[發(fā)明專利]自適應(yīng)窗寬窗位調(diào)節(jié)方法、裝置、計(jì)算機(jī)系統(tǒng)及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010412059.7
• 申請(qǐng)日: 2020-05-15
• 公開(kāi)（公告）號(hào): CN111696164B
• 公開(kāi)（公告）日: 2023-08-25
• 發(fā)明（設(shè)計(jì)）人: 徐尚良;張芮溟
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06T11/00
• 分類號(hào): G06T11/00;G06V10/40;G06V10/82;G06N3/0475;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 北京英特普羅知識(shí)產(chǎn)權(quán)代理有限公司 11015
• 代理人: 程超

1.一種基于梯度反傳的自適應(yīng)窗寬窗位調(diào)節(jié)方法，其特征在于，包括：

接收待調(diào)節(jié)圖像，依次提取待調(diào)節(jié)圖像中各像素的灰度值并匯總獲得輸入特征向量；

通過(guò)可導(dǎo)截?cái)嗄Ｐ陀?jì)算所述輸入特征向量中各灰度值的截?cái)嗾{(diào)節(jié)系數(shù)并匯總形成截?cái)嗾{(diào)節(jié)向量，及根據(jù)所述截?cái)嗾{(diào)節(jié)向量調(diào)節(jié)所述輸入特征向量生成輸出特征向量；通過(guò)可導(dǎo)截?cái)嗄Ｐ陀?jì)算所述輸入特征向量中各灰度值的截?cái)嗾{(diào)節(jié)系數(shù)并匯總形成截?cái)嗾{(diào)節(jié)向量，及根據(jù)所述截?cái)嗾{(diào)節(jié)向量調(diào)節(jié)所述輸入特征向量生成輸出特征向量，包括：創(chuàng)建機(jī)器學(xué)習(xí)模型以及具有可導(dǎo)截?cái)嗪瘮?shù)的可導(dǎo)截?cái)嗄Ｐ?，通過(guò)所述機(jī)器學(xué)習(xí)模型預(yù)測(cè)所述輸入特征向量的灰度上限和灰度下限；其中，所述可導(dǎo)截?cái)嗪瘮?shù)具有可導(dǎo)特性且用于對(duì)待調(diào)節(jié)圖像進(jìn)行均衡化處理和截?cái)嗵幚恚凰隹蓪?dǎo)截?cái)嗄Ｐ透鶕?jù)所述灰度下限和灰度上限，計(jì)算所述輸入特征向量中各灰度值獲得各灰度值的下限差值和上限差值；對(duì)所述下限差值和上限差值進(jìn)行可導(dǎo)均衡化處理，獲得可導(dǎo)均衡下差值和可導(dǎo)均衡上差值，將所述可導(dǎo)均衡下差值與可導(dǎo)均衡上差值相減獲得截?cái)嗾{(diào)節(jié)系數(shù)；各截?cái)嗾{(diào)節(jié)系數(shù)按照與其對(duì)應(yīng)的像素位置進(jìn)行排列，以匯總形成截?cái)嗾{(diào)節(jié)向量；所述可導(dǎo)截?cái)嗪瘮?shù)，包括：；其中，，于所述可導(dǎo)截?cái)嗪瘮?shù)中，k為超參數(shù)，用來(lái)調(diào)節(jié)函數(shù)的有效激活區(qū)間；s(y)為截?cái)嗾{(diào)節(jié)系數(shù)，window_min為窗寬窗位的灰度下限，window_max為窗寬窗位的灰度上限，x為輸入特征向量中的灰度值，為截?cái)嗾{(diào)節(jié)系數(shù)；

將所述輸出特征向量發(fā)送至預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)根據(jù)輸出特征向量對(duì)所述可導(dǎo)截?cái)嗄Ｐ瓦M(jìn)行權(quán)值更新，使其生成符合所述神經(jīng)網(wǎng)絡(luò)損失函數(shù)的輸出特征向量，并根據(jù)該輸出特征向量生成窗寬窗位圖像。

2.根據(jù)權(quán)利要求1所述的自適應(yīng)窗寬窗位調(diào)節(jié)方法，其特征在于，依次提取待調(diào)節(jié)圖像中各像素的灰度值并匯總獲得輸入特征向量的步驟，包括：

提取所述待調(diào)節(jié)圖像中各像素的灰度值；

按照各像素在待調(diào)節(jié)圖像中的位置，排列所述各像素的灰度值并匯總形成輸入特征向量。

3.根據(jù)權(quán)利要求1所述的自適應(yīng)窗寬窗位調(diào)節(jié)方法，其特征在于，根據(jù)所述截?cái)嗾{(diào)節(jié)向量調(diào)節(jié)所述輸入特征向量生成輸出特征向量的步驟，包括：

將截?cái)嗾{(diào)節(jié)向量中各截?cái)嗾{(diào)節(jié)系數(shù)與所述輸入特征向量中各像素的灰度值一一對(duì)應(yīng)；

根據(jù)所述截?cái)嗾{(diào)節(jié)系數(shù)調(diào)整與其對(duì)應(yīng)的灰度值獲得初步輸出特征向量；

依次判斷所述初步輸出特征向量中輸出特征值是否大于預(yù)設(shè)的截?cái)嚅撝?；若大于所述截?cái)嚅撝担瑒t將所述輸出特征值設(shè)為保留特征值；若不大于所述截?cái)嚅撝担瑒t將所述輸出特征值進(jìn)行極值化處理并將其設(shè)為極值特征值；

完成對(duì)所述初步輸出特征向量中所有輸出特征值的截?cái)嚅撝蹬袛?，且將僅具有保留特征值和/或極值特征值的初步輸出特征向量設(shè)定為輸出特征向量。

4.根據(jù)權(quán)利要求3所述的自適應(yīng)窗寬窗位調(diào)節(jié)方法，其特征在于，所述極值化處理包括以下步驟：

判斷所述初步輸出特征向量的輸出特征值是否小于灰度下限，若小于所述灰度下限，則將所述輸出特征值調(diào)整為所述灰度下限；若不小于所述灰度下限，則判斷所述輸出特征值是否大于灰度上限，若大于所述灰度上限，則將所述輸出特征值調(diào)整為所述灰度上限。

5.根據(jù)權(quán)利要求1所述的自適應(yīng)窗寬窗位調(diào)節(jié)方法，其特征在于，將所述輸出特征向量發(fā)送至預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)根據(jù)輸出特征向量對(duì)所述可導(dǎo)截?cái)嗄Ｐ瓦M(jìn)行權(quán)值更新，使其生成符合所述神經(jīng)網(wǎng)絡(luò)損失函數(shù)的輸出特征向量的步驟，包括：

通過(guò)前向傳播算法將所述輸出特征向量輸出至神經(jīng)網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)中每一層依次對(duì)所述輸出特征向量進(jìn)行運(yùn)算獲得運(yùn)算結(jié)果，并通過(guò)所述神經(jīng)網(wǎng)絡(luò)的損失函數(shù)計(jì)算所述運(yùn)算結(jié)果獲得損失值；

接收所述神經(jīng)網(wǎng)絡(luò)根據(jù)所述損失值，并通過(guò)梯度下降法及反向傳播算法輸出的迭代數(shù)據(jù)，根據(jù)所述迭代數(shù)據(jù)對(duì)所述可導(dǎo)截?cái)嗄Ｐ椭械目蓪?dǎo)截?cái)嗪瘮?shù)進(jìn)行求導(dǎo)，并根據(jù)求導(dǎo)結(jié)果對(duì)所述可導(dǎo)截?cái)嗄Ｐ瓦M(jìn)行權(quán)值更新；

通過(guò)更新后的可導(dǎo)截?cái)嗄Ｐ?，再次?jì)算所述輸入特征向量生成輸出特征向量并將其發(fā)送至所述神經(jīng)網(wǎng)絡(luò)，直至所述神經(jīng)網(wǎng)絡(luò)的損失值達(dá)到預(yù)設(shè)的損失閾值以下，判定所述損失值達(dá)到預(yù)設(shè)的損失閾值以下的輸出特征向量，為符合所述神經(jīng)網(wǎng)絡(luò)損失函數(shù)的輸出特征向量。