CN116664431B - 一种基于人工智能的图像处理系统及方法 - Google Patents

一种基于人工智能的图像处理系统及方法 Download PDF

Info

Publication number
CN116664431B
CN116664431B CN202310624747.3A CN202310624747A CN116664431B CN 116664431 B CN116664431 B CN 116664431B CN 202310624747 A CN202310624747 A CN 202310624747A CN 116664431 B CN116664431 B CN 116664431B
Authority
CN
China
Prior art keywords
brightness
image
module
image data
neural network
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
CN202310624747.3A
Other languages
English (en)
Other versions
CN116664431A (zh
Inventor
郜香
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.)
Xinjiang Meite Intelligent Security Engineering Co ltd
Original Assignee
Xinjiang Meite Intelligent Security Engineering 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 Xinjiang Meite Intelligent Security Engineering Co ltd filed Critical Xinjiang Meite Intelligent Security Engineering Co ltd
Priority to CN202310624747.3A priority Critical patent/CN116664431B/zh
Publication of CN116664431A publication Critical patent/CN116664431A/zh
Application granted granted Critical
Publication of CN116664431B publication Critical patent/CN116664431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于人工智能的图像处理系统及方法，属于图像处理技术领域。本发明系统包括数据输入模块、预处理模块、神经网络训练模块、亮度调节模块以及图像输出模块；所述数据输入模块的输出端与所述预处理模块的输入端相连接；所述预处理模块的输出端与所述神经网络训练模块的输入端相连接；所述神经网络训练模块的输出端与所述亮度调节模块的输入端相连接；所述亮度调节模块的输出端与所述图像输出模块的输入端相连接；本发明还通过历史数据得到所需筛除图像的特征，捕捉该特征就可进行筛除，提高图像处理系统分析结果的准确性和高效性，能够根据图像的亮度等级对图像进行亮度的调节，提高图像的质量。

Description

一种基于人工智能的图像处理系统及方法
技术领域
本发明涉及图像处理技术领域，具体为一种基于人工智能的图像处理系统及方法。
背景技术
随着计算机科学技术的不断进步，图像处理技术逐渐成熟并且被广泛应用于多个领域，如视觉检测、医学图像处理、机器视觉等。一些基于人工智能技术的图像处理系统和算法也逐渐得到了广泛的关注和研究，例如图像识别、目标检测、分类等技术。这些技术的应用越来越广泛，给人们的生产和生活带来了巨大的便利。
然而，传统的图像处理方法存在一些问题，具体表现在图像处理过程中并没有筛除一些经过处理后图像质量不高的图像，影响了图像处理系统分析结果的准确性和高效性；还表现在亮度调节方面，需要人为地进行参数调节，不能根据历史图像数据来自动的调节亮度或者调节亮度的参照数据过于单一，并不能达到理想效果。
发明内容
本发明的目的在于提供一种基于人工智能的图像处理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于人工智能的图像处理方法，该方法包括以下步骤：
S1.输入待处理图像，并对其进行预处理；
S2.利用历史图像数据对神经网络模型进行训练，完成图像的亮度等级划分，并生成亮度等级对应的映射表；利用映射表将神经网络训练模型输出的预处理后的待处理图像的标签转换成亮度等级；
S3.根据历史图像数据建立亮度等级对应的亮度调节的线性方程，利用线性方程实现预处理后的待处理图像的亮度调节；
S4.将亮度调节后的图像进行输出；
步骤S1预处理为筛除图像的操作；
其中筛除图像的操作步骤如下：
a.读取历史图像数据；
b.根据历史图像数据统计分析，确定需要筛除的图像特征为第一图像特征；所述第一图像特征为需要筛除的图像中数量占比最大的图像特征；
c.获取历史图像数据的第一图像特征所对应的区间；所述区间范围为第一特征值的最小值和最大值；
d.若预处理后的待处理图像数据的第一特征值符合上述第一图像特征所对应的区间，则进行筛除；反之将预处理后的待处理图像传输至神经网络训练模块；
步骤S2包括：
S201.接收历史图像数据；
S202.将历史图像数据按照它们的亮度值分为不同的等级，并将这些等级映射到不同的标签上，用于后续的模型训练和预测；
其中，根据亮度值划分亮度等级，并将这些等级映射到不同的标签上的具体步骤如下：
i.将彩色图像转换为灰度图像，使用下列公式将每个像素的RGB值转换为灰度值：Gray＝(0.3R+0.59G+0.11B)；其中R、G、B分别代表彩色图像中像素的红色、绿色、蓝色分量的值，Gray代表输出的灰度图像的像素值；
ii.根据公式计算灰度图像的平均灰度值I0，其中Xij表示i行j列的像素点的灰度值，N＝i×j，表示图像像素点的总数；
iii.将图像的每个像素点的灰度值In，其中n＝1,2,3,...,n，与平均灰度值I0进行比较；若In<I0，则此像素点为低亮度点；若In＝I0，则像素点为中亮度点；若In>I0，则像素点为高亮度点；
iv.根据公式分别计算图像的低亮度点、中亮度点和高亮度点所占比例，通过三种亮度点所占比例进行划分亮度等级，其中M表示为低亮度点、中亮度点或高亮度点的像素点个数；
若P低的值最大，则图像为低亮度，低亮度等级映射到标签0；
若P中的值最大，则图像为中亮度，中亮度等级映射到标签1；
若P高的值最大，则图像为高亮度，高亮度等级映射到标签2；
S203.选择卷积神经网络搭建神经网络训练模型；
S204.将历史图像数据传入神经网络模型进行训练，根据损失函数对参数进行调整，优化模型性能；
S205.根据训练后的模型，将训练集中的亮度等级映射到相应的标签上，并生成亮度等级对应的映射表；
S206.将预处理后的待处理图像数据输入经过训练的模型，得到该图像的亮度标签，利用亮度等级对应的映射表，将该标签转换为相应的亮度等级。
进一步的，S3具体步骤如下：
S301.定义低亮度、中亮度和高亮度三个亮度等级及其对应的亮度值；
S302.确定新亮度值范围，将新亮度值的范围等分为三个段，分别对应三个亮度等级；
S303.对于每个亮度等级，根据历史图像数据建立一条线性方程y＝kx+b，将旧亮度值映射到新亮度值；
其中线性方程的建立步骤如下：
i.针对每个亮度等级，将历史图像数据中对应亮度等级的旧亮度值，新亮度值匹配数据取出，得到一组T个数据点，记为{(x1,y1),(x2,y2),...,(xT,yT)}；
ii.根据以下公式，计算这T个数据点的均值：根据以下公式，计算斜率k和截距b；
iii.重复上述过程，对于每个亮度等级都进行上述计算，就可得到对应亮度等级的线性方程；
S304.对于任意给定的旧亮度值，使用对应的线性方程计算出新亮度值，从而实现亮度调节的功能。
一种基于人工智能的图像处理系统，系统包括数据输入模块、预处理模块、神经网络训练模块、亮度调节模块以及图像输出模块；
数据输入模块用于接收待处理的图像数据，并将其送到预处理模块进行处理；预处理模块对输入的图像数据进行预处理；神经网络训练模块，利用历史图像数据对神经网络模型进行训练，完成图像的亮度等级划分，并生成亮度等级对应的映射表；亮度调节模块，根据映射表将神经网络训练模块输出的预处理后的待处理图像的标签转换成亮度等级，再根据亮度等级对应的线性方程对预处理后的待处理图像的亮度进行自动调节；图像输出模块用于将调节后的图像数据输出；
数据输入模块的输出端与预处理模块的输入端相连接；预处理模块的输出端与神经网络训练模块的输入端相连接；神经网络训练模块的输出端与亮度调节模块的输入端相连接；亮度调节模块的输出端与图像输出模块的输入端相连接。
进一步的，数据输入模块包括待处理图像数据以及历史图像数据，其中待处理图像数据为用户上传的图像数据，历史图像数据为神经网络模型的训练数据。
进一步的，预处理模块，是进行图像的筛除操作。
进一步的，神经网络训练模块采用卷积神经网络模型进行训练，包括输入层、卷积层、池化层、全连接层和输出层；
其中输入层是将图像转换为网络可识别的格式，并传递给下一层进行计算和处理；卷积层对图像进行特征提取和转化，减少模型参数和计算负载，从而提高模型的准确性和训练效率；池化层是对输入的特征图进行下采样，减少特征图的空间大小，从而降低数据的维度和计算量，并且可提高模型的泛化能力；全连接层将特征向量转化为一维向量，并连接到输出层，以进行最终的分类、识别或预测任务；输出层将输出最终的结果。
进一步的，亮度调节模块，根据图像的亮度等级，利用线性方程对图像亮度进行自动调节。
进一步的，图像输出模块，将调节后的图像进行输出。
与现有技术相比，本发明所达到的有益效果是：
1.更高的精度和鲁棒性：基于人工智能的图像处理方法能够通过历史图像数据得到所需筛除图像的特征，捕捉该特征就可进行筛除，提高图像处理系统分析结果的准确性和高效性。
2.更强的适应性和泛化能力：人工智能图像处理系统可以根据大量的图像数据进行训练，学习到更多的特征知识，从而能够针对不同的图像进行处理，具有更强的适应性和泛化能力。
3.更高的效率：经过训练后的人工智能模型，在实际应用中能够快速地对图像进行分析和处理，相较于传统方法具有更高的效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的图像处理系统的流程示意图；
图2是本发明一种基于人工智能的图像处理方法的步骤示意图。
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。
请参阅图1-2，本发明提供技术方案：
一种基于人工智能的图像处理方法，该方法包括以下步骤：
S1.输入待处理图像，并对其进行预处理；
S2.利用历史图像数据对神经网络模型进行训练，完成图像的亮度等级划分，并生成亮度等级对应的映射表；利用映射表将神经网络训练模型输出的预处理后的待处理图像的标签转换成亮度等级；
S3.根据历史图像数据建立亮度等级对应的亮度调节的线性方程，利用线性方程实现预处理后的待处理图像的亮度调节；
S4.将亮度调节后的图像进行输出；
步骤S1预处理为筛除图像的操作；
其中筛除图像的操作步骤如下：
a.读取历史图像数据；
b.根据历史图像数据统计分析，确定需要筛除的图像特征为第一图像特征；所述第一图像特征为需要筛除的图像中数量占比最大的图像特征；
c.获取历史图像数据的第一图像特征所对应的区间；所述区间范围为第一特征值的最小值和最大值；
d.若预处理后的待处理图像数据的第一特征值符合上述第一图像特征所对应的区间，则进行筛除；反之将预处理后的待处理图像传输至神经网络训练模块；
步骤S2包括：
S201.接收历史图像数据；
S202.将历史图像数据按照它们的亮度值分为不同的等级，并将这些等级映射到不同的标签上，用于后续的模型训练和预测；
其中，根据亮度值划分亮度等级，并将这些等级映射到不同的标签上的具体步骤如下：
i.将彩色图像转换为灰度图像，使用下列公式将每个像素的RGB值转换为灰度值：Gray＝(0.3R+0.59G+0.11B)；其中R、G、B分别代表彩色图像中像素的红色、绿色、蓝色分量的值，Gray代表输出的灰度图像的像素值；
ii.根据公式计算灰度图像的平均灰度值I0，其中Xij表示i行j列的像素点的灰度值，N＝i×j，表示图像像素点的总数；
iii.将图像的每个像素点的灰度值In，其中n＝1,2,3,...,n，与平均灰度值I0进行比较；若In<I0，则此像素点为低亮度点；若In＝I0，则像素点为中亮度点；若In>I0，则像素点为高亮度点；
iv.根据公式分别计算图像的低亮度点、中亮度点和高亮度点所占比例，通过三种亮度点所占比例进行划分亮度等级，其中M表示为低亮度点、中亮度点或高亮度点的像素点个数；
若P低的值最大，则图像为低亮度，低亮度等级映射到标签0；
若P中的值最大，则图像为中亮度，中亮度等级映射到标签1；
若P高的值最大，则图像为高亮度，高亮度等级映射到标签2；
S203.选择卷积神经网络搭建神经网络训练模型；
S204.将历史图像数据传入神经网络模型进行训练，根据损失函数对参数进行调整，优化模型性能；
S205.根据训练后的模型，将训练集中的亮度等级映射到相应的标签上，并生成亮度等级对应的映射表；
S206.将预处理后的待处理图像数据输入经过训练的模型，得到该图像的亮度标签，利用亮度等级对应的映射表，将该标签转换为相应的亮度等级。
S3具体步骤如下：
S301.定义低亮度、中亮度和高亮度三个亮度等级及其对应的亮度值；
S302.确定新亮度值范围，将新亮度值的范围等分为三个段，分别对应三个亮度等级；
S303.对于每个亮度等级，根据历史图像数据建立一条线性方程y＝kx+b，将旧亮度值映射到新亮度值；
其中线性方程的建立步骤如下：
i.针对每个亮度等级，将历史图像数据中对应亮度等级的旧亮度值，新亮度值匹配数据取出，得到一组T个数据点，记为{(x1，y1)，(x2，y2),...,(xT,yT)}；
ii.根据以下公式，计算这T个数据点的均值：根据以下公式，计算斜率k和截距b；
iii.重复上述过程，对于每个亮度等级都进行上述计算，就可得到对应亮度等级的线性方程；
S304.对于任意给定的旧亮度值，使用对应的线性方程计算出新亮度值，从而实现亮度调节的功能。
一种基于人工智能的图像处理系统，系统包括数据输入模块、预处理模块、神经网络训练模块、亮度调节模块以及图像输出模块；
数据输入模块用于接收待处理的图像数据，并将其送到预处理模块进行处理；预处理模块对输入的图像数据进行预处理；神经网络训练模块，利用历史图像数据对神经网络模型进行训练，完成图像的亮度等级划分，并生成亮度等级对应的映射表；亮度调节模块，根据映射表将神经网络训练模块输出的预处理后的待处理图像的标签转换成亮度等级，再根据亮度等级对应的线性方程对预处理后的待处理图像的亮度进行自动调节；图像输出模块用于将调节后的图像数据输出；
数据输入模块的输出端与预处理模块的输入端相连接；预处理模块的输出端与神经网络训练模块的输入端相连接；神经网络训练模块的输出端与亮度调节模块的输入端相连接；亮度调节模块的输出端与图像输出模块的输入端相连接。
数据输入模块包括待处理图像数据以及历史图像数据，其中待处理图像数据为用户上传的图像数据，历史图像数据为神经网络模型的训练数据。
预处理模块，是进行图像的筛除操作。
神经网络训练模块采用卷积神经网络模型进行训练，包括输入层、卷积层、池化层、全连接层和输出层；
其中输入层是将图像转换为网络可识别的格式，并传递给下一层进行计算和处理；卷积层对图像进行特征提取和转化，减少模型参数和计算负载，从而提高模型的准确性和训练效率；池化层是对输入的特征图进行下采样，减少特征图的空间大小，从而降低数据的维度和计算量，并且可提高模型的泛化能力；全连接层将特征向量转化为一维向量，并连接到输出层，以进行最终的分类、识别或预测任务；输出层将输出最终的结果。
亮度调节模块，根据图像的亮度等级，利用线性方程对图像亮度进行自动调节。
图像输出模块，将调节后的图像进行输出。
在本实施例中：
假设历史图像数据需要筛除的第一图像特征为对比度，则通过以下公式计算原始图像的对比度区间；
其中δ(c，d)＝|c-d|为相邻像素间的灰度差，Pδ(c,d)为相邻像素间的灰度差为δ的像素分布概率；
若预处理后的待处理图像数据的对比度符合上述筛除图像的第一图像特征值区间，则进行筛除；反之将预处理后的待处理图像传输至神经网络训练模块；
假设一张彩色图像经过灰度化得到一张2×2的灰度图，且每个像素的点的灰度值分别为I1＝25，I2＝45，I3＝70，I4＝220，根据公式得到平均灰度值I0＝90；
根据得到P低＝0.75，P中＝0，P高＝0.25，由于P低的值最大，所以图像为低亮度，低亮度等级映射到标签0；
假设历史图像数据中低亮度等级的一组6个数据点为{(10,13),(15,18),(20,23),(25,28),(60,63),(70,73)}，根据公式 可得到计算斜率k＝1，b＝3，即对应的线性函数为y＝x+3；根据此线性函数可以得到像素点新的亮度值分别为I1'＝28，I2'＝48，I3'＝73，I4'＝223，实现了亮度的调节。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的图像处理方法，其特征在于：该方法包括以下步骤：
S1.输入待处理图像，并对其进行预处理；
S2.利用历史图像数据对神经网络模型进行训练，完成图像的亮度等级划分，并生成亮度等级对应的映射表；利用映射表将神经网络训练模型输出的预处理后的待处理图像的标签转换成亮度等级；
S3.根据历史图像数据建立亮度等级对应的亮度调节的线性方程，利用线性方程实现预处理后的待处理图像的亮度调节；
S4.将亮度调节后的图像进行输出；
步骤S1预处理为筛除图像的操作；
其中筛除图像的操作步骤如下：
a.读取历史图像数据；
b.根据历史图像数据统计分析，确定需要筛除的图像特征为第一图像特征；所述第一图像特征为需要筛除的图像中数量占比最大的图像特征；
c.获取历史图像数据的第一图像特征所对应的区间；区间范围为第一特征值的最小值和最大值；
d.若预处理后的待处理图像数据的第一特征值符合上述第一图像特征所对应的区间，则进行筛除；反之将预处理后的待处理图像传输至神经网络训练模块；
步骤S2包括：
S201.接收历史图像数据；
S202.将历史图像数据按照它们的亮度值分为不同的等级，并将这些等级映射到不同的标签上，用于后续的模型训练和预测；
其中，根据亮度值划分亮度等级，并将这些等级映射到不同的标签上的具体步骤如下：
i.将彩色图像转换为灰度图像，使用下列公式将每个像素的RGB值转换为灰度值：Gray＝(0.3R+0.59G+0.11B)；其中R、G、B分别代表彩色图像中像素的红色、绿色、蓝色分量的值，Gray代表输出的灰度图像的像素值；
ii.根据公式计算灰度图像的平均灰度值I0，其中Xij表示i行j列的像素点的灰度值，N＝i×j，表示图像像素点的总数；
iii.将图像的每个像素点的灰度值In，其中n＝1,2,3,...,n，与平均灰度值I0进行比较；若In<I0，则此像素点为低亮度点；若In＝I0，则像素点为中亮度点；若In>I0，则像素点为高亮度点；
iv.根据公式分别计算图像的低亮度点、中亮度点和高亮度点所占比例，通过三种亮度点所占比例进行划分亮度等级，其中M表示为低亮度点、中亮度点或高亮度点的像素点个数；
若P低的值最大，则图像为低亮度，低亮度等级映射到标签0；
若P中的值最大，则图像为中亮度，中亮度等级映射到标签1；
若P高的值最大，则图像为高亮度，高亮度等级映射到标签2；
S203.选择卷积神经网络搭建神经网络训练模型；
S204.将历史图像数据传入神经网络模型进行训练，根据损失函数对参数进行调整，优化模型性能；
S205.根据训练后的模型，将训练集中的亮度等级映射到相应的标签上，并生成亮度等级对应的映射表；
S206.将预处理后的待处理图像数据输入经过训练的模型，得到该图像的亮度标签，利用亮度等级对应的映射表，将该标签转换为相应的亮度等级。
2.根据权利要求1所述的一种基于人工智能的图像处理方法，其特征在于：所述S3具体步骤如下：
S301.定义低亮度、中亮度和高亮度三个亮度等级及其对应的亮度值；
S302.确定新亮度值范围，将新亮度值的范围等分为三个段，分别对应三个亮度等级；
S303.对于每个亮度等级，根据历史图像数据建立一条线性方程y＝kx+b，将旧亮度值映射到新亮度值；
其中线性方程的建立步骤如下：
i.针对每个亮度等级，将历史图像数据中对应亮度等级的旧亮度值，新亮度值匹配数据取出，得到一组T个数据点，记为{(x1,y1),(x2,y2),...,(xT,yT)}；
ii.根据以下公式，计算这T个数据点的均值：根据以下公式，计算斜率k和截距b；
iii.重复上述过程，对于每个亮度等级都进行上述计算，就可得到对应亮度等级的线性方程；
S304.对于任意给定的旧亮度值，使用对应的线性方程计算出新亮度值，从而实现亮度调节的功能。
3.一种基于人工智能的图像处理系统，所述系统应用权利要求1-2中任一项所述的一种基于人工智能的图像处理方法，其特征在于，系统包括数据输入模块、预处理模块、神经网络训练模块、亮度调节模块以及图像输出模块；
所述数据输入模块用于接收待处理的图像数据，并将其送到预处理模块进行处理；所述预处理模块对输入的图像数据进行预处理；所述神经网络训练模块，利用历史图像数据对神经网络模型进行训练，完成图像的亮度等级划分，并生成亮度等级对应的映射表；所述亮度调节模块，根据映射表将神经网络训练模块输出的预处理后的待处理图像的标签转换成亮度等级，再根据亮度等级对应的线性方程对预处理后的待处理图像的亮度进行自动调节；所述图像输出模块用于将调节后的图像数据输出；
所述数据输入模块的输出端与所述预处理模块的输入端相连接；所述预处理模块的输出端与所述神经网络训练模块的输入端相连接；所述神经网络训练模块的输出端与所述亮度调节模块的输入端相连接；所述亮度调节模块的输出端与所述图像输出模块的输入端相连接。
4.根据权利要求3所述的一种基于人工智能的图像处理系统，其特征在于：所述数据输入模块包括待处理图像数据以及历史图像数据，其中待处理图像数据为用户上传的图像数据，历史图像数据为神经网络模型的训练数据。
5.根据权利要求3所述的一种基于人工智能的图像处理系统，其特征在于：所述预处理模块，是进行图像的筛除操作。
6.根据权利要求3所述的一种基于人工智能的图像处理系统，其特征在于：所述神经网络训练模块采用卷积神经网络模型进行训练，包括输入层、卷积层、池化层、全连接层和输出层；
其中输入层是将图像转换为网络可识别的格式，并传递给下一层进行计算和处理；卷积层对图像进行特征提取和转化，减少模型参数和计算负载，从而提高模型的准确性和训练效率；池化层是对输入的特征图进行下采样，减少特征图的空间大小，从而降低数据的维度和计算量，并且可提高模型的泛化能力；全连接层将特征向量转化为一维向量，并连接到输出层，以进行最终的分类、识别或预测任务；输出层将输出最终的结果。
7.根据权利要求3所述的一种基于人工智能的图像处理系统，其特征在于：所述亮度调节模块，根据图像的亮度等级，利用线性方程对图像亮度进行自动调节。
8.根据权利要求3所述的一种基于人工智能的图像处理系统，其特征在于：所述图像输出模块，将调节后的图像进行输出。
CN202310624747.3A 2023-05-30 2023-05-30 一种基于人工智能的图像处理系统及方法 Active CN116664431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310624747.3A CN116664431B (zh) 2023-05-30 2023-05-30 一种基于人工智能的图像处理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310624747.3A CN116664431B (zh) 2023-05-30 2023-05-30 一种基于人工智能的图像处理系统及方法

Publications (2)

Publication Number Publication Date
CN116664431A CN116664431A (zh) 2023-08-29
CN116664431B true CN116664431B (zh) 2024-04-12

Family

ID=87725510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310624747.3A Active CN116664431B (zh) 2023-05-30 2023-05-30 一种基于人工智能的图像处理系统及方法

Country Status (1)

Country Link
CN (1) CN116664431B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117781661B (zh) * 2024-02-27 2024-05-14 广东金湾高景太阳能科技有限公司 一种基于d-lka网络模型的硅片烘干改善方法及其装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107680076A (zh) * 2017-08-23 2018-02-09 天津大学 基于显著性区域的立体图像舒适度对比度范围测量方法
CN109685746A (zh) * 2019-01-04 2019-04-26 Oppo广东移动通信有限公司 图像亮度调整方法、装置、存储介质及终端
CN109740576A (zh) * 2019-01-31 2019-05-10 交通运输部天津水运工程科学研究所 一种监管公路临时占地利用与恢复的卫星遥感方法
CN111881917A (zh) * 2020-06-30 2020-11-03 浙江大华技术股份有限公司 图像预处理方法、装置、计算机设备和可读存储介质
CN112634253A (zh) * 2020-12-30 2021-04-09 南京理工大学 基于深度学习的全息粒子检测方法
CN112738413A (zh) * 2021-04-02 2021-04-30 杭州宇泛智能科技有限公司 一种基于tof的人像区域亮度自动调节方法
CN113343791A (zh) * 2021-05-21 2021-09-03 浙江邦业科技股份有限公司 基于卷积神经网络的窑头看火视频亮度识别方法及装置
CN114096994A (zh) * 2020-05-29 2022-02-25 北京小米移动软件有限公司南京分公司 图像对齐方法及装置、电子设备、存储介质
CN114119431A (zh) * 2021-11-09 2022-03-01 深圳Tcl新技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114242266A (zh) * 2021-11-18 2022-03-25 中山大学中山眼科中心 基于远程获取眼底影像的图像传输方法
CN114648463A (zh) * 2022-03-30 2022-06-21 康泰医学系统（秦皇岛）股份有限公司 一种灰度图像动态范围调整方法、装置、设备及介质
CN114972124A (zh) * 2022-07-29 2022-08-30 自然资源部第三地理信息制图院 一种遥感图像亮度自适应均衡方法及系统
CN115206248A (zh) * 2022-07-19 2022-10-18 湖南锐思华创科技有限公司 显示亮度调节方法、计算机存储介质及平视显示器
CN115719499A (zh) * 2022-11-21 2023-02-28 威海华菱光电股份有限公司 红外光源调节方法、装置以及非易失性存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112804943B (zh) * 2018-10-03 2023-09-26 株式会社岛津制作所 学习完成模型的制作方法、亮度调整方法以及图像处理装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107680076A (zh) * 2017-08-23 2018-02-09 天津大学 基于显著性区域的立体图像舒适度对比度范围测量方法
CN109685746A (zh) * 2019-01-04 2019-04-26 Oppo广东移动通信有限公司 图像亮度调整方法、装置、存储介质及终端
CN109740576A (zh) * 2019-01-31 2019-05-10 交通运输部天津水运工程科学研究所 一种监管公路临时占地利用与恢复的卫星遥感方法
CN114096994A (zh) * 2020-05-29 2022-02-25 北京小米移动软件有限公司南京分公司 图像对齐方法及装置、电子设备、存储介质
CN111881917A (zh) * 2020-06-30 2020-11-03 浙江大华技术股份有限公司 图像预处理方法、装置、计算机设备和可读存储介质
CN112634253A (zh) * 2020-12-30 2021-04-09 南京理工大学 基于深度学习的全息粒子检测方法
CN112738413A (zh) * 2021-04-02 2021-04-30 杭州宇泛智能科技有限公司 一种基于tof的人像区域亮度自动调节方法
CN113343791A (zh) * 2021-05-21 2021-09-03 浙江邦业科技股份有限公司 基于卷积神经网络的窑头看火视频亮度识别方法及装置
CN114119431A (zh) * 2021-11-09 2022-03-01 深圳Tcl新技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114242266A (zh) * 2021-11-18 2022-03-25 中山大学中山眼科中心 基于远程获取眼底影像的图像传输方法
CN114648463A (zh) * 2022-03-30 2022-06-21 康泰医学系统（秦皇岛）股份有限公司 一种灰度图像动态范围调整方法、装置、设备及介质
CN115206248A (zh) * 2022-07-19 2022-10-18 湖南锐思华创科技有限公司 显示亮度调节方法、计算机存储介质及平视显示器
CN114972124A (zh) * 2022-07-29 2022-08-30 自然资源部第三地理信息制图院 一种遥感图像亮度自适应均衡方法及系统
CN115719499A (zh) * 2022-11-21 2023-02-28 威海华菱光电股份有限公司 红外光源调节方法、装置以及非易失性存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CNN-BASED DETECTION OF GENERIC CONTRAST ADJUSTMENT WITH JPEG POST-PROCESSING;M.Barni等;《arXiv》;1-5 *
基于模糊神经网络的公路隧道照明控制系统研究;秦慧芳等;《隧道建设》;第37卷;115-120 *

Also Published As

Publication number Publication date
CN116664431A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN116664431B (zh) 一种基于人工智能的图像处理系统及方法
CN106960176B (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN110648310A (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN113963041A (zh) 一种图像纹理识别方法及系统
CN115457004A (zh) 基于计算机视觉的锌膏的智能检测方法
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及系统
CN106960196B (zh) 基于模板匹配和svm的工业视频小数字识别方法
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN111340727B (zh) 一种基于gbr图像的异常流量检测方法
CN113947570A (zh) 一种基于机器学习算法和计算机视觉的裂纹辨识方法
CN116703932A (zh) 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法
CN109902751B (zh) 融合卷积神经网络和半字模板匹配的表盘数字字符识别法
CN114387454A (zh) 一种基于区域筛选模块和多层次对比的自监督预训练方法
CN113269725A (zh) 一种基于成像技术和深度学习的煤矸石快速检测方法
CN114926420B (zh) 一种基于跨级特征增强的目标馕的识别及计数方法
CN116259008A (zh) 一种基于计算机视觉的水位实时监测方法
CN116543338A (zh) 一种基于注视目标估计的学生课堂行为检测方法
CN110766655A (zh) 一种基于丰度的高光谱图像显著性分析方法
CN108734158B (zh) 一种实时列车车号识别方法及装置
CN113160166B (zh) 通过卷积神经网络模型进行医学影像数据挖掘工作方法
CN113255847B (zh) 一种基于生成对抗网络的轮胎磨损程度预测方法
CN115909312A (zh) 一种基于深度学习的板坯号实时检测与识别方法
CN113034403B (zh) 医学影像数据通过高斯滤波进行降噪的工作方法

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
TA01 Transfer of patent application right

Effective date of registration: 20240304

Address after: Room 7-1-7-8, 7th Floor, State owned Assets Building, No.1339 Hengshun Street, Xiwu Lane, Changchun South Road, High tech Zone (New City District), Urumqi City, Xinjiang Uygur Autonomous Region, 830011

Applicant after: XINJIANG MEITE INTELLIGENT SECURITY ENGINEERING Co.,Ltd.

Country or region after: China

Address before: Room 7B, Jinshi Building, Shishan Road, High tech Zone, Suzhou City, Jiangsu Province, 215011, 021

Applicant before: Digital chip (Suzhou) Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant