[发明专利]一种融合多尺度信息的自动图像增强系统及方法

说明书

本发明公开了一种融合多尺度信息的自动图像增强系统及方法，包括：样本标定模块：采集训练集图像，对训练集图像像素级标记，确定标签的映射范围，得到对应的参考标准图像；自动构建网络模块：输入对应的参考标准图像，指定需要感知的图像范围，自动计算多尺度融合模块中卷积核大小和数目，生成卷积神经网络模型；自动训练网络模块：采用随机梯度下降法最优化像素加权损失函数，离线训练卷积神经网络模型；网络应用模块：输入新图像到训练的网络，输出原图大小的增强图像。本发明通过融合多尺度的特征，有效利用上下文信息，自动增强图像，不需人工干预。

技术领域

本发明涉及图像处理领域，尤其涉及一种融合多尺度信息的自动图像增强系统及方法。

背景技术

图像增强是图像处理的基本内容之一，按照某种特定的需求，突出图像中有用信息，去除或者削弱无用信息。目的是改善图像质量，处理的结果更适合于人的视觉特性或机器识别系统。图像增强技术已经广泛应用于医学诊断、航空航天、无损探测、卫星图片处理等领域。

常见的图像增强技术大都是基于图像的统计信息，采用低通滤波、中值滤波等方法去掉图像中的噪声；采用高通滤波、小波变换等增强边缘，使模糊的图片变得清晰。这些方法需人工不断试验参数、观察处理效果，且不能有效的融合多尺度上下文信息。随着近些年高效的GPU计算的发展，应用深度学习来解决传统的研究问题显得更加方便可行。而深度卷积神经网络越来越被广泛使用在图像处理上的各种问题上，并取得了显著的效果。本方法是基于深度学习的增强技术，通过融合多尺度的特征，有效利用上下文信息，自动增强图像，不需人工干预。

发明内容

本发明所要解决的技术问题在于现有技术不能融合上下文信息、需人工不断尝试。

本发明是通过以下技术方案实现的：一种融合多尺度信息的自动图像增强系统，包括以下所述模块：

样本标定模块：采集训练集图像，对训练集图像像素级标记，确定标签的映射范围，得到对应的参考标准图像；

自动构建网络模块：输入对应的参考标准图像，指定需要感知的图像范围，自动计算多尺度融合模块中卷积核大小和数目，生成卷积神经网络模型；

自动训练网络模块：采用随机梯度下降法最优化像素加权损失函数，离线训练卷积神经网络模型；

网络应用模块：输入新图像到训练的网络，输出原图大小的增强图像。

作为本发明的优选方式之一，所述样本标定模块：采集相关训练集图像，训练集图像中需要映射为同一目标范围内的像素标记为相同标签，并确定每个标签的映射范围；针对单通道图像，像素的参考标准强度值按如下公式计算：

其中O_p为像素的参考标准值，I_p为像素的强度值，I_min为同标签像素的最小强度值，I_max为同标签像素的最大强度值，O_min为标签映射范围最小值，O_max为标签映射范围最大值，针对彩色图像，每个通道按照单通道图像处理，最终得到参考标准图像。

作为本发明的优选方式之一，所述自动构建网络模块：卷积模型中的特征下采样模块对输入图像提取特征并8倍下采样，多尺度融合模块采用方形卷积核，确定卷积模块感知范围L，卷积模块数目N计算如下：

其中函数ψ(·)为向上取整函数，K₁为最小卷积模块的核尺寸，其他卷积模块核尺寸K_i按如下公式计算：

K_i＝i×K₁-1,i＝2,…,N

；其中K_i为第i个卷积模块的核尺寸。特征上采样模块利用特征下采样信息进行8倍上采样，恢复原图大小。