一种图像处理方法、装置、存储介质及检测设备与流程

本技术涉及图像处理方法的，更具体的，是一种图像处理方法。

背景技术：

1、在工业x光成像过程中，由于成像对象材料衰减差异较小、曝光剂量受限、探测器动态范围有限、散射线干扰以及灰度背景不均等因素，采集得到的x光图像常表现为整体对比度低、局部灰度层次不足、边缘和细纹理不清晰等问题。

2、相关技术中，为了提高图像的质量，若采用深度学习图像增强方法能够学习复杂的非线性灰度映射关系，但若依赖大量成对训练数据，实际部署成本较高。因此，通常采用传统图像增强方法，虽然具有计算速度快和可解释性强的优点，但在低对比度x光图像中容易出现噪声放大、局部过增强等问题。

技术实现思路

1、本技术实施例提供了图像处理方法，能够较佳地获取需要的图像。

2、本技术提供的图像处理方法采用如下的技术方案：一种图像处理方法，包括：

3、获取待处理的目标图像；

4、采用至少两种设定方法对所述目标图像进行图像处理，并融合得到第一增强图；其中，所述设定方法包括灰度变换法、直方图统计均衡法、光照分解法、滤波增强法、形态增强法与频域增强法中的至少其中之二；

5、采用神经网络对所述目标图像进行图像处理，得到第二增强图、深度细节响应图和深度特征置信度图；

6、基于所述深度细节响应图、所述深度特征置信度图，以及所述第一增强图与所述第二增强图之间的灰度差异图，获取融合权重图；

7、根据所述融合权重图，对所述第一增强图和第二增强图进行加权融合，得到融合增强图。

8、根据本发明的一些实施例，所述获取待处理的目标图像，包括：

9、接收采集到的原始图像并进行预处理，得到需要的所述目标图像；其中，所述目标图像包括归一化图、局部对比度图、边缘响应图、纹理响应图、背景估计图和噪声估计图中的至少其中之一。

10、根据本发明的一些实施例，所述融合权重图还依据所述局部对比度图、所述边缘响应图、所述纹理响应图以及所述噪声估计图生成。

11、根据本发明的一些实施例，所述采用至少两种设定方法对所述目标图像进行图像处理，并融合得到第一增强图，包括：

12、对所述归一化图进行灰度动态范围拉伸处理，得到第一图像；

13、对所述归一化图进行限制对比度直方图均衡处理，得到第二图像；

14、对所述归一化图进行多尺度增强及多尺度融合处理，得到第三图像，

15、对所述归一化图、所述边缘响应图和所述噪声估计图进行细节增强处理，得到第四图像；

16、将所述第一图像、所述第二图像、所述第三图像与所述第四图像相融合，得到第一增强图。

17、根据本发明的一些实施例，所述对所述归一化图、所述边缘响应图和所述噪声估计图进行细节增强处理，得到第四图像，包括：

18、对所述归一化图进行导向滤波细节分离处理，得到基础层图像和细节层图像；其中，所述基础层图像用于表征低频灰度背景，所述细节层图像用于表征边缘、层纹和微弱纹理；

19、对所述边缘响应图、所述纹理响应图与所述噪声估计图进行自适应细节增强处理，得到细节增益图；

20、将所述细节层图像与所述细节增益图相结合，得到降噪后的强化细节层图；

21、将所述强化细节层图叠加到所述基础层图像上，得到第四图像。

22、根据本发明的一些实施例，所述采用神经网络对所述目标图像进行增强处理，得到第二增强图、深度细节响应图和深度特征置信度图，包括：

23、获取归一化图、第一增强图、局部对比度图、边缘响应图、纹理响应图、背景估计图和噪声估计图，并拼接得到融合输入特征；

24、对所述融合输入特征进行卷积层处理，得到第一尺度特征图、第二尺度特征图与第三尺度特征图，其中，所述第一尺度特征图用于恢复细小边缘和纹理，所述第二尺度特征图用于恢复中尺度层状结构，所述第三尺度特征图用于建模大范围灰度背景；

25、对所述对比度图、所述纹理响应图和所述噪声估计图进行对比度引导注意力增强处理，得到注意力图，所述注意力图用于增强低对比度且包含真实纹理的区域，并降低高噪声平坦区域的增强权重；

26、对所述注意力图和所述第一尺度特征进行对比度引导注意力残差增强处理，得到残差增强特征图；

27、对所述残差增强特征图、所述第二尺度特征图与所述第三尺度特征图进行多尺度特征融合的残差细节补偿恢复处理，得到多尺度融合特征图；

28、对所述多尺度融合特征图进行多尺度融合特征细节残差提取处理，得到细节残差图；

29、基于频率权重对所述第三尺度特征图进行自适应频域纹理增强处理，得到频域增强特征图；

30、对所述频域增强特征图进行采样对齐处理，并与所述残差增强特征图进行融合处理，得到频域空间融合特征图；

31、基于所述归一化图、所述细节残差图和所述频域空间融合特征图进行图像重建，得到所述第二增强图；

32、对所述残差增强特征图进行深度细节响应处理，得到深度细节响应图；

33、对所述频域空间融合特征图、所述残差增强特征图与所述噪声估计图进行深度特征置信处理，得到深度特征置信度图。

34、根据本发明的一些实施例，所述根据所述融合权重图对所述第一增强图和第二增强图进行加权融合，得到融合增强图，包括：

35、将所述融合权重图取反后的矩阵与所述第一增强图做逐像素哈达玛积运算，得到第一加权图；

36、将所述融合权重图与所述第二增强图做逐像素哈达玛积运算，得到第二加权图；

37、将所述第一加权图与所述第二加权图相叠加，得到融合增强图。

38、根据本发明的一些实施例，所述得到融合增强图后，所述图像处理方法还包括：

39、基于所述归一化图进行导向滤波的图像高频细节分离补偿处理，得到高频残差图；

40、基于所述边缘响应图、所述纹理响应图、所述深度细节响应图和所述噪声估计图进行多特征融合细节保留权重处理，得到细节保留权重图。

41、基于所述融合增强图、所述高频残差图以及细节保留权重图进行加权细节补偿且值域截断图像融合增强处理，得到补偿增强图。

42、根据本发明的一些实施例，所述得到所述目标融合图之后，所述图像处理方法还包括：

43、基于所述补偿增强图获取局部梯度图以及低频背景估计图；

44、基于所述局部梯度图和低频背景估计图，分别生成梯度抑制因子、背景偏差抑制因子，使所述梯度抑制因子与所述背景偏差抑制因子逐像素相乘得到抑制权重图；

45、基于所述抑制权重图、所述补偿增强图与所述归一化图进行分层增强伪影抑制融合处理，得到输出增强图。

46、第二方面，本技术还公开了一种图像处理装置，包括：

47、图像接收模块，获取待处理的目标图像；

48、第一图像增强模块，采用至少两种设定方法对所述目标图像进行图像处理，并融合得到第一增强图；其中，所述设定方法包括灰度变换法、直方图统计均衡法、光照分解法、滤波增强法、形态增强法与频域增强法中的至少其中之一；

49、第二图像增强模块，采用神经网络对所述目标图像进行增强处理，得到第二增强图、深度细节响应图和深度特征置信度图；

50、自适应融合模块，至少基于所述深度细节响应图、所述深度特征置信度图以及所述第一增强图与所述第二增强图之间的灰度差异图，获取融合权重图； 根据所述融合权重图对所述第一增强图和第二增强图进行加权融合，得到融合增强图。

51、第三方面，本技术还公开了一种存储介质，所述存储介质中存储有指令，所述指令在执行时，使得所述图像处理装置执行如上述的方法。

52、第四方面，本技术还公开了一种检测设备，包括：

53、图像采集装置，用于采集待测对象的图像信息；

54、图像处理装置，用于接收所述图像采集装置采集到的图像信息，并执行上述的图像处理方法，以识别所述待测对象的缺陷。

55、从以上技术方案可以看出，本技术实施例具有以下优点：将第一增强图与第二增强图进行自适应权重融合，能够充分发挥两类增强算法的互补特性。即，采用至少两种设定方法对所述目标图像进行图像处理、融合，有效地保留了清晰纹理与原始图像特征。采用神经网络对所述目标图像进行增强处理，能够有效地抑制光晕、噪声与块状伪影等。通过像素级动态权重分配实现区域差异化画质优化，既解决了易产生失真、单一神经网络易丢失细节的问题，同时具备算力灵活可调、算法可解释、泛化范围广、工程易部署的综合优势，有效地保证了融合增强图的质量。并且，图像的生成不完全依托神经网络生成，还依托了设定方式的增强，因此，降低了神经网络的要求，无需大量的数据训练神经网络，节约了成本。

56、其中，融合权重图采用深度细节响应图、所述深度特征置信度图以及第一增强图与所述第二增强图之间的灰度差异图进行生成，从纹理、网络可靠性、亮度失真三维联合判别；弥补单一特征判别盲区，精准自适应分配第一增强图与第二增强图之间的融合比例，既能完整保留微小有效纹理，又可同步抑制光晕失真与神经网络预测畸变，适配各类复杂图像，算法可控、易调试、鲁棒性更强。

57、需要注意的是，深度细节响应图依托深度网络提取高层边缘、微小纹理、目标特征，精准区分有效细节与无关噪声；保证病灶、缺陷、细微边缘不会被平滑弱化，弥补仅靠灰度无法识别弱纹理的短板。而且，深度特征置信度图依托高层图像特征逐像素量化增强可信度；精准标记网络易畸变区域，和增强网络同源适配、可联合迭代优化，自适应各类复杂图像，为权重融合提供精准可靠的判别依据。以及，灰度差异图为第一增强图、第二增强图之间的像素灰度差值，差值大的区域代表两种增强结果明暗、对比度差异剧烈，该区域大概率存在传统增强光晕、块效应，或是网络过度降噪丢失层次；权重会自适应降低失真支路的占比，抑制两类增强各自的固有缺陷，进一步说明，深度细节响应图、所述深度特征置信度图与灰度差异图分别从纹理特征、模型可信度、灰度亮度三个独立维度联合约束权重，单一特征生成权重易出现误判，多特征联合大幅降低像素分类错误率。