本發(fā)明涉及人工智能領(lǐng)域，具體而言，涉及一種基于神經(jīng)網(wǎng)絡(luò)的圖像校正方法及裝置。

背景技術(shù)：

1、圖像校正的目的是提高圖像質(zhì)量，去除圖像中的噪聲干擾和畸變，以便于后續(xù)的分析和應(yīng)用。傳統(tǒng)的圖像校正方法通常依賴于線性濾波、去噪算法或圖像增強技術(shù)，這些方法在處理復(fù)雜噪聲和非線性變換時，往往效果不理想，導致校正后的圖像質(zhì)量未能顯著提升。

2、近年來，深度學習技術(shù)的迅猛發(fā)展為圖像處理提供了新的思路和方法。尤其是卷積神經(jīng)網(wǎng)絡(luò)(cnn)在圖像特征提取和分類任務(wù)中取得了顯著的成功。然而，現(xiàn)有基于神經(jīng)網(wǎng)絡(luò)的圖像校正方法在特征融合和噪聲去除方面仍存在一定的局限性，未能充分利用多層特征數(shù)據(jù)的優(yōu)勢，導致校正效果不夠理想。

3、針對上述的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供了一種基于神經(jīng)網(wǎng)絡(luò)的圖像校正方法及裝置，以至少解決現(xiàn)有技術(shù)中圖像校正效果不佳的技術(shù)問題。

2、根據(jù)本發(fā)明實施例的一個方面，提供了一種基于神經(jīng)網(wǎng)絡(luò)的圖像校正方法，包括：獲取待處理的圖像，對所述待處理的圖像進行預(yù)處理，得到預(yù)處理后的圖像；利用神經(jīng)網(wǎng)絡(luò)的卷積層對所述預(yù)處理后的圖像中進行逐層特征提取得到特征數(shù)據(jù)，應(yīng)用非線性激活函數(shù)對所述特征數(shù)據(jù)進行非線性映射，得到映射后數(shù)據(jù)；采用加權(quán)平均和特征選擇法，對所述特征數(shù)據(jù)和所述映射后數(shù)據(jù)進行融合，得到噪聲干擾，從所述待處理的圖像中去除所述噪聲干擾，得到校正后的圖像。

3、根據(jù)本發(fā)明實施例的另一方面，還提供了一種基于神經(jīng)網(wǎng)絡(luò)的圖像校正裝置，包括：預(yù)處理模塊，被配置為獲取待處理的圖像，對所述待處理的圖像進行預(yù)處理，得到預(yù)處理后的圖像；映射模塊，被配置為利用神經(jīng)網(wǎng)絡(luò)的卷積層對所述預(yù)處理后的圖像中進行逐層特征提取得到特征數(shù)據(jù)，應(yīng)用非線性激活函數(shù)對所述特征數(shù)據(jù)進行非線性映射，得到映射后數(shù)據(jù)；校正模塊，被配置為采用加權(quán)平均和特征選擇法，對所述特征數(shù)據(jù)和所述映射后數(shù)據(jù)進行融合，得到噪聲干擾，從所述待處理的圖像中去除所述噪聲干擾，得到校正后的圖像。

4、在本發(fā)明實施例中，獲取待處理的圖像，對所述待處理的圖像進行預(yù)處理，得到預(yù)處理后的圖像；利用神經(jīng)網(wǎng)絡(luò)的卷積層對所述預(yù)處理后的圖像中進行逐層特征提取得到特征數(shù)據(jù)，應(yīng)用非線性激活函數(shù)對所述特征數(shù)據(jù)進行非線性映射，得到映射后數(shù)據(jù)；采用加權(quán)平均和特征選擇法，對所述特征數(shù)據(jù)和所述映射后數(shù)據(jù)進行融合，得到噪聲干擾，從所述待處理的圖像中去除所述噪聲干擾，得到校正后的圖像。通過上述方案，解決了現(xiàn)有技術(shù)中圖像校正效果不佳技術(shù)問題。

技術(shù)特征：

1.一種基于神經(jīng)網(wǎng)絡(luò)的圖像校正方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，采用加權(quán)平均和特征選擇法，對所述特征數(shù)據(jù)和所述映射后數(shù)據(jù)進行融合，得到噪聲干擾，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，基于所述待處理的圖像的局部區(qū)域的噪聲分布動態(tài)調(diào)整所述特征數(shù)據(jù)和所述映射后數(shù)據(jù)的權(quán)重值，包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，根據(jù)所述權(quán)重值，對所述特征數(shù)據(jù)和所述映射后數(shù)據(jù)進行加權(quán)平均，得到加權(quán)數(shù)據(jù)，包括：

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，對所述加權(quán)數(shù)據(jù)進行特征選擇，篩選出與噪聲特征相關(guān)的特征數(shù)據(jù)，得到用于表征噪聲干擾圖層的所述噪聲干擾，包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，應(yīng)用非線性激活函數(shù)對所述特征數(shù)據(jù)進行非線性映射，包括：

7.一種基于神經(jīng)網(wǎng)絡(luò)的圖像校正裝置，其特征在于，包括：

8.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)包括存儲的程序，其中，在所述程序運行時控制所述計算機可讀存儲介質(zhì)所在設(shè)備執(zhí)行權(quán)利要求1至6中任意一項所述的方法。

9.一種計算機設(shè)備，其特征在于，包括：存儲器和處理器，

10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至6中任一項所述的方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的圖像校正方法及裝置。其中，該方法包括：獲取待處理的圖像，對所述待處理的圖像進行預(yù)處理，得到預(yù)處理后的圖像；利用神經(jīng)網(wǎng)絡(luò)的卷積層對所述預(yù)處理后的圖像中進行逐層特征提取得到特征數(shù)據(jù)，應(yīng)用非線性激活函數(shù)對所述特征數(shù)據(jù)進行非線性映射，得到映射后數(shù)據(jù)；采用加權(quán)平均和特征選擇法，對所述特征數(shù)據(jù)和所述映射后數(shù)據(jù)進行融合，得到噪聲干擾，從所述待處理的圖像中去除所述噪聲干擾，得到校正后的圖像。本發(fā)明解決了現(xiàn)有技術(shù)中圖像校正效果不佳的技術(shù)問題。

技術(shù)研發(fā)人員：紀智輝
受保護的技術(shù)使用者：世優(yōu)綠洲（上海）數(shù)字技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2