CN107292840A - 图像复原方法及装置、计算机可读存储介质、终端 - Google Patents

图像复原方法及装置、计算机可读存储介质、终端 Download PDF

Info

Publication number
CN107292840A
CN107292840A CN201710424945.XA CN201710424945A CN107292840A CN 107292840 A CN107292840 A CN 107292840A CN 201710424945 A CN201710424945 A CN 201710424945A CN 107292840 A CN107292840 A CN 107292840A
Authority
CN
China
Prior art keywords
pixel
image
span
pixel value
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710424945.XA
Other languages
English (en)
Other versions
CN107292840B (zh
Inventor
侯丽丽
朱频频
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhizhen Intelligent Network Technology Co Ltd
Original Assignee
Shanghai Zhizhen Intelligent Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Zhizhen Intelligent Network Technology Co Ltd filed Critical Shanghai Zhizhen Intelligent Network Technology Co Ltd
Priority to CN201710424945.XA priority Critical patent/CN107292840B/zh
Publication of CN107292840A publication Critical patent/CN107292840A/zh
Application granted granted Critical
Publication of CN107292840B publication Critical patent/CN107292840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种图像复原方法及装置、计算机可读存储介质、终端，所述图像复原方法包括：获取待处理的图像；对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。通过本发明技术方案可以改善图像修复的效果。

Description

图像复原方法及装置、计算机可读存储介质、终端
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像复原方法及装置、计算机可读存储介质、终端。
背景技术
目前，在图像处理领域，对采集到的原始图像进行处理时，原始图像中目标的缺损或多余将会对图像识别造成困难，影响图像处理输出结果。例如在文本识别和车牌识别的场景中，汉字和数字出现缺损的情况，可能导致文本识别或车牌识别出现错误。
现有技术中，图像修复的方法有很多种，较先提出的模型是以偏微分方程为基础的模型，主要用于较小区域的修复。后期，国内外学者提出了一种基于纹理结构的图像修复技术，主要用来填充图像中大块丢失的信息。
但是，现有技术对图像修复的效果较差，图像修复的效果仍需改善。
发明内容
本发明解决的技术问题是如何改善图像修复的效果。
为解决上述技术问题，本发明实施例提供一种图像复原方法，图像复原方法包括：获取待处理的图像；对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。
可选的，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理包括：利用每一像素的邻域信息更新该像素的像素值，所述邻域信息包括邻域灰度信息和邻域距离信息；利用更新后的像素值进行模糊聚类处理。
可选的，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理之前还包括：根据预先确定的所述图像的分类对所述图像进行预处理，所述分类选自缺损分类和多余分类。
可选的，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理之前还包括：确定所述图像的分类为缺损分类，对所述图像先进行膨胀操作，再进行腐蚀操作。
可选的，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理之前还包括：确定所述图像的分类为多余分类，对所述图像先进行腐蚀操作，再进行膨胀操作。
可选的，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理包括：确定所述图像中每一像素相对于各个类别的初始隶属度，以及每一类别的初始聚类中心；利用每一像素在其邻域窗口内邻域像素的像素值，基于当前的聚类中心和当前的隶属度迭代计算新的聚类中心以及每一像素的新的隶属度，直至迭代次数达到最大迭代次数，或者，所有像素的新的隶属度与当前的隶属度差值的最大值小于设定阈值；根据最后一次迭代确定的每一像素的新的隶属度确定该像素所属的类别，根据最后一次迭代确定的每一类别的新的聚类中心确定该类别对应的类别像素值。
可选的，采用以下公式计算每一像素的新的隶属度： 其中，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，vk为聚类中心k的像素值，m为预设的模糊指数，c为聚类中心的数量，W1和W2为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
可选的，采用以下公式计算所述新的聚类中心：其中，viter为第iter次迭代时所述新的聚类中心k，N为所述图像中的像素总数，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，W1为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
可选的，所述图像为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内，其中所述第一像素取值范围与所述第二像素取值范围为相邻域；所述确定所述图像的分类为缺损分类，对所述图像先进行膨胀操作，再进行腐蚀操作包括：横向扫描所述图像，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第一位置，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第二位置；从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第三位置和第四位置；如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值，则对所述图像先进行膨胀操作，再进行腐蚀操作。
可选的，所述图像为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内；其中所述第一像素取值范围与所述第二像素取值范围为相邻域，所述确定所述图像的分类为多余分类，对所述图像先进行腐蚀操作，再进行膨胀操作包括：横向扫描所述图像，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第一位置，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第二位置；从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第三位置和第四位置；如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值，则对所述图像先进行腐蚀操作，再进行膨胀操作。
可选的，所述灰度图像为二值图像，所述第一像素取值范围为第一像素值，所述第二像素取值范围为第二像素值。
可选的，所述邻域像素的邻域窗口的大小根据以下参数确定：所述第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离。
可选的，所述获取待处理的图像包括：将原始图像分割为单字图像，所述原始图像包括至少一个字符，所述字符选自汉字、字母和数字。
可选的，所述获取待处理的图像之后还包括：如果所述图像为彩色图像，则将所述图像转换为灰度图像。
本发明实施例还公开了一种图像复原装置，图像复原装置包括：图像获取模块，用以获取待处理的图像；模糊聚类模块，用以对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；赋值模块，用以将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。
本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述图像复原方法的步骤。
本发明实施例还公开了一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述图像复原方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明技术方案获取待处理的图像；对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。本发明技术方案利用待处理的图像中每一像素邻域像素的像素值，来对每一像素进行模糊聚类处理；通过利用每一像素邻域像素进行模糊聚类，可以准确的将待处理的图像中缺损或多余部分的像素进行分类；然后将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，也即准确的确定待处理的图像中所有像素的原始像素值，完成对待处理的图像的修复，实现对待处理的图像的复原的准确性，从而改善了图像修复的效果。
进一步，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理包括：利用每一像素的邻域信息更新该像素的像素值，所述邻域信息包括邻域灰度信息和邻域距离信息；利用更新后的像素值进行模糊聚类处理。本发明技术方案在利用每一像素邻域像素进行模糊聚类时，利用邻域像素的邻域信息来更新该像素的像素值，然后利用更新后的像素值进行模糊聚类；从而在模糊聚类时，可以将该像素的邻域信息考虑进去，实现了对该像素分类的准确性，进而可以准确地确定该像素的原始像素值，进一步改善了图像修复的效果。
附图说明
图1是本发明实施例一种图像复原方法的流程图；
图2是图1所示步骤S102的具体实施的流程图；
图3是本发明实施例一种图像复原装置的结构示意图。
具体实施方式
如背景技术中所述，现有技术对图像修复的效果仍需改善。
本发明技术方案利用待处理的图像中每一像素邻域像素的像素值，来对每一像素进行模糊聚类处理；通过利用每一像素邻域像素进行模糊聚类，可以准确的将待处理的图像中缺损或多余部分的像素进行分类，也即准确的确定该像素的原始像素；然后将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，完成对待处理的图像的修复，实现对待处理的图像的复原的准确性，从而改善了图像修复的效果。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种图像复原方法的流程图。
图1所示的图像复原方法可以包括以下步骤：
步骤S101：获取待处理的图像；
步骤S102：对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；
步骤S103：将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。
具体实施中，在步骤S101中，获取待处理的图像，具体而言，待处理的图像可以是利用图像传感器或者其他适当方式直接采集得到的图像，也可以是经过预处理后的图像。待处理的图像是指图像中的目标具有缺损或多余部分的图像。例如，待处理的图像中目标可以为数字，数字具有缺损，或者具有多余的点、横或竖。进一步地，对待处理的图像的复原也就是对缺损或多余部分所占像素进行像素值的恢复，以填补缺损部分或去掉多余部分。
具体实施中，为了实现对待处理的图像的复原，需要准确地恢复缺损或多余部分所占像素的像素值，可以通过每一像素的邻域像素的像素值确定该像素要恢复的像素值。故在步骤S102中，对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值。具体而言，在对图像中所有像素进行聚类处理时，将每一像素的邻域像素的像素值作为考量因子，对聚类结果产生影响，也即对每一像素所属的类别以及每一类别对应的类别像素值产生影响，从而使得像素被分类进入要恢复的像素值所在类别的准确性提高。
本领域技术人员应当理解的是，可以采用任意可实施的算法实现模糊聚类处理，本发明实施例对此不做限制。
进而在步骤S103中，将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值。具体而言，在得到模糊聚类的聚类结果后，聚类结果可以包括类别、类别像素值以及每一类别中的所有像素。如果像素属于某一类别，表示该像素隶属于该类别像素值的概率最大，则将该类别对应的类别像素值赋值给该像素。也就是说，像素所属的类别对应的类别像素值即为该像素的像素值。至此，已实现对待处理的图像中所有像素的像素值的恢复。
本发明实施例可以准确的将待处理的图像中缺损或多余部分的像素进行分类，也即准确的确定该像素的原始像素；然后将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，完成对待处理的图像的修复，实现对待处理的图像的复原的准确性，从而改善了图像修复的效果。
优选地，步骤S102可以包括以下步骤：利用每一像素的邻域信息更新该像素的像素值，所述邻域信息包括邻域灰度信息和邻域距离信息；利用更新后的像素值进行模糊聚类处理。
本实施例中，在利用邻域像素对像素进行模糊聚类时，可以利用每一像素的邻域信息更新该像素的像素值，其中，邻域信息可以是指邻域像素的信息，则邻域灰度信息可以是指邻域像素的灰度值，邻域距离信息可以是指邻域像素相对于该像素的距离。
具体而言，在对该像素的像素值进行更新时，可以将每一像素的邻域信息作为权重与该像素的像素值相乘，并将得到的乘积作为更新后的像素值；或者，可以将每一像素的邻域信息与该像素的像素值相加，并将得到的加和结果作为更新后的像素值；或者，也可以采用加权与求和相结合的方式，本发明实施例对此不做限制。
优选地，步骤S102之前还可以包括以下步骤：根据预先确定的所述图像的分类对所述图像进行预处理，所述分类选自缺损分类和多余分类。
本实施例中，可以预先确定图像的分类，并根据图像的分类进行相应的预处理。其中，缺损分类是指图像中目标存在缺损，不完整；多余分类是指图像中目标存在多余。由于缺损分类和多余分类的图像在缺损部分和多余部分所占像素的像素值是不同的，因此需要进行不同的预处理过程，以提高后续聚类过程的准确性。
优选地，步骤S102之前还可以包括以下步骤：确定所述图像的分类为缺损分类，对所述图像先进行膨胀操作，再进行腐蚀操作。
本实施例中，腐蚀操作可以是指用结构元素(也即操作数矩阵)，例如3×3大小的矩阵，扫描图像中的每一个像素，用矩阵扫描图像中的每一个像素，操作数矩阵中每一个像素与覆盖的像素做“与”操作，例如，以二值图像为例，如果与操作结果全部为1，则图像中的该像素为1，反之为0；而膨胀操作相反，如果与操作结果全部为0时，则图像素中的该像素为0，反之为1。腐蚀操作可以消除图像中目标的边界点，使目标缩小，所以腐蚀操作会消除小的且无意义的像素点，使边界向内部收缩。相反地，膨胀操作可以使目标增大，填充目标内细小的空洞，并且平滑目标的边界，使边界向外部扩张。
具体实施中，由于噪声的影响，图像中目标的边界往往是很不平滑的，因此目标区域具有一些噪声孔。图像的分类为缺损分类时，对所述图像先进行膨胀操作，再进行腐蚀操作，可以填充图像中目标内细小的噪声孔，并平滑目标边界。具体而言，膨胀操作会使目标的边界向外扩张，如果目标内部存在噪声孔，经过膨胀操作这些噪声孔将被补上，因而不再是边界了。再进行腐蚀操作时，目标外部边界将变回原来的样子，而这些内部噪声孔则不存在了。
优选地，步骤S102之前还可以包括以下步骤：确定所述图像的分类为多余分类，对所述图像先进行腐蚀操作，再进行膨胀操作。
本实施例中，由于噪声的影响，图像中目标的边界往往是很不平滑的，因此图像中背景区域散布着一些小的噪声目标。图像的分类为多余分类时，对所述图像先进行腐蚀操作，再进行膨胀操作，可以消除图像上细小的噪声，并平滑目标的边界。具体而言，腐蚀操作会去掉目标的边缘点，小的噪声目标会被认为是边缘点，因此会被消除。再做膨胀操作时，保留下来的目标会恢复原来的大小，而被消除的小的噪声目标则不存在了。
本领域技术人员可以理解的是，连续的腐蚀操作和膨胀操作，或者连续的膨胀操作和腐蚀操作，可以实现更好的预处理效果，故腐蚀操作和/或膨胀操作的次数可以是一次或多次，本实施例对此不做限制。
进一步地，待处理的图像可以为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内，其中所述第一像素取值范围与所述第二像素取值范围为相邻域。对所述图像先进行膨胀操作，再进行腐蚀操作可以包括以下步骤：横向扫描所述图像，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第一位置，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第二位置；从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第三位置和第四位置；如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和所述第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值(也可以包括第三位置和所述第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，则对所述图像先进行膨胀操作，再进行腐蚀操作。
本实施例中，图像为缺损分类，缺损部分的内部为背景部分，外部为背目标部分。通过扫描图像，根据像素值在第一像素取值范围与第二像素取值范围的变化，确定第一位置、第二位置、第三位置和第四位置。也即在图像分类为缺损分类时，由第一位置、第二位置、第三位置和第四位置确定了图像中缺损区域。只有在缺损区域达到设定大小时，也即第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和所述第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值(也可以包括第三位置和所述第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，才判定该缺损区域为图像中目标所缺损的，以排除图像中的噪声或避免将背景部分判定为缺损部分。
在本发明一具体应用场景中，待处理的图像为二值图像，图像中目标部分的像素的像素值为1，背景部分的像素的像素值为0。则对所述图像先进行腐蚀操作，再进行膨胀操作可以包括以下步骤：横向扫描所述图像，确定像素值由1变为0的第一位置，确定像素值由0变为1的第二位置；从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由0变为1的第三位置和第四位置；如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值，则对所述图像先进行膨胀操作，再进行腐蚀操作。可以理解的是，图像中目标部分的像素的像素值为0，背景部分的像素的像素值为1时，对所述图像先进行腐蚀操作，再进行膨胀操作可参照上述描述，此处不再赘述。
进一步地，待处理的图像可以为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内，其中所述第一像素取值范围与所述第二像素取值范围为相邻域。对所述图像先进行腐蚀操作，再进行膨胀操作可以包括以下步骤：横向扫描所述图像，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第一位置，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第二位置；从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第三位置和第四位置；如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和所述第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值(也可以包括第三位置和所述第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，则对所述图像先进行腐蚀操作，再进行膨胀操作。
与前述实施例不同的是，本实施例中的图像为多余分类，多余部分的内部为目标部分，外部为背景部分。由于目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内，因此在扫描图像确定第一位置、第二位置、第三位置和第四位置时，像素值由所述第二像素取值范围变为所述第一像素取值范围的位置确定为第一位置，其他位置依此类推。进而判定多余区域是否达到设定大小，也即第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和所述第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值时(也可以包括第三位置和所述第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，才判定该多余区域为图像中目标所多余的，以排除图像中的噪声或避免将目标部分确定为多余部分。
在本发明一具体应用场景中，待处理的图像为二值图像，图像中目标部分的像素的像素值为1，背景部分的像素的像素值为0。进一步地，可以横向扫描所述图像，确定像素值由0变为1的第一位置，确定像素值由1变为0的第二位置；从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由1变为0的第三位置和第四位置。可以理解的是，图像中目标部分的像素的像素值为0，背景部分的像素的像素值为1时，确定第一位置、所述第二位置、第三位置和第四位置的具体方式可参照上述描述，此处不再赘述。
更近一步地，所述灰度图像为二值图像，所述第一像素取值范围为第一像素值，所述第二像素取值范围为第二像素值。本实施例中，待处理的图像为二值图像，则在判定缺损区域或多余区域的边界位置时，仅需判断像素值的变化是否从第一像素值变化为第二像素值，或者是否从第二像素值变化为第一像素值，可以减小计算量。此外，待处理的图像为二值图像时，对待处理的图像进行模糊聚类时，类别的数量为两类，聚类中心分别为像素值0和像素值1，从而进一步减小图像复原过程中计算量，提高图像复原方法的便捷性。
更近一步地，所述邻域像素的邻域窗口的大小根据以下参数确定：所述第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离。
本实施例中，为了确定每一像素的邻域像素，可以通过设置邻域窗口来实现。当像素处于邻域窗口的中心位置时，处于邻域窗口内其他位置的像素为该像素的邻域像素。为了兼顾模糊聚类的准确性和计算量，保证选取合适数量的邻域像素，对邻域窗口的大小进行了配置：邻域窗口的大小根据以下参数确定：所述第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离。换句话说，第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离可以表征缺损区域或多余区域的大小，邻域窗口的大小可以根据缺损区域或多余区域的大小进行配置。
请参照图2，图2是图1所示步骤S102具体实施的流程图，步骤S102可以包括以下步骤：
步骤S21：确定所述图像中每一像素相对于各个类别的初始隶属度，以及每一类别的初始聚类中心；
步骤S22：利用每一像素在其邻域窗口内邻域像素的像素值，基于当前的聚类中心和当前的隶属度迭代计算新的聚类中心以及每一像素的新的隶属度，直至迭代次数达到最大迭代次数，或者，所有像素的新的隶属度与当前的隶属度差值的最大值小于设定阈值；
步骤S23：根据最后一次迭代确定的每一像素的新的隶属度确定该像素所属的类别，根据最后一次迭代确定的每一类别的新的聚类中心确定该类别对应的类别像素值。
本实施例中，在进行模糊聚类时，首先通过步骤S21确定初始隶属度和初始聚类中心。具体而言，类别的总数c是预先确定的。例如，图像为二值图像时，由于像素值仅为0和1，因此类别的总数c为2。对于每一像素相对于各个类别的c个初始隶属度，可以利用0至1之间的随机数来得到。然后根据初始隶属度计算得到初始聚类中心。或者，对于c个类别的初始聚类中心，可以利用图像中的所有像素的像素值随机选取得到，然后利用初始聚类中心计算初始隶属度。其中，聚类中心可以是像素值。
可以理解的是，可以采用任意可实施的公式根据初始隶属度计算初始聚类中心，或者根据初始聚类中心计算初始隶属度，本发明实施例对此不做限制。
进而在步骤S22中，可以通过邻域窗口选定每一像素的邻域像素，也就是说，在像素处于邻域窗口的中心位置时，处于邻域窗口内的其他像素为该像素的邻域像素。利用邻域像素的像素值、当前的聚类中心和当前的隶属度迭代计算新的聚类中心以及每一像素的新的隶属度，直至达到迭代停止条件。其中，迭代停止条件是指迭代次数达到最大迭代次数，或者，所有像素的新的隶属度与当前的隶属度差值的最大值小于设定阈值。进一步而言，每次迭代完成后，具有多个新的隶属度与当前的隶属度差值，仅判定多个新的隶属度与当前的隶属度差值的最大值小于设定阈值时，停止迭代计算，可以减小计算量。
进而在步骤S23中，最后一次迭代完成后，每一像素具有相对于c个类别的c个新的隶属度，选取c个新的隶属度中的最大值对应的类别为该像素所属的类别。最后一次迭代完成后，可以确定每一类别的新的聚类中心，新的聚类中心对应的像素值为该类别对应的类别像素值。
进一步地，可以采用以下公式计算每一像素的新的隶属度： 其中，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，vk为聚类中心k的像素值，m为预设的模糊指数，c为聚类中心的数量，W1和W2为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
本实施例中，在利用每一像素的邻域信息更新该像素的像素值时，采用加权和求和的方式来计算隶属度。也可以仅利用像素i的邻域像素的像素信息W1或W2。
可以理解的是，像素i的邻域像素的像素信息W1和W2可以采用任意可实施的算法根据所述邻域像素的像素值和位置确定。例如，其中，N为所述图像中的像素总数，xr为像素i的邻域像素的像素值；邻域像素的像素信息W2可以表示像素i与其邻域像素的相似度，计算公式如下：其中，xr为像素i的邻域像素的像素值，σ为预设系数。
进一步地，可以采用以下公式计算所述新的聚类中心： 其中，viter为第iter次迭代时所述新的聚类中心k，N为所述图像中的像素总数，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，W1为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
在迭代时，本实施例采用的是先计算新的隶属度，再计算新的聚类中心的方式。也可以采用先计算新的聚类中心，再计算新的隶属度的方式。
优选地，步骤S101可以包括以下步骤：将原始图像分割为单字图像，所述原始图像包括至少一个字符，所述字符选自汉字、字母和数字。本实施例中，在待处理的图像中的目标为文字时，例如汉字、数字、英文字母等，为了保证图像复原的准确性和快捷性，可以将原始图像分割为单字图像，以避免其他文字对当前要恢复的文字造成影响。
优选地，步骤S101之后还可以包括以下步骤：如果所述图像为彩色图像，则将所述图像转换为灰度图像。
由于彩色图像包括多个颜色通道，例如RGB或YUV，因此利用图像的彩色对图像进行复原的复杂度比较高。本实施例中，为了提高图像复原的准确性和快速性，如果获取到的图像为彩色图像，可以将彩色图像转换为灰度图像，也即转换为具备单一通道的图像。更近一步地，可以将彩色图像转换为二值图像。
图3是本发明实施例一种图像复原装置的结构示意图。
图3所示图像恢复装置30可以包括图像获取模块301、模糊聚类模块302和赋值模块303。
其中，图像获取模块301用以获取待处理的图像；模糊聚类模块302用以对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；赋值模块303用以将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。
具体地，赋值模块303还可以将复原后的图像进行输出。
本实施例利用待处理的图像中每一像素邻域像素的像素值，来对每一像素进行模糊聚类处理；通过利用每一像素邻域像素进行模糊聚类，可以准确的将待处理的图像中缺损或多余部分的像素进行分类；然后将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，也即准确的确定待处理的图像中所有像素的原始像素值，完成对待处理的图像的修复，实现对待处理的图像的复原的准确性，从而改善了图像修复的效果。
优选地，模糊聚类模块302可以包括更新单元3021和聚类处理单元3022。更新单元3021用以利用每一像素的邻域信息更新该像素的像素值，所述邻域信息包括邻域灰度信息和邻域距离信息；聚类处理单元3022用以利用更新后的像素值进行模糊聚类处理。本实施例中，在利用邻域像素对像素进行模糊聚类时，可以利用每一像素的邻域信息更新该像素的像素值，其中，邻域信息可以是指邻域像素信息。则邻域灰度信息可以是指邻域像素的灰度值，邻域距离信息可以是指邻域像素相对于该像素的距离。
具体而言，在对该像素的像素值进行更新时，可以将每一像素的邻域信息作为权重与该像素的像素值相乘，并将乘积作为更新后的像素值；或者，可以将每一像素的邻域信息与该像素的像素值相加，并将和作为更新后的像素值；或者，也可以采用加权与求和相结合的方式，本发明实施例对此不做限制。
优选地，图像恢复装置30还可以包括预处理模块304，预处理模块304用以根据预先确定的所述图像的分类对所述图像进行预处理，所述分类选自缺损分类和多余分类。本实施例中，可以预先确定图像的分类，并根据图像的分类进行相应的预处理。其中，缺损分类是指图像中目标存在缺损，不完整；多余分类是指图像中目标存在多余。由于缺损分类和多余分类的图像在缺损部分和多余部分所占像素的像素值是不同的，因此需要进行不同的预处理过程，以提高后续聚类过程的准确性。
优选地，图像恢复装置30还可以包括第一处理模块305，第一处理模块305用以确定所述图像的分类为缺损分类，对所述图像先进行膨胀操作，再进行腐蚀操作。本实施例中，先通过膨胀操作会使目标的边界向外扩张，如果目标内部存在噪声孔，再经过膨胀操作这些噪声孔将被补上，因而不再是边界了。再进行腐蚀操作时，目标外部边界将变回原来的样子，而这些内部噪声孔则不存在了。
优选地，图像恢复装置30还可以包括第二处理模块306，第二处理模块306用以确定所述图像的分类为多余分类，对所述图像先进行腐蚀操作，再进行膨胀操作。本实施例中，先通过腐蚀操作会去掉目标的边缘点，小的噪声目标会被认为是边缘点，因此会被消除。再做膨胀操作时，保留下来的目标会恢复原来的大小，而被消除的小的噪声目标则不存在了。
优选地，模糊聚类模块302还可以包括确定单元3023、迭代计算单元3024和分类单元3025。其中，确定单元3023用以确定所述图像中每一像素相对于各个类别的初始隶属度，以及每一类别的初始聚类中心；迭代计算单元3024用以利用每一像素在其邻域窗口内邻域像素的像素值，基于当前的聚类中心和当前的隶属度迭代计算新的聚类中心以及每一像素的新的隶属度，直至迭代次数达到最大迭代次数，或者，所有像素的新的隶属度与当前的隶属度差值的最大值小于设定阈值；分类单元3025用以根据最后一次迭代确定的每一像素的新的隶属度确定该像素所属的类别，根据最后一次迭代确定的每一类别的新的聚类中心确定该类别对应的类别像素值。
进一步地，迭代计算单元3024采用以下公式计算每一像素的新的隶属度：其中，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，vk为聚类中心k的像素值，m为预设的模糊指数，c为聚类中心的数量，W1和W2为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
进一步地，迭代计算单元3024采用以下公式计算所述新的聚类中心：其中，viter为第iter次迭代时所述新的聚类中心k，N为所述图像中的像素总数，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，W1为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
优选地，所述图像为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内，其中所述第一像素取值范围与所述第二像素取值范围为相邻域；第一处理模块305可以包括第一位置确定单元3051、第二位置确定单元3052和第一处理单元3053。其中，第一位置确定单元3051用以横向扫描所述图像，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第一位置，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第二位置；第二位置确定单元3052用以从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第三位置和第四位置；第一处理单元3053用以如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值(也可以包括第三位置和第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，则对所述图像先进行膨胀操作，再进行腐蚀操作。
本实施例中，在图像分类为缺损分类时，由第一位置、第二位置、第三位置和第四位置确定了图像中缺损区域。且只有在缺损区域达到设定大小时，也即第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值(也可以包括第三位置和第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，才判定该缺损区域为图像中目标所缺损的，以排除图像中的噪声或避免将背景部分判定为缺损部分。
优选地，所述图像为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内；其中所述第一像素取值范围与所述第二像素取值范围为相邻域，所述第二处理模块306可以包括第三位置确定单元3061、第四位置确定单元3062和第二处理单元3063。其中，第三位置确定单元3061用以横向扫描所述图像，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第一位置，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第二位置；第四位置确定单元3062用以从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第三位置和第四位置；第二处理单元3063用以如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值(也可以包括第三位置和第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，则对所述图像先进行腐蚀操作，再进行膨胀操作。
本实施例中，在图像分类为多余分类时，由第一位置、第二位置、第三位置和第四位置确定了图像中多余区域。进而判定多余区域是否达到设定大小，也即第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值(也可以包括第一位置和第二位置的距离等于最小横向阈值或等于最大横向阈值的情况)，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值时(也可以包括第三位置和第四位置的距离等于所述最小纵向阈值或等于所述最大纵向阈值的情况)，才判定该多余区域为图像中目标所多余的，以排除图像中的噪声或避免将目标部分确定为多余部分。
优选地，所述灰度图像为二值图像，所述第一像素取值范围为第一像素值，所述第二像素取值范围为第二像素值。待处理的图像为二值图像，则在判定缺损区域或多余区域的边界位置时，仅需判断像素值的变化是否从第一像素值变化为第二像素值，或者是否从第二像素值变化为第一像素值，可以减小计算量。此外，待处理的图像为二值图像时，对待处理的图像进行模糊聚类时，类别的数量为两类，聚类中心分别为像素值0和像素值1，从而进一步减小图像复原过程中计算量，提高图像复原方法的便捷性。
优选地，所述邻域像素的邻域窗口的大小根据以下参数确定：所述第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离。本实施例中，为了确定每一像素的邻域像素，可以通过设置邻域窗口来实现。当像素处于邻域窗口的中心位置时，处于邻域窗口内其他位置的像素为该像素的邻域像素。为了兼顾模糊聚类的准确性和计算量，保证选取合适数量的邻域像素，对邻域窗口的大小进行了配置：邻域窗口的大小根据以下参数确定：所述第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离。换句话说，第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离可以表征缺损区域或多余区域的大小，邻域窗口的大小可以根据损区域或多余区域的大小进行配置。
优选地，所述图像获取模块301将原始图像分割为单字图像，所述原始图像包括至少一个字符，所述字符选自汉字、字母和数字。本发明实施例为了保证图像复原的准确性和快捷性，可以将原始图像分割为单字图像，以避免其他文字对当前要恢复的文字造成影响。
优选地，图像复原装置30还可以包括图像转换模块307，图像转换模块307用以如果所述图像为彩色图像，则将所述图像转换为灰度图像。本实施例中，为了提高图像复原的准确性和快速性，如果获取到的图像为彩色图像，可以将彩色图像转换为灰度图像，也即转换为具备单一通道的图像。更近一步地，可以将彩色图像转换为二值图像。
关于所述图像复原装置30的工作原理、工作方式的更多内容，可以参照对图1至图2的相关描述，这里不再赘述。
本发明实施例还公开了一种可读存储介质，其上存储有计算机指令，所述计算机指令运行时可以执行图1中所示图像复原方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。
本发明实施例还公开了一种终端，所述终端可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令。所述处理器运行所述计算机指令时可以执行图1中所示图像复原方法的步骤。所述用户设备包括但不限于手机、计算机、平板电脑等终端设备。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (30)

1.一种图像复原方法，其特征在于，包括：
获取待处理的图像；
对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；
将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。
2.根据权利要求1所述的图像复原方法，其特征在于，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理包括：
利用每一像素的邻域信息更新该像素的像素值，所述邻域信息包括邻域灰度信息和邻域距离信息；
利用更新后的像素值进行模糊聚类处理。
3.根据权利要求1所述的图像复原方法，其特征在于，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理之前还包括：
根据预先确定的所述图像的分类对所述图像进行预处理，所述分类选自缺损分类和多余分类。
4.根据权利要求1或3所述的图像复原方法，其特征在于，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理之前还包括：
确定所述图像的分类为缺损分类，对所述图像先进行膨胀操作，再进行腐蚀操作。
5.根据权利要求1或3所述的图像复原方法，其特征在于，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理之前还包括：
确定所述图像的分类为多余分类，对所述图像先进行腐蚀操作，再进行膨胀操作。
6.根据权利要求1所述的图像复原方法，其特征在于，所述对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理包括：
确定所述图像中每一像素相对于各个类别的初始隶属度，以及每一类别的初始聚类中心；
利用每一像素在其邻域窗口内邻域像素的像素值，基于当前的聚类中心和当前的隶属度迭代计算新的聚类中心以及每一像素的新的隶属度，直至迭代次数达到最大迭代次数，或者，所有像素的新的隶属度与当前的隶属度差值的最大值小于设定阈值；
根据最后一次迭代确定的每一像素的新的隶属度确定该像素所属的类别，
根据最后一次迭代确定的每一类别的新的聚类中心确定该类别对应的类别像素值。
7.根据权利要求6所述的图像复原方法，其特征在于，采用以下公式计算每一像素的新的隶属度：其中，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，vk为聚类中心k的像素值，m为预设的模糊指数，c为聚类中心的数量，W1和W2为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
8.根据权利要求6所述的图像复原方法，其特征在于，采用以下公式计算所述新的聚类中心：其中，viter为第iter次迭代时所述新的聚类中心k，N为所述图像中的像素总数，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，W1为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
9.根据权利要求4所述的图像复原方法，其特征在于，所述图像为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内，其中所述第一像素取值范围与所述第二像素取值范围为相邻域；所述确定所述图像的分类为缺损分类，对所述图像先进行膨胀操作，再进行腐蚀操作包括：
横向扫描所述图像，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第一位置，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第二位置；
从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第三位置和第四位置；
如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值，则对所述图像先进行膨胀操作，再进行腐蚀操作。
10.根据权利要求5所述的图像复原方法，其特征在于，所述图像为灰度图像，
所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内；其中所述第一像素取值范围与所述第二像素取值范围为相邻域，所述确定所述图像的分类为多余分类，对所述图像先进行腐蚀操作，再进行膨胀操作包括：
横向扫描所述图像，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第一位置，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第二位置；
从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第三位置和第四位置；
如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值，则对所述图像先进行腐蚀操作，再进行膨胀操作。
11.根据权利要求9或10所述的图像复原方法，其特征在于，所述灰度图像为二值图像，所述第一像素取值范围为第一像素值，所述第二像素取值范围为第二像素值。
12.根据权利要求9或10所述的图像复原方法，其特征在于，所述邻域像素的邻域窗口的大小根据以下参数确定：所述第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离。
13.根据权利要求1至3、6至10任一项所述的图像复原方法，其特征在于，
所述获取待处理的图像包括：
将原始图像分割为单字图像，所述原始图像包括至少一个字符，所述字符选自汉字、字母和数字。
14.根据权利要求1至3、6至10任一项所述的图像复原方法，其特征在于，
所述获取待处理的图像之后还包括：
如果所述图像为彩色图像，则将所述图像转换为灰度图像。
15.一种图像复原装置，其特征在于，包括：
图像获取模块，用以获取待处理的图像；
模糊聚类模块，用以对所述图像中每一像素，利用其邻域像素的像素值进行模糊聚类处理，以确定每一像素所属的类别以及每一类别对应的类别像素值；
赋值模块，用以将同一类别中的所有像素的像素值赋值为该类别对应的类别像素值，以得到复原后的图像。
16.根据权利要求15所述的图像复原装置，其特征在于，所述模糊聚类模块包括：
更新单元，用以利用每一像素的邻域信息更新该像素的像素值，所述邻域信息包括邻域灰度信息和邻域距离信息；
聚类处理单元，用以利用更新后的像素值进行模糊聚类处理。
17.根据权利要求15所述的图像复原装置，其特征在于，还包括：
预处理模块，用以根据预先确定的所述图像的分类对所述图像进行预处理，所述分类选自缺损分类和多余分类。
18.根据权利要求15或17所述的图像复原装置，其特征在于，还包括：
第一处理模块，用以确定所述图像的分类为缺损分类，对所述图像先进行膨胀操作，再进行腐蚀操作。
19.根据权利要求15或17所述的图像复原装置，其特征在于，还包括：
第二处理模块，用以确定所述图像的分类为多余分类，对所述图像先进行腐蚀操作，再进行膨胀操作。
20.根据权利要求15所述的图像复原装置，其特征在于，所述模糊聚类模块包括：
确定单元，用以确定所述图像中每一像素相对于各个类别的初始隶属度，
以及每一类别的初始聚类中心；
迭代计算单元，用以利用每一像素在其邻域窗口内邻域像素的像素值，基于当前的聚类中心和当前的隶属度迭代计算新的聚类中心以及每一像素的新的隶属度，直至迭代次数达到最大迭代次数，或者，所有像素的新的隶属度与当前的隶属度差值的最大值小于设定阈值；
分类单元，用以根据最后一次迭代确定的每一像素的新的隶属度确定该像素所属的类别，根据最后一次迭代确定的每一类别的新的聚类中心确定该类别对应的类别像素值。
21.根据权利要求20所述的图像复原装置，其特征在于，所述迭代计算单元采用以下公式计算每一像素的新的隶属度：
其中，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，vk为聚类中心k的像素值，m为预设的模糊指数，c为聚类中心的数量，W1和W2为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
22.根据权利要求20所述的图像复原装置，其特征在于，所述迭代计算单元采用以下公式计算所述新的聚类中心：其中，viter为第iter次迭代时所述新的聚类中心k，N为所述图像中的像素总数，Uiter(i,k)为第iter次迭代时像素i相对于聚类中心k的新的隶属度，xi为像素i的像素值，W1为像素i的邻域像素的像素信息，所述邻域像素的像素信息根据所述邻域像素的像素值和位置确定。
23.根据权利要求18所述的图像复原装置，其特征在于，所述图像为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内，其中所述第一像素取值范围与所述第二像素取值范围为相邻域；所述第一处理模块包括：
第一位置确定单元，用以横向扫描所述图像，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第一位置，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第二位置；
第二位置确定单元，用以从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第三位置和第四位置；
第一处理单元，用以如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值，则对所述图像先进行膨胀操作，再进行腐蚀操作。
24.根据权利要求19所述的图像复原装置，其特征在于，所述图像为灰度图像，所述图像中目标部分的像素的像素值在第一像素取值范围内，背景部分的像素的像素值在第二像素取值范围内；其中所述第一像素取值范围与所述第二像素取值范围为相邻域，所述第二处理模块包括：
第三位置确定单元，用以横向扫描所述图像，确定像素值由所述第二像素取值范围变为所述第一像素取值范围的第一位置，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第二位置；
第四位置确定单元，用以从所述第一位置和所述第二位置的中间位置纵向双向扫描，确定像素值由所述第一像素取值范围变为所述第二像素取值范围的第三位置和第四位置；
第二处理单元，用以如果所述第一位置和所述第二位置的距离大于最小横向阈值且小于最大横向阈值，所述第三位置和所述第四位置的距离大于所述最小纵向阈值且小于所述最大纵向阈值，则对所述图像先进行腐蚀操作，再进行膨胀操作。
25.根据权利要求23或24所述的图像复原装置，其特征在于，所述灰度图像为二值图像，所述第一像素取值范围为第一像素值，所述第二像素取值范围为第二像素值。
26.根据权利要求23或24所述的图像复原装置，其特征在于，所述邻域像素的邻域窗口的大小根据以下参数确定：所述第一位置和所述第二位置的距离以及所述第三位置和所述第四位置的距离。
27.根据权利要求15至17、20至24任一项所述的图像复原装置，其特征在于，所述图像获取模块将原始图像分割为单字图像，所述原始图像包括至少一个字符，所述字符选自汉字、字母和数字。
28.根据权利要求15至17、20至24任一项所述的图像复原装置，其特征在于，还包括：
图像转换模块，用以如果所述图像为彩色图像，则将所述图像转换为灰度图像。
29.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至14中任一项所述图像复原方法的步骤。
30.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至14中任一项所述图像复原方法的步骤。
CN201710424945.XA 2017-06-07 2017-06-07 图像复原方法及装置、计算机可读存储介质、终端 Active CN107292840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710424945.XA CN107292840B (zh) 2017-06-07 2017-06-07 图像复原方法及装置、计算机可读存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710424945.XA CN107292840B (zh) 2017-06-07 2017-06-07 图像复原方法及装置、计算机可读存储介质、终端

Publications (2)

Publication Number Publication Date
CN107292840A true CN107292840A (zh) 2017-10-24
CN107292840B CN107292840B (zh) 2020-01-17

Family

ID=60096182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710424945.XA Active CN107292840B (zh) 2017-06-07 2017-06-07 图像复原方法及装置、计算机可读存储介质、终端

Country Status (1)

Country Link
CN (1) CN107292840B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109257647A (zh) * 2018-10-31 2019-01-22 南昌努比亚技术有限公司 视频图像补偿方法、移动终端及可读存储介质
CN109543753A (zh) * 2018-11-23 2019-03-29 中山大学 基于自适应模糊修复机制的车牌识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945368A (zh) * 2012-10-17 2013-02-27 西安理工大学 啤酒瓶盖激光字符的定位识别方法
CN105654453A (zh) * 2014-11-10 2016-06-08 华东师范大学 一种鲁棒性的fcm图像分割方法
CN106408569A (zh) * 2016-08-29 2017-02-15 北京航空航天大学 基于改进模糊c均值聚类算法的脑部mri图像分割方法
CN106504260A (zh) * 2016-10-31 2017-03-15 上海智臻智能网络科技股份有限公司 一种fcm图像分割方法和***
CN106600610A (zh) * 2016-12-07 2017-04-26 上海智臻智能网络科技股份有限公司 一种fcm图像分割方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945368A (zh) * 2012-10-17 2013-02-27 西安理工大学 啤酒瓶盖激光字符的定位识别方法
CN105654453A (zh) * 2014-11-10 2016-06-08 华东师范大学 一种鲁棒性的fcm图像分割方法
CN106408569A (zh) * 2016-08-29 2017-02-15 北京航空航天大学 基于改进模糊c均值聚类算法的脑部mri图像分割方法
CN106504260A (zh) * 2016-10-31 2017-03-15 上海智臻智能网络科技股份有限公司 一种fcm图像分割方法和***
CN106600610A (zh) * 2016-12-07 2017-04-26 上海智臻智能网络科技股份有限公司 一种fcm图像分割方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109257647A (zh) * 2018-10-31 2019-01-22 南昌努比亚技术有限公司 视频图像补偿方法、移动终端及可读存储介质
CN109543753A (zh) * 2018-11-23 2019-03-29 中山大学 基于自适应模糊修复机制的车牌识别方法
CN109543753B (zh) * 2018-11-23 2024-01-05 中山大学 基于自适应模糊修复机制的车牌识别方法

Also Published As

Publication number Publication date
CN107292840B (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN108510485B (zh) 一种基于卷积神经网络的无参照图像质量评估方法
CN112052886B (zh) 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN110059698B (zh) 用于街景理解的基于边缘稠密重建的语义分割方法及***
CN109978807B (zh) 一种基于生成式对抗网络的阴影去除方法
CN109215034B (zh) 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法
CN110070091B (zh) 用于街景理解的基于动态插值重建的语义分割方法及***
CN110889449A (zh) 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法
CN111047522B (zh) 一种基于边缘生成的图像修复方法
CN106934780A (zh) 一种基于图像修复的自动水印去除方法
CN112184585B (zh) 一种基于语义边缘融合的图像补全方法及***
CN109558806A (zh) 高分遥感图像变化的检测方法和***
CN110533022B (zh) 一种目标检测方法、***、装置及存储介质
CN112949507A (zh) 人脸检测方法、装置、计算机设备及存储介质
CN112347861A (zh) 一种基于运动特征约束的人体姿态估计方法
CN111178121B (zh) 基于空间特征和深度特征强化技术的害虫图像定位识别方法
CN111179196B (zh) 一种基于分而治之的多分辨率深度网络图像去高光方法
CN111080591A (zh) 基于编码解码结构结合残差模块的医学图像分割方法
CN109685772B (zh) 一种基于配准失真表示的无参照立体图像质量评估方法
CN112232351A (zh) 一种基于深度神经网络的车牌识别***
CN112329771B (zh) 一种基于深度学习的建筑材料样本识别方法
CN111898566B (zh) 姿态估计方法、装置、电子设备和存储介质
CN111462090B (zh) 一种多尺度图像目标检测方法
CN116030498A (zh) 面向虚拟服装走秀的三维人体姿态估计方法
CN113378812A (zh) 一种基于Mask R-CNN和CRNN的数字表盘识别方法
CN107292840A (zh) 图像复原方法及装置、计算机可读存储介质、终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant