本發(fā)明涉及圖像識別領域，尤其涉及一種基于深度學習的圖像識別方法及系統(tǒng)。

背景技術：

1、現(xiàn)有技術中，采用深度學習技術對圖像進行識別之前，通常需要對圖像進行預處理以提升圖像的質(zhì)量。在對圖像進行預處理時，可以僅采用一種預處理算法對圖像進行處理，或者是采用兩種預處理算法分別進行處理，然后將處理結(jié)果進行融合，得到經(jīng)過預處理的圖像。將經(jīng)過預處理的圖像輸入到深度學習模型中，便可以得到識別的結(jié)果。

2、但是，現(xiàn)有技術存在這樣的缺點，采用的預處理的算法需要提前進行指定，并不能基于圖像的情況進行選擇，這樣，便容易出現(xiàn)對質(zhì)量較差的圖像僅使用一種預處理算法，使得圖像的質(zhì)量的提升有限的事件的出現(xiàn)概率較大，同時也可能會出現(xiàn)對質(zhì)量較好的圖像使用了多種預處理算法，從而影響了預處理的效率，進而影響圖像識別的總體效率。

技術實現(xiàn)思路

1、本發(fā)明的目的在于公開一種基于深度學習的圖像識別方法及系統(tǒng)，解決如何基于圖像的實際情況來選擇預處理算法，從而在提高總體的圖像預處理效率的同時，能夠有效地提升質(zhì)量較差的圖像的質(zhì)量的問題。

2、為了達到上述目的，本發(fā)明提供如下技術方案：

3、第一個方面，本發(fā)明提供了一種基于深度學習的圖像識別方法，包括：

4、s1，獲取需要進行識別的圖像；

5、s2，計算需要進行識別的圖像的預處理系數(shù)；

6、s3，基于預處理系數(shù)確定需要進行識別的圖像的預處理策略；

7、s4，基于預處理策略對需要進行識別的圖像進行預處理，得到預處理圖像；

8、s5，將預處理圖像輸入到基于深度學習的圖像識別模型中進行識別。

9、優(yōu)選地，預處理系數(shù)的計算過程包括：

10、第一步，對需要進行識別的圖像進行灰度化處理，得到灰度化圖像；

11、第二步，在灰度化圖像中獲取計算區(qū)域；

12、第三步，基于計算區(qū)域計算需要進行識別的圖像的預處理系數(shù)。

13、優(yōu)選地，需要進行識別的圖像進行灰度化處理，得到灰度化圖像，包括：

14、使用加權平均法對需要進行識別的圖像進行灰度化處理，得到灰度化圖像。

15、優(yōu)選地，使用加權平均法對需要進行識別的圖像進行灰度化處理，得到灰度化圖像，包括：

16、使用如下公式分別對需要進行識別的圖像中的每個像素點進行計算，得到灰度化圖像：

17、grayb＝w1×rb+w2×gb+w3×bb

18、grayb表示像素點b的灰度值，rb、gb和bb分別表示像素點b在rgb顏色空間中的紅色分量、綠色分量和紅色分量對應的圖像中的像素值，w1、w2和w3分別為第一加權系數(shù)、第二加權系數(shù)和第三加權系數(shù)。

19、優(yōu)選地，在灰度化圖像中獲取計算區(qū)域，包括：

20、將需要進行識別的圖像分為n×n個面積相同的區(qū)域；

21、按照距離需要進行識別的圖像的中心從近到遠的順序，依次計算每個區(qū)域的區(qū)域判斷值，從第3個區(qū)域判斷值開始，進行如下處理：

22、判斷第k+1個區(qū)域判斷值arejudk+1是否滿足arejudk+1>arejudk>arejudk-1，若是，則將arejudk+1對應的區(qū)域作為計算區(qū)域，arejudk和arejudk-1分別表示第k個和第k-1個區(qū)域判斷值；k大于等于2；

23、若否，判斷k是否等于等于n2，若否，則繼續(xù)計算下一個區(qū)域的區(qū)域判斷值；若是，則將區(qū)域判斷值最大的區(qū)域作為計算區(qū)域。

24、優(yōu)選地，區(qū)域判斷值的計算公式為：

25、

26、arejudk表示對第k個區(qū)域進行計算所得到的第k個區(qū)域判斷值，uk表示第k個區(qū)域中的像素點的集合，nuk表示uk中的像素點的總數(shù)，grayi表示uk中的像素點i的灰度值。

27、優(yōu)選地，基于計算區(qū)域計算需要進行識別的圖像的預處理系數(shù)，包括：

28、使用如下公式計算預處理系數(shù)：

29、

30、precoef表示預處理系數(shù)，m1表示計算區(qū)域中灰度值大于計算區(qū)域中的像素點的灰度值均值的像素點的數(shù)量，m2表示采用nlm算法對計算區(qū)域中的像素點進行處理之后得到的圖像p中，灰度值大于p中的像素點的灰度值的均值的像素點的數(shù)量，ma1表示p中的像素點的灰度值的最大值，mj表示p中，灰度值為j的像素點的總數(shù)，m3表示p中的像素點的總數(shù)，ma2表示計算區(qū)域中的灰度值的最大值，mk表示計算區(qū)域中灰度值為k的像素點的數(shù)量，m4表示計算區(qū)域中的像素點的數(shù)量，δ1和δ2分別表示第一權重和第二權重。

31、優(yōu)選地，基于預處理系數(shù)確定需要進行識別的圖像的預處理策略，包括：

32、若預處理系數(shù)大于預先設定的系數(shù)閾值，則采用第一預處理方式作為需要進行識別的圖像的預處理策略；

33、若預處理系數(shù)小于等于預先設定的系數(shù)閾值，則采用第二預處理方式作為需要進行識別的圖像的預處理策略。

34、優(yōu)選地，第一預處理方式包括：

35、用np表示需要進行預處理圖像，對于np，分別采用nlm算法和小波降噪算法對np進行預處理，得到圖像np1和np2；

36、則預處理圖像pp的獲取公式如下：

37、npb＝λ×np1b+(1-λ)×np2b

38、npb表示圖像pp中的像素點b的灰度值，np1b和np2b分別表示圖像np1和np2中，與圖像pp中的像素點b坐標相同的像素點的灰度值，λ表示設定的獲取系數(shù)，λ∈(0.2,0.8)。

39、第二個方面，本發(fā)明提供了一種基于深度學習的圖像識別系統(tǒng)，包括獲取模塊、計算模塊、確定模塊、預處理模塊和識別模塊；

40、獲取模塊用于獲取需要進行識別的圖像；

41、計算模塊用于計算需要進行識別的圖像的預處理系數(shù)；

42、確定模塊用于基于預處理系數(shù)確定需要進行識別的圖像的預處理策略；

43、預處理模塊用于基于預處理策略對需要進行識別的圖像進行預處理，得到預處理圖像；

44、識別模塊用于將預處理圖像輸入到基于深度學習的圖像識別模型中進行識別。

45、有益效果：

46、與現(xiàn)有技術相比，本發(fā)明在對輸入到基于深度學習的圖像識別模型中進行識別的圖像在進行預處理時，并不是僅采用一種或兩種預處理算法進行預處理，而是能夠基于圖像的實際情況，為圖像選擇相應的預處理算法，在圖像的質(zhì)量較差時，采用兩種預處理算法的進行預處理，從而能夠保證預處理的效果。對本來質(zhì)量就比較高的圖像進行處理時，避免使用兩種不同的預處理算法來進行預處理，從而提高了圖像的處理效率。因此，本發(fā)明能在兼顧預處理效率的同時達到較好的預處理效果。

技術特征：

1.一種基于深度學習的圖像識別方法，其特征在于，包括：

2.根據(jù)權利要求1所述的一種基于深度學習的圖像識別方法，其特征在于，預處理系數(shù)的計算過程包括：

3.根據(jù)權利要求2所述的一種基于深度學習的圖像識別方法，其特征在于，對需要進行識別的圖像進行灰度化處理，得到灰度化圖像，包括：

4.根據(jù)權利要求3所述的一種基于深度學習的圖像識別方法，其特征在于，使用加權平均法對需要進行識別的圖像進行灰度化處理，得到灰度化圖像，包括：

5.根據(jù)權利要求2所述的一種基于深度學習的圖像識別方法，其特征在于，在灰度化圖像中獲取計算區(qū)域，包括：

6.根據(jù)權利要求5所述的一種基于深度學習的圖像識別方法，其特征在于，區(qū)域判斷值的計算公式為：

7.根據(jù)權利要求5所述的一種基于深度學習的圖像識別方法，其特征在于，基于計算區(qū)域計算需要進行識別的圖像的預處理系數(shù)，包括：

8.根據(jù)權利要求1所述的一種基于深度學習的圖像識別方法，其特征在于，基于預處理系數(shù)確定需要進行識別的圖像的預處理策略，包括：

9.根據(jù)權利要求8所述的一種基于深度學習的圖像識別方法，其特征在于，第一預處理方式包括：

10.一種基于深度學習的圖像識別系統(tǒng)，其特征在于，包括獲取模塊、計算模塊、確定模塊、預處理模塊和識別模塊；

技術總結(jié)
本發(fā)明屬于圖像識別領域，公開了一種基于深度學習的圖像識別方法及系統(tǒng)，方法包括：S1，獲取需要進行識別的圖像；S2，計算需要進行識別的圖像的預處理系數(shù)；S3，基于預處理系數(shù)確定需要進行識別的圖像的預處理策略；S4，基于預處理策略對需要進行識別的圖像進行預處理，得到預處理圖像；S5，將預處理圖像輸入到基于深度學習的圖像識別模型中進行識別。本發(fā)明能夠基于圖像的實際情況，為圖像選擇相應的預處理算法，在圖像的質(zhì)量較差時，采用兩種預處理算法的進行預處理，從而能夠保證預處理的效果。對本來質(zhì)量就比較高的圖像進行處理時，避免使用兩種不同的預處理算法來進行預處理，從而提高了圖像的處理效率。

技術研發(fā)人員：于濤
受保護的技術使用者：魯東大學
技術研發(fā)日：
技術公布日：2024/10/10