一种基于机器学习的图像处理方法技术

本发明专利技术公开了一种基于机器学习的图像处理方法，包括如下步骤：提取出要处理的训练图像的特征；接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到；将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个图像处理模型；接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的图像处理模型中得到该目标图像所对应的图像处理方法；使用该目标图像的图像处理方法对该目标图像进行图像处理；输出图像处理后的图案。本发明专利技术使得用户对图像进行录入，通过识别图像的特征在图像处理模型得到该图像的图像处理方法，最终得到从中提取出的图案。

【技术实现步骤摘要】
一种基于机器学习的图像处理方法
本专利技术涉及图像处理领域，特别涉及一种基于机器学习的图像处理方法。
技术介绍
在图像处理的技术中，其中有一项就是要将图像中特定的图案提取出来，通常，在提取的时候，对于不同特点的图像，都会有特定适合的提取方法，这样才能使得将图案完整无失真的被提取出来，但是在用户准备对图像进行处理的时候，无法直观的从图像的外表中看出图像的特点，而如果放在单一处理功能的图像处理器中，所得到的图案就不能保证质量，即不能保证图案的完整无失真，但是如果放在多种处理功能的图像处理器中，需要用户根据图像自身的特点，选择合适的图像处理方法，但是如果用户对图像没有过多的了解，则很容易将该图像所适合的图像处理方法选择错误，这样也就非常容易使得所得到的图案就不能保证质量，即不能保证图案的完整无失真。
技术实现思路
本专利技术的目的是克服上述现有技术中存在的问题，提供一种基于机器学习的图像处理方法，通过在图像处理前得到每一个图像的特征，并记录这些特征的图像所使用的图像处理方法，建立一个图像处理模型，然后在使得用户对图像进行录入，通过识别图像的特征，根据图像处理模型得到该图像的图像处理方法，最终得到从中提取出的图案。为此，本专利技术提供一种基于机器学习的图像处理方法，其特征在于，包括如下步骤：第一，提取出要处理的训练图像的特征；第二，接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到；第三，将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个有监督图像处理模型，并对该有监督图像处理模型进行训练；第四，接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的有监督图像处理模型中得到该目标图像所对应的图像处理方法；第五，使用该目标图像的图像处理方法对该目标图像进行图像处理；第六，输出图像处理后的图案。进一步，还包括如下步骤：第一，在使用目标图像的图像处理方法对目标图像进行图像处理之后，建立无监督图像处理模型；第二，将该目标图像的特征作为输入同时将该目标图像所对应的图像处理方法作为输出进行建模，得到一个无监督图像处理模型，并对该无监督图像处理模型进行训练；第三，将后续录入的目标图像提取出其特征之后，将提取出的特征输入到该无监督图像处理模型中得到其所对应的图像处理方法，并使用该目标图像的特征和其所对应的图像处理方法放入该无监督图像处理模型进行训练。更进一步，当有监督图像处理模型训练好之后，再建立无监督图像处理模型。更进一步，还包括如下步骤：第一，将有监督图像处理模型和无监督图像处理模型进行合并，得到全图像处理模型；第二，将录入的目标图像提取出其特征之后，将提取出的特征输入到该全图像处理模型中得到其所对应的图像处理方法；第三，使用该目标图像的图像处理方法对该目标图像进行图像处理，并输出图像处理后的图案。进一步，在提取出要处理的训练图像的特征的时候，包括如下步骤：第一，获取要处理的训练图像的全部像素点，并得到全部像素点所组成的M×N矩阵；第二，获取第i行第j列的像素点的坐标(i,j)以及该像素点的像素值Z(i,j)，其中i＝1,2,…,M，j＝1,2,…,N；第三，根据得到每一个像素点的差异值C(i,j)，第四，遍历所有的像素点的差异值并求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值；第五，将训练图像的差异值C作为训练图像的特征进行输出。更进一步，在求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值的时候，根据求得。本专利技术提供的一种基于机器学习的图像处理方法，具有如下有益效果：1、本专利技术通过在图像处理前得到每一个图像的特征，并记录这些特征的图像所使用的图像处理方法，建立一个图像处理模型，然后在使得用户对图像进行录入，通过识别图像的特征，根据图像处理模型得到该图像的图像处理方法，最终得到从中提取出的图案；2、本专利技术的图像处理模型再开始建立的时候采用有监督学习模型，在设定时间后转化为无监督学习模型，这样可以使得对于图像处理方法的选择更加的精准，从而达到使得提取出的图案质量更好的效果；3、本专利技术在对图像的特征进行提取的时候，通过对图像中各个像素的像素值进行统计分析，得到像素之间的差异大小，根据像素之间的差异大小对应得到图像的特征，从而得到图像的特征。附图说明图1为本专利技术的整体流程示意图；图2为本专利技术中无监督图像处理模型在处理时候的流程示意图；图3为本专利技术中无监督图像处理模型和有监督图像处理模型在合并时候的流程示意图。具体实施方式下面结合附图，对本专利技术的一个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。具体的，如图1所示，本专利技术实施例提供了一种基于机器学习的图像处理方法，其特征在于，包括如下步骤：第一，提取出要处理的训练图像的特征：在本专利技术中，可以使用多种方式对提取出要处理的训练图像的特征，可以通过提取出训练图像的特征值作为训练图像的特征，也可以使用训练图像的特征的从其他角度所得到的特征值作为训练图像的特征。在本专利技术中，通过像素值的角度得到训练图像的特征，因为在图像提取中，大多数会对图像的像素值进行处理和判断，因此，使用训练图像的像素值，得到像素值之间的差异值，既可以得到训练图像的特征。具体的，在提取出要处理的训练图像的特征的时候，包括如下步骤：(一)，获取要处理的训练图像的全部像素点，并得到全部像素点所组成的M×N矩阵；上述的M×N矩阵为训练图像的全部像素点所组成的矩阵，该矩阵中，像素点的总行数为N，总列数为M。(二)，获取第i行第j列的像素点的坐标(i,j)以及该像素点的像素值Z(i,j)，其中i＝1,2,…,M，j＝1,2,…,N；(三)，根据得到每一个像素点的差异值C(i,j)，上述公式中，对每一个像素点使用的交叉比对法对该像素点的像素值进行评估，得到该像素点的差异值C(i,j)，在本专利技术中，将该像素点横向相邻的像素值和该像素点纵向相邻的像素值进行差异比较，这样在与该像素点的原像素值进行对比，得到的比值即是该像素点的差异值C(i,j)。在上式中，为该像素点横向相邻的像素点的综合值，为该像素点纵向相邻的像素点的综合值，将这两个综合征相乘之后再开根号即是该像素点的综合值，在将该像素点的综合值与与该像素点的原像素值进行对比，得到的比值即是该像素点的差异值C(i,j)。(四)，遍历所有的像素点的差异值并求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值；在本专利技术中，在求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值的时候，根据求得。从而使得得到该训练图像的差异值C为像素点本文档来自技高网...

【技术保护点】
1.一种基于机器学习的图像处理方法，其特征在于，包括如下步骤：/n提取出要处理的训练图像的特征；/n接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到；/n将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个有监督图像处理模型，并对该有监督图像处理模型进行训练；/n接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的有监督图像处理模型中得到该目标图像所对应的图像处理方法；/n使用该目标图像的图像处理方法对该目标图像进行图像处理；/n输出图像处理后的图案。/n

【技术特征摘要】
1.一种基于机器学习的图像处理方法，其特征在于，包括如下步骤：
提取出要处理的训练图像的特征；
接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到；
将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个有监督图像处理模型，并对该有监督图像处理模型进行训练；
接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的有监督图像处理模型中得到该目标图像所对应的图像处理方法；
使用该目标图像的图像处理方法对该目标图像进行图像处理；
输出图像处理后的图案。


2.如权利要求1所述的一种基于机器学习的图像处理方法，其特征在于，还包括如下步骤：
在使用目标图像的图像处理方法对目标图像进行图像处理之后，建立无监督图像处理模型；
将该目标图像的特征作为输入同时将该目标图像所对应的图像处理方法作为输出进行建模，得到一个无监督图像处理模型，并对该无监督图像处理模型进行训练；
将后续录入的目标图像提取出其特征之后，将提取出的特征输入到该无监督图像处理模型中得到其所对应的图像处理方法，并使用该目标图像的特征和其所对应的图像处理方法放入该无监督图像处理模型进行训练。


3.如权利要求2所述的一种基于机器学习的图像处理方法，其特征在于，当有监督...

【专利技术属性】
技术研发人员：杨勇，黄淑英，万伟国，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：江西;36