一种基于人工智能的图像处理方法及系统技术方案

本发明专利技术公开了一种基于人工智能的图像处理方法及系统，应用于图像处理技术领域，包括：分别构造重构损失函数、结构化损失函数以及纹理损失函数，叠加训练图像处理模型；图像处理模型包括内容特征回归网络提取模型、边缘特征回归网络提取模型以及特征融合模型；分别通过内容特征回归网络提取模型提取待处理图像的内容特征图以及边缘特征回归网络提取模型提取待处理图像梯度图的边缘特征图；通过特征融合模型融合内容特征图和边缘特征图，得到最终图像。本发明专利技术实现了对于低光照图像内容特征和边缘特征的有效提取改善，提高了低光照图像的图像增强处理效果。图像增强处理效果。图像增强处理效果。

【技术实现步骤摘要】
一种基于人工智能的图像处理方法及系统


[0001]本专利技术涉及图像处理
，特别涉及一种基于人工智能的图像处理方法及系统。

技术介绍

[0002]图像增强技术一直是图像处理领域中人们所热议的话题，通过图像增强处理，可以有效改善图像的视觉效果。
[0003]对于低光照图像，人们往往通过调整其RGB像素值来提高图像亮度，以改善其视觉效果。但是，由于该方法无法有效提取改善低光照图像的内容特征(图像中对象)和边缘特征(图像中特性，如像素灰度、纹理等)，因此，对于低光照图像的图像增强处理效果较差。
[0004]为此，如何提供一种能够有效提取改善低光照图像的内容特征(图像中对象)和边缘特征(图像中特性，如像素灰度、纹理等)，以提高低光照图像的图像增强处理效果的基于人工智能的图像处理方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提出了一种基于人工智能的图像处理方法及系统。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于人工智能的图像处理方法，包括：
[0008]步骤(1)：分别构造重构损失函数、结构化损失函数以及纹理损失函数，叠加训练图像处理模型；
[0009]图像处理模型包括内容特征回归网络提取模型、边缘特征回归网络提取模型以及特征融合模型；
[0010]步骤(2)：分别通过内容特征回归网络提取模型提取待处理图像的内容特征图以及边缘特征回归网络提取模型提取待处理图像梯度图的边缘特征图；
[0011]步骤(3)：通过特征融合模型融合内容特征图和边缘特征图，得到最终图像。
[0012]可选的，重构损失函数的表达式，如下：
[0013][0014]其中，表示自编码器的输出，y表示学习目标，N表示当前输出包含的像素个数，y
p
表示学习目标中的第P个像素值，表示自编码器输出的第P个像素值。
[0015]可选的，结构化损失函数的表达式，如下：
[0016][0017][0018]其中，表示自编码器的输出，y表示学习目标，表示自编码器输出图像的像素均值，μ
y
表示学习目标的像素均值，C1和C2是常数值，C2是自编码器输出的像素方差，是学习目标的像素方差，是自编码器的输出与学习目标的协方差。
[0019]可选的，纹理损失函数的表达式，如下：
[0020]LcGAN(G,D)＝E
x,y
[logD(x,y)]+E
x
[log(1
‑
D(x,G(x)))]；
[0021]其中，G代表生成式对抗网络中的自编码器，D代表判别器模型，x代表模型的输入，y是学习目标。
[0022]可选的，内容特征回归网络提取模型包括：多个卷积块以及与多个卷积块一一对应的反卷积块；
[0023]其中，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层尺度相同，属于不同卷积块的任意两个卷积处理层尺度不同；每个反卷积块包括的卷积处理层的个数和尺度与对应的卷积块包括的卷积处理层的个数和尺度相同；
[0024]通过内容特征回归网络提取模型提取待处理图像的内容特征图，具体为：
[0025]采用多个卷积块依次处理提取待处理图像的中间特征图；
[0026]采用多个反卷积块依次处理提取所述中间特征图中的内容特征图。
[0027]可选的，边缘特征回归网络提取模型包括：多个卷积块、与多个卷积块一一对应的反卷积块、循环网络模型以及下采样模型；
[0028]其中，每个卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层尺度相同，属于不同卷积块的任意两个卷积处理层尺度不同，每个反卷积块包括的卷积处理层的个数和尺度与对应的卷积块包括的卷积处理层的个数和尺度相同；边缘特征回归提取网络中的每个反卷积块与内容特征回归网络提取模型中相同尺度的反卷积块相连；
[0029]通过边缘特征回归网络提取模型提取待处理图像梯度图的边缘特征图，具体为：
[0030]采用多个卷积块依次处理提取待处理图像梯度图的中间梯度特征图；
[0031]采用多个反卷积块依次处理中间梯度特征图得到第一特征图；
[0032]采用下采样模型中多个不同尺度的下采样卷积层分别对待处理图像与待处理图像梯度图叠加后的图像进行处理得到多个不同尺度的第二特征图；
[0033]对第一特征图和多个不同尺度的第二特征图进行分层处理确定循环网络模型在不同梯度方向上的权重值；
[0034]基于确定权重值的循环网络模型，提取第一特征图中的边缘特征图。
[0035]可选的，特征融合模型包括多个卷积层；
[0036]通过特征融合模型融合内容特征图和边缘特征图，得到最终图像，具体为：
[0037]将内容特征图和边缘特征图进行叠加；
[0038]通过多个卷积层对叠加后的图像进行处理得到最终图像。
[0039]本专利技术还提供一种基于人工智能的图像处理系统，包括：
[0040]图像处理模型训练模块：用于通过重构损失函数、结构化损失函数以及纹理损失函数，叠加训练图像处理模型；
[0041]图像处理模型包括内容特征回归网络提取模型、边缘特征回归网络提取模型以及特征融合模型；
[0042]内容特征提取模块：用于通过内容特征回归网络提取模型提取待处理图像的内容特征图；
[0043]边缘特征提取模块：用于通过边缘特征回归网络提取模型提取待处理图像梯度图的边缘特征图；
[0044]特征融合模块模块：用于通过特征融合模型融合内容特征图和边缘特征图，得到最终图像。
[0045]经由上述的技术方案可知，与现有技术相比，本专利技术提出了一种基于人工智能的图像处理方法及系统。通过内容特征回归网络提取模型得到低光照图像的内容特征图(图像中对象)、通过边缘特征回归网络提取模型得到低光照图像的边缘特征图(图像中特性，如像素灰度、纹理等)、通过特征融合模型对内容特征图(图像中对象)和边缘特征图(图像中特性，如像素灰度、纹理等)进行融合处理得到最终图像，实现了对于低光照图像内容特征(图像中对象)和边缘特征(图像中特性，如像素灰度、纹理等)的有效提取改善，提高了低光照图像的图像增强处理效果；并通过分别构造重构损失函数、结构化损失函数以及纹理损失函数，叠加训练上述内容特征回归网络提取模型、边缘特征回归网络提取模型以及特征融合模型，提高图像处理模型对目标图像的色彩增强能力、还原目标图像的结构信息的能力以及还原目标图像的图像细节的能力，增强得到最终图像的色彩、结构以及图像纹理的相似性，提高图像增强效果。
附图说明
[0046]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的图像处理方法，其特征在于，包括：步骤(1)：分别构造重构损失函数、结构化损失函数以及纹理损失函数，叠加训练图像处理模型；所述图像处理模型包括内容特征回归网络提取模型、边缘特征回归网络提取模型以及特征融合模型；步骤(2)：分别通过所述内容特征回归网络提取模型提取待处理图像的内容特征图以及所述边缘特征回归网络提取模型提取待处理图像梯度图的边缘特征图；步骤(3)：通过所述特征融合模型融合所述内容特征图和所述边缘特征图，得到最终图像。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，所述重构损失函数的表达式，如下：其中，表示自编码器的输出，y表示学习目标，N表示当前输出包含的像素个数，y
p
表示学习目标中的第P个像素值，表示自编码器输出的第P个像素值。3.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，所述结构化损失函数的表达式，如下：损失函数的表达式，如下：其中，表示自编码器的输出，y表示学习目标，表示自编码器输出图像的像素均值，μ
y
表示学习目标的像素均值，C1和C2是常数值，C2是自编码器输出的像素方差，是学习目标的像素方差，是自编码器的输出与学习目标的协方差。4.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，所述纹理损失函数的表达式，如下：LcGAN(G,D)＝E
x，y
[logD(x,y)]+E
x
[log(1
‑
D(x,G(x)))]；其中，G代表生成式对抗网络中的自编码器，D代表判别器模型，x代表模型的输入，y是学习目标。5.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，所述内容特征回归网络提取模型包括：多个卷积块以及与所述多个卷积块一一对应的反卷积块；其中，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层
尺度相同，属于不同卷积块的任意两个卷积处理层尺度不同；每个反卷积块包括的卷积处理层的个数和尺度与对应的卷积块包括的卷积处理层的个数和尺度相同；通过所述内容特征回归网络提取模型提取待处理图像的内容特征图，具体为：采...

【专利技术属性】
技术研发人员：代江艳，高进，张辉辉，
申请(专利权)人：潍坊学院，
类型：发明
国别省市：