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一种基于机器学习的图像处理方法，包括：在接收到处理基于机器学习图像的处理指令时，获取图像的选定区域；选定图像的待处理轮廓以及范围；使用预训练的网络对目标对象的图像特征信息进行分析，以对初始轮廓图像进行扩选，得到目标对象的轮廓图像；根据轮廓图像的景深信息将轮廓图像分割为多个子区域图像，并获取每一个子区域图像对应的三维信息，构建得到基于机器学习目标对象对应的三维图像；针对轮廓图像进行去噪处理；针对去噪图像进行二值化处理；对二值化模糊缺陷特征图进行形态学处理；遍历经过形态学处理后的二值化模糊缺陷特征图中的各个像素，确定所述目标对象是否存在模糊缺陷。本发明专利技术可以减少错误检测，提高检测准确度。提高检测准确度。提高检测准确度。

【技术实现步骤摘要】
一种基于机器学习的图像处理方法


[0001]本专利技术属于电力设备图像处理
，具体涉及一种基于机器学习的图像处理方法。

技术介绍

[0002]针对图像存在噪声多、对比度低、模糊区域与背景区域的灰度值分布较为相近、图像不同区域光照差异大等问题，这样的图像首先给人带来视觉上的不舒适，使得处理人员需耗费大量的时间手动进行图像增强工作，以使图像质量最接近人眼判定程度。大量的图像增强工作易导致处理人员的疲劳，极易导致模糊质量出现误判、漏判等情况。尽管模糊的图像捕获设备获得极大的改进，但仍然存在各种干扰因素，导致图像质量较差。因此，对于原始图像的视觉效果和质量改进是图像预处理必不可少的部分。
[0003]然而，传统的模糊检测方案是拍摄目标物的图像，对图像进行各种基于视觉技术的处理，当目标物所在的环境情况复杂时，检测目标物是否存在模糊缺陷的准确度较低。

技术实现思路

[0004]本专利技术所要解决的技术问题在于，提供一种基于机器学习的图像处理方法，以减少错误检测，提高检测准确度。
[0005]为解决上述技术问题，本专利技本文档来自技高网...

【技术保护点】

【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：步骤S1，在接收到处理基于机器学习图像的处理指令时，获取基于机器学习图像的选定区域；步骤S2，选定图像的待处理轮廓以及范围；步骤S3，使用预训练的机器学习模型对目标对象的图像特征信息进行分析，以对初始轮廓图像进行扩选，得到基于机器学习目标对象的轮廓图像；步骤S4，根据轮廓图像的景深信息将轮廓图像分割为多个子区域图像，并获取每一个子区域图像对应的三维信息，构建得到基于机器学习目标对象对应的三维图像；步骤S5，针对轮廓图像进行去噪处理；步骤S6，针对去噪图像进行二值化处理；步骤S7，对二值化模糊缺陷特征图进行形态学处理；步骤S8，遍历经过形态学处理后的二值化模糊缺陷特征图中的各个像素，确定所述目标对象是否存在模糊缺陷。2.根据权利要求1所述的方法，其特征在于，所述步骤S1还包括：在接收到处理基于机器学习图像的处理指令后，在预设时间段内未获取到用户在基于机器学习图像的选定区域，则将基于机器学习图像的整个区域作为选定区域。3.根据权利要求1所述的方法，其特征在于，所述步骤S2中，基于机器学习目标对象是位于限定区域内的物体对象或者人物对象；通过不同的基于机器学习目标对象对应像素点的RGB颜色通道确定基于机器学习目标对象的初始轮廓图像。4.根据权利要求3所述的方法，其特征在于，所述步骤S3中，在得到基于机器学习目标对象的初始轮廓图像后，将初始轮廓图像和基于机器学习图像分别输入预训练的机器学习模型中，通过机器学习模型对初始轮廓图像中的特征信息进行分析，并在基于机器学习图像上将初始轮廓图像进行扩选，从而得到基于机器学习目标对象的轮廓图像。5.根据权利要求1所述的方法，其特征在于，所述步骤S4具体包括：根据每一个像素的景深信息对轮廓图像的像素点进行分类，根据对轮廓图像的像素点的分类对轮廓图像进行分割，以得到多个子区域图像；根据每一个子区域图像对应的三维信息构建得到基于机器学习目标对象对应的三维图像，其中，三维信息是指每一个子区域图像在三维图像中的三维坐标位置。6.根据权利要求1所述的方法，其特征在于，所述步骤S5具体包括：对初次去噪后的图像进行中值滤波，其次遍历图像的所有像素点，计算每一个像素的对比度，得到一幅对比度图像，然后使...

【专利技术属性】
技术研发人员：杜进桥，李艳，田杰，怡勇，刘子俊，王颂，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：