[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

说明书

本发明提供一种基于深度学习的可调节图像优化系统和方法，收集若干图像作为原始数据集；配置若干类优化参数以及每类优化参数的若干个参数值；对原始数据集中的每张图像进行预设次数的随机优化，每次随机优化时分别为每个优化参数随机选取一个参数值，以形成一个参数集并作为优化的入参，以获取每张图像的预设次数的优化图像；将原始数据集、优化图像以及对应的参数集作为训练数据集，对构建的深度学习模型进行训练；基于已选取的优化参数的参数值和已训练好的深度学习模型对待优化图像进行优化处理，以获取待优化图像的优化图像。使得深度学习模型对待优化图像的优化会根据输入优化参数的不同进行不同程度的优化。

技术领域

本发明涉及图像处理技术领域以及超声技术领域，尤其涉及一种基于深度学习的可调节图像优化系统和方法。

背景技术

在使用传统的图像算法对超声图像进优化的时候，一般是可以就图像的优化程度做一些参数配置，但使用深度学习做图像优化的算法中，一般的深度学习模型本身是作为一个黑盒来处理的，它不能很好处理除了图像以外的参数，因而不能相应设置一些优化参数，深度学习图像优化很少有能够根据输入参数有一个不同程度的优化。

发明内容

基于上述提出的不足，本发明提供一种基于深度学习的可调节图像优化系统和方法，旨在解决现有技术中深度学习模型对图像进行优化时无法根据外部的输入参数进行一个不同程度的优化等技术问题。

一种基于深度学习的可调节图像优化系统，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，所述深度学习模型为STGAN优化模型。