[发明专利]一种基于自适应匹配和学习的失真图像处理方法及系统

说明书

技术领域

本发明属于图像分类、处理等技术领域，具体地讲涉及一种基于自适应匹配和学习的失真图像处理方法及系统。

背景技术

随着各地平安城市项目的建设，视频监控也越来越普遍地存在于城市的各个角落。在各地平安城市建设中，软件平台尤其是上层应用平台发挥着越来越大的作用，对公安部门侦查办案起到了很大的帮助。但由于视频监控安装环境的复杂性，以及受到光照、物体运动等因素影响，获取的视频图像往往不能很好的显示，能够提供的价值信息非常有限，因此平台中的图像处理工具已经成为还原图片价值信息的一个重要保障。目前，图像处理工具类型众多，如何选用最优算法去处理对应的失真图片、发挥算法的最大功效以及获取图像最大价值信息是当前急需解决的问题。

发明内容

根据现有技术中存在的问题，本发明提供了一种基于自适应匹配和学习的失真图像处理方法及系统，通过预先训练好的模型判定和选择最优算法对待处理失真图像进行处理，获得了达到最优设定效果的处理图像，发挥了算法的最大功效。

为实现上述发明目的，本发明提供了一种基于自适应匹配和学习的失真图像处理方法，其特征在于，所述方法包括以下步骤：

S1，针对各种图像处理工具，建立对应的失真图像样本库；

S2，对失真图像样本库中的失真图像进行预处理，即进行降维特征提取，得到特征图像，所述特征图像构成训练样本；

S3，利用分类技术对训练样本进行训练并构建分类器，得到失真分类模型；

S4，对于导入的待处理失真图像，通过失真分类模型对其进行分类，得到预测失真类别；

S5，根据预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，最终得到一个或多个处理后图像，并对处理后图像进行显示，从中获取达到效果最佳的处理后图像

S6，根据步骤S4～S5的结果，优化失真分类模型。

优选的，步骤S2中所述降维特征提取的方法是先通过PCA(Principal Components Analysis,主成分分析)算法将失真图像的高维数据通过线性变换投影到低维空间上来降低失真图像的维数，得到一次降维后的低维样本；再通过LDA(Linear Discriminant Analysis，线性判别分析)算法将一次降维后的低维样本投影到一个使得所述低维样本中类类之间的距离最大、类内之间的距离最小的最优判别矢量空间中，得到二次降维后的低维样本矩阵。

优选的，步骤S5具体过程如下：

若所述预测失真类别为一种时，针对此种预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，得到一个或多个第一次处理后图像，并对第一次处理后图像进行显示，获取达到效果最佳的第一次处理后图像；

若所述预测失真类别为多种时，针对一种预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，得到一个或多个第一次处理后图像，并对第一次处理后图像进行显示，获取达到效果较佳的第一次处理后图像；再针对另一种预测失真类别，选用对应的一个或多个图像处理工具对达到效果较佳的第一次处理后图像进行处理，得到一个或多个第二次处理后图像，并对第二次处理后图像进行显示，获取达到效果较佳的第二次处理后图像，以此类推，直到所有预测失真类别全部处理完毕，选取最终的处理后图像中达到效果最佳的处理后图像。

优选的，步骤S6中所述优化失真分类模型具体包括以下步骤：

S11，记录达到效果最佳的处理后图像的对应处理流程和图像处理工具；

S12，将处理前的待处理失真图像放入到步骤S11中记录的图像处理工具对应的失真图像样本库中；

S13，重复步骤S2～S3，完成失真分类模型的更新。

进一步优选的，所述PCA算法具体包括以下步骤：

S21，针对一种图像处理工具建立一个失真图像样本库，失真图像样本库对应的样本集为：

A＝{A₁,…,A_i,…,A_N}

A_i指的是一个失真图像样本，其中i∈{1，2，3，...，N}，样本集A里面有N个失真图像样本；

S22，每个失真图像样本均是一个矩阵，矩阵中的每个元素的值代表一个像素值，则每个失真图像样本可表示为：

A_i＝(a_i1,…,a_id)∈R^d