CN109766947A - 一种自适应智能图像处理*** - Google Patents
一种自适应智能图像处理*** Download PDFInfo
- Publication number
- CN109766947A CN109766947A CN201910039707.6A CN201910039707A CN109766947A CN 109766947 A CN109766947 A CN 109766947A CN 201910039707 A CN201910039707 A CN 201910039707A CN 109766947 A CN109766947 A CN 109766947A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- channel
- result
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种自适应智能图像处理***,包括:分类模块、处理模块,待处理图像通过转换函数变为具有关键参数的系数模式,然后通过分类模块按照算法进行分类,接着处理模块对已分类的图像按照不同的算法进行处理,处理后的结果再次转换为系数模式与处理前系数模式比较,并将比较结果反馈至处理模块与分类模块,利用其结果不断优化处理模块与分类模块。本发明利用机器学习算法,建立的分类模块可以有效地帮助操作人员选择合适的处理方法,减少操作步骤;处理模块通过前端反馈可以不断的优化其处理结果,提高处理结果。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种自适应智能图像处理***。
背景技术
随着我们公安工作信息化的推进,无论在行政业务办理还是刑事侦查破案中,端口信息采集与物证鉴定、目标识别、监控视频分析等公安业务都离不开对信息源之一的图像进行处理。但是不同的业务工作,对图像处理的需求则不同。夜间勘查现场虽然配备了勘查专用灯具,但是由于环境的原因,只能在光照部分区域呈现清晰影像,与周围环境对比度差;处理物证图像时,经常采用微距拍摄,容易造成对焦部分曝光过高,整体图像过亮,且为非标准白光,难以处理;日照条件下的监控条件良好,但是夜间的视频监控图像质量整体不高,无法识别细节特征等问题较为突出,但是,目前市面上存在的图像处理软件,大多数需要人为的对图像进行判断,选择软件中的单一功能进行处理。目前缺乏针对不同图像要求的自适应图像处理***。
发明内容
本发明所解决的技术问题在于提供一种自适应智能图像处理***,以解决上述背景技术中提出的问题。
本发明所解决的技术问题采用以下技术方案来实现:一种自适应智能图像处理***,包括:分类模块、处理模块,待处理图像通过转换函数变为具有关键参数的系数模式,然后通过分类模块按照算法进行分类,接着处理模块对已分类的图像按照不同的算法进行处理,处理后的结果再次转换为系数模式与处理前系数模式比较,并将比较结果反馈至处理模块与分类模块,利用其结果不断优化处理模块与分类模块。
所述转换函数为Y=γ1R+γ2G+γ3B,其中:
其中即单通道的总体标准偏差;μ为单通道的像素数量,xi为通道中每个像数值。
所述分类模块采用机器学习有监督模式对已有的数据进行分析,得到分类后的不同类别图像的类别系数。
所述处理模块首先判断图像的通道数,将RGB通道分开处理,计算图像三通道的强度系数,利用协方差矩阵计算单通道以及三通道的密度系数,利用强度系数与密度系数得出图像的恢复系数,对单通道采用高斯低通滤波处理,其中滤波的sigma系数由分类模块给出的类别系数决定,上一步的结果减去峰值,峰值由类别系数/密度系数*255决定,对各通道的值进行恢复,单通道的恢复为当前值*恢复系数,将恢复后的各通道值进行重建并保存。
与现有技术相比,本发明的有益效果是:本发明利用机器学习算法,建立的分类模块可以有效地帮助操作人员选择合适的处理方法,减少操作步骤;处理模块通过前端反馈可以不断的优化其处理结果,提高处理结果。
附图说明
图1为本发明的***原理图。
图2为本发明的处理模块***原理图。
具体实施方式
为了使本发明的实现技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明,在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以两个元件内部的连通。
如图1、图2所示,一种自适应智能图像处理***,包括:分类模块、处理模块,待处理图像通过转换函数变为具有关键参数的系数模式,然后通过分类模块按照算法进行分类,接着处理模块对已分类的图像按照不同的算法进行处理,处理后的结果再次转换为系数模式与处理前系数模式比较,并将比较结果反馈至处理模块与分类模块,利用其结果不断优化处理模块与分类模块。
所述转换函数为Y=γ1R+γ2G+γ3B,其中:
其中即单通道的总体标准偏差;μ为单通道的像素数量,xi为通道中每个像数值。
所述分类模块采用机器学习有监督模式对已有的数据进行分析,得到分类后的不同类别图像的类别系数。
所述处理模块首先判断图像的通道数,将RGB通道分开处理,计算图像三通道的强度系数,利用协方差矩阵计算单通道以及三通道的密度系数,利用强度系数与密度系数得出图像的恢复系数,对单通道采用高斯低通滤波处理,其中滤波的sigma系数由分类模块给出的类别系数决定,上一步的结果减去峰值,峰值由类别系数/密度系数*255决定,对各通道的值进行恢复,单通道的恢复为当前值*恢复系数,将恢复后的各通道值进行重建并保存。
本发明待处理图像通过转换函数变为具有关键参数的系数模式,然后通过分类模块按照算法进行分类,接着处理模块对已分类的图像按照不同的算法进行处理,处理后的结果再次转换为系数模式与处理前系数模式比较,并将比较结果反馈至处理模块与分类模块,利用其结果不断优化处理模块与分类模块。
本发明利用机器学习算法对图像进行分类,建立分类模块与处理模块,达到对各种图像的自适应判断,然后对图像选择合适的算法处理,从而达到自适应全自动对图像进行处理,并将处理结果通过前端反馈优化分类模块与处理模块,提升图像处理的整体效果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种自适应智能图像处理***,包括:分类模块、处理模块,其特征在于:待处理图像通过转换函数变为具有关键参数的系数模式,然后通过分类模块按照算法进行分类,接着处理模块对已分类的图像按照不同的算法进行处理,处理后的结果再次转换为系数模式与处理前系数模式比较,并将比较结果反馈至处理模块与分类模块,利用其结果不断优化处理模块与分类模块,所述转换函数为Y=γ1R+γ2G+γ3B,其中:
其中即单通道的总体标准偏差;μ为单通道的像素数量,xi为通道中每个像数值。
2.根据权利要求1所述的一种自适应智能图像处理***,其特征在于:所述分类模块采用机器学习有监督模式对已有的数据进行分析,得到分类后的不同类别图像的类别系数。
3.根据权利要求1所述的一种自适应智能图像处理***,其特征在于:所述处理模块首先判断图像的通道数,将RGB通道分开处理,计算图像三通道的强度系数,利用协方差矩阵计算单通道以及三通道的密度系数,利用强度系数与密度系数得出图像的恢复系数,对单通道采用高斯低通滤波处理,其中滤波的sigma系数由分类模块给出的类别系数决定,上一步的结果减去峰值,峰值由类别系数/密度系数*255决定,对各通道的值进行恢复,单通道的恢复为当前值*恢复系数,将恢复后的各通道值进行重建并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039707.6A CN109766947B (zh) | 2019-01-16 | 2019-01-16 | 一种自适应智能图像处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039707.6A CN109766947B (zh) | 2019-01-16 | 2019-01-16 | 一种自适应智能图像处理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766947A true CN109766947A (zh) | 2019-05-17 |
CN109766947B CN109766947B (zh) | 2023-07-18 |
Family
ID=66454134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910039707.6A Active CN109766947B (zh) | 2019-01-16 | 2019-01-16 | 一种自适应智能图像处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766947B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100067799A1 (en) * | 2008-09-17 | 2010-03-18 | Microsoft Corporation | Globally invariant radon feature transforms for texture classification |
CN106570855A (zh) * | 2016-07-22 | 2017-04-19 | 北京农业信息技术研究中心 | 猪肉新鲜度快速判定的方法及*** |
CN106709518A (zh) * | 2016-12-20 | 2017-05-24 | 西南大学 | 基于Android平台的盲道识别*** |
CN107247965A (zh) * | 2017-05-31 | 2017-10-13 | 安徽四创电子股份有限公司 | 一种基于自适应匹配和学习的失真图像处理方法及*** |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
-
2019
- 2019-01-16 CN CN201910039707.6A patent/CN109766947B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100067799A1 (en) * | 2008-09-17 | 2010-03-18 | Microsoft Corporation | Globally invariant radon feature transforms for texture classification |
CN106570855A (zh) * | 2016-07-22 | 2017-04-19 | 北京农业信息技术研究中心 | 猪肉新鲜度快速判定的方法及*** |
CN106709518A (zh) * | 2016-12-20 | 2017-05-24 | 西南大学 | 基于Android平台的盲道识别*** |
CN107247965A (zh) * | 2017-05-31 | 2017-10-13 | 安徽四创电子股份有限公司 | 一种基于自适应匹配和学习的失真图像处理方法及*** |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
VENKATESAN RAJINIKANTH等: "Robust Color Image Multi-thresholding Using Between-Class Variance and Cuckoo Search Algorithm" * |
殷瑞祥: "基于子波变换的图像多通道阈值降噪法" * |
石晓勃等: "基于警用图像处理***对超分辨率图像重建分析" * |
Also Published As
Publication number | Publication date |
---|---|
CN109766947B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381784B (zh) | 一种基于多光谱图像的设备检测*** | |
CN109635758B (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
CN101872416A (zh) | 对道路图像进行车牌识别的方法和*** | |
CN106845890A (zh) | 一种基于视频监控的仓储监控方法及装置 | |
CN102612706A (zh) | 假手指判定设备、假手指判定方法和假手指判定程序 | |
CN115065798B (zh) | 一种基于大数据的视频分析监控*** | |
CN113691954B (zh) | 一种基于云计算的综合能源能耗管理*** | |
CN110135514A (zh) | 一种工件分类方法、装置、设备及介质 | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、***及存储介质 | |
CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
CN102306276A (zh) | 基于分块聚类的视频车辆图像中车身颜色识别方法 | |
CN108960259A (zh) | 一种基于hsv的车牌预处理方法 | |
CN106677094B (zh) | 一种道闸控制方法及装置 | |
CN109756697A (zh) | 一种机房it设备故障智能巡检*** | |
CN113706523A (zh) | 基于人工智能技术的皮带跑偏及异常运行状态的监测方法 | |
CN109766846B (zh) | 一种基于视频的自适应多车道车流检测方法及*** | |
CN109766947A (zh) | 一种自适应智能图像处理*** | |
Hiremath et al. | Detection of multiple faces in an image using skin color information and lines-of-separability face model | |
CN103034997A (zh) | 一种适用于监控视频前/背景分离的前景检测方法 | |
Garg et al. | Color based segmentation using K-mean clustering and watershed segmentation | |
CN110611793B (zh) | 基于工业视觉的供应链信息采集与数据分析方法及装置 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及*** | |
Wei et al. | Research on number-plate recognition based on neural networks | |
KR102118783B1 (ko) | 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |