一种图像增强方法和系统技术方案

本申请实施例公开了一种图像增强方法。所述方法包括：获取原始图像；对所述原始图像进行分解，得到所述原始图像的多个分解系数；利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。

An Image Enhancement Method and System

The embodiment of this application discloses an image enhancement method. The method includes: obtaining the original image; decomposing the original image to obtain multiple decomposition coefficients of the original image; enhancing at least one of the decomposition coefficients by using machine learning model to obtain at least one enhancement coefficient; reconstructing multiple decomposition coefficients including at least one enhancement coefficient to obtain the corresponding original image. Enhanced image.

【技术实现步骤摘要】
一种图像增强方法和系统
本申请涉及图像处理领域，特别涉及一种图像增强方法和系统。
技术介绍
随着图像信息处理技术的快速发展，图像增强技术在生物医学工程、航天和航空技术、通信工程等领域得到了广泛的应用。在图像增强处理过程中，通常采用多分辨率分析方法进行图像的分解处理。常用的增强方法包括高斯-拉普拉斯金字塔分解、小波分解等。但是上述方法都是通过设计一些公式和参数来分别调节每个分解层的系数，最后重构为增强后的图像，这些调节参数非常繁多，需要调节的分解层也是非常的多，并且参数调节方面都是人工调节，处理过程复杂并且繁琐。因此，有必要提出一种图像增强方法，降低处理复杂度并提高处理效率。
技术实现思路
本申请实施例之一提供一种图像增强方法。所述方法包括：获取原始图像；对所述原始图像进行分解，得到所述原始图像的多个分解系数；利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。在一些实施例中，所述机器学习模型为系数增强模型；所述系数增强模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本对；其中，样本对包括样本图像和所述样本图像对应的增强图像；利用所述训练集对初始模型进行训练，获得系数增强模型。在一些实施例中，所述获取训练集还包括：对所述样本图像和与其对应的增强图像分别进行分解，得到所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数；将所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数作为所述训练集中的一个样本对。在一些实施例中，所述样本图像对应的增强图像通过对所述样本图像进行增强处理得到，所述增强处理包括：直方图均衡化方法、伽马变换方法、指数图像增强方法、对数图像增强方法中的一种或多种组合的处理。在一些实施例中，所述机器学习模型为深度学习模型。在一些实施例中，所述对所述原始图像进行分解，得到所述原始图像的多个分解系数，还包括：采用多分辨率分析方法对所述原始图像进行分解，得到所述原始图像的多个分解系数。在一些实施例中，所述多分辨率分析方法包括：高斯-拉普拉斯金字塔分解方法或小波分解方法。本申请实施例之一提供一种图像增强系统。所述系统包括：获取模块，用于获取原始图像；分解模块，用于对所述原始图像进行分解，得到所述原始图像的多个分解系数；增强模块，用于利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；重构模块，用于将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。在一些实施例中，所述机器学习模型为系数增强模型；所述系统进一步包括训练模块；所述训练模块用于获取训练集，所述训练集中包括样本对；其中，样本对包括多个样本图像和所述样本图像对应的增强图像；以及用于利用所述训练集对初始模型进行训练，获得系数增强模型。在一些实施例中，所述训练模块还用于对所述样本图像和与其对应的增强图像分别进行分解，得到所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数；将所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数作为所述训练集中的一个样本对。在一些实施例中，所述样本图像对应的增强图像通过对所述样本图像进行增强处理得到，所述增强处理包括直方图均衡化方法、伽马变换方法、指数图像增强方法、对数图像增强方法中的一种或多种组合的处理。在一些实施例中，所述机器学习模型为深度学习模型。在一些实施例中，所述分解模块还用于采用多分辨率分析方法对所述原始图像进行分解，得到所述原始图像的多个分解系数。在一些实施例中，所述多分辨率分析方法包括：高斯-拉普拉斯金字塔分解方法或小波分解方法。本申请实施例之一提供一种图像增强装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以执行图像增强方法。本申请实施例之一提供一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，执行图像增强方法。附图说明本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1所示为根据本申请一些实施例所示的图像增强系统100的应用场景示意图；图2是根据本申请一些实施例所示的图像增强系统的模块图；图3是根据本申请一些实施例所示的图像增强方法的示例性流程图；图4为根据本申请一些实施例所示的获取训练集的方法的示例性流程图；图5根据本申请一些实施例所示的获取训练集的方法的示例性流程图；图6是根据本申请一些实施例所示的高斯-金字塔分解方法的示意图；图7是根据本申请一些实施例所示的小波分解方法的示意图。具体实施方式为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。图1所示为根据本申请一些实施例所示的图像增强系统100的应用场景示意图。例如，图像增强系统100可以是用于进行图像增强处理的平台。在一些实施例中，该图像增强系统100可以用于医学诊断中的图像增强处理，例如，红细胞、白细胞分类诊断，染色体分析，癌细胞识别诊断，骨关节与软组织病变诊断，脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水诊断，腰椎椎间盘后突、原发性肝癌诊断等。在一些实施例中，该图像增强系统100也可以用于医学诊断中的图像增强处理以外的场景，例如，遥感领域的自然灾害预测预报、环境污染监测、气象卫星云图处理、地面军事目标的识别、安防系统中的图像识别等。图像增强系统100可以包括服务器110、网络120、存储设备130、一个或一个以上图像采集终端140。服务器110可以包括处理引擎112。在一些实施例中，服务器110可以是一个单个的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，本文档来自技高网...

【技术保护点】
1.一种图像增强方法，其特征在于，所述方法包括：获取原始图像；对所述原始图像进行分解，得到所述原始图像的多个分解系数；利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。

【技术特征摘要】
1.一种图像增强方法，其特征在于，所述方法包括：获取原始图像；对所述原始图像进行分解，得到所述原始图像的多个分解系数；利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。2.如权利要求1所述的方法，其特征在于，所述机器学习模型为系数增强模型；所述系数增强模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本对；其中，样本对包括样本图像和所述样本图像对应的增强图像；利用所述训练集对初始模型进行训练，获得系数增强模型。3.如权利要求2所述的方法，其特征在于，所述获取训练集还包括：对所述样本图像和与其对应的增强图像分别进行分解，得到所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数；将所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数作为所述训练集中的一个样本对。4.如权利要求2所述的方法，其特征在于，所述样本图像对应的增强图像通过对所述样本图像进行增强处理得到，所述增强处理包括：直方图均衡化方法、伽马变换方法、指数图像增强方法、对数图像增强方法中的一种或多种组合的处理。5.如权利要求1所述的方法，其特征在于，所述机器学习模型为深度学习模型。6.如权利要求1所述的方法，其特征在于，所述对所述原始图像进行分解，得到所述原始图像的多个分解系数，还包括：采用多分辨率分析方法对所述原始图像进行分解，得到所述原始图像的多个分解系数。7.如权利要求6所述的方法，其特征在于，所述多分辨率分析方法包括：高斯-拉普拉斯金字塔分解方法或小波分解方法。8.一种图像增强系统，其特征在于，所述系统包括：获取模块，用于获取原始图像；分解模块，用于对所述原始图像进行分解，得到所述原始图像的多个分解系数；增强模块，用于利用机器学习模型对所述多个分解系数中的至少...

【专利技术属性】
技术研发人员：周海华，冯娟，杨乐，张娜，马艳歌，
申请(专利权)人：上海联影医疗科技有限公司，
类型：发明
国别省市：上海,31