基于人工神經網絡的圖像去污系統的制作方法
【專利摘要】本發明屬于圖像去污系統的技術領域，具體涉及一種基于人工神經網絡的圖像去污系統；解決的技術問題為：提供一種能夠批量自動化處理圖像的圖像去污系統；采用的技術方案為：包括：第一輸入單元：用于將圖像輸入到所述圖像去污系統中；處理單元：用于處理輸入的圖像；第二輸入單元：用于將處理后的圖像數據輸入到人工神經網絡單元中；人工神經網絡單元：用于計算圖像數據與污漬數據的相似度值，將所述相似度值與閾值進行比較，并輸出比較結果；修整單元：用于根據比較結果，對圖像進行修整；本發明適用于圖像處理領域。
【專利說明】
基于人工神經網絡的圖像去污系統
技術領域
[0001]本發明屬于圖像去污系統的技術領域，具體涉及一種基于人工神經網絡的圖像去污系統。
【背景技術】
[0002]在目前的日常生活和工作中，我們會接觸大量的圖片，很多圖片都會因為各種原因出現黑斑、孔洞、雜線等缺陷，為了使這樣的圖片變得美觀，我們會采用傳統的人工方式，使用一些圖像處理工具，針對有缺陷的區域進行精心修飾。
[0003]但是面對日趨增長的圖片數據，一個人一天也就處理幾百張圖片，使得傳統的人工處理方式效率低下，雖然目前市面上的圖像處理工具也有自動去污漬功能，但是存在以下缺點:使用算法單一，僅能針對某一類特征進行識別與修整，并且無法進行批量自動化處理。
【發明內容】
[0004]本發明克服現有技術存在的不足，所要解決的技術問題為:提供一種能夠批量自動化處理圖像的圖像去污系統。
[0005]為了解決上述技術問題，本發明采用的技術方案為:基于人工神經網絡的圖像去污系統，包括:第一輸入單元:用于將圖像輸入到所述圖像去污系統中；處理單元:用于處理輸入的圖像;第二輸入單元:用于將處理后的圖像數據輸入到人工神經網絡單元中；人工神經網絡單元:用于計算圖像數據與污漬數據的相似度值，將所述相似度值與閾值進行比較，并輸出比較結果;修整單元:用于根據比較結果，對圖像進行修整。
[0006]優選地，所述處理單元包括:切分模塊:用于將圖像切分成多張圖片；參數化模塊:用于將切分后的圖片進行參數化。
[0007]優選地，所述人工神經網絡單元包括:建立模塊:用于建立人工神經網絡;計算模塊:用于計算圖像數據與污漬數據的相似度值;比較模塊:用于將所述相似度值與閾值進行比較，其中閾值大于等于0.5;輸出模塊:用于當相似度值大于閾值時輸出興奮信號，反之則輸出抑制信號。
[0008]優選地，所述建立模塊包括:切取模塊:用于人工將含有污漬的圖像切分成多張圖片;分類模塊:用于人工將切分后的每一張圖片進行分類，分為有污漬和無污漬兩類;訓練集形成模塊:用于將分類后的每一張圖片進行參數化，形成訓練集;機器學習模塊:用于采用反向傳播算法，訓練機器學習數據;存儲模塊:用于在迭代學習中當訓練結果收斂且正確率達到80%以上時，將當前網絡節點的誤差率和連接權重進行存儲。
[0009]優選地，所述建立模塊還包括:加載模塊:用于將機器學習完成的結果加載進一個空的神經網絡中。
[0010]本發明與現有技術相比具有以下有益效果:
[0011]本發明中的圖像去污系統包括:第一輸入單元、處理單元、第二輸入單元、人工神經網絡單元和修整單元，由于利用了采用仿生學制作的人工神經網絡，使得本發明中的圖像去污系統能夠人機交互篩選污漬訓練集，機器學習污漬特征后能夠修改圖像高相似率的區域，使得大量的人力從圖像處理的工作中解放出來，對有污漬的圖像進行批量自動化處理。
【附圖說明】
[0012]下面結合附圖對本發明做進一步詳細的說明；
[0013]圖1為本發明基于人工神經網絡的圖像去污系統提供的實施例一的結構示意圖；
[0014]圖2為本發明基于人工神經網絡的圖像去污系統提供的實施例二的結構示意圖；
[0015]圖3為本發明基于人工神經網絡的圖像去污系統提供的實施例三的結構示意圖；
[0016]圖4為本發明基于人工神經網絡的圖像去污系統提供的實施例四的結構示意圖；
[0017]圖中:11為第一輸入單元，12為處理單元，121為切分模塊，122為參數化模塊，13為第二輸入單元，14為人工神經網絡單元，141為建立模塊，1411為切取模塊，1412為分類模塊，1413為訓練集形成模塊，1414為機器學習模塊，1415為存儲模塊，1416為加載模塊，142為計算模塊，143為比較模塊，144為輸出模塊，15為修整單元。
【具體實施方式】
[0018]為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明的一部分實施例，而不是全部的實施例;基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0019]圖1為本發明基于人工神經網絡的圖像去污系統提供的實施例一的結構示意圖，如圖1所示，基于人工神經網絡的圖像去污系統，包括:
[0020]第一輸入單元11:用于將圖像輸入到所述圖像去污系統中。
[0021]處理單元12:用于處理輸入的圖像。
[0022]第二輸入單元13:用于將處理后的圖像數據輸入到人工神經網絡單元14中。
[0023]人工神經網絡單元14:用于計算圖像數據與污漬數據的相似度值，將所述相似度值與閾值進行比較，并輸出比較結果。
[0024]修整單元15:用于根據比較結果，對圖像進行修整，本實施例中的比較結果可分為“興奮”和“抑制”，修整單元15修整的圖像區域為“興奮”區域。
[0025]圖2為本發明基于人工神經網絡的圖像去污系統提供的實施例二的結構示意圖，如圖2所示，所述處理單元12可包括:
[0026]切分模塊121:用于將圖像切分成多張圖片。
[0027]參數化模塊122:用于將切分后的圖片進行參數化。
[0028]圖3為本發明基于人工神經網絡的圖像去污系統提供的實施例三的結構示意圖，如圖2所示，所述人工神經網絡單元14可包括:
[0029]建立模塊141:用于建立人工神經網絡。
[0030]計算模塊142:用于計算圖像數據與污漬數據的相似度值。
[0031]比較模塊143:用于將所述相似度值與閾值進行比較，其中，閾值可根據實際情況進行設置，本實施例中的閾值可大于等于0.5。
[0032]輸出模塊144:用于當相似度值大于閾值時輸出興奮信號，反之則輸出抑制信號，例如相似度值為0.78，大于閾值0.5，則輸出興奮信號，若相似度值為0.45，則輸出抑制信號。
[0033]圖4為本發明基于人工神經網絡的圖像去污系統提供的實施例四的結構示意圖，如圖4所示，所述建立模塊141可包括:
[0034]切取模塊1411:用于人工將含有污漬的圖像切分成多張圖片，例如將一張含有污漬的2000*3000像素的圖像進行切圖，切圖大小可以是32*32的小圖片，比如切分出10000張小圖片。
[0035]分類模塊1412:用于人工將切分后的每一張圖片進行分類，人工將上述切分的圖片進行分類，在10000張小圖片中，分為有污漬和無污漬兩類，。
[0036]訓練集形成模塊1413:用于將分類后的每一張圖片進行參數化，形成訓練集。將上述每一張圖片依從上到下，從左到有的順序取其RGB像素值，以逗號分隔，并根據其分類設定標簽。例如無污漬的標簽為O，有污漬的標簽為I，這樣我們可以得到1024列的圖片信息列，I列數據標簽列，而每一行信息為一張參數化后的圖片，共10000行。
[0037]機器學習模塊1414:用于采用反向傳播算法，訓練機器學習數據。
[0038]存儲模塊1415:用于在迭代學習中當訓練結果收斂且正確率達到80%以上時，將當前網絡節點的誤差率和連接權重進行存儲。
[0039]加載模塊1416:用于將機器學習完成的結果加載進一個空的神經網絡中。
[0040]本發明基于人工智能算法，含有機器學習功能，后期的高準確率，更多的污漬類型都可以通過豐富訓練集，通過機器再學習達到應用目的，是個功能性能可進化的智能系統，能讓大量的人力從圖像處理的工作中解放出來，能夠人機交互篩選污漬訓練集，機器可學習污漬特征，進行圖像分區域判別，最后修改高相似率的區域，具有突出的實質性特點和顯著的進步。
[0041]最后應說明的是:以上各實施例僅用以說明本發明的技術方案，而非對其限制;盡管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的范圍。
【主權項】
1.基于人工神經網絡的圖像去污系統，其特征在于:包括: 第一輸入單元(11):用于將圖像輸入到所述圖像去污系統中； 處理單元(12):用于處理輸入的圖像； 第二輸入單元(13):用于將處理后的圖像數據輸入到人工神經網絡單元(14)中； 人工神經網絡單元(14):用于計算圖像數據與污漬數據的相似度值，將所述相似度值與閾值進行比較，并輸出比較結果； 修整單元(15):用于根據比較結果，對圖像進行修整。2.根據權利要求1所述的基于人工神經網絡的圖像去污系統，其特征在于:所述處理單元(12)包括: 切分模塊(121):用于將圖像切分成多張圖片； 參數化模塊(122):用于將切分后的圖片進行參數化。3.根據權利要求1所述的基于人工神經網絡的圖像去污系統，其特征在于:所述人工神經網絡單元(14)包括: 建立模塊(141):用于建立人工神經網絡； 計算模塊(142):用于計算圖像數據與污漬數據的相似度值； 比較模塊(143):用于將所述相似度值與閾值進行比較，其中閾值大于等于0.5; 輸出模塊(144):用于當相似度值大于閾值時輸出興奮信號，反之則輸出抑制信號。4.根據權利要求3所述的基于人工神經網絡的圖像去污系統，其特征在于:所述建立模塊(141)包括: 切取模塊(1411):用于人工將含有污漬的圖像切分成多張圖片； 分類模塊(1412):用于人工將切分后的每一張圖片進行分類，分為有污漬和無污漬兩類； 訓練集形成模塊(1413):用于將分類后的每一張圖片進行參數化，形成訓練集； 機器學習模塊(1414):用于采用反向傳播算法，訓練機器學習數據； 存儲模塊(1415):用于在迭代學習中當訓練結果收斂且正確率達到80%以上時，將當前網絡節點的誤差率和連接權重進行存儲。5.根據權利要求4所述的基于人工神經網絡的圖像去污系統，其特征在于:所述建立模塊(141)還包括: 加載模塊(1416):用于將機器學習完成的結果加載進一個空的神經網絡中。
【文檔編號】G06T5/00GK105894465SQ201610188107
【公開日】2016年8月24日
【申請日】2016年3月29日
【發明人】李康杰
【申請人】江蘇普旭軟件信息技術有限公司