图像处理方法、装置及计算机存储介质制造方法及图纸

本申请实施例公开了一种图像处理方法、装置及计算机存储介质，属于计算机技术领域。所述方法包括：利用深度学习模型确定获取的第一图像中是否有网格纹，在有网格纹的情况下，基于第一图像中的网格纹的特征信息，对第一图像的网格纹进行剔除。本申请实施例通过深度学习模型确定第一图像中是否有网格纹，然后基于第一图像中的网格纹的特征信息，对第一图像的网格纹进行剔除。提高图像处理系统的智能化水平，不需要人为去识别第一图像中是否有网格纹，加快了识别图像中网格纹的速度。基于第一图像中的网格纹的特征信息，可以有效地对网格纹进行彻底剔除。并且，在整个图像处理过程中，可以全自动化的剔除第一图像的网格纹，不需要人工参与。

【技术实现步骤摘要】
图像处理方法、装置及计算机存储介质
本申请实施例涉及计算机
，特别涉及一种图像处理方法、装置及计算机存储介质。
技术介绍
图像处理是计算机对图像进行分析与处理，得到用户希望的图像。图像处理广泛应用于监控、摄像、医疗等领域。比如，在医疗领域的纤维内窥镜场景下，利用光纤簇形成完整的图像，光纤簇是由多个光纤紧密排列形成的。由于光纤与光纤之间存在物理缝隙，这些缝隙无法导光，因此，利用光纤簇形成的图像会出现网格纹，网格纹会影响用户对图像中信息的提取。此时，利用图像处理可将图像中的网格纹去除。
技术实现思路
本申请实施例提供了一种图像处理方法、装置及计算机存储介质，可以快速且有效地剔除图像中的网格纹。所述技术方案如下：一方面，提供了一种图像处理方法，所述方法包括：获取第一图像，所述第一图像为基于纤维镜采集的图像确定的，所述纤维镜包括多个光纤和图像传感器，所述多个光纤用于将拍摄点反射的光传输至所述图像传感器，由所述图像传感器采集图像；基于深度学习模型，识别所述第一图像中是否存在网格纹；r>在所述第一图像中本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n获取第一图像，所述第一图像为基于纤维镜采集的图像确定的，所述纤维镜包括多个光纤和图像传感器，所述多个光纤用于将拍摄点反射的光传输至所述图像传感器，由所述图像传感器采集图像；/n基于深度学习模型，识别所述第一图像中是否存在网格纹；/n在所述第一图像中存在网格纹的情况下，基于所述第一图像中的网格纹的特征信息，剔除所述第一图像中的网格纹，得到第二图像，所述特征信息指示所述网格纹的像素值变化特征或分布特征。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
获取第一图像，所述第一图像为基于纤维镜采集的图像确定的，所述纤维镜包括多个光纤和图像传感器，所述多个光纤用于将拍摄点反射的光传输至所述图像传感器，由所述图像传感器采集图像；
基于深度学习模型，识别所述第一图像中是否存在网格纹；
在所述第一图像中存在网格纹的情况下，基于所述第一图像中的网格纹的特征信息，剔除所述第一图像中的网格纹，得到第二图像，所述特征信息指示所述网格纹的像素值变化特征或分布特征。


2.如权利要求1所述的方法，其特征在于，所述第一图像中的网格纹的特征信息包括所述第一图像中的网格纹的频率，所述频率指示所述第一图像中的网格纹的变化特征；
所述基于所述第一图像中的网格纹的特征信息，剔除所述第一图像中的网格纹，得到第二图像之前，所述方法还包括：
基于所述第一图像中各个像素点的亮度，确定所述第一图像的有效区域；
基于所述有效区域中各个像素点的亮度变化情况，确定所述第一图像中的网格纹的频率。


3.如权利要求2所述的方法，其特征在于，所述基于所述第一图像中各个像素点的亮度，确定所述第一图像的有效区域，包括：
对所述第一图像进行低通滤波处理，得到所述第一图像对应的增亮图像；
将所述第一图像对应的增亮图像中亮度超过第一亮度阈值的像素点、或者低于第二亮度阈值的像素点进行剔除，得到所述第一图像中的备选有效区域，所述第一亮度阈值大于所述第二亮度阈值；
基于所述备选有效区域中像素点的亮度均值，剔除所述备选有效区域中亮度低于所述亮度均值的像素点，得到所述第一图像的有效区域。


4.如权利要求2所述的方法，其特征在于，所述有效区域包括多个子区域，所述多个子区域和多个导光区域分别对应；
所述基于所述有效区域中各个像素点的亮度变化情况，确定所述第一图像中的网格纹的频率，包括：
对于所述多个子区域中任一区域，确定所述任一子区域中各个像素点的亮度梯度，所述任一子区域中各个像素点的亮度梯度确定所述任一子区域的边缘，将所述任一子区域的边缘和所述任一子区域的中心之间的距离作为所述任一子区域对应的孔径；
基于所述多个子区域中至少一个子区域各自对应的孔径，确定所述第一图像中的网格纹的频率。


5.如权利要求1所述的方法，其特征在于，所述第一图像中的网格纹的特征信息包括所述第一图像中的网格纹的频率，所述频率指示所述第一图像中的网格纹的变化特征，所述深度学习模型还用于识别所述第一图像的网格纹的类别，所述类别指示所述第一图像的网格纹为硬镜网格纹或软镜网格纹；
所述基于所述第一图像中的网格纹的特征信息，剔除所述第一图像中的网格纹，得到第二图像之前，所述方法还包括：
基于所述第一图像中的网格纹的类别，确定所述第一图像中的网格纹的频率；
其中，在所述第一图像的网格纹的类别为硬镜网格纹的情况下，将所述第一图像的频谱图中的中心点和距离所述中心点最近的高亮同心圆之间的间距作为所述第一图像中的网格纹的频率，在所述第一图像的网格纹类别为软镜网格纹的情况下，将所述第一图像的频谱图中的中心点和距离所述中心点最近的若干个高亮点之间的间距作为所述第一图像中的网格纹的频率。


6.如权利要求1所述的方法，其特征在于，所述第一图像中的网格纹的特征信息包括所述第一图像中的网格纹的频率，所述频率指示所述第一图像中的网格纹的变化特征，所述深度学习模型还用于识别所述第一图像的网格纹的频率。


7.如权利要求2至6任一所述的方法，其特征在于，所述基于所述第一图像中的网格纹的特征信息，剔除所述第一图像中的网格纹，得到第二图像，包括：
基于频率与滤波器参数之间的映射关系，确定所述第一图像中的网格纹的频率对应的滤波器参数；
基于所述滤波器参数，构建滤波器；
基于所述滤波器，对所述第一图像进行滤波，得到所述第二图像。


8.如权利要求1所述的方法，其特征在于，所述第一图像中的网格纹的特征信息包括所述第一图像中的网格纹的位置信息，所述深度学习模型还用于识别所述第一图像中的网格纹的位置信息；
所述基于所述第一图像中的网格纹的特征信息，剔除所述第一图像中的网格纹，得到第二图像，包括：
基于所述第一图像中的网格纹的位置信息，剔除所述第一图像中的网格纹。


9.一种图像处理装置，其特征在于，所述装置包括：
获取模...

【专利技术属性】
技术研发人员：朱麒文，陈佳伟，
申请(专利权)人：杭州海康慧影科技有限公司，
类型：发明
国别省市：浙江;33