【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种基于人工智能的红外图像处理方法、装置、设备及介质。
技术介绍
1、热红外线图像，这一术语简洁地概括了通过捕捉物体自身热辐射能量并转化为可视化图像的技术成果，它不仅是物理学与成像技术的巧妙结合，更是现代科技探索未知、优化生活方式的重要工具。红外图像，以其独特的视角揭示了物体表面温度分布的差异，这种非接触式的温度测量方式，在诸多领域展现出了无可比拟的优势与潜力。
2、在航空航天领域，红外图像技术被广泛应用于卫星遥感、夜间导航、目标跟踪及热防护系统的监测等方面。通过红外图像，科学家和工程师能够准确识别出地球表面的温度变化，监测大气层中的热异常现象，甚至在漆黑的夜空中锁定并追踪飞行目标，极大地提高了空间探索的效率和安全性。
3、在医疗领域，医生利用红外热成像仪检测人体各部位的温度分布，帮助诊断血液循环障碍、炎症、肿瘤等多种疾病。这种方法不仅无创、无痛，还能实时反映人体内部的生理状态变化，为疾病的早期发现和治疗提供了有力支持。
4、此外，在安防监控领域，红外图像技术同样发挥着不可替代的作用。无论是寒冷的冬夜还是漆黑的夜晚，红外摄像头都能清晰地捕捉到目标物体的影像，为安全保卫工作提供了可靠的视觉信息。通过智能分析红外图像中的温度异常点，安防系统能够及时发现火灾、入侵等潜在威胁，并迅速作出反应。
5、然而，随着红外图像技术应用的不断深入和广泛，传统的红外图像增强方法逐渐显露出其局限性。这些传统方法虽然在一定程度上提高了图像的质量和信息清晰度，但往往伴随着处理效率低
技术实现思路
1、本申请实施例提供了一种基于人工智能的红外图像处理方法、装置、设备及介质，可提高红外图像处理的效率。
2、一方面，本申请实施例提供了一种基于人工智能的红外图像处理方法，包括：
3、获取待增强的目标红外图像；
4、对所述目标红外图像进行降噪处理，获得降噪红外图像；
5、将所述降噪红外图像输入图像增强模型，获得从所述图像增强模型的第一图像增强网络层输出的第一图像特征数据，并识别所述第一图像特征数据中的第一特征数据；将所述第一特征数据转换为所述第一图像增强网络层的后续图像增强网络层能够识别的第二特征数据；
6、将所述第一图像特征数据继续输入所述第一图像增强网络层的后续图像增强网络层依次进行训练，且每层后续图像增强网络层在训练时均跳过所述第二特征数据；
7、在获得所述图像增强模型的最后一层图像增强网络层输出的最终图像特征数据后，利用所述第一特征数据对所述最终图像特征数据进行填充，获得增强红外图像。
8、再一方面，本申请实施例提供了一种基于人工智能的红外图像处理装置，包括：
9、图像获取模块，用于获取待增强的目标红外图像；
10、图像降噪模块，用于对所述目标红外图像进行降噪处理，获得降噪红外图像；
11、特征识别模块，用于将所述降噪红外图像输入图像增强模型，获得从所述图像增强模型的第一图像增强网络层输出的第一图像特征数据，并识别所述第一图像特征数据中的第一特征数据；将所述第一特征数据转换为所述第一图像增强网络层的后续图像增强网络层能够识别的第二特征数据；
12、图像训练模块，用于将所述第一图像特征数据继续输入所述第一图像增强网络层的后续图像增强网络层依次进行训练，且每层后续图像增强网络层在训练时均跳过所述第二特征数据；
13、图像后处理模块，用于在获得所述图像增强模型的最后一层图像增强网络层输出的最终图像特征数据后，利用所述第一特征数据对所述最终图像特征数据进行填充，获得增强红外图像。
14、再一方面，本申请实施例提供了一种电子设备，包括：
15、存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如前述基于人工智能的红外图像处理方法。
16、再一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述处理器执行所述计算机程序，实现如前述基于人工智能的红外图像处理方法。
17、本专利技术的有益效果为：
18、本申请的实施例提供一种基于人工智能的红外图像处理方法、装置、设备及介质，该方法通过获取待增强的目标红外图像；对所述目标红外图像进行降噪处理，获得降噪红外图像；将所述降噪红外图像输入图像增强模型，获得从所述图像增强模型的第一图像增强网络层输出的第一图像特征数据，并识别所述第一图像特征数据中的第一特征数据；将所述第一特征数据转换为所述第一图像增强网络层的后续图像增强网络层能够识别的第二特征数据；将所述第一图像特征数据继续输入所述第一图像增强网络层的后续图像增强网络层依次进行训练，且每层后续图像增强网络层在训练时均跳过所述第二特征数据；在获得所述图像增强模型的最后一层图像增强网络层输出的最终图像特征数据后，利用所述第一特征数据对所述最终图像特征数据进行填充，获得增强红外图像。也即，该方法在图像增强模型中进行图像处理时，在处理过程中对于红外图像某类特征数据跳过处理，且在输出时对图像特征数据进行填充。针对由于空间资源占用比较大而导致其处理效率低的红外图像，该方法在去噪后通过人工智能的方法进行增强，保证了红外图像增强的效果的基础上，通过对网络层训练的处理，提高了处理效率。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的红外图像处理方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的红外图像处理方法，其特征在于，识别所述第一图像特征数据中的第一特征数据，包括：
3.根据权利要求2所述的基于人工智能的红外图像处理方法，其特征在于，利用所述第一特征数据对所述最终图像特征数据进行填充，获得增强红外图像，包括：
4.根据权利要求1所述的基于人工智能的红外图像处理方法，其特征在于，将所述降噪红外图像输入图像增强模型之前，还包括：
5.根据权利要求4所述的基于人工智能的红外图像处理方法，其特征在于，将所述降噪红外图像与所述可见光图像进行融合，获得融合图像，包括：
6.根据权利要求1所述的基于人工智能的红外图像处理方法，其特征在于，将所述降噪红外图像输入图像增强模型之前，还包括：
7.根据权利要求6所述的基于人工智能的红外图像处理方法，其特征在于，基于若干所述增强红外图像和对应的若干所述历史红外图像，对初始神经网络模型进行训练，获得所述图像增强模型，包括：
8.一种基于人工智能的红外图像处理装
9.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种基于人工智能的红外图像处理方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的红外图像处理方法，其特征在于，识别所述第一图像特征数据中的第一特征数据，包括：
3.根据权利要求2所述的基于人工智能的红外图像处理方法，其特征在于，利用所述第一特征数据对所述最终图像特征数据进行填充，获得增强红外图像，包括：
4.根据权利要求1所述的基于人工智能的红外图像处理方法，其特征在于，将所述降噪红外图像输入图像增强模型之前，还包括：
5.根据权利要求4所述的基于人工智能的红外图像处理方法，其特征在于，将所述降噪红外图像与所述可见光图像进行融合，获得融合图像，包括：
6.根据权利要求1所述的基于人工智能的红外...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。