一种基于自适应匹配和学习的失真图像处理方法及系统与流程

本发明属于图像分类、处理等技术领域，具体地讲涉及一种基于自适应匹配和学习的失真图像处理方法及系统。

背景技术：

随着各地平安城市项目的建设，视频监控也越来越普遍地存在于城市的各个角落。在各地平安城市建设中，软件平台尤其是上层应用平台发挥着越来越大的作用，对公安部门侦查办案起到了很大的帮助。但由于视频监控安装环境的复杂性，以及受到光照、物体运动等因素影响，获取的视频图像往往不能很好的显示，能够提供的价值信息非常有限，因此平台中的图像处理工具已经成为还原图片价值信息的一个重要保障。目前，图像处理工具类型众多，如何选用最优算法去处理对应的失真图片、发挥算法的最大功效以及获取图像最大价值信息是当前急需解决的问题。

技术实现要素：

根据现有技术中存在的问题，本发明提供了一种基于自适应匹配和学习的失真图像处理方法及系统，通过预先训练好的模型判定和选择最优算法对待处理失真图像进行处理，获得了达到最优设定效果的处理图像，发挥了算法的最大功效。

为实现上述发明目的，本发明提供了一种基于自适应匹配和学习的失真图像处理方法，其特征在于，所述方法包括以下步骤：

s1，针对各种图像处理工具，建立对应的失真图像样本库；

s2，对失真图像样本库中的失真图像进行预处理，即进行降维特征提取，得到特征图像，所述特征图像构成训练样本；

s3，利用分类技术对训练样本进行训练并构建分类器，得到失真分类模型；

s4，对于导入的待处理失真图像，通过失真分类模型对其进行分类，得到预测失真类别；

s5，根据预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，最终得到一个或多个处理后图像，并对处理后图像进行显示，从中获取达到效果最佳的处理后图像

s6，根据步骤s4～s5的结果，优化失真分类模型。

优选的，步骤s2中所述降维特征提取的方法是先通过pca(principalcomponentsanalysis,主成分分析)算法将失真图像的高维数据通过线性变换投影到低维空间上来降低失真图像的维数，得到一次降维后的低维样本；再通过lda(lineardiscriminantanalysis，线性判别分析)算法将一次降维后的低维样本投影到一个使得所述低维样本中类类之间的距离最大、类内之间的距离最小的最优判别矢量空间中，得到二次降维后的低维样本矩阵。

优选的，步骤s5具体过程如下：

若所述预测失真类别为一种时，针对此种预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，得到一个或多个第一次处理后图像，并对第一次处理后图像进行显示，获取达到效果最佳的第一次处理后图像；

若所述预测失真类别为多种时，针对一种预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，得到一个或多个第一次处理后图像，并对第一次处理后图像进行显示，获取达到效果较佳的第一次处理后图像；再针对另一种预测失真类别，选用对应的一个或多个图像处理工具对达到效果较佳的第一次处理后图像进行处理，得到一个或多个第二次处理后图像，并对第二次处理后图像进行显示，获取达到效果较佳的第二次处理后图像，以此类推，直到所有预测失真类别全部处理完毕，选取最终的处理后图像中达到效果最佳的处理后图像。

优选的，步骤s6中所述优化失真分类模型具体包括以下步骤：

s11，记录达到效果最佳的处理后图像的对应处理流程和图像处理工具；

s12，将处理前的待处理失真图像放入到步骤s11中记录的图像处理工具对应的失真图像样本库中；

s13，重复步骤s2～s3，完成失真分类模型的更新。

进一步优选的，所述pca算法具体包括以下步骤：

s21，针对一种图像处理工具建立一个失真图像样本库，失真图像样本库对应的样本集为：

a＝{a1,…,ai,…,an}

ai指的是一个失真图像样本，其中i∈{1，2，3，...，n}，样本集a里面有n个失真图像样本；

s22，每个失真图像样本均是一个矩阵，矩阵中的每个元素的值代表一个像素值，则每个失真图像样本可表示为：

ai＝(ai1,…,aid)∈r^d

其中，aid指的是第i个失真图像样本的第d列像素值，其中i∈{1，2，3，...，n}，d表示失真图像样本像素的列数，r^d表示的是d维空间；

s23，将失真图像样本组织成矩阵的形式，即每行为一个失真图像样本，每列为一个维度，得到的失真图像样本矩阵s可表示为：

其中，[aid]^t为像素值aid的转置矩阵；

s24，失真图像样本矩阵s的协方差矩阵c表示为：

其中，s^t为失真图像样本矩阵s的转置矩阵；

s25，对协方差矩阵c进行特征值分解，得到特征值矩阵λ，得到对应的特征向量矩阵p，p,λ∈r^dxd，取前p(p<d)个最大特征值，这p个特征值组成了新的对角阵λ1∈r^pxp，对应的p个特征向量组成了新的特征向量矩阵p1∈r^dxp。p1是一个投影矩阵；

s26，将样本矩阵s投影在投影矩阵p1上，便可得到降维后的低维样本矩阵s1，表示如下：

s1＝sp1

更进一步优选的，所述lda算法具体包括以下步骤：

s31，经过pca算法降维后的低维样本矩阵s1有一个包含n类的样本集x＝{x1,x2,…,xi,…,xn},样本集x为低维样本矩阵s1的转置,其中第i类xi有ni个样本，xini指的是第i类中第ni个样本，每一个类的对应均值为：

其中，j表示第i类的第j幅图像；

s32，相对应的协方差矩阵σi为：

s33，整体的数据均值为：

s34，类间散度矩阵sb定义如下：

s35，类内散度矩阵sw定义如下：

s36，类间散度矩阵sb和类内散度矩阵sw的投影矩阵为φ，找一个最佳投影矩阵φlda，使得sb的行列式与sw的行列式比率最大，公式如下：

s37，经过lda算法降维后的样本矩阵s2为：

s2＝s1φida

s2即为降维后的样本矩阵，p1φida为降维投影矩阵。

更进一步优选的，步骤s3的具体步骤如下：

所述失真分类模型factor通过svmtrain函数可表示为：

factor＝svmtrain(train_label,train_data,‘-b1’)

其中，-b1表示打开概率输出开关；svmtrain表示训练建模函数，train_label表示训练标签，train_data表示经过lda算法降维后的样本矩阵s2。

更进一步优选的，步骤s4的具体步骤如下：

将待处理失真图像样本集bi与降维投影矩阵p1φida相乘，进行降维后得到降维图像test_data，再根据已经训练好的失真分类模型factor，输出预测失真类别predicted_label和标签概率scores，通过svmpredict函数表示为：

[predicted_label,scores]＝svmpredict(test_data,factor,‘-b1')

其中，-b1表示打开概率输出开关。

相应的，本发明还提供了一种基于自适应匹配和学习的失真图像处理系统，所述系统包括如下组成部分：

图像导入模块，用于从系统外导入单张或多张待处理失真图像；

图像自适应分配模块，包括特征提取单元和分类模型单元，对导入的待处理失真图像进行特征提取，并进行失真模型分类，选出多种对应的失真分类；

图像处理工具模块，包含了多种图像处理工具对应的图像处理算法，每一种失真分类模型对应着不同图像处理算法；

自适应学习模块，根据每次的处理结果，不断更新优化失真分类模型。

优选的，所述自适应学习模块具体包括以下组成单元：

记录单元，记录达到效果最佳的处理后图像的对应处理流程和图像处理工具；

执行单元，将处理前的待处理失真图像放入到记录单元中记录的图像处理工具对应的失真图像样本库中；

更新单元，通过图像自适应分配模块对所述处理前的待处理失真图像进行预处理，即进行降维特征提取，得到特征图像，再对特征图像进行训练并构建分类器，得到新的失真分类模型。

本发明的有益效果在于：

1)本发明首先通过pca算法和lda算法对失真图像样本库中的失真图像进行降维得到特征图像，再通过分类技术的svmtrain函数构建失真分类模型，得到训练好的失真分类模型；然后通过svmpredict函数对导入的待处理失真图像进行分类，选择较优的几个图像处理工具对其进行处理，得到多个已处理失真图像，获得了达到效果最佳的处理后图像，发挥了算法的最大功效。

2)本发明利用自适应学习模块中的记录单元、执行单元和更新单元，通过记录达到效果最佳的处理后图像的对应处理流程和图像处理工具，将处理前的待处理失真图像放入到记录单元中记录的图像处理工具对应的样本库中，再对待处理失真图像进行降维特征提取，利用分类技术构建分类器，得到失真分类模型，完成失真分类模型的更新，使失真分类模型更加完善化和精确化。

3)本发明通过训练好的失真分类模型，利用svmpredict函数对导入的待处理失真图像选用多个对应的图像处理工具，获得多个经图像处理工具处理后的已处理失真图像，从而挑选得到达到效果最佳的处理后图像；将失真分类模型的自动选用和对已处理失真图像进行挑选结合起来，在发挥较好的几种算法功效的同时，再通过对已处理失真图像的选取，最大程度的保证了能够获取最优设定效果的已处理失真图像。

附图说明

图1为本发明失真图像处理方法的流程图。

图2为本发明优化失真分类模型的方法流程图。

图3为本发明失真图像处理系统的结构示意图。

附图标记：

10-图像导入模块，20-图像自适应分配模块，30-图像处理工具模块，40-自适应学习模块，41-记录单元，42-执行单元，43-更新单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于自适应匹配和学习的失真图像处理方法，包括以下步骤：

s1，针对各种图像处理工具，建立对应的失真图像样本库；

图像处理工具包括去散焦模糊工具、去运动模糊工具、去任意模糊工具和对比度增强工具，则失真类型相应的包括散焦模糊、运动模糊、任意模糊和对比度差；对每个图像处理工具建立一个一一对应的图像失真样本库，图像失真样本库中包含多个失真图像，失真图像从刑事侦查案件、交通肇事案件、网上搜集等渠道中收集，失真图像个数越多越好。

s2，对失真图像样本库中的失真图像进行预处理，即进行降维特征提取，得到特征图像，所述特征图像构成训练样本；

步骤s2中所述降维特征提取的方法是先通过pca算法将失真图像的高维数据通过线性变换投影到低维空间上来降低失真图像的维数，得到一次降维后的低维样本矩阵；再通过lda算法将一次降维后的低维样本矩阵投影到一个使得所述低维样本中类类之间的距离最大、类内之间的距离最小的最优判别矢量空间中，得到二次降维后的低维样本矩阵；

具体的，pca算法即为主成分分析。它是将高维的数据通过线性变换投影到低维空间上去来降低原始数据的维数，并且去除数据之间的相关性。pca算法具体包括以下步骤：

1)针对一种图像处理工具建立一个失真图像样本库，失真图像样本库对应的样本集为：

a＝{a1,…,ai,…,an}

ai指的是一个失真图像样本，其中i∈{1，2，3，...，n}，样本集a里面有n个失真图像样本；

2)每个失真图像样本均是一个矩阵，矩阵中的每个元素的值代表一个像素值，则每个失真图像样本可表示为：

ai＝(ai1,…,aid)∈r^d

其中，aid指的是第i个失真图像样本的第d列像素值，其中i∈{1，2，3，...，n}，d表示失真图像样本像素的列数，r^d表示的是d维空间。

3)将失真图像样本组织成矩阵的形式，即每行为一个失真图像样本，每列为一个维度，得到的失真图像样本矩阵s可表示为：

其中，[aid]^t为像素值aid的转置矩阵。

4)失真图像样本矩阵s的协方差矩阵c表示为：

其中，s^t为失真图像样本矩阵s的转置矩阵；

5)对协方差矩阵c进行特征值分解，得到特征值矩阵λ，得到对应的特征向量矩阵p，p,λ∈r^dxd，取前p(p<d)个最大特征值，这p个特征值组成了新的对角阵λ1∈r^pxp，对应的p个特征向量组成了新的特征向量矩阵p1∈r^dxp。p1是一个投影矩阵；

6)将样本矩阵s投影在投影矩阵p1上，便可得到降维后的低维样本矩阵s1，表示如下：

s1＝sp1

通过以上步骤，将失真图像样本库中的失真图像样本集a降维到低维样本s1，减少了图像的特征维数，同时尽可能好的保持了图像最大的原有特征；

pca算法主要就是两个方面的作用：减少冗余度和去除噪声。减少冗余度目的就是去掉包含信息少的维度；很多维数本身的方差很小几乎接近于零，这样对于数据的区分意义不明显，去除掉那些不重要的部分就可以大幅的降低维数，将不重要的局部信息丢弃，在重构的时候就能够很好的还原原来的信息。去除噪声就是去除各个维度间的相关性；原始数据各个维度本身的方差就是数据固有的能量，但由于实际采集和存储的时候产生了一些不同维度间相关性的数据，这些数据充斥在原始的数据之间干扰了真正的有意义的数据，从能量的角度来看就是有意义的数据能量被相对削弱了，此时就希望通过pca处理后，使维度间的相关性尽可能减弱，进而恢复维度应有的能量，最好是只保留有意义的数据完全去除其他数据，在对角化的过程中就是尽可能的去掉数据间的相关性达到降噪的目的；

具体的，lda算法即为线性判别分析。其基本思想是将相对的高维数据投影到一个最优的判别矢量空间中，以使得样本在新的空间中类类之间的距离最大，类内之间的距离最小，lda算法具体包括以下步骤：

1)经过pca算法降维后的低维样本矩阵s1有一个包含n类的样本集x＝{x1,x2,…,xi,…,xn},样本集x为低维样本矩阵s1的转置,其中第i类xi有ni个样本，xini指的是第i类中第ni个样本，每一个类的对应均值为：

其中，j表示第i类的第j幅图像；

2)相对应的协方差矩阵σi为：

3)整体的数据均值为：

4)类间散度矩阵sb定义如下：

5)类内散度矩阵sw定义如下：

6)类间散度矩阵sb和类内散度矩阵sw的投影矩阵为φ，找一个最佳投影矩阵φlda，使得sb的行列式与sw的行列式比率最大，公式如下：

φlda可通过下面的方程求解，

sbφlda-swφλ＝0

在等式两边都乘以sw的倒数，可得：

如果sw是非奇异性矩阵且可逆，φlda就是sw的特征向量所组成。这里所需要注意的是仅仅只有最多n-1个非零的特征值对应的特征向量，这是因为sb只有n个数据；

7)经过lda降维后的样本矩阵s2为：

s2＝s1φida

s2即为降维后的样本矩阵，p1φida为降维投影矩阵；

s3，利用分类技术对训练样本进行训练并构建分类器，得到失真分类模型；

失真分类模型factor通过svmtrain函数可表示为：

factor＝svmtrain(train_label,train_data,‘-b1’)

其中，-b1表示打开概率输出开关。默认是：-b0，即不输出概率值；

svmtrain表示训练建模函数，train_label表示训练标签，如去散焦模糊工具、去运动模糊工具、去任意模糊工具和对比度增强工具；train_data表示经过lda降维后的样本矩阵，这里表示s2；

需要注意的是，得到的每一种失真分类模型对应着不同图像处理工具，也就对应着不同的图像处理算法。

s4，对于导入的待处理失真图像，通过失真分类模型对其进行分类，得到预测失真类别；

具体的，将待处理失真图像样本集bi与p1φida相乘，进行降维后得到降维图像test_data，再根据已经训练好的失真分类模型factor，输出预测失真类别predicted_label和标签概率scores，通过svmpredict函数表示为：

[predicted_label,scores]＝svmpredict(test_data,factor,‘-b1')

预测类别predicted_label包括散焦模糊、运动模糊、任意模糊和对比度差，预测类别predicted_label为多个；测试数据test_data表示待处理的没有分类的降维图像；标签概率scores表示对应各个预测类别predicted_label的概率大小，概率大小按从大到小进行排列，根据排列顺序，可以预测降维图像test_data最可能属于排在第一位的预测类别predicted_label。

s5，根据预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，最终得到一个或多个处理后图像，并对处理后图像进行显示，从中获取达到效果最佳的处理后图像；

若所述预测失真类别为一种时，针对此种预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，得到一个或多个第一次处理后图像，并对第一次处理后图像进行显示，获取达到效果最佳的第一次处理后图像；

若所述预测失真类别为多种时，针对一种预测失真类别，选用对应的一个或多个图像处理工具对待处理失真图像进行处理，得到一个或多个第一次处理后图像，并对第一次处理后图像进行显示，获取达到效果较佳的第一次处理后图像；再针对另一种预测失真类别，选用对应的一个或多个图像处理工具对达到效果较佳的第一次处理后图像进行处理，得到一个或多个第二次处理后图像，并对第二次处理后图像进行显示，获取达到效果较佳的第二次处理后图像，以此类推，直到所有预测失真类别全部处理完毕，选取最终的处理后图像中达到效果最佳的处理后图像

具体的，若选用对应的图像处理工具为多个，则得到的已处理失真图像相应的也为多个；这里可以设定选用标签概率scores按从大到小排列的前四个预测类别predicted_label对应的四个图像处理工具对待处理失真图像进行处理，则经四个图像处理工具处理后得到的已处理失真图像相应的也为多个；

图像处理工具对待处理失真图像进行处理的方法包括去雾、噪声消除、块效应去除、去散焦模糊、去运动模糊、去任意模糊、对比度增强、鱼眼校正、锐化、反色算法。

达到效果最佳的处理后图像，是指根据需要能够解决问题或者达到某种目的的处理后图像；比如，警方在根据视频图像追踪嫌疑人相貌的时候，则处理后的图像以能够最好辨别图像中嫌疑人的长相和体貌的那个处理后图像作为达到效果最佳的处理后图像。这里可以通过人为观察、计算机识别等方法获取达到效果最佳的处理后图像。

s6，根据步骤s4～s5的结果，优化失真分类模型。

如图2所示，所述优化失真分类模型具体包括以下步骤：

1)记录达到效果最佳的处理后图像的对应处理流程和图像处理工具；

2)将处理前的待处理失真图像放入到步骤上述所记录的图像处理工具对应的失真图像样本库中；

3)重复步骤s2～s3，完成失真分类模型的更新。

通过记录达到效果最佳的处理后图像的对应处理流程和图像处理工具，将处理前的待处理失真图像放入到记录单元中记录的图像处理工具对应的失真图像样本库中，再对待处理失真图像进行降维特征提取，利用分类技术构建分类器，得到失真分类模型，完成失真分类模型的更新，使失真分类模型更加完善化和精确化。

相应的，本发明还提供了一种基于自适应匹配和学习的失真图像处理系统，如图3所示，所述失真图像处理系统包括以下模块：

图像导入模块10，用于从系统外导入单张或多张待处理失真图像；

图像自适应分配模块20，包括特征提取单元和分类模型单元，对导入的待处理失真图像进行特征提取，并进行失真模型分类，选出多种对应的失真分类；

图像处理工具模块30，包含了多种图像处理工具对应的图像处理算法，每一种失真分类模型对应着不同图像处理算法；

自适应学习模块40，根据每次的处理结果，记录达到最优设定效果的已处理失真图像的对应处理流程和图像处理工具，将处理前的待处理失真图像放入到记录单元中记录的图像处理工具对应的样本库中，再对待处理失真图像进行降维特征提取，利用分类技术构建分类器，得到失真分类模型，完成失真分类模型的更新，使失真分类模型更加完善化和精确化。

具体的，所述自适应学习模块40具体包括：

记录单元41，记录达到效果最佳的处理后图像的对应处理流程和图像处理工具；

执行单元42，将处理前的待处理失真图像放入到记录单元中记录的图像处理工具对应的失真图像样本库中；

更新单元43，通过图像自适应分配模块20对所述处理前的待处理失真图像进行预处理，即进行降维特征提取，得到特征图像，再对特征图像进行训练并构建分类器，得到新的失真分类模型，完成失真分类模型的更新。

综上所述，本发明提出了一种基于自适应匹配和学习的失真图像处理方法和系统，首先通过pca算法和lda算法对失真图像样本库中的失真图像进行降维得到特征图像，再通过分类技术的svmtrain函数构建失真分类模型，得到训练好的失真分类模型；然后通过svmpredict函数对导入的待处理失真图像进行分类，选择较优的几个图像处理工具对其进行处理，得到多个已处理失真图像，获得了达到效果最佳的处理后图像，发挥了算法的最大功效。

同时，本发明利用自适应学习模块中的记录单元、执行单元和更新单元，通过记录达到效果最佳的处理后图像的对应处理流程和图像处理工具，将处理前的待处理失真图像放入到记录单元中记录的图像处理工具对应的失真图像样本库中，再对待处理失真图像进行降维特征提取，利用分类技术构建分类器，得到失真分类模型，完成失真分类模型的更新，使失真分类模型更加完善化和精确化。