CN111507911A - 一种基于深度学习的图像质量处理方法 - Google Patents

一种基于深度学习的图像质量处理方法 Download PDF

Info

Publication number
CN111507911A
CN111507911A CN202010254607.8A CN202010254607A CN111507911A CN 111507911 A CN111507911 A CN 111507911A CN 202010254607 A CN202010254607 A CN 202010254607A CN 111507911 A CN111507911 A CN 111507911A
Authority
CN
China
Prior art keywords
image
picture
image processing
pictures
deep learning
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
Application number
CN202010254607.8A
Other languages
English (en)
Inventor
吴开钢
詹启军
林榕
郑广平
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.)
Guangdong Unionman Technology Co Ltd
Original Assignee
Guangdong Unionman Technology Co Ltd
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 Guangdong Unionman Technology Co Ltd filed Critical Guangdong Unionman Technology Co Ltd
Priority to CN202010254607.8A priority Critical patent/CN111507911A/zh
Publication of CN111507911A publication Critical patent/CN111507911A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理方法技术领域，尤其涉及一种基于深度学习的图像质量处理方法，包括场景模式识别步骤和优化图像处理步骤。本发明的发明目的在于提供一种基于深度学习的图像质量处理方法，采用本发明提供的技术方案解决了现有图像处理技术存在无法匹配与图像场景相对应的处理方式的技术问题。

Description

一种基于深度学习的图像质量处理方法
技术领域
本发明涉及图像处理方法技术领域，尤其涉及一种基于深度学习的图像质量处理方法。
技术背景
图像处理技术是用计算机对图像信息进行处理的技术，包括以下处理方式：图像去雾，处理雾天条件下拍摄的图片，还原被掩盖的细节；图像对比度增强，调整过暗或过亮的图像的对比度，使图像色彩分明；图像修复，去除图片中不需要的遮挡物，用背景内容填充受损区域；图像无损放大，一定倍数上放大图像，保持图像质量无损；拉伸图像恢复，恢复过度拉伸的图像成正常比例，等等。
图像处理过程中，需先识别图像的拍摄场景，再使用相应的图像处理技术，优化相应场景的图像处理质量。由于计算机软件无法自动识别图像的拍摄场景，从而不知道采取何种图像处理技术，需要手动选择处理方式；基于数学公式的算法需要设置特定参数，固定的参数只是折中适合大部分场景，并不是最优解。
发明内容
本发明的发明目的在于提供一种基于深度学习的图像质量处理方法，采用本发明提供的技术方案解决了现有图像处理技术存在无法匹配与图像场景相对应的处理方式的技术问题。
为了解决上述技术问题，本发明提供一种基于深度学习的图像质量处理方法，包括场景模式识别步骤和优化图像处理步骤；
所述场景模式识别步骤包括：
A100、提供深度学习所需要的、且不同场景的样本图像；
A200、通过深度学习获取所述样本图像的图像特征以及对应的图像处理技术；
A300、将不同场景的图像特征和对应的图像处理技术进行分类保存作为比较数据；
所述优化图像处理步骤包括：
B100、获取待处理图像；
B200、提取待处理图像的特征；
B300、将步骤B200提取的特征与步骤A300中保存的图像特征比较，并根据比较结果选择相应的图像处理技术。
优选的，在步骤A100中，不同场景的样本图像包括雾天的图片、过暗或过亮的照片、拉伸受损的图片、需要放大的图片以及需要修复的图片。
优选的，对于雾天的图片，对应的图像处理技术为还原被掩盖的细节；
对于过暗或过亮的图片，对应的图像处理技术为调整图片的对比度；
对于拉伸受损的图片，对应的图像处理技术为恢复过度拉伸的图像成正常比例；
对于需要修复的图片，对应的图像处理技术为去除图片中不需要的遮挡物，用背景内容填充受损区域；
对于需要放大的图片，对应的图像处理技术为在无损倍数上放大图像。
优选的，在步骤A200中，深度学习采用的模型为卷积神经网络模型、多层感知机模型、深度神经网络模型或递归神经网络模型。
优选的，在步骤B100中，从视频源或者图像源解析得到待处理图像。
优选的，在步骤B300中，包括以下步骤：
B301、选取步骤A300中图像特征属于同类的图片；
B302、选取步骤B301中不同程度的图片和处理后的结果图片作为训练样本；
B303、提取处理后的图片的参数和训练的数据，并对比；
B304、若不符合要求则重新调整算法的相应参数；直至符合要求。
由上可知，应用本发明提供的可以得到以下有益效果：能够自动识别图像的拍摄场景，判断使用的图像处理方法；图像处理结果的反馈优化方法，对单独场景提供近似最优解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对本发明实施例或现有技术的描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中场景识别流程图；
图2为本发明实施例中优化图像处理算法流程图。
具体实施方式
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，所描述的实施例仅仅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。
图像处理过程中，需先识别图像的拍摄场景，再使用相应的图像处理技术，由于计算机软件无法自动识别图像的拍摄场景，从而不知道采取何种图像处理技术，需要手动选择处理方式；基于数学公式的算法需要设置特定参数，固定的参数只是折中适合大部分场景，并不是最优解。
为了解决上述技术问题，本实施例提供一种基于深度学习的图像质量处理方法，包括场景模式识别步骤和优化图像处理步骤。
场景模式识别步骤包括：
A100、提供深度学习所需要的、且不同场景的样本图像。
在该步骤中，提供大量供深度学习所需要的样本图片，比如雾天的图片，过暗的照片，过亮的照片，拉伸受损的图片以及需要修复的图片等等。
A200、通过深度学习获取样本图像的图像特征以及对应的图像处理技术。
对于雾天的图片，对应的图像处理技术为还原被掩盖的细节；
对于过暗或过亮的图片，对应的图像处理技术为调整图片的对比度；
对于拉伸受损的图片，对应的图像处理技术为恢复过度拉伸的图像成正常比例；
对于需要修复的图片，对应的图像处理技术为去除图片中不需要的遮挡物，用背景内容填充受损区域；
对于需要放大的图片，对应的图像处理技术为在无损倍数上放大图像。
深度学习技术是学习样本数据的内在规律和表示层，是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程，最终目标是让机器能够像人一样具有分析学习能力。
在本发明实施例中，深度学习采用的模型为卷积神经网络模型、多层感知机模型、深度神经网络模型或递归神经网络模型。
A300、将不同场景的图像特征和对应的图像处理技术进行分类保存作为比较数据；
优化图像处理步骤包括：
B100、获取待处理图像；
从视频源或者图像源解析得到待处理图像。
B200、提取待处理图像的特征。
该步骤通过深度学习获取和分类所需要的不同场景的图片特征，保存作为比较数据。
B300、将步骤B200提取的特征与步骤A300中保存的图像特征比较，从而判断图像的场景类型，并根据比较结果选择相应的图像处理技术。
在步骤B300中，包括以下步骤：
B301、选取步骤A300中图像特征属于同类的图片；
B302、选取步骤B301中不同程度的图片和处理后的结果图片作为训练样本；
B303、提取处理后的图片的参数和训练的数据，并对比；
B304、若不符合要求则重新调整算法的相应参数；直至符合要求。
综上，采用本发明实施例提供的技术方案，自动识别图像的拍摄场景，判断使用的图像处理方法；图像处理结果的反馈优化方法，对单独场景提供近似最优解。
以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (6)

1.一种基于深度学习的图像质量处理方法，其特征在于：包括场景模式识别步骤和优化图像处理步骤；
所述场景模式识别步骤包括：
A100、提供深度学习所需要的、且不同场景的样本图像；
A200、通过深度学习获取所述样本图像的图像特征以及对应的图像处理技术；
A300、将不同场景的图像特征和对应的图像处理技术进行分类保存作为比较数据；
所述优化图像处理步骤包括：
B100、获取待处理图像；
B200、提取待处理图像的特征；
B300、将步骤B200提取的特征与步骤A300中保存的图像特征比较，并根据比较结果选择相应的图像处理技术。
2.根据权利要求1所述的图像质量处理方法，其特征在于：在步骤A100中，不同场景的样本图像包括雾天的图片、过暗或过亮的照片、拉伸受损的图片、需要放大的图片以及需要修复的图片。
3.根据权利要求2所述的图像质量处理方法，其特征在于：
对于雾天的图片，对应的图像处理技术为还原被掩盖的细节；
对于过暗或过亮的图片，对应的图像处理技术为调整图片的对比度；
对于拉伸受损的图片，对应的图像处理技术为恢复过度拉伸的图像成正常比例；
对于需要修复的图片，对应的图像处理技术为去除图片中不需要的遮挡物，用背景内容填充受损区域；
对于需要放大的图片，对应的图像处理技术为在无损倍数上放大图像。
4.根据权利要求3所述的图像质量处理方法，其特征在于：在步骤A200中，深度学习采用的模型为卷积神经网络模型、多层感知机模型、深度神经网络模型或递归神经网络模型。
5.根据权利要求4所述的图像质量处理方法，其特征在于：在步骤B100中，从视频源或者图像源解析得到待处理图像。
6.根据权利要求5所述的图像质量处理方法，其特征在于：在步骤B300中，包括以下步骤：
B301、选取步骤A300中图像特征属于同类的图片；
B302、选取步骤B301中不同程度的图片和处理后的结果图片作为训练样本；
B303、提取处理后的图片的参数和训练的数据，并对比；
B304、若不符合要求则重新调整算法的相应参数；直至符合要求。
CN202010254607.8A 2020-04-02 2020-04-02 一种基于深度学习的图像质量处理方法 Pending CN111507911A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010254607.8A CN111507911A (zh) 2020-04-02 2020-04-02 一种基于深度学习的图像质量处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010254607.8A CN111507911A (zh) 2020-04-02 2020-04-02 一种基于深度学习的图像质量处理方法

Publications (1)

Publication Number Publication Date
CN111507911A true CN111507911A (zh) 2020-08-07

Family

ID=71875938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010254607.8A Pending CN111507911A (zh) 2020-04-02 2020-04-02 一种基于深度学习的图像质量处理方法

Country Status (1)

Country Link
CN (1) CN111507911A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160293138A1 (en) * 2014-10-11 2016-10-06 Boe Technology Group Co., Ltd. Image processing method, image processing apparatus and display device
CN108665415A (zh) * 2017-03-27 2018-10-16 纵目科技（上海）股份有限公司 基于深度学习的图像质量提升方法及其装置
CN109064431A (zh) * 2018-08-23 2018-12-21 腾讯数码（天津）有限公司 一种图片亮度调节方法、设备及其存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160293138A1 (en) * 2014-10-11 2016-10-06 Boe Technology Group Co., Ltd. Image processing method, image processing apparatus and display device
CN108665415A (zh) * 2017-03-27 2018-10-16 纵目科技（上海）股份有限公司 基于深度学习的图像质量提升方法及其装置
CN109064431A (zh) * 2018-08-23 2018-12-21 腾讯数码（天津）有限公司 一种图片亮度调节方法、设备及其存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁中豪等: "基于交通场景区域增强的单幅图像去雾方法", 《计算机应用》 *

Similar Documents

Publication Publication Date Title
CN111292264B (zh) 一种基于深度学习的图像高动态范围重建方法
CN111047522B (zh) 一种基于边缘生成的图像修复方法
CN109543548A (zh) 一种人脸识别方法、装置及存储介质
CN109472193A (zh) 人脸检测方法及装置
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN109509188B (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN112633221B (zh) 一种人脸方向的检测方法及相关装置
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
US20190272627A1 (en) Automatically generating image datasets for use in image recognition and detection
CN105678245A (zh) 一种基于哈尔特征的靶位识别方法
CN112307937A (zh) 一种基于深度学习的身份证质检方法及系统
CN114648714A (zh) 一种基于yolo的车间规范行为的监测方法
CN111815528A (zh) 基于卷积模型和特征融合的恶劣天气图像分类增强方法
Mai et al. Back propagation neural network dehazing
CN111369477A (zh) 一种针对视频恢复任务的预分析和工具自适应的方法
CN114299573A (zh) 视频处理方法、装置、电子设备及存储介质
CN113628143A (zh) 一种基于多尺度卷积的加权融合图像去雾方法及装置
CN111310899B (zh) 基于共生关系和小样本学习的电力缺陷识别方法
CN117237736A (zh) 一种基于机器视觉和深度学习的大曲质量检测方法
CN116612355A (zh) 人脸伪造识别模型训练方法和装置、人脸识别方法和装置
CN114821174B (zh) 一种基于内容感知的输电线路航拍图像数据清洗方法
CN111507911A (zh) 一种基于深度学习的图像质量处理方法
CN113674230B (zh) 一种室内逆光人脸关键点的检测方法及装置
CN116109510A (zh) 一种基于结构和纹理对偶生成的人脸图像修复方法
CN113256541B (zh) 利用机器学习对钻井平台监控画面进行去水雾的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200807

RJ01 Rejection of invention patent application after publication