本发明专利技术公开了一种基于AI赋能Mean Shift算法的图像增强方法及装置，属于图像增强技术领域。所述方法包括：S1.将待增强图像划分为M个图像块，并设置计数器，计数器的初始值为1；S2.基于图像块内的像素信息生成幅度缩放因子和相位旋转因子；S3.根据幅度缩放因子和相位旋转因子计算Mean Shift向量；S4.利用Mean Shift算法更新图像块的中心点；S5.基于Mean Shift向量计算图像块的漂移距离，若，则执行S2，否则将计数器的值加一并执行S6；其中，为预设门限；S6.判断计数器的值是否大于M，若是，则完成图像增强，否则执行S2。本发明专利技术提高了算法效率。
1、图像增强技术用于提高图像质量和细节的可视性，在计算机视觉领域占据着重要地位。ai赋能图像增强方法通过深度学习和机器学习等技术，能够更智能地理解和处理图像信息，提高图像质量和视觉感知。在图像处理的众多方法中，mean shift算法以其在特定任务中的卓越性能而备受关注。mean shift算法是一种基于核密度估计的非参数化聚类算法，广泛应用于图像分割、目标跟踪等领域。然而，传统的mean shift算法在处理复杂图像时可能面临一些限制，如算法迭代时间久、处理图像时可能因过度平滑导致细节损失严重等。
>8、s5.基于mean shift向量计算图像块的漂移距离，若，则执行s2，否则将计数器的值加一并执行s6；其中，为预设门限；9、s6.判断计数器的值是否大于m，若是，则完成图像增强，否则执行s2。
10、进一步地，将待增强图像划分为m个图像块，包括：
11、s11. 计算待增强图像中每个像素点周围的像素密度，像素密度的计算公式为：
12、
13、其中，表示待增强图像中坐标为（x，y）的像素点周围的像素密度，表示待增强图像中坐标为的像素点的像素值，表示密度计算的邻域大小；
14、s12. 判断每个像素点周围的像素密度是否大于第一阈值，若是，则将该像素点的中心判决值确定为1，否则将该像素点的中心判决值确定为0；
15、s13. 分别将值为1的中心判决值对应的像素点作为一个图像块中心，并计算每个图像块的边长，将待增强图像划分为若干个正方形的图像块，每个图像块的边长计算公式为：
16、
17、其中，l（x，y）表示中心点坐标为（x，y）的图像块的边长，表示对向上取整操作，为边长因子。
18、进一步地，所述第一阈值的计算公式为：
19、
20、其中，t表示第一阈值，表示求中所有元素的和，表示坐标处邻域内像素密度的标准差。
21、进一步地，基于图像块内的像素信息生成幅度缩放因子和相位旋转因子，包括：
22、基于图像块内的像素信息，利用预测网络ms-prednet生成幅度缩放因子和相位旋转因子。
23、进一步地，所述预测网络ms-prednet包括：
24、特征增强层，其卷积核大小为，卷积核数目为，输出维度为，其中，，，为图像块的高度，为图像块的宽度；
25、特征提取层，其卷积核大小为，卷积核数目为，池化核大小为，步长为，输出维度为；
26、特征细化层，其卷积核大小为，卷积核数目为，池化核大小为，步长为，输出维度为；
27、特征融合层，其节点数为，节点间的连接方式为全连接；
28、输出层，其节点数为2，输出层的输出为幅度缩放因子和相位旋转因子。
29、进一步地，所述mean shift向量的计算公式为：
30、
31、
32、其中，表示mean shift向量，表示幅度缩放因子，表示相位旋转因子，表示横坐标方向的偏移量，表示纵坐标方向的偏移量。
33、进一步地，图像块的中心点更新公式为：
34、
35、其中，为图像块的原中心点坐标，为图像块更新后的中心点坐标。
36、进一步地，所述漂移距离的计算公式为：
37、
38、其中，表示漂移距离。
39、进一步地，所述图像增强方法还包括：
40、在将待增强图像进行图像块划分之前，对待增强图像进行高斯去噪和亮度调整。
41、本专利技术的第二方面公开了一种基于ai赋能mean shift 算法的图像增强装置，包括：
42、图像分块模块，用于将待增强图像划分为m个图像块，并设置计数器，计数器的初始值为1；
43、第一计算模块，用于基于图像块内的像素信息生成幅度缩放因子和相位旋转因子；
44、第二计算模块，用于根据幅度缩放因子和相位旋转因子计算mean shift向量；
45、中心点更新模块，用于利用mean shift算法更新图像块的中心点；
46、第三计算模块，用于基于mean shift向量计算图像块的漂移距离，并将计数器的值加一；
47、结果输出模块，用于在计数器的值大于m时完成图像增强，输出增强后的图像。
48、本专利技术的有益效果是：
49、（1）传统的mean shift算法需要计算每个像素点漂移向量，计算复杂度高；本专利技术首先将待增强图像进行分块处理，然后通过神经网络预测分块后预测每个图像块的幅度缩放因子和相位旋转因子，由此得到每个图像块的mean shift向量（漂移向量），并将meanshift向量用于mean shift算法的迭代更新中心点过程，将所有图像块处理完后得到的图像作为增强后的图像输出，降低了计算的复杂度；
50、（2）本专利技术利用神经网络预测mean shift向量，提高了算法计算效率，减少了算法迭代时间，为实际场景中低延迟处理要求的图像增强带来了诸多实施方案，具有重大意义。
本文档来自技高网...
【技术保护点】
1.一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，包括：
2.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，将待增强图像划分为M个图像块，包括：
3.根据权利要求2所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，所述第一阈值的计算公式为：
4.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，基于图像块内的像素信息生成幅度缩放因子和相位旋转因子，包括：
5.根据权利要求4所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，所述预测网络MS-PredNet包括：
6.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，所述Mean Shift向量的计算公式为：
7.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，图像块的中心点更新公式为：
8.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，所述漂移距离的计算公式为：
9.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法，其特征在于，所述图像增强方法还包括：
10.一种基于AI赋能Mean Shift 算法的图像增强装置，其特征在于，包括：
...
【技术特征摘要】
1.一种基于ai赋能mean shift 算法的图像增强方法，其特征在于，包括：
2.根据权利要求1所述的一种基于ai赋能mean shift 算法的图像增强方法，其特征在于，将待增强图像划分为m个图像块，包括：
3.根据权利要求2所述的一种基于ai赋能mean shift 算法的图像增强方法，其特征在于，所述第一阈值的计算公式为：
4.根据权利要求1所述的一种基于ai赋能mean shift 算法的图像增强方法，其特征在于，基于图像块内的像素信息生成幅度缩放因子和相位旋转因子，包括：
5.根据权利要求4所述的一种基于ai赋能mean shift 算法的图像增强方法，其特征在于，所述预测网络ms-pred...
【专利技术属性】
技术研发人员：林辉，蒋礼平，杜德建，赵桂毅，卿朝进，
申请(专利权)人：成都航天凯特机电科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。