(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210398883.0 (22)申请日 2022.04.15 (65)同一申请的已公布的文献号 申请公布号 CN 114693562 A (43)申请公布日 2022.07.01 (73)专利权人 黄淮学院 地址 463000 河南省驻马店市驿 城区开源 路76号 (72)发明人 汤震　潘浩　 (74)专利代理 机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 专利代理师 张丹丹 (51)Int.Cl. G06T 5/00(2006.01) G06T 5/50(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 107505614 A,2017.12.2 2 CN 110731773 A,2020.01.31 CN 114037648 A,202 2.02.11 CN 111008575 A,2020.04.14 CN 112529019 A,2021.0 3.19 CN 112756768 A,2021.0 5.07 CN 110889806 A,2020.0 3.17 CN 112435197 A,2021.0 3.02 Khairunnisa Hasi kin.etc."Fuz zy Image Enhancement for L ow Contrast and N on- uniform Illumination Images". 《2013 IE EE Internati onal conference o n Signal and Image proces sing applications》 .2013, 审查员 刘坛首 (54)发明名称 一种基于人工智能的图像增强方法 (57)摘要 本发明涉及一种基于人工智能的图像增强 方法， 其对原始RGB图像进行尺度变换， 得到不同 尺度的模板图像， 根据模板图像得到对应尺度空 间下具有不同模糊程度的模糊图像； 提取各模糊 图像的局部特征和全局特征， 并将局部特征和全 局特征进行融合， 得到各模糊图像对应的特征矩 阵； 计算不同尺度空间下各模糊图像的权重； 根 据所述权重对各特征矩阵进行融合， 得到原始 RGB图像的融合特征矩阵； 提取原始RGB图像的各 关键点， 确定各关键点的邻域范围； 计算关键点 的邻域范围内像素点的信息熵， 将信息熵作为各 关键点的关键点权重； 根据关键点权重和融合特 征矩阵， 得到关键点的增强图像， 进而得到原始 RGB图像对应的增强图像。 即本发明能够准确地 增强原始RGB图像 。 权利要求书2页 说明书6页 附图3页 CN 114693562 B 2022.11.25 CN 114693562 B 1.一种基于人工智能的图像增强方法， 其特 征在于， 该 方法包括以下步骤： 对原始RGB图像进行尺度变换， 得到不同尺度的模板图像， 对模板图像进行高斯模糊操 作， 得到对应尺度空间下具有不同模糊程度的模糊图像； 其中， 所述模糊程度由高斯核函数 的高斯核参数确定； 提取各模糊图像的局部特征和全局特征， 并将所述局部特征和全局特征进行融合， 得 到各模糊图像对应的特 征矩阵； 根据所述高斯核参数计算 不同尺度空间下 各模糊图像的权 重； 根据所述权 重对各特征矩阵进行融合， 得到原 始RGB图像的融合特 征矩阵； 对所述原 始RGB图像进行 各关键点的提取， 确定各关键点的邻域范围； 计算所述关键点的邻域范围内像素点的信 息熵， 将所述信 息熵作为各关键点的关键点 权重； 根据关键点权重和融合特征矩阵， 得到关键点的增强图像， 进而得到原始RGB图像对应 的增强图像。 2.根据权利要求1所述的一种基于人工智能的图像增强方法， 其特征在于， 关键点的增 强图像为： Z(x,y)＝( α +Ent ropy(x,y))·A(x,y)·I(x,y) 其中， Z(x,y)为坐标为(x,y)处的关键点的增强图像， Entrop y(x,y)为坐标为(x,y)处的关 键点的关键 点权重； α 为原始RGB图像中各像素点的初始权重， α ＝1； A(x,y)为融合特征矩阵中 坐标为(x,y)处的元 素， I(x,y)为原始RGB图像中坐标为(x,y)的关键点的像素值。 3.根据权利要求1所述的一种基于人工智能的图像增强方法， 其特征在于， 所述局部特 征和全局特征 的融合方法为： 构建融合函数， 利用所述融合函数将所述局部特征和全局特 征进行融合； 其中， 所述融合 函数为： 其中， c为通道的索引， b为标量偏差， w1和w2为标量权重， ReLU为线性修正单元激活函 数， Gc为全局特 征中通道c的值， Lc[x,y]为局部特 征中坐标为(x,y)通道为c的值。 4.根据权利要求1所述的一种基于人工智能的图像增强方法， 其特征在于， 所述融合特 征矩阵为： 其中， m为尺度空间的总个数， n为每个尺度空间下模糊图像的总个数， Ai,j为第i个尺度 空间中第j张模糊图像的特 征矩阵； wi,j为第i个尺度空间中第j张模糊图像的权 重。 5.根据权利要求1或4所述的一种基于人工智能的图像增强方法， 其特征在于， 所述模 糊图像的权 重为： 其中， wi,j为第i个尺度空间中第j张模糊图像的权重， s为原始RGB图像的长或宽， t为原权　利　要　求　书 1/2 页 2 CN 114693562 B 2始RGB图像的宽或长； 2j‑1为第i个尺度空间中第j张模糊图像对应的高斯核参数。 6.根据权利要求1或2所述的一种基于人工智能的图像增强方法， 其特征在于， 所述关 键点权重为： 其中， Entropyx,y为坐标(x,y)处的关键点 的关键点权重， P(c)为像素点c在邻域范围O 内出现的概 率。 7.根据权利要求1所述的一种基于人工智能的图像增强方法， 其特征在于， 所述各关键 点通过FAST算法进行提取。权　利　要　求　书 2/2 页 3 CN 114693562 B 3