本公开涉及图像处理领域，特别涉及一种图像增强方法、装置、存储介质及电子设备。
背景技术：
1、在现代化的工厂车间内，对金属件表面微小缺陷的精准识别与量化分析尤为重要，但是这一过程通常面临着多重挑战。首先，光源选择、相机分辨率以及拍摄技巧等外部因素往往导致捕获的图像质量参差不齐，难以直接用于缺陷识别。其次，金属件表面的缺陷，尤其是那些微小、细长且难以用肉眼直接观测的划痕，更是给图像的数字化处理带来了极大困难。这些缺陷在图像中的模糊和细节缺失，极大地影响了后续图像识别模型的训练效果和实际应用中的准确性。
2、在图像增强处理领域，边缘增强技术一直是提升图像质量、增强细节信息的重要手段。传统的梯度算法，如sobel算子和laplace算子，在边缘检测与增强方面发挥了重要作用，但面对微小缺陷时，这些算法难以达到理想的锐化效果。
技术实现思路
1、本公开的主要目的是提供一种图像增强方法、装置、存储介质及电子设备，旨在解决现有技术中图像细节缺失和微小缺陷图像质量不佳的技术问题。
2、为实现上述目的，本公开提出一种图像增强方法，包括：
3、获取待处理图像；
4、调整所述待处理图像对应的高斯滤波器的高斯核，以确定所述待处理图像对应的梯度估计图像集，所述高斯滤波器用于根据不同的高斯核对所述待处理图像进行高斯滤波处理；
5、根据所述梯度估计图像集，确定所述待处理图像对应的目标梯度估计图像；
6、根据所述目标梯度估计图像，确定所述待处理图像对应的结构增强图像。
7、可选地，所述调整所述待处理图像对应的高斯滤波器的高斯核，以确定所述待处理图像对应的梯度估计图像集，包括：
8、通过所述高斯滤波器对所述待处理图像进行高斯滤波处理，确定所述待处理图像对应的第一梯度估计图像；
9、根据所述第一梯度估计图像，确定所述梯度估计图像集；
10、确定所述梯度估计图像集是否满足预设条件；
11、在确定所述梯度估计图像集不满足所述预设条件的情况下，调整所述高斯滤波器的高斯核；
12、通过调整后的高斯滤波器对所述待处理图像进行高斯滤波处理，得到第二梯度估计图像；
13、根据所述第二梯度估计图像，更新所述梯度估计图像集。
14、可选地，所述通过所述高斯滤波器对所述待处理图像进行高斯滤波处理，确定所述待处理图像对应的第一梯度估计图像，包括：
15、通过所述高斯滤波器对所述待处理图像进行高斯滤波处理，得到所述待处理图像对应的光照图像；
16、对所述待处理图像和所述光照图像进行数据变换处理，得到数据变换处理后的目标待处理图像和目标光照图像，所述数据变换处理包括归一化处理和/或对数处理；
17、基于钝化掩蔽算法，确定所述目标待处理图像和所述目标光照图像之间的差值图像；
18、根据所述差值图像，确定所述第一梯度估计图像。
19、可选地，通过以下计算式对所述待处理图像进行高斯滤波处理，得到所述光照图像：
20、l(x,y)＝f(x,y)*i(x,y)
21、
22、其中，l(x,y)表示光照图像，i(x,y)表示待处理图像，*表示卷积，f(x,y)表示高斯滤波函数，σ表示高斯核的参数，k表示f(x,y)的常数，使得f(x,y)满足以下关系式：
23、∫∫f(x,y)dxdy＝1
24、可选地，所述对所述待处理图像和所述光照图像进行数据变换处理，得到数据变换处理后的目标待处理图像和目标光照图像，包括：
25、基于retinex算法，对所述待处理图像和所述光照图像进行归一化处理和对数处理，得到所述目标待处理图像和所述目标光照图像；
26、所述目标待处理图像和所述目标光照图像满足以下关系式：
27、
28、其中，i(x,y)表示待处理图像，i1(x,y)表示目标待处理图像，l(x,y)表示光照图像，l1(x,y)表示目标光照图像，∈表示预设的极小量。
29、可选地，所述根据所述梯度估计图像集，确定所述待处理图像对应的目标梯度估计图像，包括：
30、对所述梯度估计图像集进行算术平均处理，得到所述梯度估计图像集对应的平均梯度估计图像；
31、根据所述平均梯度估计图像，确定目标梯度估计图像。
32、可选地，所述根据所述目标梯度估计图像，确定所述待处理图像对应的结构增强图像，包括：
33、对所述目标梯度估计图像进行指数运算，得到指数运算后的目标梯度估计图像；
34、对所述指数运算后的目标梯度估计图像中的像素值进行统计计算，得到所述目标梯度估计图像中梯度分布的定量信息；
35、根据所述梯度分布的定量信息，确定所述结构增强图像。
36、可选地，所述根据所述梯度分布的定量信息，确定所述结构增强图像，包括：
37、根据所述梯度分布的定量信息，确定所述目标梯度估计图像中像素灰度值的均值和方差；
38、根据所述均值和所述方差进行计算，得到所述目标梯度估计图像的最小像素值和最大像素值；
39、根据所述最小像素值和所述最大像素值，对所述目标梯度估计图像进行线性拉伸，得到所述结构增强图像。
40、此外，为实现上述目的，本公开还提供一种图像增强装置，所述图像增强装置包括：
41、获取模块，用于获取待处理图像；
42、调整模块，用于调整所述待处理图像对应的高斯滤波器的高斯核，以确定所述待处理图像对应的梯度估计图像集，所述高斯滤波器用于根据不同的高斯核对所述待处理图像进行高斯滤波处理；
43、第一确定模块，用于根据所述梯度估计图像集，确定所述待处理图像对应的目标梯度估计图像；
44、第二确定模块，用于根据所述目标梯度估计图像，确定所述待处理图像对应的结构增强图像。
45、此外，为实现上述目的，本公开还提供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，处理器执行所述计算机程序，实现上述的方法。
46、此外，为实现上述目的，本公开还提供一种电子设备，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，实现上述的方法。
47、此外，为实现上述目的，本公开还提供一种计算机程序产品，所述计算机程序产品在被处理器运行时，实现上述的方法。
48、本公开实施例提出的图像增强方法、装置、存储介质及电子设备，首先获取待处理图像，然后调整待处理图像对应的高斯滤波器的高斯核，以确定待处理图像对应的梯度估计图像集，再根据梯度估计图像集，确定待处理图像对应的目标梯度估计图像，最后根据目标梯度估计图像，确定待处理图像对应的结构增强图像。如此，通过调整待处理图像对应的高斯滤波器的高斯核，可以根据图像的实际情况，灵活调整滤波器的参数，以适应不同尺寸和形状的缺陷，从而得到更加准确的梯度估计图像集。然后根据梯度估计图像集进一步确定待处理图像对应的目标梯度估计图像，可以减少单次估计可能引入的噪声或误差，提高梯度估计的稳定性和准确性，进而提升了图像的锐化质量，突出了图像中微小、难以察觉的缺陷等关键细节。通过本公开的技术方案，实现了对图像细节的精准增强，显著提高了微小缺陷图像的质量，不仅为工厂车间的缺陷检测提供了强有力的技术支持，还为后续的图像识别和分析提供了强有力的支持。
1.一种图像增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述调整所述待处理图像对应的高斯滤波器的高斯核，以确定所述待处理图像对应的梯度估计图像集，包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述高斯滤波器对所述待处理图像进行高斯滤波处理，确定所述待处理图像对应的第一梯度估计图像，包括：
4.根据权利要求3所述的方法，其特征在于，通过以下计算式对所述待处理图像进行高斯滤波处理，得到所述光照图像：
5.根据权利要求3所述的方法，其特征在于，所述对所述待处理图像和所述光照图像进行数据变换处理，得到数据变换处理后的目标待处理图像和目标光照图像，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述梯度估计图像集，确定所述待处理图像对应的目标梯度估计图像，包括：
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标梯度估计图像，确定所述待处理图像对应的结构增强图像，包括：
8.根据权利要求7所述的方法，其特征在于，所述根据所述梯度分布的定量信息，确定所述结构增强图像，包括：
9.一种图像增强装置，其特征在于，包括：
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，处理器执行所述计算机程序，实现如权利要求1-8中任一项所述的方法。
11.一种电子设备，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1-8中任一项所述的方法。
