基于人工智能的图像识别方法及系统

本发明涉及图像处理，具体涉及基于人工智能的图像识别方法及系统。

背景技术：

1、在智能系统对图像进行智能分析之前，首先需要对图像进行智能识别，而比特分层可以将原图分为若干分层后的图像，每个比特层表现的细节特征都不相同，通过选取细节特征表现完整的图像层，对其图像层的图像数据进行识别分割，完成对图像的智能识别。

2、但若原图的对比度较低时，那么在对图像进行比特分层后，获取的每个比特层会因原图对比度较低，导致每个比特层之间的特征差异减小，使原本细节特征表现较好的图像层丢失过多细节特征，从而干扰图像识别的准确性。

技术实现思路

1、本发明提供基于人工智能的图像识别方法及系统，以解决现有的问题：原图的对比度较低时，获取的每个比特层会因原图对比度较低，导致每个比特层之间的特征差异减小，使原本细节特征表现较好的图像层丢失过多细节特征。

2、本发明的基于人工智能的图像识别方法及系统采用如下技术方案：

3、本发明一个实施例提供了基于人工智能的图像识别方法，该方法包括以下步骤：

4、采集若干预处理图像；

5、对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度；根据不可信度得到每张预处理图像的若干特征图像层；

6、根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度；

7、根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标。

8、优选的，所述根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度，包括的具体方法为：

9、

10、将任意一个比特层记为目标图像层，式中，表示目标图像层的初始不可信度；表示目标图像层的特征可信度；表示目标图像层中像素点的数量；表示目标图像层中第个像素点的灰度值；表示二值图像中像素点的数量；表示二值图像中第个像素点的灰度值；表示取绝对值；获取每个比特层的初始不可信度，对每个比特层的初始不可信度进行线性归一化，将归一化后每个比特层的初始不可信度记为不可信度。

11、优选的，所述根据不可信度得到每张预处理图像的若干特征图像层，包括的具体方法为：

12、将预设的不可信度阈值记为t3，将任意一个比特层记为第二图像层，若第二图像层的不可信度小于t3，将第二图像层记为特征图像层；若第二图像层的不可信度大于等于t3，将不对第二图像层做任何处理；

13、获取每张预处理图像的若干特征图像层。

14、优选的，所述根据不可信度以及特征图像层得到每个特征图像层的输出可变程度，包括的具体方法为：

15、

16、对于任意一个特征图像层，式中，表示特征图像层的输出可变程度；表示特征图像层的不可信度；表示在若干比特层中，特征图像层所在的层数；

17、获取每个特征图像层的输出可变程度。

18、优选的，所述获取每个特征图像层的灰度变化量，包括的具体方法为：

19、对于任意一张预处理图像的任意一个特征图像层，所述任意一个特征图像层对应若干灰度值变化范围，将任意一个灰度值变化范围的长度记为特征图像层的灰度变化量；

20、获取每个特征图像层的灰度变化量。

21、优选的，所述获取每个特征图像层内每个像素点的邻域灰度差，包括的具体方法为：

22、

23、将任意一张预处理图像的任意一个特征图像层内任意一个像素点记为目标像素点，式中，表示目标像素点的邻域灰度差；表示目标像素点的八邻域内像素点的数量；表示在目标像素点的八邻域内，第个像素点在预处理图像内的灰度值；表示目标像素点在预处理图像内的灰度值；||表示取绝对值；

24、获取每个特征图像层内每个像素点的邻域灰度差。

25、优选的，所述根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度，包括的具体方法为：

26、

27、对于任意一个特征图像层内任意一个像素点，式中，表示像素点的对照比特值；表示像素点的邻域灰度差；表示像素点所属特征图像层的灰度变化量；

28、获取每个特征图像层内每个像素点的对照比特值；

29、

30、对于任意一个特征图像层内任意一个像素点，式中，表示像素点的特征表达程度；表示像素点的对照比特值；表示像素点的比特值；表示取绝对值；表示以自然常数为底的指数函数；

31、获取每个特征图像层内每个像素点的特征表达程度。

32、优选的，所述根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度，包括的具体方法为：

33、

34、对于任意一个特征图像层内任意一个像素点，式中，表示像素点的特征保留程度；表示像素点的特征表达程度；表示像素点所属特征图像层的输出可变程度；

35、获取每个特征图像层内每个像素点的特征保留程度。

36、优选的，所述根据特征保留程度进行图像识别得到识别目标，包括的具体方法为：

37、对于任意一张预处理图像的任意一个特征图像层，将特征图像层内所有像素点的特征保留程度的累加和记为特征图像层的保留选取程度；获取每个特征图像层的保留选取程度，将保留选取程度最大的特征图像层记为最终特征图像层；将预设的特征保留程度阈值记为t4；

38、将最终特征图像层的任意一个像素点记为结果像素点，若结果像素点的特征保留程度大于等于t4，将结果像素点在所属的最终特征图像层的比特值取反；若结果像素点的特征保留程度小于t4，不对结果像素点在所属的最终特征图像层的比特值进行任何处理；获取预处理图像调整后的最终特征图像层；

39、获取每张预处理图像调整后的最终特征图像层；

40、对于任意一张预处理图像，将预处理图像调整后的最终特征图像层输入到神经网络中得到识别目标；

41、获取每张预处理图像的识别目标。

42、本发明的实施例提供了基于人工智能的图像识别系统，该系统包括预处理图像采集模块、特征图像层获取模块、特征表达程度以及输出可变程度获取模块以及图像识别模块，其中：

43、预处理图像采集模块，用于采集若干预处理图像；

44、特征图像层获取模块，用于对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度；根据不可信度得到每张预处理图像的若干特征图像层；

45、特征表达程度以及输出可变程度获取模块，用于根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度；

46、图像识别模块，用于根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标。

47、本发明的技术方案的有益效果是：获取二值图像以及若干比特层，根据每个比特层与二值图像得到每个比特层的不可信度，根据不可信度得到若干特征图像层，根据不可信度以及特征图像层得到每个特征图像层的输出可变程度，以及每个特征图像层内每个像素点的特征表达程度，根据输出可变程度以及特征表达程度得到特征保留程度，根据特征保留程度进行图像识别得到识别目标；相较于现有技术由于原图的对比度较低，导致原本细节特征表现较好的图像层丢失过多细节特征；在原图的对比度较低的基础上，使原本细节特征表现较好的图像层保留了更多的细节特征，减少了细节特征的丢失，提高了图像识别的准确性。