[发明专利]一种图像增强方法和系统

说明书

本申请实施例公开了一种图像增强方法。所述方法包括：获取原始图像；对所述原始图像进行分解，得到所述原始图像的多个分解系数；利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。

技术领域

本申请涉及图像处理领域，特别涉及一种图像增强方法和系统。

背景技术

随着图像信息处理技术的快速发展，图像增强技术在生物医学工程、航天和航空技术、通信工程等领域得到了广泛的应用。在图像增强处理过程中，通常采用多分辨率分析方法进行图像的分解处理。常用的增强方法包括高斯-拉普拉斯金字塔分解、小波分解等。但是上述方法都是通过设计一些公式和参数来分别调节每个分解层的系数，最后重构为增强后的图像，这些调节参数非常繁多，需要调节的分解层也是非常的多，并且参数调节方面都是人工调节，处理过程复杂并且繁琐。因此，有必要提出一种图像增强方法，降低处理复杂度并提高处理效率。

发明内容

本申请实施例之一提供一种图像增强方法。所述方法包括：获取原始图像；对所述原始图像进行分解，得到所述原始图像的多个分解系数；利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。

在一些实施例中，所述机器学习模型为系数增强模型；所述系数增强模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本对；其中，样本对包括样本图像和所述样本图像对应的增强图像；利用所述训练集对初始模型进行训练，获得系数增强模型。

在一些实施例中，所述获取训练集还包括：对所述样本图像和与其对应的增强图像分别进行分解，得到所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数；将所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数作为所述训练集中的一个样本对。在一些实施例中，所述样本图像对应的增强图像通过对所述样本图像进行增强处理得到，所述增强处理包括：直方图均衡化方法、伽马变换方法、指数图像增强方法、对数图像增强方法中的一种或多种组合的处理。

在一些实施例中，所述机器学习模型为深度学习模型。

在一些实施例中，所述对所述原始图像进行分解，得到所述原始图像的多个分解系数，还包括：采用多分辨率分析方法对所述原始图像进行分解，得到所述原始图像的多个分解系数。

在一些实施例中，所述多分辨率分析方法包括：高斯-拉普拉斯金字塔分解方法或小波分解方法。

本申请实施例之一提供一种图像增强系统。所述系统包括：获取模块，用于获取原始图像；分解模块，用于对所述原始图像进行分解，得到所述原始图像的多个分解系数；增强模块，用于利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；重构模块，用于将包括至少一个增强系数的多个分解系数进行重构，获得所述原始图像对应的增强图像。

在一些实施例中，所述机器学习模型为系数增强模型；所述系统进一步包括训练模块；所述训练模块用于获取训练集，所述训练集中包括样本对；其中，样本对包括多个样本图像和所述样本图像对应的增强图像；以及用于利用所述训练集对初始模型进行训练，获得系数增强模型。

在一些实施例中，所述训练模块还用于对所述样本图像和与其对应的增强图像分别进行分解，得到所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数；将所述样本图像的多个分解系数以及所述样本图像对应的增强图像的多个分解系数作为所述训练集中的一个样本对。

在一些实施例中，所述样本图像对应的增强图像通过对所述样本图像进行增强处理得到，所述增强处理包括直方图均衡化方法、伽马变换方法、指数图像增强方法、对数图像增强方法中的一种或多种组合的处理。

在一些实施例中，所述机器学习模型为深度学习模型。