一种基于深度学习的图像识别方法及系统

本发明涉及图像识别领域，尤其涉及一种基于深度学习的图像识别方法及系统。

背景技术：

1、现有技术中，采用深度学习技术对图像进行识别之前，通常需要对图像进行预处理以提升图像的质量。在对图像进行预处理时，可以仅采用一种预处理算法对图像进行处理，或者是采用两种预处理算法分别进行处理，然后将处理结果进行融合，得到经过预处理的图像。将经过预处理的图像输入到深度学习模型中，便可以得到识别的结果。

2、但是，现有技术存在这样的缺点，采用的预处理的算法需要提前进行指定，并不能基于图像的情况进行选择，这样，便容易出现对质量较差的图像仅使用一种预处理算法，使得图像的质量的提升有限的事件的出现概率较大，同时也可能会出现对质量较好的图像使用了多种预处理算法，从而影响了预处理的效率，进而影响图像识别的总体效率。

技术实现思路

1、本发明的目的在于公开一种基于深度学习的图像识别方法及系统，解决如何基于图像的实际情况来选择预处理算法，从而在提高总体的图像预处理效率的同时，能够有效地提升质量较差的图像的质量的问题。

2、为了达到上述目的，本发明提供如下技术方案：

3、第一个方面，本发明提供了一种基于深度学习的图像识别方法，包括：

4、s1，获取需要进行识别的图像；

5、s2，计算需要进行识别的图像的预处理系数；

6、s3，基于预处理系数确定需要进行识别的图像的预处理策略；

7、s4，基于预处理策略对需要进行识别的图像进行预处理，得到预处理图像；

8、s5，将预处理图像输入到基于深度学习的图像识别模型中进行识别。

9、优选地，预处理系数的计算过程包括：

10、第一步，对需要进行识别的图像进行灰度化处理，得到灰度化图像；

11、第二步，在灰度化图像中获取计算区域；

12、第三步，基于计算区域计算需要进行识别的图像的预处理系数。

13、优选地，需要进行识别的图像进行灰度化处理，得到灰度化图像，包括：

14、使用加权平均法对需要进行识别的图像进行灰度化处理，得到灰度化图像。

15、优选地，使用加权平均法对需要进行识别的图像进行灰度化处理，得到灰度化图像，包括：

16、使用如下公式分别对需要进行识别的图像中的每个像素点进行计算，得到灰度化图像：

17、grayb＝w1×rb+w2×gb+w3×bb

18、grayb表示像素点b的灰度值，rb、gb和bb分别表示像素点b在rgb颜色空间中的红色分量、绿色分量和红色分量对应的图像中的像素值，w1、w2和w3分别为第一加权系数、第二加权系数和第三加权系数。

19、优选地，在灰度化图像中获取计算区域，包括：

20、将需要进行识别的图像分为n×n个面积相同的区域；

21、按照距离需要进行识别的图像的中心从近到远的顺序，依次计算每个区域的区域判断值，从第3个区域判断值开始，进行如下处理：

22、判断第k+1个区域判断值arejudk+1是否满足arejudk+1>arejudk>arejudk-1，若是，则将arejudk+1对应的区域作为计算区域，arejudk和arejudk-1分别表示第k个和第k-1个区域判断值；k大于等于2；

23、若否，判断k是否等于等于n2，若否，则继续计算下一个区域的区域判断值；若是，则将区域判断值最大的区域作为计算区域。

24、优选地，区域判断值的计算公式为：

25、

26、arejudk表示对第k个区域进行计算所得到的第k个区域判断值，uk表示第k个区域中的像素点的集合，nuk表示uk中的像素点的总数，grayi表示uk中的像素点i的灰度值。

27、优选地，基于计算区域计算需要进行识别的图像的预处理系数，包括：

28、使用如下公式计算预处理系数：

29、

30、precoef表示预处理系数，m1表示计算区域中灰度值大于计算区域中的像素点的灰度值均值的像素点的数量，m2表示采用nlm算法对计算区域中的像素点进行处理之后得到的图像p中，灰度值大于p中的像素点的灰度值的均值的像素点的数量，ma1表示p中的像素点的灰度值的最大值，mj表示p中，灰度值为j的像素点的总数，m3表示p中的像素点的总数，ma2表示计算区域中的灰度值的最大值，mk表示计算区域中灰度值为k的像素点的数量，m4表示计算区域中的像素点的数量，δ1和δ2分别表示第一权重和第二权重。

31、优选地，基于预处理系数确定需要进行识别的图像的预处理策略，包括：

32、若预处理系数大于预先设定的系数阈值，则采用第一预处理方式作为需要进行识别的图像的预处理策略；

33、若预处理系数小于等于预先设定的系数阈值，则采用第二预处理方式作为需要进行识别的图像的预处理策略。

34、优选地，第一预处理方式包括：

35、用np表示需要进行预处理图像，对于np，分别采用nlm算法和小波降噪算法对np进行预处理，得到图像np1和np2；

36、则预处理图像pp的获取公式如下：

37、npb＝λ×np1b+(1-λ)×np2b

38、npb表示图像pp中的像素点b的灰度值，np1b和np2b分别表示图像np1和np2中，与图像pp中的像素点b坐标相同的像素点的灰度值，λ表示设定的获取系数，λ∈(0.2,0.8)。

39、第二个方面，本发明提供了一种基于深度学习的图像识别系统，包括获取模块、计算模块、确定模块、预处理模块和识别模块；

40、获取模块用于获取需要进行识别的图像；

41、计算模块用于计算需要进行识别的图像的预处理系数；

42、确定模块用于基于预处理系数确定需要进行识别的图像的预处理策略；

43、预处理模块用于基于预处理策略对需要进行识别的图像进行预处理，得到预处理图像；

44、识别模块用于将预处理图像输入到基于深度学习的图像识别模型中进行识别。

45、有益效果：

46、与现有技术相比，本发明在对输入到基于深度学习的图像识别模型中进行识别的图像在进行预处理时，并不是仅采用一种或两种预处理算法进行预处理，而是能够基于图像的实际情况，为图像选择相应的预处理算法，在图像的质量较差时，采用两种预处理算法的进行预处理，从而能够保证预处理的效果。对本来质量就比较高的图像进行处理时，避免使用两种不同的预处理算法来进行预处理，从而提高了图像的处理效率。因此，本发明能在兼顾预处理效率的同时达到较好的预处理效果。

技术特征：

1.一种基于深度学习的图像识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，预处理系数的计算过程包括：

3.根据权利要求2所述的一种基于深度学习的图像识别方法，其特征在于，对需要进行识别的图像进行灰度化处理，得到灰度化图像，包括：

4.根据权利要求3所述的一种基于深度学习的图像识别方法，其特征在于，使用加权平均法对需要进行识别的图像进行灰度化处理，得到灰度化图像，包括：

5.根据权利要求2所述的一种基于深度学习的图像识别方法，其特征在于，在灰度化图像中获取计算区域，包括：

6.根据权利要求5所述的一种基于深度学习的图像识别方法，其特征在于，区域判断值的计算公式为：

7.根据权利要求5所述的一种基于深度学习的图像识别方法，其特征在于，基于计算区域计算需要进行识别的图像的预处理系数，包括：

8.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，基于预处理系数确定需要进行识别的图像的预处理策略，包括：

9.根据权利要求8所述的一种基于深度学习的图像识别方法，其特征在于，第一预处理方式包括：

10.一种基于深度学习的图像识别系统，其特征在于，包括获取模块、计算模块、确定模块、预处理模块和识别模块；

技术总结本发明属于图像识别领域，公开了一种基于深度学习的图像识别方法及系统，方法包括：S1，获取需要进行识别的图像；S2，计算需要进行识别的图像的预处理系数；S3，基于预处理系数确定需要进行识别的图像的预处理策略；S4，基于预处理策略对需要进行识别的图像进行预处理，得到预处理图像；S5，将预处理图像输入到基于深度学习的图像识别模型中进行识别。本发明能够基于图像的实际情况，为图像选择相应的预处理算法，在图像的质量较差时，采用两种预处理算法的进行预处理，从而能够保证预处理的效果。对本来质量就比较高的图像进行处理时，避免使用两种不同的预处理算法来进行预处理，从而提高了图像的处理效率。技术研发人员：于涛受保护的技术使用者：鲁东大学技术研发日：技术公布日：2024/10/10