[发明专利]一种基于深度学习的可调节图像优化系统和方法

权利要求书

1.一种基于深度学习的可调节图像优化系统，其特征在于，包括：

模型构建模块，用于预先训练形成一用于图像优化的深度学习模型，所述模型构建模块包括：

收集子模块，用于收集若干图像作为原始数据集；

配置子模块，用于配置若干类优化参数以及每个类优化参数的若干个参数值；

预处理子模块，连接所述收集子模块和所述配置子模块，用于对所述原始数据集中的每张所述图像进行预设次数的随机优化，每次所述随机优化时分别为每类所述优化参数随机选取一个所述参数值，以形成一个参数集并作为所述随机优化的入参，以获取每张所述图像的所述预设次数的优化图像；

训练子模块，分别连接所述采集子模块和所述预处理子模，用于将所述原始数据集、所述优化图像以及对应的所述参数集作为训练数据集，对构建的深度学习模型进行训练；

图像优化模块，连接所述模型构建模块，用于利用已训练好的所述深度学习模型对待优化图像进行优化处理，所述图像优化模块包括：

采集子模块，用于采集待优化图像；

参数子模块，用于选取每个所述优化参数的参数值；

优化子模块，分别连接所述采集子模块和所述参数子模块，用于基于已选取的所述优化参数的参数值和已训练好的所述深度学习模型对所述待优化图像进行优化处理，以获取所述待优化图像的优化图像。

2.如权利要求1所述的一种基于深度学习的可调节图像优化系统，其特征在于，所述优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。

3.如权利要求2所述的一种基于深度学习的可调节图像优化系统，其特征在于，每类所述优化参数的参数值所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度。

4.如权利要求2所述的一种基于深度学习的可调节图像优化系统，其特征在于，采用图像优化算法对所述原始数据集中的每张所述图像进行随机优化，所述图像优化算法中，对于每类所述优化参数分别执行不同的处理方式：

针对所述平滑程度采用高斯模糊算法；

针对所述特征强度采用Retinex算法；

针对所述边缘锋利强度采用拉普拉斯增强算法；

针对所述连接线程度采用霍夫直线算法。

5.如权利要求1所述的一种基于深度学习的可调节图像优化系统，其特征在于，所述深度学习模型为STGAN优化模型。

6.如权利要求1所述的一种基于深度学习的可调节图像优化系统，其特征在于，所述采集子模块5设置于一超声设备中。

7.如权利要求1所述的一种基于深度学习的可调节图像优化系统，其特征在于，所述预设次数为8。

8.一种基于深度学习的可调节图像优化方法，其特征在于，采用如权利要求1-7任意一项所述的一种基于深度学习的可调节图像优化系统，包括：

预先训练形成一用于图像优化的深度学习模型的步骤：

步骤A1，收集若干图像作为原始数据集；

步骤A2，配置若干类优化参数以及每类优化参数的若干个参数值；

步骤A3，对所述原始数据集中的每张所述图像进行预设次数的随机优化，每次所述随机优化时分别为每类所述优化参数随机选取一个所述参数值，以形成一个参数集并作为所述随机优化的入参，以获取每张所述图像的所述预设次数的优化图像；

步骤A4，将所述原始数据集、所述优化图像以及对应的所述参数集作为训练数据集，对构建的深度学习模型进行训练；

利用已训练好的所述深度学习模型对待优化图像进行优化处理的步骤：

步骤B1，采集待优化图像；

步骤B2，选取每个所述优化参数的参数值；

步骤B3，基于已选取的所述优化参数的参数值和已训练好的所述深度学习模型对所述待优化图像进行优化处理，以获取所述待优化图像的优化图像。

9.如权利要求8所述的一种基于深度学习的可调节图像优化方法，其特征在于，所述优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。

10.如权利要求9所述的一种基于深度学习的可调节图像优化方法，其特征在于，每类所述优化参数所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度。