基于人工智能的图像处理方法、装置、计算机设备及介质与流程

本技术涉及人工智能开发与金融科技领域，尤其涉及基于人工智能的图像处理方法、装置、计算机设备及存储介质。

背景技术：

1、沙尘天气下，由于大气中悬浮的大量沙尘颗粒对可见光有着不同程度的散射，导致成像设备获取到的通常是模糊的低质图像。在金融保险的理赔场景下，进行理赔业务的处理过程中往往也会涉及沙尘图像，例如理赔人员在沙尘天气下通过摄像机拍摄得到的与理赔业务相关的车辆图像、人物图像、环境图像，等等。

2、为了理赔业务的顺畅进行，通常需要对理赔人员采集的沙尘图像进行图像增强处理。目前，保险企业所采用的对理赔人员采集的沙尘图像进行图像增强处理的方式通常是基于图像处理先验知识的图像增强算法，由于沙尘退化场景的复杂多变，基于图像处理先验知识的图像增强算法的泛化能力较弱，且处理后的图像的清晰度效果较差。

技术实现思路

1、本技术实施例的目的在于提出一种基于人工智能的图像处理方法、装置、计算机设备及存储介质，以解决现有的保险企业所采用的对理赔人员采集的沙尘图像进行图像增强处理的方式通常是基于图像处理先验知识的图像增强算法，由于沙尘退化场景的复杂多变，基于图像处理先验知识的图像增强算法的泛化能力较弱，且处理后的图像的清晰度效果较差的技术问题。

2、为了解决上述技术问题，本技术实施例提供一种基于人工智能的图像处理方法，采用了如下所述的技术方案：

3、获取沙尘图像；

4、对所述沙尘图像进行归一化处理，得到对应的第一沙尘图像；

5、基于所述第一沙尘图像计算对应的图像延展系数；

6、获取预设的图像初始像素均值；

7、基于所述图像延展系数、所述图像初始像素均值以及预设的高斯模型对所述第一沙尘图像进行像素值更新处理，得到对应的校正图像；

8、对所述校正图像进行视觉增强处理，得到目标沙尘图像。

9、进一步的，所述基于所述第一沙尘图像计算对应的图像延展系数的步骤，具体包括：

10、获取所述第一沙尘图像中包含的各个颜色通道的像素值；其中，各个所述颜色通道包括红色通道、绿色通道以及蓝色通道；

11、获取预设的目标比例值；

12、调用预设的延展系数计算公式；

13、基于所述延展系数计算公式对各个所述颜色通道的像素值与所述目标比例值进行计算处理，得到各个所述颜色通道的延展系数；

14、基于各个所述颜色通道的延展系数生成所述图像延展系数。

15、进一步的，所述基于所述图像延展系数、所述图像初始像素均值以及预设的高斯模型对所述第一沙尘图像进行像素值更新处理，得到对应的校正图像的步骤，具体包括：

16、基于所述高斯模型对所述第一沙尘图像中包含的各个颜色通道进行拟合处理，得到与各个所述颜色通道分别对应的通道均值与通道标准差；

17、计算所述第一沙尘图像的全局标准差；

18、调用预设的色偏校正算法；

19、基于所述色偏校正算法对所述图像延展系数、所述图像初始像素均值、所述全局标准差、所述通道均值以及所述通道标准差进行计算处理，得到各个所述颜色通道分别对应的更新后的通道像素值；

20、对与所述更新后的通道像素值匹配的各个指定颜色通道进行合并处理，得到所述校正图像。

21、进一步的，所述对所述校正图像进行视觉增强处理，得到目标沙尘图像的步骤，具体包括：

22、调用预设的图像增强模型；

23、将所述校正图像输入至所述图像增强模型内；

24、通过所述图像增强模型对所述校正图像进行视觉增强处理，并获取所述图像增强模型输出的与所述校正图像对应的指定图像；

25、将所述指定图像作为所述目标沙尘图像。

26、进一步的，在所述调用预设的图像增强模型的步骤之前，还包括：

27、获取预先构建的训练图像数据集；其中，所述训练图像数据集包括训练图像，以及与所述训练图像对应的增强图像；

28、获取预设的卷积神经网络模型；

29、将所述训练图像输入至所述卷积神经网络模型内进行训练，并获取所述卷积神经网络模型输出的与所述训练图像对应的预测图像；

30、计算所述预测图像与所述增强图像之间的损失；

31、基于所述损失对所述卷积神经网络模型进行优化处理，得到符合预设预期的目标卷积神经网络模型；

32、将所述目标卷积神经网络模型作为所述图像增强模型。

33、进一步的，所述获取沙尘图像的步骤，具体包括：

34、获取预先采集的初始沙尘图像；

35、对所述初始沙尘图像进行去噪处理，得到对应的第二沙尘图像；

36、对所述第二沙尘图像进行平滑处理，得到对应的第三沙尘图像；

37、将所述第三沙尘图像作为所述沙尘图像。

38、进一步的，在所述对所述校正图像进行视觉增强处理，得到目标沙尘图像的步骤之后，还包括：

39、获取与所述目标沙尘图像对应的指定存储方式；

40、调用与所述指定存储方式对应的指定存储介质；

41、将所述目标沙尘图像存储至所述指定存储介质内。

42、为了解决上述技术问题，本技术实施例还提供一种基于人工智能的图像处理装置，采用了如下所述的技术方案：

43、第一获取模块，用于获取沙尘图像；

44、第一处理模块，用于对所述沙尘图像进行归一化处理，得到对应的第一沙尘图像；

45、计算模块，用于基于所述第一沙尘图像计算对应的图像延展系数；

46、第二获取模块，用于获取预设的图像初始像素均值；

47、更新模块，用于基于所述图像延展系数、所述图像初始像素均值以及预设的高斯模型对所述第一沙尘图像进行像素值更新处理，得到对应的校正图像；

48、第二处理模块，用于对所述校正图像进行视觉增强处理，得到目标沙尘图像。

49、为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：

50、获取沙尘图像；

51、对所述沙尘图像进行归一化处理，得到对应的第一沙尘图像；

52、基于所述第一沙尘图像计算对应的图像延展系数；

53、获取预设的图像初始像素均值；

54、基于所述图像延展系数、所述图像初始像素均值以及预设的高斯模型对所述第一沙尘图像进行像素值更新处理，得到对应的校正图像；

55、对所述校正图像进行视觉增强处理，得到目标沙尘图像。

56、为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

57、获取沙尘图像；

58、对所述沙尘图像进行归一化处理，得到对应的第一沙尘图像；

59、基于所述第一沙尘图像计算对应的图像延展系数；

60、获取预设的图像初始像素均值；

61、基于所述图像延展系数、所述图像初始像素均值以及预设的高斯模型对所述第一沙尘图像进行像素值更新处理，得到对应的校正图像；

62、对所述校正图像进行视觉增强处理，得到目标沙尘图像。

63、与现有技术相比，本技术实施例主要有以下有益效果：

64、本技术通过基于所述高斯模型对所述第一沙尘图像中包含的各个颜色通道进行拟合处理，得到与各个所述颜色通道分别对应的通道均值与通道标准差；然后计算所述第一沙尘图像的全局标准差；之后调用预设的色偏校正算法；后续基于所述色偏校正算法对所述图像延展系数、所述图像初始像素均值、所述全局标准差、所述通道均值以及所述通道标准差进行计算处理，得到各个所述颜色通道分别对应的更新后的通道像素值；最后对与所述更新后的通道像素值匹配的各个指定颜色通道进行合并处理，得到所述校正图像。本技术通过基于高斯模型的使用对所述第一沙尘图像中包含的各个颜色通道进行拟合处理，得到与各个所述颜色通道分别对应的通道均值与通道标准差，然后基于色偏校正算法的使用对所述图像延展系数、所述图像初始像素均值、第一沙尘图像的全局标准差、所述通道均值以及所述通道标准差进行计算处理，得到各个所述颜色通道分别对应的更新后的通道像素值，进而对与所述更新后的通道像素值匹配的各个指定颜色通道进行合并处理，可以实现快速准确地完成对于第一沙尘图像的像素值更新处理并得到对应的颜色均衡的校正图像。本技术采用基于高斯模型的色偏校正算法对第一沙尘图像进行颜色均衡处理，可以实现对于第一沙尘图像的精确色偏校正和颜色均衡处理，有效地提升了得到的校正图像的图像视觉清晰度。