联合图像处理优化策略选择系统

技术领域

本发明涉及图像处理领域，尤其涉及一种联合图像处理优化策略选择系统。

背景技术

图像增强是一项重要的图像处理模式，用于提升图像的画面质量，使图像清晰或将其转换为更适合人或机器分析的形式。

与图像复原不同，图像增强并不要求忠实地反映原始图像。相反，含有某种失真(例如突出轮廓线)的图像可能比无失真的原始图像更为清晰。常用的图像增强方法有：(1)灰度等级直方图处理：使加工后的图像在某一灰度范围内有更好的对比度，广州极数科技有限公司的专利技术CN115761638A是基于图像数据的在线实时智能分析方法及终端设备，方法包括如下步骤：S1、建立数据库；S2、图像数据采集；S3、图像标注，对采集后的图像样本根据规范标准做标注；S4、图像预处理；S5、图像二次处理；S6、对采集的图像数据进行人脸识别，该发明对图像进行图像预处理包括灰度等级直方图处理、干扰抑制、边缘锐化和伪彩色处理，以及二次处理，采用光学模块和图像处理模块调整图像的亮度、消除有害光线，提高了采集到的图像的质量，且对监控区域内的人员是否佩戴口罩进行实时检测；实时视频监测和预警在岗人员是否佩戴安全帽，若检测到异常，则立即向平台发出告警；(2)干扰抑制：通过低通滤波、多图像平均、施行某类空间域算子等处理，抑制叠加在图像上的随机性干扰；(3)边缘锐化：通过高通滤波、差分运算或某种变换，使图形的轮廓线增强，合肥埃科光电科技股份有限公司的专利技术CN115311242A是一种工业相机图像锐化方法、装置、设备及存储介质，包括：对输入的原始图像增强图像边缘权重的锐化处理，得到突出图像边缘的初步锐化图层和用于反映图像边缘的边缘图层；对边缘图层，根据区域像素灰度变化程度，赋予所述区域中心像素定值的去除噪声处理，得到去噪边缘图层；FPGA对去噪边缘图层，经减小噪声的锐化权重处理后，与所述初步锐化图层加权融合，形成只对边缘锐化的锐化图像。该发明利用边缘判定去除了孤立噪点，进而去除泊松噪声和高斯噪声；又通过加权融合进一步减小了噪声对锐化结果的影响，提高了图像锐化效果；(4)伪彩色处理：将黑白图像转换为彩色图像，从而使人们易于分析和检测图像包含的信息，厦门大学的专利技术CN113436110A是一种对合成孔径雷达灰度图像进行伪彩色处理的方法，包括以下步骤：1)对输入的SAR图像进行滤波预处理，以抑制斑点噪声；2)对SAR图像的灰度值进行分段编码；3)进行RGB波段组合，形成伪彩色增强图像。伪彩色增强后的影像含有丰富的色彩信息，且细节突出、纹理清晰，在陆地和海洋上都具有良好的视觉效果。该发明与彩虹编码伪彩色处理所用的时间相似，比像素自身变换法快将近4倍。计算效率高，简单实用。此外，不仅可以对SAR图像进行伪彩色增强，还适用于其它灰度范围窄、噪声大灰度图像，具有较好的通用性。灰度图像经伪彩色处理丰富和突出了地物有用和细节的信息，便于目视解译。。

然而，由于需要进行图像增强的每一帧画面内容不同，噪声分布状态等性能也不同，在采用多种不同的优化模式时，例如图像锐化、图像滤波以及图像增强，存在各种具体类型可选以及多种图像处理方式顺序可变的各种图像优化策略，无法确定哪一种图像优化策略最适合当前画面内容，导致最终采用的图像优化策略无法达到最佳优化效果的需求，如果对每一帧画面内容进行各种图像优化策略的处理，再进行处理后的画面质量的比较，显然操作起来也不现实。

发明内容

为了解决相关领域的技术问题，本发明提供了一种联合图像处理优化策略选择系统，所述系统包括：

内容存储器件，用于存储各种基准图像，所述各种基准图像的分辨率相同且内容不同；

网络建立器件，用于建立执行多层图像增强后图像优化效果分析的卷积神经网络，所述卷积神经网络以输入图像在HSB颜色空间下各个像素点分别对应的各个色相成分数值、各个亮度成分数值和各个饱和度成分数值、基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号为各项输入信息，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息，所述输入图像与每一种基准图像的分辨率相同；

模型构建器件，与所述网络建立器件连接，用于采用各种基准图像分别对所述卷积神经网络执行学习操作，以获得完成学习操作后的卷积神经网络并作为人工智能预测体输出；

遍历处理机构，与所述模型构建器件连接，用于针对与每一种基准图像的分辨率相同的待分析图像，将其作为所述人工智能预测体的输入图像，同时遍历内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的各种顺序以获得最大噪声幅值最小且图像内容清晰度最高的图像优化模式；

其中，针对与每一种基准图像的分辨率相同的待分析图像，将其作为所述人工智能预测体的输入图像，同时遍历内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的各种顺序以获得最大噪声幅值最小且图像内容清晰度最高的图像优化模式包括：在所述待分析图像对应的输出图像最大噪声幅值最小且图像内容清晰度最高时，将该输出图像对应的内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的顺序作为图像优化模式输出。

本发明的联合图像处理优化策略选择系统能够针对每一帧待优化画面，采用人工智能模型演算出不同图像增强处理组合的不同优化效果，图像增强处理组合中各个图像增强处理的顺序不同，也导致优化效果存在差异，从而以较小的运算代价实现对最佳优化策略的精细化分析。

由于能够针对每一帧待优化画面，采用人工智能模型演算出不同图像增强处理组合的不同优化效果，从而为每一帧待优化画面获取最匹配的优化算法。

附图说明

以下将结合附图对本发明的实施方案进行描述，其中：

图1为根据本发明A实施方案示出的联合图像处理优化策略选择系统的结构方框图。

图2为根据本发明B实施方案示出的联合图像处理优化策略选择系统的结构方框图。

图3为根据本发明C实施方案示出的联合图像处理优化策略选择系统的结构方框图。

具体实施方式

下面将参照附图对本发明的联合图像处理优化策略选择系统的实施方案进行详细说明。

A实施方案

图1为根据本发明A实施方案示出的联合图像处理优化策略选择系统的结构方框图，所述系统包括：

内容存储器件，用于存储各种基准图像，所述各种基准图像的分辨率相同且内容不同；

网络建立器件，用于建立执行多层图像增强后图像优化效果分析的卷积神经网络，所述卷积神经网络以输入图像在HSB颜色空间下各个像素点分别对应的各个色相成分数值、各个亮度成分数值和各个饱和度成分数值、基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号为各项输入信息，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息，所述输入图像与每一种基准图像的分辨率相同；

模型构建器件，与所述网络建立器件连接，用于采用各种基准图像分别对所述卷积神经网络执行学习操作，以获得完成学习操作后的卷积神经网络并作为人工智能预测体输出；

遍历处理机构，与所述模型构建器件连接，用于针对与每一种基准图像的分辨率相同的待分析图像，将其作为所述人工智能预测体的输入图像，同时遍历内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的各种顺序以获得最大噪声幅值最小且图像内容清晰度最高的图像优化模式；

其中，针对与每一种基准图像的分辨率相同的待分析图像，将其作为所述人工智能预测体的输入图像，同时遍历内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的各种顺序以获得最大噪声幅值最小且图像内容清晰度最高的图像优化模式包括：在所述待分析图像对应的输出图像最大噪声幅值最小且图像内容清晰度最高时，将该输出图像对应的内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的顺序作为图像优化模式输出；

其中，针对与每一种基准图像的分辨率相同的待分析图像，将其作为所述人工智能预测体的输入图像，同时遍历内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的各种顺序以获得最大噪声幅值最小且图像内容清晰度最高的图像优化模式包括：在获取图像优化模式时，最大噪声幅值最小的优先权小于图像内容清晰度最高的优先权；

其中，采用各种基准图像分别对所述卷积神经网络执行学习操作，以获得完成学习操作后的卷积神经网络并作为人工智能预测体输出包括：完成学习操作时已执行学习的次数与每一种基准图像的分辨率正向关联。

B实施方案

图2为根据本发明B实施方案示出的联合图像处理优化策略选择系统的结构方框图，包括：

内容存储器件，用于存储各种基准图像，所述各种基准图像的分辨率相同且内容不同；

网络建立器件，用于建立执行多层图像增强后图像优化效果分析的卷积神经网络，所述卷积神经网络以输入图像在HSB颜色空间下各个像素点分别对应的各个色相成分数值、各个亮度成分数值和各个饱和度成分数值、基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号为各项输入信息，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息，所述输入图像与每一种基准图像的分辨率相同；

模型构建器件，与所述网络建立器件连接，用于采用各种基准图像分别对所述卷积神经网络执行学习操作，以获得完成学习操作后的卷积神经网络并作为人工智能预测体输出；

遍历处理机构，与所述模型构建器件连接，用于针对与每一种基准图像的分辨率相同的待分析图像，将其作为所述人工智能预测体的输入图像，同时遍历内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的各种顺序以获得最大噪声幅值最小且图像内容清晰度最高的图像优化模式；

标识存储机构，用于存储各个类型内容滤波处理的优化算法标识、各个类型内容锐化处理的优化算法标识以及各个类型内容增强处理的优化算法标识；

其中，所述各个类型内容滤波处理包括引导滤波处理、边缘保持平滑滤波处理、组合滤波处理、FRANGI滤波处理以及方向滤波处理；

其中，所述各个类型内容锐化处理包括水平方向锐化处理、垂直方向锐化处理、Kirsch算子锐化处理以及Roberts算子锐化处理；

其中，所述各个类型内容增强处理包括直方图均衡化处理、对数图像增强处理以及指数图像增强处理。

C实施方案

图3为根据本发明C实施方案示出的联合图像处理优化策略选择系统的结构方框图，包括：

内容存储器件，用于存储各种基准图像，所述各种基准图像的分辨率相同且内容不同；

网络建立器件，用于建立执行多层图像增强后图像优化效果分析的卷积神经网络，所述卷积神经网络以输入图像在HSB颜色空间下各个像素点分别对应的各个色相成分数值、各个亮度成分数值和各个饱和度成分数值、基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号为各项输入信息，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息，所述输入图像与每一种基准图像的分辨率相同；

模型构建器件，与所述网络建立器件连接，用于采用各种基准图像分别对所述卷积神经网络执行学习操作，以获得完成学习操作后的卷积神经网络并作为人工智能预测体输出；

遍历处理机构，与所述模型构建器件连接，用于针对与每一种基准图像的分辨率相同的待分析图像，将其作为所述人工智能预测体的输入图像，同时遍历内容滤波处理类型、内容锐化处理类型、内容增强处理类型以及内容滤波处理、内容锐化处理以及内容增强处理被执行的各种顺序以获得最大噪声幅值最小且图像内容清晰度最高的图像优化模式；

模型存储机构，与所述模型构建器件连接，用于存储所述人工智能预测体的各项模型参数以实现对所述人工智能预测体的存储。

接着，继续对本发明的联合图像处理优化策略选择系统的具体结构进行进一步的说明。

在根据本发明的各个实施例的联合图像处理优化策略选择系统中：

采用各种基准图像分别对所述卷积神经网络执行学习操作，以获得完成学习操作后的卷积神经网络并作为人工智能预测体输出包括：采用每一种基准图像对所述卷积神经网络执行多次学习操作，每一次学习操作的区别在于基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号中的至少一项的不同；

其中，采用每一种基准图像对所述卷积神经网络执行多次学习操作，每一次学习操作的区别在于基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号中的至少一项的不同包括：在基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识以及基于内容增强处理的优化算法标识相同时，内容滤波处理、内容锐化处理以及内容增强处理被执行的顺序不同，对应的学习操作不同；

其中，采用每一种基准图像对所述卷积神经网络执行多次学习操作，每一次学习操作的区别在于基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号中的至少一项的不同包括：在内容滤波处理序号、内容锐化处理序号以及内容增强处理序号相同时，内容滤波处理类型、内容锐化处理类型和/或内容增强处理类型不同，对应的学习操作不同。

以及在根据本发明的各个实施例的联合图像处理优化策略选择系统中：

以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息包括：将内容滤波处理序号、内容锐化处理序号以及内容增强处理序号中序号最靠前的处理作为对所述输入图像执行的第一层优化处理；

其中，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息包括：将内容滤波处理序号、内容锐化处理序号以及内容增强处理序号中序号居中的处理作为对所述输入图像执行的第二层优化处理；

其中，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息包括：将内容滤波处理序号、内容锐化处理序号以及内容增强处理序号中序号最靠后的处理作为对所述输入图像执行的第三层优化处理。

另外，在所述联合图像处理优化策略选择系统中，所述卷积神经网络以输入图像在HSB颜色空间下各个像素点分别对应的各个色相成分数值、各个亮度成分数值和各个饱和度成分数值、基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号为各项输入信息，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息，所述输入图像与每一种基准图像的分辨率相同包括：基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号分别采用不同的二进制数值编码来表示。

本发明技术方案的技术效果：

(1)建立同一分辨率下的输入图像在多种不同图像优化类型以及不同优化顺序下的优化效果预测模型，以针对任一具有相同分辨率的图像，遍历各种优化类型以及各种优化顺序以获得最佳优化效果的优化策略，从而能够对各种图像内容均能在极小的运算代价下获得可靠的优化图像质量；

(2)具体的模型为完成学习后的卷积神经网络，所述卷积神经网络以输入图像在HSB颜色空间下各个像素点分别对应的各个色相成分数值、各个亮度成分数值和各个饱和度成分数值、基于内容滤波处理的优化算法标识、基于内容锐化处理的优化算法标识、基于内容增强处理的优化算法标识、内容滤波处理序号、内容锐化处理序号以及内容增强处理序号为各项输入信息，以基于内容滤波处理序号、内容锐化处理序号以及内容增强处理序号对输入图像执行顺序的三层优化处理后获得的输出图像的最大噪声幅值以及图像内容清晰度作为两项输出信息，同时施加针对性的学习模式，从而提升了模型预测结果的稳定性和有效性；

(3)在获取最佳优化策略时，最大噪声幅值最小的优先权小于图像内容清晰度最高的优先权。

对本发明示例性实施方案的前述描述是为了例示和描述的目的而提供的。其并非旨在穷举或者将本发明限于所公开的确切形式。显然，许多修改和变型对于本领域技术人员是显而易见的。选择并描述示例性实施例是为了最好地说明本发明的原理及其实际应用，从而使得本领域其他技术人员能够理解本发明的适用于所构想特定用途的各种实施方案和各种变型例。旨在由所附权利要求及其等同物来限定本发明的范围。