本發(fā)明屬于圖像分類、處理等技術(shù)領(lǐng)域，具體地講涉及一種基于自適應(yīng)匹配和學(xué)習(xí)的失真圖像處理方法及系統(tǒng)。

背景技術(shù)：

隨著各地平安城市項目的建設(shè)，視頻監(jiān)控也越來越普遍地存在于城市的各個角落。在各地平安城市建設(shè)中，軟件平臺尤其是上層應(yīng)用平臺發(fā)揮著越來越大的作用，對公安部門偵查辦案起到了很大的幫助。但由于視頻監(jiān)控安裝環(huán)境的復(fù)雜性，以及受到光照、物體運動等因素影響，獲取的視頻圖像往往不能很好的顯示，能夠提供的價值信息非常有限，因此平臺中的圖像處理工具已經(jīng)成為還原圖片價值信息的一個重要保障。目前，圖像處理工具類型眾多，如何選用最優(yōu)算法去處理對應(yīng)的失真圖片、發(fā)揮算法的最大功效以及獲取圖像最大價值信息是當(dāng)前急需解決的問題。

技術(shù)實現(xiàn)要素：

根據(jù)現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供了一種基于自適應(yīng)匹配和學(xué)習(xí)的失真圖像處理方法及系統(tǒng)，通過預(yù)先訓(xùn)練好的模型判定和選擇最優(yōu)算法對待處理失真圖像進行處理，獲得了達到最優(yōu)設(shè)定效果的處理圖像，發(fā)揮了算法的最大功效。

為實現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于自適應(yīng)匹配和學(xué)習(xí)的失真圖像處理方法，其特征在于，所述方法包括以下步驟：

s1，針對各種圖像處理工具，建立對應(yīng)的失真圖像樣本庫；

s2，對失真圖像樣本庫中的失真圖像進行預(yù)處理，即進行降維特征提取，得到特征圖像，所述特征圖像構(gòu)成訓(xùn)練樣本；

s3，利用分類技術(shù)對訓(xùn)練樣本進行訓(xùn)練并構(gòu)建分類器，得到失真分類模型；

s4，對于導(dǎo)入的待處理失真圖像，通過失真分類模型對其進行分類，得到預(yù)測失真類別；

s5，根據(jù)預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對待處理失真圖像進行處理，最終得到一個或多個處理后圖像，并對處理后圖像進行顯示，從中獲取達到效果最佳的處理后圖像

s6，根據(jù)步驟s4～s5的結(jié)果，優(yōu)化失真分類模型。

優(yōu)選的，步驟s2中所述降維特征提取的方法是先通過pca(principalcomponentsanalysis,主成分分析)算法將失真圖像的高維數(shù)據(jù)通過線性變換投影到低維空間上來降低失真圖像的維數(shù)，得到一次降維后的低維樣本；再通過lda(lineardiscriminantanalysis，線性判別分析)算法將一次降維后的低維樣本投影到一個使得所述低維樣本中類類之間的距離最大、類內(nèi)之間的距離最小的最優(yōu)判別矢量空間中，得到二次降維后的低維樣本矩陣。

優(yōu)選的，步驟s5具體過程如下：

若所述預(yù)測失真類別為一種時，針對此種預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對待處理失真圖像進行處理，得到一個或多個第一次處理后圖像，并對第一次處理后圖像進行顯示，獲取達到效果最佳的第一次處理后圖像；

若所述預(yù)測失真類別為多種時，針對一種預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對待處理失真圖像進行處理，得到一個或多個第一次處理后圖像，并對第一次處理后圖像進行顯示，獲取達到效果較佳的第一次處理后圖像；再針對另一種預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對達到效果較佳的第一次處理后圖像進行處理，得到一個或多個第二次處理后圖像，并對第二次處理后圖像進行顯示，獲取達到效果較佳的第二次處理后圖像，以此類推，直到所有預(yù)測失真類別全部處理完畢，選取最終的處理后圖像中達到效果最佳的處理后圖像。

優(yōu)選的，步驟s6中所述優(yōu)化失真分類模型具體包括以下步驟：

s11，記錄達到效果最佳的處理后圖像的對應(yīng)處理流程和圖像處理工具；

s12，將處理前的待處理失真圖像放入到步驟s11中記錄的圖像處理工具對應(yīng)的失真圖像樣本庫中；

s13，重復(fù)步驟s2～s3，完成失真分類模型的更新。

進一步優(yōu)選的，所述pca算法具體包括以下步驟：

s21，針對一種圖像處理工具建立一個失真圖像樣本庫，失真圖像樣本庫對應(yīng)的樣本集為：

a＝{a1,…,ai,…,an}

ai指的是一個失真圖像樣本，其中i∈{1，2，3，...，n}，樣本集a里面有n個失真圖像樣本；

s22，每個失真圖像樣本均是一個矩陣，矩陣中的每個元素的值代表一個像素值，則每個失真圖像樣本可表示為：

ai＝(ai1,…,aid)∈r^d

其中，aid指的是第i個失真圖像樣本的第d列像素值，其中i∈{1，2，3，...，n}，d表示失真圖像樣本像素的列數(shù)，r^d表示的是d維空間；

s23，將失真圖像樣本組織成矩陣的形式，即每行為一個失真圖像樣本，每列為一個維度，得到的失真圖像樣本矩陣s可表示為：

其中，[aid]^t為像素值aid的轉(zhuǎn)置矩陣；

s24，失真圖像樣本矩陣s的協(xié)方差矩陣c表示為：

其中，s^t為失真圖像樣本矩陣s的轉(zhuǎn)置矩陣；

s25，對協(xié)方差矩陣c進行特征值分解，得到特征值矩陣λ，得到對應(yīng)的特征向量矩陣p，p,λ∈r^dxd，取前p(p<d)個最大特征值，這p個特征值組成了新的對角陣λ1∈r^pxp，對應(yīng)的p個特征向量組成了新的特征向量矩陣p1∈r^dxp。p1是一個投影矩陣；

s26，將樣本矩陣s投影在投影矩陣p1上，便可得到降維后的低維樣本矩陣s1，表示如下：

s1＝sp1

更進一步優(yōu)選的，所述lda算法具體包括以下步驟：

s31，經(jīng)過pca算法降維后的低維樣本矩陣s1有一個包含n類的樣本集x＝{x1,x2,…,xi,…,xn},樣本集x為低維樣本矩陣s1的轉(zhuǎn)置,其中第i類xi有ni個樣本，xini指的是第i類中第ni個樣本，每一個類的對應(yīng)均值為：

其中，j表示第i類的第j幅圖像；

s32，相對應(yīng)的協(xié)方差矩陣σi為：

s33，整體的數(shù)據(jù)均值為：

s34，類間散度矩陣sb定義如下：

s35，類內(nèi)散度矩陣sw定義如下：

s36，類間散度矩陣sb和類內(nèi)散度矩陣sw的投影矩陣為φ，找一個最佳投影矩陣φlda，使得sb的行列式與sw的行列式比率最大，公式如下：

s37，經(jīng)過lda算法降維后的樣本矩陣s2為：

s2＝s1φida

s2即為降維后的樣本矩陣，p1φida為降維投影矩陣。

更進一步優(yōu)選的，步驟s3的具體步驟如下：

所述失真分類模型factor通過svmtrain函數(shù)可表示為：

factor＝svmtrain(train_label,train_data,‘-b1’)

其中，-b1表示打開概率輸出開關(guān)；svmtrain表示訓(xùn)練建模函數(shù)，train_label表示訓(xùn)練標(biāo)簽，train_data表示經(jīng)過lda算法降維后的樣本矩陣s2。

更進一步優(yōu)選的，步驟s4的具體步驟如下：

將待處理失真圖像樣本集bi與降維投影矩陣p1φida相乘，進行降維后得到降維圖像test_data，再根據(jù)已經(jīng)訓(xùn)練好的失真分類模型factor，輸出預(yù)測失真類別predicted_label和標(biāo)簽概率scores，通過svmpredict函數(shù)表示為：

[predicted_label,scores]＝svmpredict(test_data,factor,‘-b1')

其中，-b1表示打開概率輸出開關(guān)。

相應(yīng)的，本發(fā)明還提供了一種基于自適應(yīng)匹配和學(xué)習(xí)的失真圖像處理系統(tǒng)，所述系統(tǒng)包括如下組成部分：

圖像導(dǎo)入模塊，用于從系統(tǒng)外導(dǎo)入單張或多張待處理失真圖像；

圖像自適應(yīng)分配模塊，包括特征提取單元和分類模型單元，對導(dǎo)入的待處理失真圖像進行特征提取，并進行失真模型分類，選出多種對應(yīng)的失真分類；

圖像處理工具模塊，包含了多種圖像處理工具對應(yīng)的圖像處理算法，每一種失真分類模型對應(yīng)著不同圖像處理算法；

自適應(yīng)學(xué)習(xí)模塊，根據(jù)每次的處理結(jié)果，不斷更新優(yōu)化失真分類模型。

優(yōu)選的，所述自適應(yīng)學(xué)習(xí)模塊具體包括以下組成單元：

記錄單元，記錄達到效果最佳的處理后圖像的對應(yīng)處理流程和圖像處理工具；

執(zhí)行單元，將處理前的待處理失真圖像放入到記錄單元中記錄的圖像處理工具對應(yīng)的失真圖像樣本庫中；

更新單元，通過圖像自適應(yīng)分配模塊對所述處理前的待處理失真圖像進行預(yù)處理，即進行降維特征提取，得到特征圖像，再對特征圖像進行訓(xùn)練并構(gòu)建分類器，得到新的失真分類模型。

本發(fā)明的有益效果在于：

1)本發(fā)明首先通過pca算法和lda算法對失真圖像樣本庫中的失真圖像進行降維得到特征圖像，再通過分類技術(shù)的svmtrain函數(shù)構(gòu)建失真分類模型，得到訓(xùn)練好的失真分類模型；然后通過svmpredict函數(shù)對導(dǎo)入的待處理失真圖像進行分類，選擇較優(yōu)的幾個圖像處理工具對其進行處理，得到多個已處理失真圖像，獲得了達到效果最佳的處理后圖像，發(fā)揮了算法的最大功效。

2)本發(fā)明利用自適應(yīng)學(xué)習(xí)模塊中的記錄單元、執(zhí)行單元和更新單元，通過記錄達到效果最佳的處理后圖像的對應(yīng)處理流程和圖像處理工具，將處理前的待處理失真圖像放入到記錄單元中記錄的圖像處理工具對應(yīng)的樣本庫中，再對待處理失真圖像進行降維特征提取，利用分類技術(shù)構(gòu)建分類器，得到失真分類模型，完成失真分類模型的更新，使失真分類模型更加完善化和精確化。

3)本發(fā)明通過訓(xùn)練好的失真分類模型，利用svmpredict函數(shù)對導(dǎo)入的待處理失真圖像選用多個對應(yīng)的圖像處理工具，獲得多個經(jīng)圖像處理工具處理后的已處理失真圖像，從而挑選得到達到效果最佳的處理后圖像；將失真分類模型的自動選用和對已處理失真圖像進行挑選結(jié)合起來，在發(fā)揮較好的幾種算法功效的同時，再通過對已處理失真圖像的選取，最大程度的保證了能夠獲取最優(yōu)設(shè)定效果的已處理失真圖像。

附圖說明

圖1為本發(fā)明失真圖像處理方法的流程圖。

圖2為本發(fā)明優(yōu)化失真分類模型的方法流程圖。

圖3為本發(fā)明失真圖像處理系統(tǒng)的結(jié)構(gòu)示意圖。

附圖標(biāo)記：

10-圖像導(dǎo)入模塊，20-圖像自適應(yīng)分配模塊，30-圖像處理工具模塊，40-自適應(yīng)學(xué)習(xí)模塊，41-記錄單元，42-執(zhí)行單元，43-更新單元。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

如圖1所示，一種基于自適應(yīng)匹配和學(xué)習(xí)的失真圖像處理方法，包括以下步驟：

s1，針對各種圖像處理工具，建立對應(yīng)的失真圖像樣本庫；

圖像處理工具包括去散焦模糊工具、去運動模糊工具、去任意模糊工具和對比度增強工具，則失真類型相應(yīng)的包括散焦模糊、運動模糊、任意模糊和對比度差；對每個圖像處理工具建立一個一一對應(yīng)的圖像失真樣本庫，圖像失真樣本庫中包含多個失真圖像，失真圖像從刑事偵查案件、交通肇事案件、網(wǎng)上搜集等渠道中收集，失真圖像個數(shù)越多越好。

s2，對失真圖像樣本庫中的失真圖像進行預(yù)處理，即進行降維特征提取，得到特征圖像，所述特征圖像構(gòu)成訓(xùn)練樣本；

步驟s2中所述降維特征提取的方法是先通過pca算法將失真圖像的高維數(shù)據(jù)通過線性變換投影到低維空間上來降低失真圖像的維數(shù)，得到一次降維后的低維樣本矩陣；再通過lda算法將一次降維后的低維樣本矩陣投影到一個使得所述低維樣本中類類之間的距離最大、類內(nèi)之間的距離最小的最優(yōu)判別矢量空間中，得到二次降維后的低維樣本矩陣；

具體的，pca算法即為主成分分析。它是將高維的數(shù)據(jù)通過線性變換投影到低維空間上去來降低原始數(shù)據(jù)的維數(shù)，并且去除數(shù)據(jù)之間的相關(guān)性。pca算法具體包括以下步驟：

1)針對一種圖像處理工具建立一個失真圖像樣本庫，失真圖像樣本庫對應(yīng)的樣本集為：

a＝{a1,…,ai,…,an}

ai指的是一個失真圖像樣本，其中i∈{1，2，3，...，n}，樣本集a里面有n個失真圖像樣本；

2)每個失真圖像樣本均是一個矩陣，矩陣中的每個元素的值代表一個像素值，則每個失真圖像樣本可表示為：

ai＝(ai1,…,aid)∈r^d

其中，aid指的是第i個失真圖像樣本的第d列像素值，其中i∈{1，2，3，...，n}，d表示失真圖像樣本像素的列數(shù)，r^d表示的是d維空間。

3)將失真圖像樣本組織成矩陣的形式，即每行為一個失真圖像樣本，每列為一個維度，得到的失真圖像樣本矩陣s可表示為：

其中，[aid]^t為像素值aid的轉(zhuǎn)置矩陣。

4)失真圖像樣本矩陣s的協(xié)方差矩陣c表示為：

其中，s^t為失真圖像樣本矩陣s的轉(zhuǎn)置矩陣；

5)對協(xié)方差矩陣c進行特征值分解，得到特征值矩陣λ，得到對應(yīng)的特征向量矩陣p，p,λ∈r^dxd，取前p(p<d)個最大特征值，這p個特征值組成了新的對角陣λ1∈r^pxp，對應(yīng)的p個特征向量組成了新的特征向量矩陣p1∈r^dxp。p1是一個投影矩陣；

6)將樣本矩陣s投影在投影矩陣p1上，便可得到降維后的低維樣本矩陣s1，表示如下：

s1＝sp1

通過以上步驟，將失真圖像樣本庫中的失真圖像樣本集a降維到低維樣本s1，減少了圖像的特征維數(shù)，同時盡可能好的保持了圖像最大的原有特征；

pca算法主要就是兩個方面的作用：減少冗余度和去除噪聲。減少冗余度目的就是去掉包含信息少的維度；很多維數(shù)本身的方差很小幾乎接近于零，這樣對于數(shù)據(jù)的區(qū)分意義不明顯，去除掉那些不重要的部分就可以大幅的降低維數(shù)，將不重要的局部信息丟棄，在重構(gòu)的時候就能夠很好的還原原來的信息。去除噪聲就是去除各個維度間的相關(guān)性；原始數(shù)據(jù)各個維度本身的方差就是數(shù)據(jù)固有的能量，但由于實際采集和存儲的時候產(chǎn)生了一些不同維度間相關(guān)性的數(shù)據(jù)，這些數(shù)據(jù)充斥在原始的數(shù)據(jù)之間干擾了真正的有意義的數(shù)據(jù)，從能量的角度來看就是有意義的數(shù)據(jù)能量被相對削弱了，此時就希望通過pca處理后，使維度間的相關(guān)性盡可能減弱，進而恢復(fù)維度應(yīng)有的能量，最好是只保留有意義的數(shù)據(jù)完全去除其他數(shù)據(jù)，在對角化的過程中就是盡可能的去掉數(shù)據(jù)間的相關(guān)性達到降噪的目的；

具體的，lda算法即為線性判別分析。其基本思想是將相對的高維數(shù)據(jù)投影到一個最優(yōu)的判別矢量空間中，以使得樣本在新的空間中類類之間的距離最大，類內(nèi)之間的距離最小，lda算法具體包括以下步驟：

1)經(jīng)過pca算法降維后的低維樣本矩陣s1有一個包含n類的樣本集x＝{x1,x2,…,xi,…,xn},樣本集x為低維樣本矩陣s1的轉(zhuǎn)置,其中第i類xi有ni個樣本，xini指的是第i類中第ni個樣本，每一個類的對應(yīng)均值為：

其中，j表示第i類的第j幅圖像；

2)相對應(yīng)的協(xié)方差矩陣σi為：

3)整體的數(shù)據(jù)均值為：

4)類間散度矩陣sb定義如下：

5)類內(nèi)散度矩陣sw定義如下：

6)類間散度矩陣sb和類內(nèi)散度矩陣sw的投影矩陣為φ，找一個最佳投影矩陣φlda，使得sb的行列式與sw的行列式比率最大，公式如下：

φlda可通過下面的方程求解，

sbφlda-swφλ＝0

在等式兩邊都乘以sw的倒數(shù)，可得：

如果sw是非奇異性矩陣且可逆，φlda就是sw的特征向量所組成。這里所需要注意的是僅僅只有最多n-1個非零的特征值對應(yīng)的特征向量，這是因為sb只有n個數(shù)據(jù)；

7)經(jīng)過lda降維后的樣本矩陣s2為：

s2＝s1φida

s2即為降維后的樣本矩陣，p1φida為降維投影矩陣；

s3，利用分類技術(shù)對訓(xùn)練樣本進行訓(xùn)練并構(gòu)建分類器，得到失真分類模型；

失真分類模型factor通過svmtrain函數(shù)可表示為：

factor＝svmtrain(train_label,train_data,‘-b1’)

其中，-b1表示打開概率輸出開關(guān)。默認是：-b0，即不輸出概率值；

svmtrain表示訓(xùn)練建模函數(shù)，train_label表示訓(xùn)練標(biāo)簽，如去散焦模糊工具、去運動模糊工具、去任意模糊工具和對比度增強工具；train_data表示經(jīng)過lda降維后的樣本矩陣，這里表示s2；

需要注意的是，得到的每一種失真分類模型對應(yīng)著不同圖像處理工具，也就對應(yīng)著不同的圖像處理算法。

s4，對于導(dǎo)入的待處理失真圖像，通過失真分類模型對其進行分類，得到預(yù)測失真類別；

具體的，將待處理失真圖像樣本集bi與p1φida相乘，進行降維后得到降維圖像test_data，再根據(jù)已經(jīng)訓(xùn)練好的失真分類模型factor，輸出預(yù)測失真類別predicted_label和標(biāo)簽概率scores，通過svmpredict函數(shù)表示為：

[predicted_label,scores]＝svmpredict(test_data,factor,‘-b1')

預(yù)測類別predicted_label包括散焦模糊、運動模糊、任意模糊和對比度差，預(yù)測類別predicted_label為多個；測試數(shù)據(jù)test_data表示待處理的沒有分類的降維圖像；標(biāo)簽概率scores表示對應(yīng)各個預(yù)測類別predicted_label的概率大小，概率大小按從大到小進行排列，根據(jù)排列順序，可以預(yù)測降維圖像test_data最可能屬于排在第一位的預(yù)測類別predicted_label。

s5，根據(jù)預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對待處理失真圖像進行處理，最終得到一個或多個處理后圖像，并對處理后圖像進行顯示，從中獲取達到效果最佳的處理后圖像；

若所述預(yù)測失真類別為一種時，針對此種預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對待處理失真圖像進行處理，得到一個或多個第一次處理后圖像，并對第一次處理后圖像進行顯示，獲取達到效果最佳的第一次處理后圖像；

若所述預(yù)測失真類別為多種時，針對一種預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對待處理失真圖像進行處理，得到一個或多個第一次處理后圖像，并對第一次處理后圖像進行顯示，獲取達到效果較佳的第一次處理后圖像；再針對另一種預(yù)測失真類別，選用對應(yīng)的一個或多個圖像處理工具對達到效果較佳的第一次處理后圖像進行處理，得到一個或多個第二次處理后圖像，并對第二次處理后圖像進行顯示，獲取達到效果較佳的第二次處理后圖像，以此類推，直到所有預(yù)測失真類別全部處理完畢，選取最終的處理后圖像中達到效果最佳的處理后圖像

具體的，若選用對應(yīng)的圖像處理工具為多個，則得到的已處理失真圖像相應(yīng)的也為多個；這里可以設(shè)定選用標(biāo)簽概率scores按從大到小排列的前四個預(yù)測類別predicted_label對應(yīng)的四個圖像處理工具對待處理失真圖像進行處理，則經(jīng)四個圖像處理工具處理后得到的已處理失真圖像相應(yīng)的也為多個；

圖像處理工具對待處理失真圖像進行處理的方法包括去霧、噪聲消除、塊效應(yīng)去除、去散焦模糊、去運動模糊、去任意模糊、對比度增強、魚眼校正、銳化、反色算法。

達到效果最佳的處理后圖像，是指根據(jù)需要能夠解決問題或者達到某種目的的處理后圖像；比如，警方在根據(jù)視頻圖像追蹤嫌疑人相貌的時候，則處理后的圖像以能夠最好辨別圖像中嫌疑人的長相和體貌的那個處理后圖像作為達到效果最佳的處理后圖像。這里可以通過人為觀察、計算機識別等方法獲取達到效果最佳的處理后圖像。

s6，根據(jù)步驟s4～s5的結(jié)果，優(yōu)化失真分類模型。

如圖2所示，所述優(yōu)化失真分類模型具體包括以下步驟：

1)記錄達到效果最佳的處理后圖像的對應(yīng)處理流程和圖像處理工具；

2)將處理前的待處理失真圖像放入到步驟上述所記錄的圖像處理工具對應(yīng)的失真圖像樣本庫中；

3)重復(fù)步驟s2～s3，完成失真分類模型的更新。

通過記錄達到效果最佳的處理后圖像的對應(yīng)處理流程和圖像處理工具，將處理前的待處理失真圖像放入到記錄單元中記錄的圖像處理工具對應(yīng)的失真圖像樣本庫中，再對待處理失真圖像進行降維特征提取，利用分類技術(shù)構(gòu)建分類器，得到失真分類模型，完成失真分類模型的更新，使失真分類模型更加完善化和精確化。

相應(yīng)的，本發(fā)明還提供了一種基于自適應(yīng)匹配和學(xué)習(xí)的失真圖像處理系統(tǒng)，如圖3所示，所述失真圖像處理系統(tǒng)包括以下模塊：

圖像導(dǎo)入模塊10，用于從系統(tǒng)外導(dǎo)入單張或多張待處理失真圖像；

圖像自適應(yīng)分配模塊20，包括特征提取單元和分類模型單元，對導(dǎo)入的待處理失真圖像進行特征提取，并進行失真模型分類，選出多種對應(yīng)的失真分類；

圖像處理工具模塊30，包含了多種圖像處理工具對應(yīng)的圖像處理算法，每一種失真分類模型對應(yīng)著不同圖像處理算法；

自適應(yīng)學(xué)習(xí)模塊40，根據(jù)每次的處理結(jié)果，記錄達到最優(yōu)設(shè)定效果的已處理失真圖像的對應(yīng)處理流程和圖像處理工具，將處理前的待處理失真圖像放入到記錄單元中記錄的圖像處理工具對應(yīng)的樣本庫中，再對待處理失真圖像進行降維特征提取，利用分類技術(shù)構(gòu)建分類器，得到失真分類模型，完成失真分類模型的更新，使失真分類模型更加完善化和精確化。

具體的，所述自適應(yīng)學(xué)習(xí)模塊40具體包括：

記錄單元41，記錄達到效果最佳的處理后圖像的對應(yīng)處理流程和圖像處理工具；

執(zhí)行單元42，將處理前的待處理失真圖像放入到記錄單元中記錄的圖像處理工具對應(yīng)的失真圖像樣本庫中；

更新單元43，通過圖像自適應(yīng)分配模塊20對所述處理前的待處理失真圖像進行預(yù)處理，即進行降維特征提取，得到特征圖像，再對特征圖像進行訓(xùn)練并構(gòu)建分類器，得到新的失真分類模型，完成失真分類模型的更新。

綜上所述，本發(fā)明提出了一種基于自適應(yīng)匹配和學(xué)習(xí)的失真圖像處理方法和系統(tǒng)，首先通過pca算法和lda算法對失真圖像樣本庫中的失真圖像進行降維得到特征圖像，再通過分類技術(shù)的svmtrain函數(shù)構(gòu)建失真分類模型，得到訓(xùn)練好的失真分類模型；然后通過svmpredict函數(shù)對導(dǎo)入的待處理失真圖像進行分類，選擇較優(yōu)的幾個圖像處理工具對其進行處理，得到多個已處理失真圖像，獲得了達到效果最佳的處理后圖像，發(fā)揮了算法的最大功效。

同時，本發(fā)明利用自適應(yīng)學(xué)習(xí)模塊中的記錄單元、執(zhí)行單元和更新單元，通過記錄達到效果最佳的處理后圖像的對應(yīng)處理流程和圖像處理工具，將處理前的待處理失真圖像放入到記錄單元中記錄的圖像處理工具對應(yīng)的失真圖像樣本庫中，再對待處理失真圖像進行降維特征提取，利用分類技術(shù)構(gòu)建分類器，得到失真分類模型，完成失真分類模型的更新，使失真分類模型更加完善化和精確化。