[发明专利]一种图像处理方法和系统

说明书

本发明公开了一种图像处理方法和系统，包括:接收待处理的图像数据；利用预设深度卷积神经网络模型对图像数据进行预处理操作，获得处理后的图像数据；输出处理后的图像数据。该技术方案，通过预设深度卷积神经网络模型对图像进行对应的预处理操作，如进行图像的还原，增强和去噪等操作，这样，不需要通过多个过滤器进行图像处理，而只通过深度卷积神经网络模型就可以实现图像处理，该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。

技术领域

本发明涉及深度学习技术领域，更具体地，涉及一种图像处理方法和系统。

背景技术

相关技术中，对于图像的预处理，如图像的分辨率放大、信号增强和去噪等，一般采用过滤器进行处理，但是，采用过滤器进行处理时，每种过滤器只能解决部分问题，这样，可能需要几十种过滤器，很难找到通用的过滤器。

发明内容

鉴于上述问题，本发明提出了一种图像处理方法和系统，其可以通过深度卷积神经网络模型对图像进行处理，而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。

根据本发明实施例的第一方面，提供一种图像处理方法，包括：

接收待处理的图像数据；

利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，获得处理后的图像数据；

输出所述处理后的图像数据。

在一个实施例中，优选地，所述利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，包括：

通过检测所述图像数据确定所需的预处理操作；

利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作；

或者，

利用第一深度卷积神经网络模型对所述图像数据进行信号增强操作，得到信号增强图像数据；

通过检测所述信号增强图像数据判断是否进行进一步的预处理操作；

在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作。

在一个实施例中，优选地，在接收图像数据之前，所述方法还包括：

根据深度学习算法训练得到所述预设深度卷积神经网络模型。

在一个实施例中，优选地，所述根据深度学习算法训练得到所述预设深度卷积神经网络模型，包括：

获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括目标图像数据和输入图像数据；

将所述训练样本信号集合中的输入图像数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；

将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果；

根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。

在一个实施例中，优选地，所述预设深度卷积神经网络模型用于进行以下任一项操作：信号去噪操作，信号增强操作和分辨率放大操作，

当所述预设深度卷积神经网络模型用于进行信号去噪操作时，所述输入图像数据中叠加有所述目标图像数据和至少一个类型的高斯噪声信号；