(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 112070099 A(43)申请公布日 2020.12.11
(21)申请号 202010936016.9(22)申请日 2020.09.08
(71)申请人 江西财经大学
地址 330013 江西省南昌市昌北国家经济
技术开发区双港东大街169号(72)发明人 杨勇 黄淑英 万伟国 (74)专利代理机构 西安铭泽知识产权代理事务
所(普通合伙) 61223
代理人 吴林(51)Int.Cl.
G06K 9/46(2006.01)G06K 9/62(2006.01)G06N 20/00(2019.01)
权利要求书2页 说明书5页 附图3页
(54)发明名称
一种基于机器学习的图像处理方法
(57)摘要
本发明公开了一种基于机器学习的图像处理方法，包括如下步骤：提取出要处理的训练图像的特征；接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到；将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个图像处理模型；接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的图像处理模型中得到该目标图像所对应的图像处理方法；使用该目标图像的图像处理方法对该目标图像进行图像处理；输出图像处理后的图案。本发明使得用户对图像进行录入，通过识别图像的特征在图像处理模型得到该图像的图像处理方法，最终得到从中提取出的图案。
CN 112070099 ACN 112070099 A
权 利 要 求 书
1/2页
1.一种基于机器学习的图像处理方法，其特征在于，包括如下步骤：提取出要处理的训练图像的特征；
接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到；将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个有监督图像处理模型，并对该有监督图像处理模型进行训练；
接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的有监督图像处理模型中得到该目标图像所对应的图像处理方法；
使用该目标图像的图像处理方法对该目标图像进行图像处理；输出图像处理后的图案。
2.如权利要求1所述的一种基于机器学习的图像处理方法，其特征在于，还包括如下步骤：
在使用目标图像的图像处理方法对目标图像进行图像处理之后，建立无监督图像处理模型；
将该目标图像的特征作为输入同时将该目标图像所对应的图像处理方法作为输出进行建模，得到一个无监督图像处理模型，并对该无监督图像处理模型进行训练；
将后续录入的目标图像提取出其特征之后，将提取出的特征输入到该无监督图像处理模型中得到其所对应的图像处理方法，并使用该目标图像的特征和其所对应的图像处理方法放入该无监督图像处理模型进行训练。
3.如权利要求2所述的一种基于机器学习的图像处理方法，其特征在于，当有监督图像处理模型训练好之后，再建立无监督图像处理模型。
4.如权利要求2所述的一种基于机器学习的图像处理方法，其特征在于，还包括如下步骤：
将有监督图像处理模型和无监督图像处理模型进行合并，得到全图像处理模型；将录入的目标图像提取出其特征之后，将提取出的特征输入到该全图像处理模型中得到其所对应的图像处理方法；
使用该目标图像的图像处理方法对该目标图像进行图像处理，并输出图像处理后的图案。
5.如权利要求1所述的一种基于机器学习的图像处理方法，其特征在于，在提取出要处理的训练图像的特征的时候，包括如下步骤：
获取要处理的训练图像的全部像素点，并得到全部像素点所组成的M×N矩阵；获取第i行第j列的像素点的坐标(i,j)以及该像素点的像素值Z(i,j)，其中i＝1,2,…,M，j＝1,2,…,N；
根据
得到每一个像素点的差异值C(i,j)，
遍历所有的像素点的差异值并求得该训练图像的差异值C为像素点的差异值C(i,j)的平
2
CN 112070099 A
权 利 要 求 书
2/2页
均值；
将训练图像的差异值C作为训练图像的特征进行输出。
6.如权利要求5所述的一种基于机器学习的图像处理方法，其特征在于，在求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值的时候，根据
求得。
3
CN 112070099 A
说 明 书
一种基于机器学习的图像处理方法
1/5页
技术领域
[0001]本发明涉及图像处理领域，特别涉及一种基于机器学习的图像处理方法。背景技术
[0002]在图像处理的技术中，其中有一项就是要将图像中特定的图案提取出来，通常，在提取的时候，对于不同特点的图像，都会有特定适合的提取方法，这样才能使得将图案完整无失真的被提取出来，但是在用户准备对图像进行处理的时候，无法直观的从图像的外表中看出图像的特点，而如果放在单一处理功能的图像处理器中，所得到的图案就不能保证质量，即不能保证图案的完整无失真，但是如果放在多种处理功能的图像处理器中，需要用户根据图像自身的特点，选择合适的图像处理方法，但是如果用户对图像没有过多的了解，则很容易将该图像所适合的图像处理方法选择错误，这样也就非常容易使得所得到的图案就不能保证质量，即不能保证图案的完整无失真。发明内容
[0003]本发明的目的是克服上述现有技术中存在的问题，提供一种基于机器学习的图像处理方法，通过在图像处理前得到每一个图像的特征，并记录这些特征的图像所使用的图像处理方法，建立一个图像处理模型，然后在使得用户对图像进行录入，通过识别图像的特征，根据图像处理模型得到该图像的图像处理方法，最终得到从中提取出的图案。[0004]为此，本发明提供一种基于机器学习的图像处理方法，其特征在于，包括如下步骤：[0005]第一，提取出要处理的训练图像的特征；[0006]第二，接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到；[0007]第三，将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个有监督图像处理模型，并对该有监督图像处理模型进行训练；[0008]第四，接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的有监督图像处理模型中得到该目标图像所对应的图像处理方法；[0009]第五，使用该目标图像的图像处理方法对该目标图像进行图像处理；[0010]第六，输出图像处理后的图案。[0011]进一步，还包括如下步骤：[0012]第一，在使用目标图像的图像处理方法对目标图像进行图像处理之后，建立无监督图像处理模型；[0013]第二，将该目标图像的特征作为输入同时将该目标图像所对应的图像处理方法作为输出进行建模，得到一个无监督图像处理模型，并对该无监督图像处理模型进行训练；[0014]第三，将后续录入的目标图像提取出其特征之后，将提取出的特征输入到该无监督图像处理模型中得到其所对应的图像处理方法，并使用该目标图像的特征和其所对应的
4
CN 112070099 A
说 明 书
2/5页
图像处理方法放入该无监督图像处理模型进行训练。[0015]更进一步，当有监督图像处理模型训练好之后，再建立无监督图像处理模型。[0016]更进一步，还包括如下步骤：[0017]第一，将有监督图像处理模型和无监督图像处理模型进行合并，得到全图像处理模型；
[0018]第二，将录入的目标图像提取出其特征之后，将提取出的特征输入到该全图像处理模型中得到其所对应的图像处理方法；[0019]第三，使用该目标图像的图像处理方法对该目标图像进行图像处理，并输出图像处理后的图案。[0020]进一步，在提取出要处理的训练图像的特征的时候，包括如下步骤：[0021]第一，获取要处理的训练图像的全部像素点，并得到全部像素点所组成的M×N矩阵；
[0022]第二，获取第i行第j列的像素点的坐标(i,j)以及该像素点的像素值Z(i,j)，其中i＝1,2,…,M，j＝1,2,…,N；[0023]第三，根据
[0024]
[0025]
得到每一个像素点的差异值C(i,j)，[0026]第四，遍历所有的像素点的差异值并求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值；[0027]第五，将训练图像的差异值C作为训练图像的特征进行输出。[0028]更进一步，在求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值的时候，根据
[0029]
求得。
[0031]本发明提供的一种基于机器学习的图像处理方法，具有如下有益效果：[0032]1、本发明通过在图像处理前得到每一个图像的特征，并记录这些特征的图像所使用的图像处理方法，建立一个图像处理模型，然后在使得用户对图像进行录入，通过识别图像的特征，根据图像处理模型得到该图像的图像处理方法，最终得到从中提取出的图案；[0033]2、本发明的图像处理模型再开始建立的时候采用有监督学习模型，在设定时间后转化为无监督学习模型，这样可以使得对于图像处理方法的选择更加的精准，从而达到使得提取出的图案质量更好的效果；[0034]3、本发明在对图像的特征进行提取的时候，通过对图像中各个像素的像素值进行统计分析，得到像素之间的差异大小，根据像素之间的差异大小对应得到图像的特征，从而
5
[0030]
CN 112070099 A
说 明 书
3/5页
得到图像的特征。
附图说明
[0035]图1为本发明的整体流程示意图；
[0036]图2为本发明中无监督图像处理模型在处理时候的流程示意图；
[0037]图3为本发明中无监督图像处理模型和有监督图像处理模型在合并时候的流程示意图。
具体实施方式
[0038]下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的。[0039]具体的，如图1所示，本发明实施例提供了一种基于机器学习的图像处理方法，其特征在于，包括如下步骤：[0040]第一，提取出要处理的训练图像的特征：[0041]在本发明中，可以使用多种方式对提取出要处理的训练图像的特征，可以通过提取出训练图像的特征值作为训练图像的特征，也可以使用训练图像的特征的从其他角度所得到的特征值作为训练图像的特征。[0042]在本发明中，通过像素值的角度得到训练图像的特征，因为在图像提取中，大多数会对图像的像素值进行处理和判断，因此，使用训练图像的像素值，得到像素值之间的差异值，既可以得到训练图像的特征。[0043]具体的，在提取出要处理的训练图像的特征的时候，包括如下步骤：[0044](一)，获取要处理的训练图像的全部像素点，并得到全部像素点所组成的M×N矩阵；
[0045]上述的M×N矩阵为训练图像的全部像素点所组成的矩阵，该矩阵中，像素点的总行数为N，总列数为M。[0046](二)，获取第i行第j列的像素点的坐标(i,j)以及该像素点的像素值Z(i,j)，其中i＝1,2,…,M，j＝1,2,…,N；[0047](三)，根据
[0048]
[0049]
得到每一个像素点的差异值C(i,j)，[0050]上述公式中，对每一个像素点使用的交叉比对法对该像素点的像素值进行评估，得到该像素点的差异值C(i,j)，在本发明中，将该像素点横向相邻的像素值和该像素点纵向相邻的像素值进行差异比较，这样在与该像素点的原像素值进行对比，得到的比值即是该像素点的差异值C(i,j)。
在上式中，
为该像素点横向相邻的像素点的综合值，
[0051]
6
CN 112070099 A
说 明 书
4/5页
为该像素点纵向相邻的像素点的综合值，将这两个综合征相乘
之后再开根号即是该像素点的综合值，在将该像素点的综合值与与该像素点的原像素值进
行对比，得到的比值即是该像素点的差异值C(i,j)。[0052](四)，遍历所有的像素点的差异值并求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值；[0053]在本发明中，在求得该训练图像的差异值C为像素点的差异值C(i,j)的平均值的时候，根据
[0054]
求得。从而使得得到该训练图像的差异值C为像素点的差异值C(i,j)的平均值。[0056](五)，将训练图像的差异值C作为训练图像的特征进行输出。[0057]第二，接收该训练图像特征所对应的图像处理方法，该训练图像处理方法通过录入得到：
[0058]在前期的训练阶段，即本发明在初期的使用的时候，需要一些数据的积累，作为模型训练的依据，因此，通过录入得到训练图像处理方法，此时可以使用专业人员的手动录入，也可以使用网络爬虫技术在互联网中进行搜索，并将得到的训练图像处理方法与其所对应的训练图像一一对应起来，并且进行存储，以便后续进行训练。[0059]第三，将该训练图像的特征作为输入同时将该训练图像所对应的图像处理方法作为输出进行建模，得到一个有监督图像处理模型，并对该有监督图像处理模型进行训练：[0060]在本发明中，有监督图像处理模型为有监督的模型，在建立的时候，给定应有的输入和输出，经过大量的数据，即是一定量的数据积累，使得所训练的模型具有一个完善的表达方式，即达到了训练的目的，这样就会得到一个训练好的模型，后续就只需要正常的输入，输入经过训练好的模型的转化，既可以得到输出。[0061]由于本发明的实施例中，所输入的只有单一的数据，因此，在模型的转化之后，输出的也会单一的数据，此时，可以将单一的数据与图像处理方法进行对应，一个数据对应一个图像处理方法，每一个图像处理方法与其所对应的数据存储在数据库中即可，是使用的时候，通过从数据库中进行调用。[0062]第四，接收用户录入的目标图像，提取出该目标图像的特征之后，将该目标图像的特征输入到训练好的有监督图像处理模型中得到该目标图像所对应的图像处理方法：[0063]上述方法中，使用的就是训练好的有监督图像处理模型，将目标图像的特征作为输入，经过有监督图像处理模型的转化，最终得到该目标图像所对应的图像处理方法。[00]同时，在本发明中，还可以通过建立无监督图像处理模型，使得获得的该目标图像所对应的图像处理方法更加的准确。具体的，如图2所示，包括如下步骤：[0065](A)，在使用目标图像的图像处理方法对目标图像进行图像处理之后，建立无监督图像处理模型；
[0066]无监督图像处理模型为无监督的模型，在建立的时候，只要不停的给定输入，无监
7
[0055]
CN 112070099 A
说 明 书
5/5页
督的模型就会自动的对模型进行修正，当数据量巨大的时候，也会得到一个完善的模型。[0067](B)，将该目标图像的特征作为输入同时将该目标图像所对应的图像处理方法作为输出进行建模，得到一个无监督图像处理模型，并对该无监督图像处理模型进行训练；[0068]在本发明中，使用从有监督图像处理模型训练后得到的输入作为无监督图像处理模型的输入，这样在对无监督图像处理模型进行修正的时候，就可以使得其接近与完善模型的速度更快，使得修正的结果也会更加的精准。[0069](C)，将后续录入的目标图像提取出其特征之后，将提取出的特征输入到该无监督图像处理模型中得到其所对应的图像处理方法，并使用该目标图像的特征和其所对应的图像处理方法放入该无监督图像处理模型进行训练。[0070]在本发明中，通过源源不断的数据对无监督图像处理模型进行不断的修正，这样就可使得无监督图像处理模型的完善模型的速度更快，使得修正的结果也会更加的精准。[0071]第五，使用该目标图像的图像处理方法对该目标图像进行图像处理：[0072]在该步骤中，分为两种情况，一种是只是单纯的使用可有监督图像处理模型，另一种是不但使用有监督图像处理模型还使用可无监督图像处理模型。下面，我们分别进行概述。
[0073]如果只是单纯的使用可有监督图像处理模型，就将有监督图像处理模型所得到的目标图像的图像处理方法对该目标图像进行图像处理即可。
[0074]如果不但使用有监督图像处理模型还使用可无监督图像处理模型，则需要将有监督图像处理模型和可无监督图像处理模型合并后进行使用，具体的，如图3所示，包括如下步骤：[0075](1)，将有监督图像处理模型和无监督图像处理模型进行合并，得到全图像处理模型；[0076](2)，将录入的目标图像提取出其特征之后，将提取出的特征输入到该全图像处理模型中得到其所对应的图像处理方法；[0077](3)，使用该目标图像的图像处理方法对该目标图像进行图像处理，并输出图像处理后的图案。
[0078]有监督图像处理模型和无监督图像处理模型均是通过表达式来进行表达的，同时，有监督图像处理模型和无监督图像处理模型的输入是一致的，都是图像的特征，因此，在合并有监督图像处理模型和无监督图像处理模型的时候，只需要将有监督图像处理模型的表达式和无监督图像处理模型表达式进行合并即可，即是将有监督图像处理模型的表达式和无监督图像处理模型表达式进行相加，就得到了全图像处理模型的表达式，即是全图像处理模型。[0079]第六，输出图像处理后的图案：
[0080]将输入的图像根据所得到的图像处理的方法进行处理，得到处理后的图案，即是从输入的图像中提取出的图案，将该图案进行输出。[0081]以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
8
CN 112070099 A
说 明 书 附 图
1/3页
图1
9
CN 112070099 A
说 明 书 附 图
2/3页
图2
10
CN 112070099 A
说 明 书 附 图
3/3页
图3
11
