；应用验证样本集对每次训练后的初始网络模型的模型参数进行校准，得到每个优化方式对应的神经网络模型。
进一步的，基于标准图像集计算每个优化方式对应的神经网络模型的准确率的步骤包括：从每个优化方式对应的优化样本集选择测试样本集；将测试样本集输入至每个优化方式对应的神经网络模型，得到该神经网络模型的输出结果；基于标准图像集和每个优化方式对应的输出结果，确定每个优化方式对应的神经网络模型的准确率。
进一步的，该方法还包括：对图像采集器采集的图像进行优化处理；将优化处理后的图像输入训练好的神经网络模型，得到优化处理后的图像的输出结果。
第二方面，本发明实施例还提供一种图像优化方式的确定装置，该装置包括：第一获取模块，用于获取获取同一类型的图像采集器采集目标对象得到的图像样本集；第二获取模块，用于获取目标对象的标准图像集；其中，标准图像集中的图像为带有标注信息的图像；优化模块，用于利用预建立的优化库的优化方式依次对图像样本集进行优化，得到每个优化方式对应的优化样本集；训练模块，用于从每个优化方式对应的优化样本集选择训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型；计算模块，用于基于标准图像集计算每个优化方式对应的神经网络模型的准确率；确定模块，用于将准确率最高的神经网络模型对应的优化方式确定为图像采集器的最优图像优化方式，以对图像采集器采集的图像进行优化处理。
进一步的，该优化模块还用于：如果预建立的优化库包括的优化方式为第一类优化方式，应用该第一类优化方式中的各个优化方式分别对图像样本集进行优化，得到每个优化方式对应的优化样本集；其中，第一类优化方式为去噪或增强。
进一步的，该装置还包括：第二优化模块，用于如果预建立的优化库包括的优化方式还包括第二类优化方式，在确定出第一类优化方式中的最优图像优化方式之后，利用第二类优化方式中的每个优化方式依次对第一类优化方式对应的优化样本集进行优化，得到新的优化样本集；第二训练模块，用于以新的优化样本集作为训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个第二类优化方式对应的训练好的神经网络模型；第二计算模块，用于基于标准图像集计算每个第二类优化方式对应的神经网络模型的准确率；第二确定模块，用于将准确率最高的神经网络模型对应的第二类优化方式和第一类优化方式中的最优图像优化方式组合，确定为图像采集器对应的最终图像优化方式，以对图像采集器采集的图像进行优化处理。
进一步的，该装置还包括：处理模块，用于对图像采集器采集的图像进行优化处理；输出模块，用于将优化处理后的图像输入训练好的神经网络模型，得到优化处理后的图像的输出结果。
第三方面，本发明实施例提供了一种服务器，该服务器包括存储器以及处理器，该存储器用于存储支持处理器执行第一方面所述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
第四方面，本发明实施例还提供一种计算机存储介质，用于存储计算机程序指令，当计算机执行所示计算机程序指令时，执行如第一方面所述的方法。
本发明实施例带来了以下有益效果：
本实施例提供的图像优化方式的确定方法和装置，通过获取同一类型的图像采集器采集目标对象得到的图像样本集和获取目标对象的标准图像集；利用预建立的优化库的优化方式依次对图像样本集进行优化，得到每个优化方式对应的优化样本集；从每个优化方式对应的优化样本集选择训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型；基于标准图像集计算每个优化方式对应的神经网络模型的准确率；将准确率最高的神经网络模型对应的优化方式确定为图像采集器的最优图像优化方式，以对图像采集器采集的图像进行优化处理。这种通过对图像采集器采集的图像样本采用不同优化方式进行优化，基于神经网络模型找出适合该图像采集器的最优图像优化方式的方式，保证了该最优图像优化方式对图像采集器的专属性和适用性，进而确保了图像采集器输出图像的高质量性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像优化方式的确定方法的流程图；
图2为本发明实施例提供的另一种图像优化方式的确定方法的流程图；
图3为本发明实施例提供的一种图像优化方式的确定装置的结构示意图；
图4为本发明实施例提供的另一种图像优化方式的确定装置的结构示意图。
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，下面将结合附图对本发明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，本领域技术人员在没有做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。
目前同一套图像优化方式并不适用于所有类型的图像采集器，基于此，本发明实施例提供的一种图像优化方式的确定方法和装置，可以针对不同图像采集器所采集的图像的特点，为图像采集器确定特定的图像优化方式。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种图像优化方式的确定方法进行详细介绍。
实施例一：
本实施例提供了一种图像优化方式的确定方法，参考图1所示的一种图像优化方式的确定方法的流程图，该方法包括以下步骤：
步骤S102，获取同一类型的图像采集器采集目标对象得到的图像样本集；
其中，上述同一类的图像采集器可以为同型号或/和同配置的摄像机，也可以B超等同种采集方式的同类型设备，还可以为同一个图像采集设备；上述的目标对象可以为同种物体或不同物体的同一部分，如不同人体的肝脏器官等；
步骤S104，获取目标对象的标准图像集；
其中，上述标准图像集中的图像为带有标注信息的图像；该带有标注信息的图像与上述图像样本集中的图像为一一对应的；该标准图像集可以为人工预设定的或标注的图像，该图像的标注信息包括图像应该体现的数据信息或图像信息，如图像的物体轮廓线、人为判定的图像结果等标注信息，该标准图像集也可以是其他精度达到预设值的图像采集器对同个目标对象采集得到的高清晰度、轮廓线清楚的图像。进一步的，人为判定的图像结果可以为合格、不合格等判定性的结果，如是否为脂肪肝，也可以为百分比等级等数据性的结果，如脂肪肝占比或脂肪肝的等级(初级、中级、严重等)。
步骤S106，利用预建立的优化库的优化方式依次对图像样本集进行优化，得到每个优化方式对应的优化样本集；
通常情况下，该优化方式用以提高图像显示的清晰度等，该优化方式可以为同一种优化目的的图像处理方式，如去噪类方式或图像增强类方式；该优化方式也可以为不同优化目的的图像处理方式的组合方式，如去噪类方式的去噪方式和增强类方式中的增强方式的两两自由组合得到的优化方式。
步骤S108，从每个优化方式对应的优化样本集选择训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型；
在选取训练样本集时，一般按照预设的选取比例进行选取，如设定选取比例为60％的优化样本集作为训练样本集，该训练样本集的样本通常为普通的、非极端数据的样本，同时该样本集的样本需要包括样本的所有可能性。上述选取比例可以根据实际需求设定。此外，上述神经网络模型可以为卷积神经网络模型，也可以为模糊神经网络模型。
步骤S110，基于标准图像集计算每个优化方式对应的神经网络模型的准确率；
在上述计算的过程中，通常需要根据标准图像集和神经网络模型的实际输出的差值，进行上述神经网络模型的准确率。当上述标准图像集为人为判定的图像结果时，在确定神经网络模型的准确率时，可以将神经网络模型的输出错误的结果作为上述标准图像集和神经网络模型的实际输出的差值。
步骤S112，将准确率最高的神经网络模型对应的优化方式确定为图像采集器的最优图像优化方式，以对图像采集器采集的图像进行优化处理。
本实施例提供的图像优化方式的确定方法，通过获取同一类型的图像采集器采集目标对象得到的图像样本集和获取目标对象的标准图像集；利用预建立的优化库的优化方式依次对图像样本集进行优化，得到每个优化方式对应的优化样本集；从每个优化方式对应的优化样本集选择训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型；基于标准图像集计算每个优化方式对应的神经网络模型的准确率；将准确率最高的神经网络模型对应的优化方式确定为图像采集器的最优图像优化方式，以对图像采集器采集的图像进行优化处理。这种通过对图像采集器采集的图像样本采用不同优化方式进行优化，基于神经网络模型找出适合该图像采集器的最优图像优化方式的方式，保证了该最优图像优化方式对图像采集器的专属性和适用性，进而确保了图像采集器输出图像的高质量性。
在上述实施例提供的图像优化方式的确定方法的基础上，参考图2所示的另一种图像优化方式的确定方法的流程图，该方法包括以下步骤：
步骤S202，获取同一类型的图像采集器采集目标对象得到的图像样本集；
步骤S204，获取目标对象的标准图像集；其中，标准图像集中的图像为带有标注信息的图像；
步骤S206，如果预建立的优化库包括的优化方式为第一类优化方式，应用该第一类优化方式中的各个优化方式分别对图像样本集进行优化，得到每个优化方式对应的优化样本集；
其中，该第一类优化方式为同一优化目的的图像处理方式，如该第一类优化方式可以为去噪类优化方式或增强类优化方式；该去噪类优化方式用于去除图像中的图像噪点，该增强类优化方式用于增强图像的线条轮廓，突出目标物体的纹理。
步骤S208，从每个第一类优化方式对应的优化样本集选择训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个第一类优化方式对应的神经网络模型；
步骤S210，基于标准图像集计算每个第一类优化方式对应的神经网络模型的准确率；
步骤S212，将准确率最高的神经网络模型对应的第一类优化方式确定为图像采集器的第一类优化方式中的最优图像优化方式；
步骤S214，如果预建立的优化库包括的优化方式还包括第二类优化方式，在确定出第一类优化方式中的最优图像优化方式之后，利用第二类优化方式中的每个优化方式依次对第一类优化方式对应的优化样本集进行优化，得到新的优化样本集；
步骤S216，以新的优化样本集作为训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个第二类优化方式对应的训练好的神经网络模型；
步骤S218，基于标准图像集计算每个第二类优化方式对应的神经网络模型的准确率；
步骤S220，将准确率最高的神经网络模型对应的第二类优化方式和第一类优化方式中的最优图像优化方式组合，确定为图像采集器对应的最终图像优化方式，以对图像采集器采集的图像进行优化处理。
通常情况下，第一类优化方式为去噪方式，第二类优化方式为增强方式。上述去噪类方式(第一类优化方式)可以包括小波软阈值降噪、小波硬阈值降噪、自适应特征阈值函数降噪、广义阈值函数去噪、半软阈值的改进方法去噪、高斯低通去噪、巴特沃斯低通滤波去噪七种去噪方式。在采用去噪方式前，可以采用条件邻域平均法对图像中的噪点进行判断，进而采用上述去噪方式对判断的噪点进行去噪处理。去噪后的图像采取增强类方式(第二类优化方式)，该增强类方式可以为限制自适应对比度直方图均衡化、双直方图均衡化、等面积双直方图均衡化、最小亮度双直方图均衡化、基于曝光的字图像直方图均衡化这五种增强方式，一般情况下，对增强处理后的图像还可以进行平均灰度处理。
由上述实施例可知，当预建立的优化库中包括至少两类优化方式时，即两种及以上优化目的的处理方式时，一种实现方式可以为将不同类别的优化方式进行自由排序组合，将组合后的优化方式作为预建立的优化库中的组合优化方式，进行步骤S106～步骤S112所示的图像处理、神经网络模型训练等步骤；
另一种实现方式可以类似于步骤S206～S220所示的步骤，即优先确定第一类优化方式中的最优图像优化方式，在该第一类优化方式的最优图像优化方式的基础上，再依次确定后续类别优化方式的最优图像优化方式，最终，将所有类别的最优图像优化方式组合，得到该图像采集器的最终图像优化方式。
这种基于前一类优化方式的最优图像优化方式，确定最终图像优化方式的方法，保证了叠加组合后的最终图像优化方式是最适合图像采集器处理图像的方式。
其中，步骤S108，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型，在实现过程中，还包括以下步骤：
步骤01，从每个优化方式对应的优化样本集选择验证样本集；
通常情况下，该验证样本集是不同于上述训练样本集的，在选择验证样本集时，选取占比可以为优化样本集的20％，该占比可以根据实际需求设定。此外，该验证样本集一般也需要包括样本的所有可能性。
步骤02，应用每个训练样本集对初始神经网络模型进行训练；
步骤03，应用验证样本集对每次训练后的初始网络模型的模型参数进行校准，得到每个优化方式对应的神经网络模型。
在校准的过程中，一般是针对神经网络模型的不同卷积层的模型参数进行精调、微调。
步骤S110，基于标准图像集计算每个优化方式对应的神经网络模型的准确率可以由以下步骤实现：
步骤21，从每个优化方式对应的优化样本集选择测试样本集；
通常情况下，该测试样本集是不同于上述训练样本集和验证样本集的，在选择测试样本集时，选取占比可以为优化样本集的20％，该占比可以根据实际需求设定。此外，该测试样本集也需要包括样本的所有可能性。
步骤22，将测试样本集输入至每个优化方式对应的神经网络模型，得到该神经网络模型的输出结果；
步骤23，基于标准图像集和每个优化方式对应的输出结果，确定每个优化方式对应的神经网络模型的准确率。
在计算准确率的过程中，通常首先要计算标准图像集和输出结果之间的差值，再利用差值除以标准图像集得到上述准确率。由于测试样本集的输出结果为多个输出结果，在计算准确率时，可以将多个输出结果叠加求和后再进行准确率的计算。
该方法还包括以下步骤：
步骤31，对图像采集器采集的图像进行优化处理；
步骤32，将优化处理后的图像输入训练好的神经网络模型，得到优化处理后的图像的输出结果。
本实施例提供的图像优化方式的确定方法可以应用在任一图像采集器中，只需要利用图像采集器采集的图像进行最终图像优化方法的确定，在确定好图像采集器适用的最终图像优化方法后，图像采集器可以对后续采集的所有图像进行自行优化处理。该方法也可以应用在彩超等诊断性的图像采集器中，以对采集的诊断图像进行优化处理，进而为医务人员提供清晰的图像。
实施例二：
本实施例还提供一种图像优化方式的确定装置，参考图3所示的一种图像优化方式的确定装置的结构示意图，该装置包括：
第一获取模块302，用于获取获取同一类型的图像采集器采集目标对象得到的图像样本集；
第二获取模块304，用于获取目标对象的标准图像集；其中，标准图像集中的图像为带有标注信息的图像；
优化模块306，用于利用预建立的优化库的优化方式依次对图像样本集进行优化，得到每个优化方式对应的优化样本集；
训练模块308，用于从每个优化方式对应的优化样本集选择训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个优化方式对应的神经网络模型；
计算模块310，用于基于标准图像集计算每个优化方式对应的神经网络模型的准确率；
确定模块312，用于将准确率最高的神经网络模型对应的优化方式确定为图像采集器的最优图像优化方式，以对图像采集器采集的图像进行优化处理。
进一步的，该优化模块还用于：如果预建立的优化库包括的优化方式为第一类优化方式，应用该第一类优化方式中的各个优化方式分别对图像样本集进行优化，得到每个优化方式对应的优化样本集；其中，第一类优化方式为去噪或增强。
在上述实施例所提供的图像优化方式的确定装置的基础上，图4示出了另一种图像优化方式的确定装置的结构示意图，该装置还包括：
第二优化模块402，用于如果预建立的优化库包括的优化方式还包括第二类优化方式，在确定出第一类优化方式中的最优图像优化方式之后，利用第二类优化方式中的每个优化方式依次对第一类优化方式对应的优化样本集进行优化，得到新的优化样本集；
第二训练模块404，用于以新的优化样本集作为训练样本集，基于标准图像集和每个训练样本集对初始神经网络模型进行训练，得到每个第二类优化方式对应的训练好的神经网络模型；
第二计算模块406，用于基于标准图像集计算每个第二类优化方式对应的神经网络模型的准确率；
第二确定模块408，用于将准确率最高的神经网络模型对应的第二类优化方式和第一类优化方式中的最优图像优化方式组合，确定为图像采集器对应的最终图像优化方式，以对图像采集器采集的图像进行优化处理。
进一步的，该装置还包括：处理模块410，用于对图像采集器采集的图像进行优化处理；
输出模块412，用于将优化处理后的图像输入训练好的神经网络模型，得到优化处理后的图像的输出结果。
本发明实施例提供的图像优化方式的确定装置，与上述实施例提供的图像优化方式的确定方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供了一种服务器，该服务器包括存储器以及处理器，上述存储器用于存储支持处理器执行上述实施例一所述方法的程序，上述处理器被配置为用于执行该存储器中存储的程序。
进一步，本发明实施例还提供一种计算机存储介质，用于存储计算机程序指令，当计算机执行所示计算机程序指令时，执行如上述实施例一所述的方法。
本发明实施例所提供的图像优化方式的确定方法、装置以及系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
附图中的流程图和结构框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像优化方式的确定方法，其特征在于，所述方法包括：
获取同一类型的图像采集器采集目标对象得到的图像样本集；
获取所述目标对象的标准图像集；其中，所述标准图像集中的图像为带有标注信息的图像；
利用预建立的优化库的优化方式依次对所述图像样本集进行优化，得到每个所述优化方式对应的优化样本集；
从每个所述优化方式对应的优化样本集选择训练样本集，基于所述标准图像集和每个所述训练样本集对初始神经网络模型进行训练，得到每个所述优化方式对应的神经网络模型；
基于所述标准图像集计算每个所述优化方式对应的神经网络模型的准确率；
将准确率最高的神经网络模型对应的优化方式确定为所述图像采集器的最优图像优化方式，以对所述图像采集器采集的图像进行优化处理。
2.根据权利要求1所述的方法，其特征在于，利用预建立的优化库的优化方式依次对所述图像样本集进行优化，得到每个所述优化方式对应的优化样本集的步骤，包括：
如果预建立的优化库包括的优化方式为第一类优化方式，应用该第一类优化方式中的各个优化方式分别对所述图像样本集进行优化，得到每个所述优化方式对应的优化样本集；其中，所述第一类优化方式为去噪或增强。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
如果预建立的优化库包括的优化方式还包括第二类优化方式，在确定出所述第一类优化方式中的最优图像优化方式之后，利用所述第二类优化方式中的每个优化方式依次对所述第一类优化方式对应的优化样本集进行优化，得到新的优化样本集；
以所述新的优化样本集作为训练样本集，基于所述标准图像集和每个所述训练样本集对初始神经网络模型进行训练，得到每个所述第二类优化方式对应的训练好的神经网络模型；
基于所述标准图像集计算每个所述第二类优化方式对应的神经网络模型的准确率；
将准确率最高的神经网络模型对应的第二类优化方式和所述第一类优化方式中的最优图像优化方式组合，确定为所述图像采集器对应的最终图像优化方式，以对所述图像采集器采集的图像进行优化处理。
4.根据权利要求1所述的方法，其特征在于，基于所述标准图像集和每个所述训练样本集对初始神经网络模型进行训练，得到每个所述优化方式对应的神经网络模型的步骤还包括：
从每个所述优化方式对应的优化样本集选择验证样本集；
应用每个所述训练样本集对初始神经网络模型进行训练；
应用所述验证样本集对每次训练后的初始网络模型的模型参数进行校准，得到每个所述优化方式对应的神经网络模型。
5.根据权利要求4所述的方法，其特征在于，基于所述标准图像集计算每个所述优化方式对应的神经网络模型的准确率的步骤包括：
从每个所述优化方式对应的优化样本集选择测试样本集；
将所述测试样本集输入至每个所述优化方式对应的神经网络模型，得到该神经网络模型的输出结果；
基于所述标准图像集和每个所述优化方式对应的输出结果，确定每个所述优化方式对应的神经网络模型的准确率。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述图像采集器采集的图像进行优化处理；
将优化处理后的图像输入训练好的神经网络模型，得到优化处理后的所述图像的输出结果。
7.一种图像优化方式的确定装置，其特征在于，所述装置包括：
第一获取模块，用于获取获取同一类型的图像采集器采集目标对象得到的图像样本集；
第二获取模块，用于获取所述目标对象的标准图像集；其中，所述标准图像集中的图像为带有标注信息的图像；
优化模块，用于利用预建立的优化库的优化方式依次对所述图像样本集进行优化，得到每个所述优化方式对应的优化样本集；
训练模块，用于从每个所述优化方式对应的优化样本集选择训练样本集，基于所述标准图像集和每个所述训练样本集对初始神经网络模型进行训练，得到每个所述优化方式对应的神经网络模型；
计算模块，用于基于所述标准图像集计算每个所述优化方式对应的神经网络模型的准确率；
确定模块，用于将准确率最高的神经网络模型对应的优化方式确定为所述图像采集器的最优图像优化方式，以对所述图像采集器采集的图像进行优化处理。
8.根据权利要求7所述的装置，其特征在于，所述优化模块还用于：
如果预建立的优化库包括的优化方式为第一类优化方式，应用该第一类优化方式中的各个优化方式分别对所述图像样本集进行优化，得到每个所述优化方式对应的优化样本集；其中，所述第一类优化方式为去噪或增强。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二优化模块，用于如果预建立的优化库包括的优化方式还包括第二类优化方式，在确定出所述第一类优化方式中的最优图像优化方式之后，利用所述第二类优化方式中的每个优化方式依次对所述第一类优化方式对应的优化样本集进行优化，得到新的优化样本集；
第二训练模块，用于以所述新的优化样本集作为训练样本集，基于所述标准图像集和每个所述训练样本集对初始神经网络模型进行训练，得到每个所述第二类优化方式对应的训练好的神经网络模型；
第二计算模块，用于基于所述标准图像集计算每个所述第二类优化方式对应的神经网络模型的准确率；
第二确定模块，用于将准确率最高的神经网络模型对应的第二类优化方式和所述第一类优化方式中的最优图像优化方式组合，确定为所述图像采集器对应的最终图像优化方式，以对所述图像采集器采集的图像进行优化处理。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
处理模块，用于对所述图像采集器采集的图像进行优化处理；
输出模块，用于将优化处理后的图像输入训练好的神经网络模型，得到优化处理后的所述图像的输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910410073.0A CN110111286B (zh) | 2019-05-16 | 2019-05-16 | 图像优化方式的确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910410073.0A CN110111286B (zh) | 2019-05-16 | 2019-05-16 | 图像优化方式的确定方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110111286A true CN110111286A (zh) | 2019-08-09 |
| CN110111286B CN110111286B (zh) | 2022-02-11 |
Family
ID=67490625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910410073.0A Active CN110111286B (zh) | 2019-05-16 | 2019-05-16 | 图像优化方式的确定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111286B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115760609A (zh) * | 2022-11-14 | 2023-03-07 | 王育新 | 一种图像优化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982511A (zh) * | 2012-09-17 | 2013-03-20 | 中国人民解放军理工大学气象学院 | 一种图像智能优化处理方法 |
| CN109523482A (zh) * | 2018-11-14 | 2019-03-26 | 太原理工大学 | 一种基于深度神经网络的对含纹理退化图像的复原方法 |
| US20190108621A1 (en) * | 2017-10-04 | 2019-04-11 | Fotonation Limited | System and method for estimating optimal parameters |
-
2019
- 2019-05-16 CN CN201910410073.0A patent/CN110111286B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982511A (zh) * | 2012-09-17 | 2013-03-20 | 中国人民解放军理工大学气象学院 | 一种图像智能优化处理方法 |
| US20190108621A1 (en) * | 2017-10-04 | 2019-04-11 | Fotonation Limited | System and method for estimating optimal parameters |
| CN109523482A (zh) * | 2018-11-14 | 2019-03-26 | 太原理工大学 | 一种基于深度神经网络的对含纹理退化图像的复原方法 |
Non-Patent Citations (3)
| Title |
|---|
| MUHTAHIR O. OLOYEDE ET AL.: "Improving Face Recognition Systems Using a New Image Enhancement Technique, Hybrid Features and the Convolutional Neural Network", 《IEEE ACCESS》 * |
| 刘点: "非接触掌纹图像增强与识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 赵琦琳等: "《人工神经网络在环境科学与工程中的设计应用》", 31 March 2019 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115760609A (zh) * | 2022-11-14 | 2023-03-07 | 王育新 | 一种图像优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110111286B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Talebi et al. | Learned perceptual image enhancement | |
| Ciancio et al. | No-reference blur assessment of digital pictures based on multifeature classifiers | |
| Amirshahi et al. | Image quality assessment by comparing CNN features between images | |
| CN109214990A (zh) | 一种基于Inception模型的深度卷积神经网络图像去噪方法 | |
| CN110135325A (zh) | 基于尺度自适应网络的人群人数计数方法及系统 | |
| Zheng et al. | No-reference quality assessment for screen content images based on hybrid region features fusion | |
| Temel et al. | UNIQUE: Unsupervised image quality estimation | |
| CN112614077A (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
| CN110516716A (zh) | 基于多分支相似度网络的无参考图像质量评价方法 | |
| Gupta et al. | A novel full reference image quality index for color images | |
| Ou et al. | A novel rank learning based no-reference image quality assessment method | |
| CN111179235B (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
| CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
| CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
| CN109871845A (zh) | 证件图像提取方法及终端设备 | |
| CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| Gupta et al. | A HVS based perceptual quality estimation measure for color images | |
| CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
| CN106127729A (zh) | 一种基于梯度的图像噪声水平估计方法 | |
| WO2019152534A1 (en) | Systems and methods for image signal processor tuning | |
| CN106127234A (zh) | 基于特征字典的无参考图像质量评价方法 | |
| Liu et al. | A multiscale approach to deep blind image quality assessment | |
| Cao et al. | Debiased subjective assessment of real-world image enhancement | |
| CN110111286A (zh) | 图像优化方式的确定方法和装置 | |
| CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |