[发明专利]基于无监督学习的非局部神经网络图像处理方法及系统

说明书

本发明提供一种基于无监督学习的非局部神经网络图像处理方法，包括获取图像数据集，把图像数据集中图像进行统一尺寸调整之后作为神经网络的训练集；构建非局部神经网络；将训练集中的图像作为非局部神经网络的输入，并基于无监督学习训练非局部神经网络，得到训练好的非局部神经网络；获取待平滑图像，将待平滑图像输入到已训练好的非局部神经网络中，得到平滑后的图像。实施本发明，任何图像都可以用来训练神经网络，避免没有训练集目标平滑结果而无法训练神经网络的弊端，不但获得高质量的图像平滑结果，还避免了训练神经网络时效果近似于传统全局最优化的图像平滑方法的弊端。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及一种基于无监督学习的非局部神经网络图像处理方法及系统。

背景技术

图像平滑是去除图像不重要的细节并保持图像中边缘和轮廓等重要结构的图像处理技术，其作为图像处理中最基本的方法被广泛应用于轮廓检测、图像分割和图像风格化等技术中。

目前，主流的图像平滑方法分为两大类：基于局部加权平均的图像平滑方法和基于全局最优化的图像平滑方法。

在基于局部加权平均的图像平滑方法中，通过双边滤波器、权重中值滤波、各向异性扩散滤波等方式实现图像输出的各个像素值为该像素局部邻域的加权平均值，该方法虽然计算速度快，但是图像平滑的质量普遍不高，有可能会产生光晕效应，同时很难平衡边缘保持和细节平滑的权重。例如，C.Tomasi and R.Manduchi公开的一种基于局部加权平均的图像平滑方法(参见：Bilateral filtering for gray and color images[C],inComputer Vision,1998.Sixth International Conference on.IEEE,1998,pp.839–846)。

在基于全局最优化的图像平滑方法中，通过设计能量函数，求解全局最优解来获得图像平滑的效果，其关键在于设计合适的能量函数，虽然产生的图像平滑效果明显优于基于局部加权平均的图像平滑方法，但需要求解大型的线性方程，导致耗费更多的计算时间，很难达到实时图像处理的要求。例如，Farbman等人提出边缘保持平滑方法(参见：Farbman Z,Fattal R,D Lischinski,et al.Edge-preserving decompositions formulti-scale tone and detail manipulation[J].Acm Transactions on Graphics,2008,27(3):1-10)，以及Sai Bi等人提出的基于L1范数的图像变换方法(参见：Bi S,HanX,Yu Y.An L1 image transform for edge-preserving smoothing and scene-levelintrinsic decomposition[J].ACM Transactions on Graphics(TOG),2015)。