基于深度学习的图像分析方法及系统

本发明涉及图像处理，尤其涉及基于深度学习的图像分析方法及系统。

背景技术：

1、图像处理技术领域涉及计算机科学、电子工程、数学等多个领域的知识和技术。通过对图像数据进行处理和分析，以改善其质量、提取有用信息、理解其内容或者对其进行某种形式的转换。

2、其中，图像分析方法是图像处理技术中的一个重要分支，主要关注于从图像中提取有意义的信息和特征，以便于进一步的处理或决策。通过识别、理解和解释图像内容来实现自动化视觉理解。例如，在医疗图像分析中，图像分析方法可以帮助识别和分类疾病标志；在交通监控系统中，可以用于识别车辆和行人，提高道路安全。

3、虽然现有技术在图像处理领域已经实现了基础的图像质量改善和信息提取，但仍存在对复杂场景适应性不足的问题。例如，在低光照或高动态范围的环境下，传统图像处理技术难以有效识别和优化关键视觉元素，导致重要细节信息丢失。此外，现有技术在图像去噪处理中缺乏足够的灵活性和动态适应能力。在面对各种类型的噪声时，常规的去噪方法如高斯滤波或中值滤波可能会过度平滑图像，损害了图像的细节和边缘清晰度。从而影响最终成像效果的细节表现和视觉质感。

技术实现思路

1、本技术通过提供了基于深度学习的图像分析方法及系统，解决了虽然现有技术在图像处理领域已经实现了基础的图像质量改善和信息提取，但仍存在对复杂场景适应性不足的问题。例如，在低光照或高动态范围的环境下，传统图像处理技术难以有效识别和优化关键视觉元素，导致重要细节信息丢失。此外，现有技术在图像去噪处理中缺乏足够的灵活性和动态适应能力。在面对各种类型的噪声时，常规的去噪方法如高斯滤波或中值滤波可能会过度平滑图像，损害了图像的细节和边缘清晰度。从而影响最终成像效果的细节表现和视觉质感的问题。

2、鉴于上述问题，本技术提供了基于深度学习的图像分析方法及系统。

3、本技术提供了基于深度学习的图像分析方法，其中，所述方法包括：

4、s1：通过获取输入图像的像素分布，识别图像视觉元素，将视觉元素映射为图像中的关键特征和对象，生成特征识别图；

5、s2：对所述特征识别图中的关键区域进行亮度和对比度调整，计算局部区域的亮度分布，并进行区域细节优化，生成局部优化图；

6、s3：通过对所述局部优化图中每个像素周围区域的像素值变化进行统计，识别杂乱像素点，区分噪声类型和强度，生成噪声评估图；

7、s4：根据所述噪声评估图中的噪声类型和强度，对图像进行滤波处理，保留图像细节信息，生成动态去噪图；

8、s5：识别所述动态去噪图中的边缘和纹理信息，调整和维护图像中的边缘和细节数据，生成细节保护图；

9、s6：对所述细节保护图进行质量评估，通过对比图像每个像素与周围像素之间的亮度差异数据，调整图像的整体亮度、对比度和清晰度，生成视觉完善图。

10、优选的，所述特征识别图包括关键视觉元素的识别结果、视觉元素到关键特征的映射关系以及关键对象的位置信息，所述局部优化图包括对比度和亮度调整后的关键区域细节、局部区域的亮度分布数据以及细节优化的效果描述，所述噪声评估图包括噪声类型的分类信息、噪声强度的量化评估以及噪声分布的图像区域标记，所述动态去噪图包括滤波处理后的噪声减少效果、细节信息的保留状况以及去噪后图像的纹理清晰度，所述细节保护图包括边缘信息的保护状态、纹理细节的维护结果以及去噪过程中细节保留的优化措施，所述视觉完善图包括最终亮度、对比度的调整结果、清晰度优化的区域以及整体视觉效果的协调性判断。

11、优选的，通过分析输入图像的像素分布，识别图像视觉元素，将视觉元素映射为图像中的关键特征和对象，生成特征识别图的步骤，还包括：

12、s101：通过获取输入图像的像素分布，对每个像素点进行遍历，对比像素点与周围像素的亮度值，识别每个像素点与周围像素点的亮度差异，标识图像中亮度变化的区域，包括图像的关键视觉元素，生成亮度差异图；

13、s102：基于所述亮度差异图，识别图像中的形状和边缘，将亮度变化的区域归类为潜在的视觉元素，生成视觉元素标识图；

14、s103：基于所述视觉元素标识图，细化并验证图像中的关键特征和对象数据，判断元素的空间分布和相互关系，界定图像内容的关键组成部分，生成特征识别图。

15、优选的，对所述特征识别图中的关键区域进行亮度和对比度调整，计算局部区域的亮度分布，并进行区域细节优化，生成局部优化图的步骤，还包括：

16、s201：基于所述特征识别图，标定图像中的关键区域，包括物体或景象的位置，生成关键区域标定图；

17、s202：基于所述关键区域标定图，利用局部对比度增强算法，调整每个关键区域的亮度和对比度，包括增加或减少亮度值，生成第一亮度对比度调整图；

18、s203：基于所述第一亮度对比度调整图，通过测量局部区域内每个像素点的亮度值，获取值的平均亮度，并根据平均亮度与全图的亮度水平进行比较，调整局部区域内像素点的亮度值，细化关键区域的细节处理，生成局部优化图。

19、优选的，所述局部对比度增强算法按照改进的公式i：

20、

21、调整每个关键区域的亮度和对比度，使得每个区域在视觉上保持一致性与细节的清晰度，生成第一亮度对比度调整图；

22、其中，c′(i,j)表示在图像中坐标为i,j的位置上经过对比度优化后的像素值，i(i,j)代表在图像中坐标为i,j的位置上的原始像素值，i指的是图像中的行索引，j指的是图像中的列索引，minw为经过加权调整后得到的图像亮度最小值，maxw为经过加权调整后得到的图像亮度最大值，new_min为预设的新增亮度最小范围值，设为0，new_max为预设的新增亮度最大范围值，设为255，w(i,j)是一个权重因子，计算于图像中坐标为i,j的像素点的内容特征。

23、优选的，通过对所述局部优化图中每个像素周围区域的像素值变化进行统计，识别杂乱像素点，区分噪声类型和强度，生成噪声评估图的步骤，还包括：

24、s301：基于所述局部优化图，对每个像素点进行周围像素值的差异分析，通过获取像素点与其相邻像素之间的亮度变化，识别图像中不规则像素点，生成差异识别图；

25、s302：基于所述差异识别图，利用模糊逻辑统计每个不规则像素点周围的像素值变化数据，根据变化的模式和强度，归纳图像中存在的噪声特性，生成噪声特性识别图；

26、s303：基于所述噪声特性识别图，评估和量化每种噪声类型的分布强度，通过对多种噪声强度数据的统计分析，确定噪声在图像中的分布情况和强度级别，生成噪声评估图。

27、优选的，所述模糊逻辑按照改进的公式ii：

28、

29、计算每个像素点周围的亮度差异，获得每个像素点的噪声类型隶属度值，根据变化的模式和强度，归纳图像中存在的噪声特性，生成噪声特性识别图；

30、其中，μ()是一个模糊逻辑中的隶属度函数，x表示周围像素与中心像素的亮度差，a为亮度差异的最小界限，b为亮度差异的中点界限，c为亮度差异的最大界限，p为调整隶属度函数上升阶段斜率的权重因子，q为调整隶属度函数下降阶段斜率的权重因子，r为阈值系数，max()为最大值函数，min()为最小值函数。

31、优选的，根据所述噪声评估图中的噪声类型和强度，对图像进行滤波处理，保留图像细节信息，生成动态去噪图的步骤，还包括：

32、s401：基于所述噪声评估图，对图像中每个区域进行噪声类型和强度的标记，识别多类区域的噪声特点，包括将图像分割成多个区域，并为每个区域分配一个噪声等级，生成噪声分类图；

33、s402：基于所述噪声分类图，为每种噪声类型和强度设置滤波处理策略，针对每种噪声等级的区域应用处理强度，生成滤波处理映射图；

34、s403：基于所述滤波处理映射图，执行滤波处理，对图像进行去噪操作，调整处理后图像中的像素值，生成动态去噪图。

35、优选的，识别所述动态去噪图中的边缘和纹理信息，调整和维护图像中的边缘和细节数据，生成细节保护图的步骤，还包括：

36、s501：基于所述动态去噪图，对每个像素点及周围像素进行梯度分析，通过比较像素点与邻域的亮度差，获取图像中的边缘信息，生成边缘识别图；

37、s502：基于所述边缘识别图，分析图像的纹理模式，通过评估边缘周围区域的像素排列规律，识别图像的纹理信息，生成纹理分析图；

38、s503：基于所述纹理分析图，细化并调整图像中的边缘和纹理数据，对识别的边缘和纹理进行优化处理，生成细节保护图。

39、优选的，对所述细节保护图进行质量评估，通过对比图像每个像素与周围像素之间的亮度差异数据，调整图像的整体亮度、对比度和清晰度，生成视觉完善图的步骤，还包括：

40、s601：基于所述细节保护图，通过对每个像素点的亮度值与周围像素亮度值进行比较，分析图像内每个像素点与周围像素之间的亮度差异，识别图像中的亮度不均匀区域，生成亮度差异分析图；

41、s602：基于所述亮度差异分析图，对图像的整体亮度和对比度进行调整，通过平衡图像的亮度分布和对比度，生成第二亮度对比度调整图；

42、s603：基于所述第二亮度对比度调整图，细化图像的清晰度，维护整体视觉和谐，生成视觉完善图。

43、基于深度学习的图像分析系统，所述系统包括：

44、视觉特征映射模块从输入图像中获取像素分布，识别并标记图像的视觉元素，映射视觉元素为图像中的关键特征和对象，生成特征识别图；

45、关键区域亮度调优模块在所述特征识别图基础上，针对关键区域进行亮度和对比度的调整，细化区域的亮度分布和细节处理，生成局部优化图；

46、像素变化噪声识别模块利用所述局部优化图，对每个像素周围区域的像素值变化进行统计，识别杂乱像素点，区分噪声类型和强度，生成噪声评估图；

47、噪声滤波调整模块根据所述噪声评估图中的信息，调整滤波策略匹配多种噪声类型和强度，保留关键图像细节，生成动态去噪图；

48、图像边缘细节优化模块对所述动态去噪图中的图像进行边缘和纹理信息的分析和调整，生成细节保护图；

49、图像整体效果提升模块在所述细节保护图基础上，迭代调整图像的整体亮度、对比度和清晰度，生成视觉完善图；

50、像素对比质量分析模块通过对比所述视觉完善图中每个像素与周围像素之间的亮度差异，进行图像的整体质量评估，生成图像质量分析信息。

51、本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：

52、局部对比度增强算法通过深度学习识别和优化关键视觉区域，特别在低光照或高动态范围的场景中，可以有效地增强局部细节和对比度，从而保留更多的重要信息，提升视觉表现力。同时，模糊逻辑动态图像去噪算法利用智能评估机制，对图像中的噪声类型和强度进行精确识别和分类，根据噪声的特性动态选择合适的去噪策略。不仅减少了噪声对图像质量的影响，还保留了关键的细节和边缘信息，提高了图像的实用价值和视觉质感。

53、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。