一种图像处理方法和系统技术方案

本发明专利技术公开了一种图像处理方法和系统，包括:接收待处理的图像数据；利用预设深度卷积神经网络模型对图像数据进行预处理操作，获得处理后的图像数据；输出处理后的图像数据。该技术方案，通过预设深度卷积神经网络模型对图像进行对应的预处理操作，如进行图像的还原，增强和去噪等操作，这样，不需要通过多个过滤器进行图像处理，而只通过深度卷积神经网络模型就可以实现图像处理，该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。

An image processing method and system

【技术实现步骤摘要】
一种图像处理方法和系统
本专利技术涉及深度学习
，更具体地，涉及一种图像处理方法和系统。
技术介绍
相关技术中，对于图像的预处理，如图像的分辨率放大、信号增强和去噪等，一般采用过滤器进行处理，但是，采用过滤器进行处理时，每种过滤器只能解决部分问题，这样，可能需要几十种过滤器，很难找到通用的过滤器。
技术实现思路
鉴于上述问题，本专利技术提出了一种图像处理方法和系统，其可以通过深度卷积神经网络模型对图像进行处理，而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。根据本专利技术实施例的第一方面，提供一种图像处理方法，包括：接收待处理的图像数据；利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，获得处理后的图像数据；输出所述处理后的图像数据。在一个实施例中，优选地，所述利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，包括：通过检测所述图像数据确定所需的预处理操作；利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作；或者，利用第一深度卷积神经网络模型对所述图像数据进行信号增强操作，得到信号增强图像数据；通过检测所述信号增强图像数据判断是否进行进一步的预处理操作；在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作。在一个实施例中，优选地，在接收图像数据之前，所述方法还包括：根据深度学习算法训练得到所述预设深度卷积神经网络模型。在一个实施例中，优选地，所述根据深度学习算法训练得到所述预设深度卷积神经网络模型，包括：获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括目标图像数据和输入图像数据；将所述训练样本信号集合中的输入图像数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果；根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。在一个实施例中，优选地，所述预设深度卷积神经网络模型用于进行以下任一项操作：信号去噪操作，信号增强操作和分辨率放大操作，当所述预设深度卷积神经网络模型用于进行信号去噪操作时，所述输入图像数据中叠加有所述目标图像数据和至少一个类型的高斯噪声信号；当所述预设深度卷积神经网络模型用于进行信号增强操作时，所述输入图像数据和所述目标图像数据的比特位数相同，所述输入图像数据由所述目标图像数据经部分比特位无效处理得到；当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，所述输入图像数据经由所述目标图像数据经分辨率缩小处理得到。在一个实施例中，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果，包括：计算每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据之间的信号差值；所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；在所述精度未达到精度阈值时，调整所述当前神经网络参数。在一个实施例中，优选地，所述预设深度卷积神经网络模型用于进行以下任一项操作：信号去噪操作，信号增强操作和分辨率放大操作，所述获取训练样本数据集合，包括：获取目标图像数据并保存在内存中；当所述预设深度卷积神经网络模型用于进行信号去噪操作时，获取输入图像数据，包括：获取多个回波信号和至少一个类型的高斯噪声信号并保存在内存中；从内存中分别读取各个目标图像数据、回波信号及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号和回波信号对所述目标图像数据进行叠加，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第一训练样本信号集合中；当所述预设深度卷积神经网络模型用于进行信号增强操作时，获取输入图像数据，包括：随机获取一个或多个比特位无效规则；从内存中读取各个目标图像数据，按照所述比特位无效规则对所述各个目标图像数据进行部分比特位无效处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第二训练样本信号集合中；当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，获取输入图像数据，包括：随机获取一个或多个缩小系数；从内存中读取各个目标图像数据，按照所述缩小系数对所述各个目标图像数据进行分辨率缩小处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第三训练样本信号集合中。在一个实施例中，优选地，至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和图像数据丢失噪声掩码。在一个实施例中，优选地，所述输出所述处理后的图像数据，包括：将所述处理后的图像数据存储至预定存储空间。根据本专利技术实施例的第二方面，提供一种图像处理系统，包括：一个或多个处理器；一个或多个存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行如第一方面或第一方面任一实施例中所述的方法。本专利技术实施例中，通过预设深度卷积神经网络模型对图像进行对应的预处理操作，如进行图像的去噪，信号增强和分辨率放大等操作，这样，不需要通过多个过滤器进行图像处理，而只通过深度卷积神经网络模型就可以实现图像处理，该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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是本专利技术一个实施例的图像处理方法流程图。图2是本专利技术另一个实施例的图像数据处理方法的流程图。图3是本专利技术另一个实施例的图像数据处理方法的流程图。图4是本专利技术另一个实施例的图像数据处理方法的流程图。图5是本专利技术另一个实施例的图像数据处理方法中步骤S401的流程图。图6是本专利技术一个实施例的深度学习的单层网络定义参考图。图7是本专利技术一个实施例的深度学习的单层网络定义示意图。图8是本专利技术另一个实施例的图像数据处理方法的流程图。图9是本专利技术一个实施例的图像数据处理方法中步骤S501的流程图。图10是本专利技术另一个实施例的图像数据处理方法中步骤S501的流程图。图11是本专利技术另一个实施例的图像数据处理方法中步骤S501的流程图。图12是本专利技术另一个实施例的图像数据处理方法的流程图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。在本专利技术的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：接收待处理的图像数据；利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，获得处理后的图像数据；输出所述处理后的图像数据。

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：接收待处理的图像数据；利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，获得处理后的图像数据；输出所述处理后的图像数据。2.根据权利要求1所述的图像处理方法，其特征在于，所述利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，包括：通过检测所述图像数据确定所需的预处理操作；利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作；或者，利用第一深度卷积神经网络模型对所述图像数据进行信号增强操作，得到信号增强图像数据；通过检测所述信号增强图像数据判断是否进行进一步的预处理操作；在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作。3.根据权利要求1所述的图像处理方法，其特征在于，在接收图像数据之前，所述方法还包括：根据深度学习算法训练得到所述预设深度卷积神经网络模型。4.根据权利要求3所述的图像处理方法，其特征在于，所述根据深度学习算法训练得到所述预设深度卷积神经网络模型，包括：获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括目标图像数据和输入图像数据；将所述训练样本信号集合中的输入图像数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果；根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。5.根据权利要求4所述的图像处理方法，其特征在于，所述预设深度卷积神经网络模型用于进行以下任一项操作：信号去噪操作，信号增强操作和分辨率放大操作，当所述预设深度卷积神经网络模型用于进行信号去噪操作时，所述输入图像数据中叠加有所述目标图像数据和至少一个类型的高斯噪声信号；当所述预设深度卷积神经网络模型用于进行信号增强操作时，所述输入图像数据和所述目标图像数据的比特位数相同，所述输入图像数据由所述目标图像数据经部分比特位无效处理得到；当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，所述输入图像数据经由所述目标图像数据经分辨率缩小处理得到。6.根据权利要求4所述的图像处理方法，其特征在于，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果，包括：计算每个所述训练结果信号与各自对应的训练样本信号中...

【专利技术属性】
技术研发人员：夏广武，杨建，
申请(专利权)人：上海点积实业有限公司，
类型：发明
国别省市：上海,31