[发明专利]图像处理方法及图像处理系统

说明书

本发明提供一种图像处理方法及图像处理系统。该图像处理方法包括如下步骤：接收原始图像，并缩小原始图像的尺寸，得到第一过渡图像；提供第一膨胀卷积神经网络，利用第一膨胀卷积神经网络对第一过渡图像进行膨胀卷积处理，以增强第一过渡图像的画质，得到第二过渡图像；放大第二过渡图像的尺寸，得到第三过渡图像，第三过渡图像的尺寸与原始图像的尺寸相同；将原始图像与第三过渡图像矩阵拼接，得到第四过渡图像；提供第二膨胀卷积神经网络，利用第二膨胀卷积神经网络对第四过渡图像进行膨胀卷积处理，以恢复第四过渡图像的细节信息，得到目标图像。本发明能够在不减少图像细节信息的情况下，减少神经网络运算量，避免处理后的图像出现局部突变。

技术领域

本发明涉及显示技术领域，尤其涉及一种图像处理方法及图像处理系统。

背景技术

随着科技的发展，人们对显示装置的要求越来越高，更轻便、更清晰、更鲜艳成为了电视的发展方向和目标。除了在硬件上提高电视分辨率，增加动态范围和色域范围等方式，还可以通过设置在显示装置中的图像处理系统指挥和协调显示装置各项功能对图像信号逐个优化，从而可在已有硬件的基础上给用户带来更好的画质，

图像增强技术是图像处理技术的一种，它可以显著改善图像质量，使得图像内容更有层次感并且主观观测效果更符合人们需求。现实生活中，原始图像往往存在各种问题，例如：拍照时光圈偏小，导致图像偏暗；场景的对比度较低，而使得图像重点不突出；曝光过度，导致影像失常，照片泛白等。通过图像增强技术可以有效解决上述问题，提升显示质量。

常见的图像增强技术包括：饱和度增强和对比度增强，相比于饱和度增强，对比度增强受到的关注度更高。对比度增强是通过调节图像的灰阶分布，增加图像灰阶的分布范围，以提高图像整体或部分的对比度，改善视觉效果。

神经网络架构是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。它最大优势是能够被用作一个任意函数逼近的机制，从观测到的数据“学习”。近年来，神经网络架构被越来越多地用在图像处理算法上，典型的例如膨胀卷积神经网络。

膨胀卷积神经网络能够理由膨胀卷积的特征，在扩大神经网络视野域的同时，保持较少的运算次数，实现原图像素精度的神经网络输出，但对于大尺寸图像，膨胀卷积神经网络存在因视野域不足导致图像局部突变的问题，现有技术为了该问题，被迫加深网络深度，导致网络容量冗余，网络架构的复杂性增加。

发明内容

本发明的目的在于提供一种图像处理方法，能够减少神经网络运算量，避免增强后的图像出现局部突变，且不减少增强后的图像的细节信息。

本发明的目的还在于提供一种图像处理系统，能够减少神经网络运算量，避免增强后的图像出现局部突变，且不减少增强后的图像的细节信息。

为实现上述目的，本发明提供一种图像处理方法，包括如下步骤：

步骤S1、接收原始图像，并缩小原始图像的尺寸，得到第一过渡图像；

步骤S2、提供第一膨胀卷积神经网络，利用所述第一膨胀卷积神经网络对所述第一过渡图像进行膨胀卷积处理，以增强第一过渡图像的画质，得到第二过渡图像；

步骤S3、放大所述第二过渡图像的尺寸，得到第三过渡图像，所述第三过渡图像的尺寸与原始图像的尺寸相同；

步骤S4、将所述原始图像与所述第三过渡图像矩阵拼接，得到第四过渡图像；

步骤S5、提供第二膨胀卷积神经网络，利用所述第二膨胀卷积神经网络对所述第四过渡图像进行膨胀卷积处理，以恢复第四过渡图像的细节信息，得到目标图像。

所述第一过渡图像的尺寸小于或等于256像素×256像素。

所述第一膨胀卷积神经网络对所述第一过渡图像进行至少五层膨胀卷积处理。