CN109584202A - 图像处理装置、方法和非暂时性计算机可读存储介质 - Google Patents

图像处理装置、方法和非暂时性计算机可读存储介质 Download PDF

Info

Publication number
CN109584202A
CN109584202A CN201811107048.7A CN201811107048A CN109584202A CN 109584202 A CN109584202 A CN 109584202A CN 201811107048 A CN201811107048 A CN 201811107048A CN 109584202 A CN109584202 A CN 109584202A
Authority
CN
China
Prior art keywords
image
image processing
region
processing apparatus
candidate region
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.)
Withdrawn
Application number
CN201811107048.7A
Other languages
English (en)
Inventor
藤森友贵
御手洗裕辅
泷本将史
奥田洋志
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.)
Canon Inc
Original Assignee
Canon Inc
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 Canon Inc filed Critical Canon Inc
Publication of CN109584202A publication Critical patent/CN109584202A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Textile Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Image Input (AREA)

Abstract

本发明涉及图像处理装置、方法和非暂时性计算机可读存储介质。本发明能够适当地检测图像中的检测对象区域。为此目的，根据本发明的图像处理装置包括：图像输入单元，其被构造为输入对象图像和与对象图像的像素值分量类型不同的参照图像；检测单元，其被构造为从对象图像检测检测对象候选区域；提取单元，其被构造为通过使用至少参照图像来从所述检测对象候选区域提取至少一个特征量；以及选择单元，其被构造为基于特征量来选择所述检测对象候选区域。

Description

图像处理装置、方法和非暂时性计算机可读存储介质
技术领域
本发明涉及图像处理装置、方法和非暂时性计算机可读存储介质。
背景技术
当通过使用图像检查物品时，通常希望增强缺陷区域。这使得需要以高灵敏度获取图像。然而，注意，过度增加灵敏度将增加噪声分量，导致难以辨别图像中的缺陷区域和叠加有噪声的区域(下文中称为“噪声区域”)。这需要通过进行用于将图像分类为缺陷区域和噪声区域的掩蔽处理来仅留下缺陷区域候选的技术。
例如，作为通过以高灵敏度摄像来生成图像的方法，可以使用相位偏移方法(phase shift method)。相位偏移方法是使用将投影强度调制为正弦波而获得的条纹图案进行相位偏移的同时通过投影进行测量的方法。该方法可以获得所有像素的测量值，因此可以根据相对少数量的图像进行精确测量。因此，该方法使得能够容易地调整测量范围，并且可以容易地应用于摄像***。相位偏移方法通常生成表示强度的振幅图像和代表频率分量的相位差图像。因此，可以想到通过使用两个不同的图像(即振幅图像和相位差图像)来将缺陷区域和噪声分量彼此辨别开来。
文献(日本特开2017-120672号公报)公开了一种通过如下方式生成学习图像的方法：通过从深度图像检测候选区域，根据与候选区域对应的亮度图像(luminance image)的区域来计算代表对应性关系的观察数据分布，并针对模型数据计算误差。然而，该文献中公开的方法是简单的图像生成方法，并且不被构造为缩小并确定给定区域是学习数据中的正常区域还是检测对象区域。
文献(日本特开2005-102862号公报)公开了一种从深度图像检测候选区域，并且基于从具有不同阈值参数的两种类型的乳腺摄影(mammograph)图像中检测到的异常阴影候选的特征量，确定该异常阴影候选是否为阳性的方法。然而，该处理是异常检测方法，并且不用作图像校正处理或在识别处理之前使用的预处理。
文献(日本特许4861605号公报)公开了一种图像校正方法，其通过图案匹配从亮度图像进行区域检测，针对检测到的区域、根据背景区域和前景区域的特征量计算逆光水平和顺光水平，基于逆光水平和顺光水平来改变图像校正参数，并进行设置以禁止依赖于区域进行图像校正。在该技术中，仅基于亮度图像来决定图像校正方法，但是不通过使用不同类型的图像(例如，亮度图像和深度图像)来决定图像变换方法。
发明内容
考虑到上述问题做出了本发明，并且本发明提供了适当地检测图像中的检测对象区域的技术。
根据本发明的第一方面，提供了一种图像处理装置，该图像处理装置包括：图像输入单元，其被构造为输入对象图像和与对象图像的像素值分量类型不同的参照图像；检测单元，其被构造为从对象图像检测检测对象候选区域；提取单元，其被构造为通过使用至少参照图像来从所述检测对象候选区域提取至少一个特征量；以及选择单元，其被构造为基于特征量来选择所述检测对象候选区域。
根据本发明的第二方面，提供了一种图像处理方法，该图像处理方法包括：输入对象图像和与对象图像的像素值分量类型不同的参照图像；从对象图像检测检测对象候选区域；通过使用至少参照图像来从所述检测对象候选区域提取至少一个特征量；以及，基于特征量来选择所述检测对象候选区域。
根据本发明的第三方面，提供了一种非暂时性计算机可读存储介质，其存储有程序，在计算机读取并执行该程序的情况下使计算机进行图像处理方法的步骤，所述图像处理方法包括：输入对象图像和与对象图像的像素值分量类型不同的参照图像；从对象图像检测检测对象候选区域；提取步骤，通过使用至少参照图像来从所述检测对象候选区域提取至少一个特征量；以及，基于特征量来选择所述检测对象候选区域。
根据本发明，能够适当地检测图像中的检测对象区域。
通过下面参照附图对示例性实施例的描述，本发明的其他特征将变得清楚。
附图说明
图1是示出根据第一实施例的信息处理***的***布置的图。
图2是示出根据第一实施例的信息处理装置的硬件布置和用户接口的框图。
图3是示出根据第一实施例的信息处理装置的功能布置和用户接口的框图。
图4是示出由根据第一实施例的图像处理单元和用户接口进行的处理过程的流程图。
图5是示出由根据第一实施例的图像处理单元和用户接口进行的信息处理的示例的流程图。
图6是示出根据第一实施例的聚类区域分类(cluster region classification)方法的图。
图7是示出由根据第二实施例的图像处理单元和用户接口进行的处理过程的流程图。
图8是示出根据第二实施例的关于参数设置的显示画面的图。
图9是示出根据第二实施例的关于参数设置的其他显示画面的图。
图10是示出由根据第三实施例的图像处理单元和用户接口进行的处理过程的流程图。
图11是示出根据第三实施例坐标空间的聚类的示例的图。
图12是示出由根据第四实施例的图像处理单元和用户接口进行的信息处理的示例的流程图。
具体实施方式
下面将参照附图详细描述本发明的实施例。
[第一实施例]
该实施例将举例说明如下任务，基于通过对顺序传输到检查线上的检查对象进行拍摄而获得的图像，来对检查对象进行检查，并显示检查结果。
图1示出了根据该实施例的信息处理***的***布置。该***包括对检查对象进行检查的信息处理装置101和拍摄检查对象的图像的摄像设备102。用户接口103是具有显示由信息处理装置101获得的检查结果和提示用户进行输入操作的信息的数据显示功能，并且用户用来输入数据的设备。用户接口103包括监视器、键盘、鼠标和触摸板。用户接口103显示表示从信息处理装置101发送的检查结果的图像等，并输入由用户获得的针对检查结果的确定结果等。
检查对象104是本实施例中的检查对象。光源105用光照射检查对象104。摄像设备102拍摄被光照射的检查对象104的图像，并将拍摄图像作为图像数据提供给信息处理装置101。
图2示出了根据该实施例的信息处理装置101和用户接口103的硬件布置的示例。
信息处理装置101包括CPU 201、主存储设备202和辅助存储设备203。用户接口103包括输入I/F 204和输出I/F 205。CPU 201、主存储设备202、辅助存储设备203、输入I/F204和输出I/F 205经由***总线206彼此连接。
CPU 201是控制由信息处理装置101进行的处理的中央处理单元。主存储设备202是用作CPU 201的工作区并存储程序等的存储设备。主存储设备202包括ROM和RAM。辅助存储设备203是存储稍后将描述的数据、各种类型的设置值、诸如各种阈值等的数据和各种类型的程序的存储设备，并且通常是HDD。
输入I/F 204是在用户接口103接收输入时使用的接口。注意，CPU 201还经由输入I/F 204从摄像设备102接收拍摄图像。
输出I/F 205是用于将数据输出到外部装置的接口。CPU 201经由输出I/F 205将检测结果的信息输出到用户接口103，以在监视器(未示出)上显示该信息。CPU 201通过基于存储在主存储设备202或辅助存储设备203中的程序而执行处理来实现图2(稍后描述)中的信息处理装置101和用户接口103的功能，并且CPU 201实现图4、图5、图7、图10和图12(稍后描述)中的处理。
图3示出了信息处理装置101和用户接口103的功能布置的示例。信息处理装置101包括图像处理单元301、特征量提取单元302和分类器确定单元303。信息处理装置101的CPU201通过执行存储在主存储设备202或辅助存储设备203中的检查程序来实现这些单元。
图像处理单元301输入通过摄像设备102摄像而获得的检查对象104的图像数据，并且通过图像处理进行用于从检查对象区域附近的图像去除噪声分量的处理。注意，当从摄像设备102输入运动图像数据时，图像处理单元301在检查对象104到达预定位置的时间点获取静止图像(帧)。
特征量提取单元302从被图像处理单元301去除了噪声分量的图像的检查对象区域中提取特征量。稍后将参照图4中的步骤S403描述本实施例中使用的特征量。检查对象是由摄像设备102拍摄的图像中的区域，并且包括检查对象104。
分类器确定单元303基于由特征量提取单元302提取的特征量，生成正常模型分类器，并且通过使用生成的正常模型分类器和从确定对象数据获得的特征量来计算确定对象数据的识别分数。在这种情况下，正常模型分类器被构造为通过仅使用已知检查对象104作为“正常”来定义正常范围。这是通过确定给定数据是否落入正常范围内来将正常数据和其他异常数据彼此辨别开的技术。
下面将参照图4的流程图描述由图像处理单元301、特征量提取单元302和分类器确定单元303进行的处理的详情。
·步骤S401：图像输入
在步骤S401中，图像处理单元301获取由摄像设备102拍摄的检查对象104的图像数据。根据该实施例的图像处理单元301获取，通过使用相位偏移法所拍摄的振幅图像(对象图像)和相位差图像(参照图像)。根据实施例的图像处理单元301获取具有不同特性的两种类型的图像，更具体地，获取像素值分量不同的两种类型的图像。另外，图像处理单元301可以将振幅图像和相位差图像从摄像设备102临时保存在辅助存储设备203中，并且从辅助存储设备203顺序地获取各图像的图像数据。在这种情况下，当检查对象区域是图像上的部分时，图像处理单元301仅获取图像中的检查对象区域作为评估对象。
·步骤S402：图像预处理
在步骤S402中，图像处理单元301对在步骤S401中获取的检查对象104的振幅图像(对象图像)的图像数据的检查对象区域进行图像预处理。
在图像预处理中，首先，图像处理单元301基于邻近像素(neighboring pixel)的亮度对振幅图像中的目标像素进行二值化，并基于二值化结果进行标记处理。然后，图像处理单元301基于相位差图像中与各标记区域对应的区域的标准偏差分量的值，进行缺陷候选区域与噪声分量之间的分类。然后，图像处理单元301进行用于在不进行任何掩蔽处理的情况下将缺陷候选区域留作缺陷区域的处理，并且还进行用于在进行掩蔽处理时擦除作为噪声分量的噪声分量区域的处理。稍后将参照图5的流程图详细描述该处理。
·步骤S403：特征量计算
在步骤S403中，特征量提取单元302从在步骤S402中获取的掩蔽处理后的对象图像的图像数据的检查对象区域，提取特征量。
当要使用多个特征量时，特征量提取单元302通过将Haar小波变换(Haar Wavelettransformation)应用于对象图像的检查对象区域来生成例如层级变换图像(hierarchical transformed image)。Haar小波变换是用于在保持位置信息的同时进行图像数据的频率变换的处理。根据该实施例的特征量提取单元302使用Haar小波变换，作为用于计算在步骤S402中获取的图像数据的特征量的处理。
特征量提取单元302通过使用Haar小波变换处理，计算从一个对象图像生成的总共N种类型(N层)的图像的像素值的最大值、平均值和标准偏差作为特征量。也就是说，特征量提取单元302从一个对象图像生成总共N种类型的图像，并从各个生成的图像提取三种类型的统计特征量。结果，特征量提取单元302从一个对象图像中总共提取3N个特征量。
如上所述，通过步骤S403中的处理，特征量提取单元302可以从对象图像中提取多个特征量。注意，可以预先计算对象图像的特征量并将其存储在辅助存储设备203中。
·步骤S404：辨别模型的生成
在步骤S404中，分类器确定单元303通过使用在步骤S403中计算的特征量来生成或更新辨别模型(稍后描述)。
该实施例使用投影距离方法作为用于生成辨别模型的部分空间法之一。简而言之，投影距离是由各特征量作为轴而定义的特征空间中的特征矢量与具有图案分布分散最大的方向的超平面(主平面)之间的最短距离。在这种情况下，生成的辨别模型用于进行正常/异常辨别。
·步骤S405：针对测试数据的正常/异常确定
在步骤S405中，分类器确定单元303通过使用在步骤S404中生成的辨别模型对对象图像数据进行正常/异常确定。更具体地，分类器确定单元303从对象图像数据提取特征量，并通过使用在步骤S403中生成或更新的辨别模型来进行正常/异常确定。在这种情况下，分类器确定单元303计算关于对象图像数据的投影距离并进行阈值处理，从而进行正常/异常确定。
图5是示出由图像处理单元301和用户接口103进行的信息处理的示例的流程图。将参照图5描述由图像处理单元301进行的处理(图4中的步骤S402)。
·步骤S501：图像输入
在步骤S501中，图像处理单元301获取由摄像设备102拍摄的确定对象的图像数据。在该实施例中，图像处理单元301获取通过相位偏移方法所拍摄的振幅图像和相位差图像。在这种情况下，当检查对象区域是图像上的部分时，仅获取图像中的检查对象区域作为评估对象。
·步骤S502：候选检测
在步骤S502中，图像处理单元301对在步骤S501中获取的振幅图像数据(对象图像)的检查对象区域进行二值化处理。
图像处理单元301参照对象图像的邻近像素组的平均亮度(阈值)对要二值化的对象像素进行二值化。更具体地，图像处理单元301计算以对象像素为中心的h×h像素区域中的除了对象像素之外的(h×h-1)个像素的平均亮度。如果通过将计算的平均亮度乘以预定值p而获得的值小于对象像素的亮度值，则图像处理单元301将值“1”设置为针对对象像素的二值化结果。与此相对照，如果通过将平均亮度乘以预定值p而获得的值大于对象像素的亮度值，则图像处理单元301将值“0”设置为针对对象像素的二值化结果。以这种方式，图像处理单元301通过将检查对象区域的每个像素处理为上述对象像素来获得二值化图像，在该二值化图像中各个像素值被设置为值“1”或“0”。注意，当对象像素位于图像的末端等处时，h×h个像素中的一些像素位于图像外部。图像处理单元301从要获得平均亮度的对象像素中排除位于图像外部的像素，并通过获得剩余像素的平均值、通过对对象像素进行阈值处理，将对象像素设置为值“1”或“0”。尽管根据以上描述预先设置了预定值p，但是图像处理单元301可以计算候选区域的亮度值和除候选区域之外的区域的亮度值，考虑分离度来决定参数p，并设置候选区域的掩蔽值。另外，尽管假设预先设置定义邻近像素组的扩展的“h”，但是用户可以根据需要进行设置。
图像处理单元301对以上述方式获得的二值化图像进行标记处理。标记处理是用于将一个标签分配给二值化图像中像素值“1”连续的区域的处理。在这种情况下，“连续”可以被定义为四个连着的1或八个连着的1。“四个连着的1”对应于当竖直或水平方向上的二值化目标像素“1”的邻接像素是“1”时，向它们分配相同标签的情况。“八个连着的1”对应于当除了竖直和水平方向之外的倾斜方向(四个方向)上的邻接像素是“1”时，向它们分配相同的标签的情况。该实施例通过使用“四个连着的1”来对二值化图像进行标记处理以检测区域。然而，该实施例可以使用“八个连着的1”。注意，在二值化图像中像素值“1”连续的作为聚类的区域在下文中将被称为“聚类区域”。
·步骤S503：特征提取
在步骤S503中，图像处理单元301计算通过步骤S503中的标记处理获得的诸如各聚类区域的面积和长度等的特征量。假设“面积”是聚类区域中像素值“1”的数量，“长度”是聚类区域中像素值“1”的两个最远像素之间的欧几里德距离(Euclidean distance)。
·步骤S504：噪声去除
在步骤S504中，图像处理单元301通过使用在步骤S504中获得的各聚类区域的特征量来决定是否进行掩蔽处理。
在使用诸如面积和长度等的区域内特征量的情况下，如果面积或长度超过针对对应特征量设置的阈值，则图像处理单元301可以确定给定区域是缺陷区域。因此，如果给定区域的面积或长度超过针对对应特征量设置的阈值，则图像处理单元301将表示禁止掩蔽处理的值“0”设置到对象聚类区域。另外，如果给定区域的面积或长度小于对应阈值，则该区域可以是噪声区域或缺陷区域。因此，如果给定区域的面积或长度小于对应阈值，则图像处理单元301针对对象聚类区域，暂时设置表示掩蔽候选的“1”。
注意，在使用区域间距离作为特征量的情况下，图像处理单元301获得作为聚类的最近区域之间的最短距离。如果获得的距离小于预定距离，则图像处理单元301为各个区域设置表示禁止掩蔽处理的值“0”。与此相对照，如果所获得的聚类之间的最短距离等于或大于预定距离，则图像处理单元301设置用于对各个区域进行掩蔽处理的值“1”。
随后，对于被设置为掩蔽候选的各个聚类区域，图像处理单元301获得相位差图像中的对应区域的像素值的标准偏差。然后，图像处理单元301通过两个分量的矢量，即{面积，标准偏差}来表示被设置为掩蔽候选的各个聚类区域，并且在面积-标准偏差坐标空间中绘制特征量。
图6显示了该绘图示例。参照图6，沿X轴绘制振幅图像的区域的特征量(面积)601，并且沿Y轴绘制相位差图像的区域的特征量(标准偏差)602。各聚类区域的特征量被绘制在由X轴和Y轴限定的坐标空间中，并且坐标空间被划分为三个区域。例如，坐标空间被划分成表示异常类型A的区域603、表示异常类型B的区域604和表示“正常”的区域605。
边界606的表达式是x＝c，并且上述区域被划分为表示异常类型A的区域603和表示异常类型B的区域604。在这种情况下，参数c是用于将上述区域划分为表示异常类型A的区域603和表示异常类型B的区域604的参数。通过使用通过检查各区域中的数据而获得的结果来决定参数c。
边界607的表达式是y＝ax+b，并且上述区域被划分为表示“正常”的区域605和表示异常类型A的区域603。在这种情况下，参数a(斜率)和参数b(截距)是用于将上述区域划分为表示“正常”的区域605和表示异常类型A的区域603的参数。通过使用通过检查区域中的数据而获得的结果来决定参数a和b。
图像处理单元301将如图6所示绘制的三个区域的区域605(满足x≤c且y≥ax+b)视为噪声。换句话说，区域603和604被视为缺陷区域。因此，图像处理单元301针对属于区域603和604的、暂时设置了表示掩蔽候选的“1”的聚类区域中的聚类区域，设置表示禁止遮蔽处理的“0”。
注意，在该实施例中，从作为参照图像的相位差图像的候选区域获得标准偏差作为特征量。然而，本发明不限于此。例如，可以使用其他统计值，例如，平均值、或诸如直方图等的多维特征量。
经过上述处理后，图像处理单元301选择(生成)用于将各聚类区域辨别为缺陷区域(未掩蔽区域)和噪声区域(掩蔽区域)的掩蔽。
·步骤S505：图像输出
在步骤S505中，图像处理单元301通过使用在步骤S504中生成的掩蔽进行掩蔽处理来进行缺陷候选区域与噪声分量之间的分类，并且在去除噪声分量时生成振幅图像。在这种情况下，在通过掩蔽而设置值“0”的区域中，不改变对象图像的像素值。与此相对照，通过掩蔽而设置值“1”的区域(具有等于或小于阈值的面积或距离并且在图6中被确定为“正常”的聚类区域)，通过填充有对象图像的对应区域的邻近亮度(例如，平均亮度)而被补足。通过该操作，图像处理单元301可以进行检测对象候选区域与噪声分量区域之间的分类，并且生成擦除了噪声分量的、适合于正常/异常确定的对象图像。尽管该实施例基于使用掩蔽的假设，但是可以在不使用任何掩蔽的情况下对噪声分量进行利用邻近亮度的填充处理。
注意，在该实施例中，从作为参照图像的相位差图像的候选区域获得标准偏差，作为特征量。然而，本发明不限于此。例如，可以使用其他统计值，例如，平均值、或诸如直方图等的多维特征量。
如上所述，在本实施例中，根据振幅图像数据计算检测对象候选区域，并且基于作为检测对象候选区域的特征量的面积或长度来检测检测对象候选区域。通过使用具有与对象图像的特性不同的特性的参照图像，并且基于与对象图像的检测对象候选区域对应的参照图像的区域的特征量从检测对象候选区域决定检测候选区域，可以精确地检测检测区域。
[第二实施例]
根据上述第一实施例的信息处理***在通过使用邻近亮度进行图像的二值化处理时对各个区域进行标记处理，然后基于不同类型的图像的标准偏差分量的值进行缺陷候选区域与噪声分量之间的分类。第一实施例进行用于将缺陷候选区域留作缺陷区域的处理而不进行任何掩蔽处理，并且通过对作为噪声分量的噪声分量区域进行掩蔽处理来进行用于擦除该噪声分量区域的处理。
与此相对照，根据第二实施例的信息处理***通过使用用户接口103决定用于二值化图像的阈值，并且决定用于在缺陷候选区域与噪声分量之间进行分类的参数。下面将描述这种决策的机制。
·步骤S702：候选检测
在步骤S702中，图像处理单元301通过使用初始阈值对在步骤S701中获取的振幅图像数据的检查对象区域进行二值化处理。
二值化处理是用于参照对象像素的邻***均亮度进行二值化的处理。更具体地，图像处理单元301指定以对象像素为中心的H×H区域，并计算除了对象像素之外的检测到的(H×H-1)个像素的平均亮度。
如果通过将计算的平均亮度乘以初始值p而获得的值小于对象像素的像素值，则针对对象像素，设置值“1”作为二值化结果。换句话说，如果对象像素的像素值等于或大于通过将平均值乘以初始值p而获得的值，则针对对象像素，设置值“1”作为二值化结果。
相对照地，如果通过将计算的平均亮度乘以初始值p而获得的值等于或大于对象像素的像素值，则针对对象像素，设置值“0”作为二值化结果。换句话说，如果对象像素的像素值小于通过将平均值乘以初始值p而获得的值，则针对对象像素，设置值“0”作为二值化结果。
·步骤S704：基于特征量之间的关系，经由用户接口检查参数
在步骤S704中，图像处理单元301提示用户经由用户接口103调整二值化参数p。在这种情况下，将要乘以平均亮度的预定值设置为p，并且用户通过使用用户接口103(在该实施例中为滑动条)调整参数p。
图8示出了用于决定在用户接口103上显示的参数p的显示画面。
参照图8，附图标记801表示振幅图像，该振幅图像被显示为明确地表示振幅图像中的缺陷区域的位置。附图标记802表示通过二值化处理获得的二值化图像。如在步骤S502中那样，检测以对象像素为中心的H×H区域，并且计算除了对象像素之外的检测到的H×H区域的平均亮度。如果通过将计算出的平均亮度乘以通过使用阈值调整单元所设置的值p而获得的值小于对象像素的像素值，则针对对象像素，设置值“1”。与此相对照，如果通过将计算的平均亮度乘以通过使用阈值调整单元所设置的值p而获得的值大于对象像素的像素值，则针对对象像素，设置值“0”。
附图标记803表示阈值调整单元。基于由阈值调整单元803调整并设置的值p来决定用于生成二值化图像802的阈值，并且生成二值化图像。用户可以通过发出将阈值调整单元803的钮向右和向左滑动的指令来改变值p。二值化图像802根据旋钮位置处的值p而改变。注意，在图8的初始画面中，阈值调整单元803的钮位于中间，该处的值p是“1.0”。
以上描述关于根据第二实施例如何设置二值化处理的阈值。
图9示出了显示在用户接口103上并用于决定由图6中的边界606(x＝c)表示的参数c以及用于边界607(y＝ax+b)的参数a和b的显示画面的示例。
振幅图像的区域的特征量(面积)901表示掩蔽图像的各个区域的特征量(面积)，并且由X轴表示。另外，相位差图像的区域的特征量(标准偏差)902表示与掩蔽图像的各个区域对应并且由Y轴表示的相位差图像的区域的标准偏差。绘制各区域的特征量并将其划分为三个区域。例如，各区域的特征量被分成表示异常类型A的区域903、表示异常类型B的区域904和表示“正常”的区域905。
边界906的表达式为x＝c，其将区域划分为表示异常类型A的区域903和表示异常类型B的区域904。在这种情况下，参数c是用于将区域划分为表示异常类型A的区域903和表示异常类型B的区域904的参数。通过使用通过检查区域中的数据而获得的结果来决定参数c。
边界907的表达式是y＝ax+b，其将区域划分为表示“正常”的区域905和表示异常类型A的区域903。参数a(斜率)和b(截距)是用于将区域划分为表示“正常”的区域905和表示异常类型A的区域903的参数。使用通过检查区域中的数据而获得的结果来决定参数a和b。
图像909是实际图像。沿X轴901和Y轴902绘制该图像的各区域。光标908是用于选择区域的选择工具。在这种情况下，所选区域对应于图像909的区域910。
参数设置单元911是用于设置边界906的参数c的工具。调整参数设置单元911使得可以检查是否可以将表示异常类型A的区域903与表示异常类型B的区域904分离。
参数设置单元912A和912B是用于设置边界907的参数a和b的工具。调整参数设置单元912A和912B使得可以检查是否可以将表示“正常”的区域905与表示异常类型A的区域903分开。
图像复选框913和914是表示用于选择图像的候选的复选框。特征量复选框917、918、919和920是表示用于选择特征量的候选的复选框。因为勾选了图像复选框913和特征量复选框917，所以表示X轴的特征量901表示图像A的特征量A。
同样，图像复选框915和916是表示用于选择图像的候选的复选框。特征量复选框921、922、923和924是表示用于选择特征量的候选的复选框。因为勾选了图像复选框916和特征量复选框924，所以表示Y轴的特征量902表示图像B的特征量D。
在这种情况下，使用两个特征量来检查给定区域是缺陷类型A还是缺陷类型B。然而，本发明包括使用三个或更多特征量的情况。使用三个或更多个特征量的情况可以通过如下方式进行：通过增加图像复选框和特征量复选框的数量并且利用三个或更多个用于特征量的评估轴来进行显示操作。
如上所述，当从图像数据检测检测对象候选区域时，第二实施例使用用户接口103来提示用户确定是否可以检测检测对象候选区域，并设置参数。另外，该实施例使用用户接口103来设置用于在检测对象候选区域与噪声分量之间进行分类的参数，从而进行检测对象候选区域与噪声分量之间的分类。这使得可以进行用于去除噪声分量的预处理，同时仅留下检测对象候选区域，从而精确地检测检测对象区域。
[第三实施例]
根据第一实施例的信息处理***基于邻近亮度进行振幅图像的二值化处理，并对各个区域进行标记处理，从而获得聚类区域。基于区域的面积与相位差图像的标准偏差分量之间的关系，将不能确定是噪声还是缺陷区域的聚类区域分类为缺陷候选区域和噪声分量。然后，该***进行用于将缺陷候选区域留作缺陷区域的处理而不进行任何掩蔽处理，并且通过对作为噪声分量的噪声分量区域进行掩蔽处理来进行用于擦除该噪声分量区域的处理。
与此相对照，根据第三实施例的信息处理***通过根据由各个区域的面积轴和相位差图像的标准偏差轴限定的特征空间进行聚类，将区域分类为噪声分量区域、异常类型A和异常类型B，然后进行图像预处理。
注意，因为图10中的步骤S1001、S1002、S1003和S1005中的处理与图5中的步骤S501、S502、S503和S505中的处理相同，所以将省略对处理的描述，并且将描述步骤S1004。也就是说，该***不基于第一处理阶段中的各个聚类区域的面积和距离来进行关于缺陷区域和噪声区域的确定。
·步骤S1004：使用聚类生成掩蔽
在步骤S1004中，图像处理单元301确定是否对通过步骤S1003中的标记处理而获得的聚类区域进行掩蔽处理。
更具体地，图像处理单元301根据异常类型的数量来决定分类的数量。例如，如果已知正常区域、异常类型A和异常类型B，则图像处理单元301通过最短距离法进行聚类，以获得三个聚类结果。
最短距离法是在计算数据之间的所有欧几里德距离时以欧几里德距离的升序连接数据的方法。当聚类的数量达到预定数量时，停止连接。这使得可以获得使得聚类的数量达到预定数量的学习数据。
图像处理单元301使用以这种方式获得的数据来确定对象区域的欧几里德距离最接近哪个数据。通过标记最接近的数据，图像处理单元301决定新输入区域是正常区域、异常类型A还是异常类型B。图像处理单元301将对应于正常区域的聚类区域决定为噪声区域，并决定在异常类型A和B上绘制的聚类区域作为缺陷区域。
尽管上面已经描述了无监督聚类，但是可以基于各个区域的标签为已知的假设来进行监督聚类，或基于一些区域的标签为已知的假设进行半监督学习。
图11示出了通过基于所选特征量在特征空间中聚类数据而获得的结果。图像处理单元301基于图像X的特征量A和图像Y的特征量B将对应于区域的数据聚类成特征量之间的三个区域。区域1101、1102和1103分别对应于表示“正常”的区域、表示异常类型A的区域和表示异常类型B的区域。图像处理单元301通过使用聚类结果决定对象区域对应于哪个区域。
图像处理单元301确定针对掩蔽标记的各个区域是噪声分量区域还是检测对象区域。然后，图像处理单元301将“1”输入到噪声区域，并将“0”输入到检测对象区域，从而生成掩蔽。
在该实施例中，根据该实施例的信息处理***通过基于各区域的面积与相位差图像的标准偏差分量之间的关系进行聚类，将区域分类为噪声分量区域、异常类型A和异常类型B。然后，该***进行用于去除噪声分量并由邻近亮度填充并且留下检测对象区域的处理，从而进行预处理。生成通过使用以这种方式获得的图像增强检测对象的图像，使得可以精确地检测检测区域。
[第四实施例]
根据第一实施例的信息处理***利用邻近亮度进行振幅图像的二值化处理，并对各个区域进行标记处理，并且通过使用相位差图像的像素值(相位差)的标准偏差分量进行用于将区域分类成缺陷候选区域和噪声分量的处理，并且留下缺陷候选区域作为缺陷区域而不进行任何掩蔽处理。
与此相对照，当根据图像数据检测面部区域时，根据第四实施例的信息处理***进行用于在例如等于或大于预定面积的实际面部区域、等于或小于预定面积的实际面部区域，与不是实际面部的打印面部之间的分类、并且生成除了等于或大于预定面积的实际面部区域以外的区域的图像的预处理，从而生成用于学习、评估、大事实(grand truth)数据输入的精确图像。下面将参照图12描述该处理。
·步骤S1201：图像输入
在步骤S1201中，图像处理单元301获取由摄像设备102拍摄的表示人的亮度图像(对象图像)和关于该人的深度图像(参照图像)。
·步骤S1202：面部区域检测
在步骤S1202中，图像处理单元301检测关于在步骤S1201中获取的确定对象的对象图像的图像数据的检查对象区域的面部区域。
图像处理单元301通过使用针对对象图像的模板匹配(template matching)来进行面部区域检测来检测面部区域，并且通过肤色检测(flesh color)来检测面部的轮廓。然后，图像处理单元301通过使用检测到的面部轮廓来生成掩蔽。图像处理单元301在面部区域中设置“1”，并且通过使用面部的轮廓将在面部区域以外的部分中设置“0”的情况下生成掩蔽。
·步骤S1203：通过使用深度图像计算面部区域的特征量
在步骤S1203中，图像处理单元301计算与在步骤S1202中检测到的亮度图像的面部区域对应的深度图像的区域中的距离值的标准偏差。
·步骤S1204：去除噪声
在步骤S1204中，图像处理单元301计算在步骤S1203中检测到的亮度图像的面部区域的面积。如果计算出的面部区域的实际面积小于预定值，则针对掩蔽的面部部分输入“1”。假设计算出的面部区域的面积等于或大于预定值。在这种情况下，如果在步骤S1203中获得的标准偏差等于或小于预定值，则图像处理单元301确定该区域不是实际的，并且针对该区域输入“1”。如果该面积等于或大于预定值并且标准偏差等于或大于预定值，则图像处理单元301确定该区域是非掩蔽区域并输入“0”。
·步骤S1205：图像生成
在步骤S1205中，图像处理单元301通过使用在步骤S1204中生成的掩蔽进行掩蔽处理，在等于或大于预定面积的实际面部区域、等于或小于预定面积的面部区域和是打印物等的可能性大的面部区域当中进行分类，并生成除了等于或大于预定面积的实际面部区域之外的区域的图像。
在这种情况下，图像处理单元301不针对利用掩蔽设置值“0”的区域改变人物图像的像素值，并且通过用相应人物图像区域的邻近亮度填充来进行用于补足利用掩蔽设置为“1”的区域的处理。这使得可以在等于或大于预定面积的实际面部区域、等于或小于预定面积的面部区域和是打印物等的可能大的面部区域当中进行分类，从而生成排除除了等于或大于预定面积的实际面部区域以外的区域的图像。
当从图像数据检测面部区域候选时，该实施例在等于或大于预定面积的实际面部区域、等于或小于预定面积的面部区域和是打印物等的可能大的面部区域当中进行分类，从而生成排除除了等于或大于预定面积的实际面部区域以外的区域的图像。这使得可以精确地检测面部区域(检测区域)。
其他实施例
还可以通过读出并执行记录在存储介质(也可更完整地称为“非暂时性计算机可读存储介质”)上的计算机可执行指令(例如，一个或更多个程序)以执行上述实施例中的一个或更多个的功能，和/或包括用于执行上述实施例中的一个或更多个的功能的一个或更多个电路(例如，专用集成电路(ASIC))的***或装置的计算机，来实现本发明的实施例，并且，可以利用通过由***或装置的计算机例如读出并执行来自存储介质的计算机可执行指令以执行上述实施例中的一个或更多个的功能，并且/或者控制一个或更多个电路以执行上述实施例中的一个或更多个的功能的方法，来实现本发明的实施例。计算机可以包括一个或更多个处理器(例如，中央处理单元(CPU)、微处理单元(MPU))，并且可以包括分开的计算机或分开的处理器的网络，以读出并执行计算机可执行指令。计算机可执行指令可以例如从网络或存储介质被提供给计算机。存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算***的存储器、光盘(诸如压缩光盘(CD)、数字通用光盘(DVD)或蓝光光盘(BD)TM)、闪存装置以及存储卡等中的一个或更多个。
本发明的实施例还可以通过如下的方法来实现，即，通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给***或装置，该***或装置的计算机或是中央处理单元(CPU)、微处理单元(MPU)读出并执行程序的方法。
虽然参照示例性实施例对本发明进行了描述，但是应该理解，本发明不限于所公开的示例性实施例。应当对权利要求的范围给予最宽的解释，以使其涵盖所有这些变型例以及等同的结构及功能。

Claims (17)

1.一种图像处理装置，所述图像处理装置包括：
图像输入单元，其被构造为输入对象图像和与对象图像的像素值分量类型不同的参照图像；
检测单元，其被构造为从对象图像检测检测对象候选区域；
提取单元，其被构造为通过使用至少参照图像来从所述检测对象候选区域提取至少一个特征量；以及
选择单元，其被构造为基于特征量来选择所述检测对象候选区域。
2.根据权利要求1所述的图像处理装置，其中，所述对象图像是通过相位偏移法生成的振幅图像，并且所述参照图像是通过相位偏移法生成的相位差图像。
3.根据权利要求1所述的图像处理装置，其中，所述对象图像是亮度图像，并且所述参照图像是深度图像。
4.根据权利要求1所述的图像处理装置，其中，所述检测单元针对亮度图像进行模板匹配。
5.根据权利要求1所述的图像处理装置，其中，所述检测单元针对亮度图像进行肤色检测。
6.根据权利要求2所述的图像处理装置，其中，所述检测单元通过使用阈值针对所述振幅图像进行二值化处理，并且在所述振幅图像中检测聚类区域的面积以及所述聚类区域中的两个像素之间的最大欧几里德距离，其中在所述聚类区域中各自具有不小于阈值的值的像素是连续的。
7.根据权利要求6所述的图像处理装置，所述图像处理装置还包括：
分类单元，其被构造为将所述聚类区域分类成第一聚类区域和除第一聚类区域之外的第二聚类区域，并且基于相位差图像中的对应区域的标准偏差，将第二聚类区域进一步分类成不少于两个聚类区域，所述第一聚类区域的面积和欧几里德距离各自不小于针对所述面积和所述欧几里德距离各自设置的阈值。
8.根据权利要求7所述的图像处理装置，所述图像处理装置还包括：
边界调整单元，其被构造为根据来自用户的指令来调整用于将第二聚类区域分类成不少于两个聚类区域的边界。
9.根据权利要求6所述的图像处理装置，所述图像处理装置还包括：
阈值调整单元，其被构造为根据来自用户的指令来调整用于二值化处理的阈值。
10.根据权利要求7所述的图像处理装置，其中，所述分类单元根据最短距离法进行分类。
11.根据权利要求2所述的图像处理装置，所述图像处理装置还包括：
预处理单元，其被构造为基于在相位差图像中的区域中的标准偏差分量的值，将检测对象候选区域分类成缺陷候选区域和噪声分量区域，并针对噪声分量区域进行掩蔽处理，
其中，提取单元从掩蔽处理后的检测对象候选区域提取至少一个特征量。
12.根据权利要求1所述的图像处理装置，其中，所述提取单元将检测对象候选区域转变为多个层级图像，并且基于图像的像素值，根据所述多个层级图像中的各个来计算特征量。
13.根据权利要求1所述的图像处理装置，所述图像处理装置还包括：
生成单元，其被构造为基于特征量来生成辨别模型；以及
确定单元，其被构造为通过参照辨别模型确定检测对象候选区域。
14.根据权利要求13所述的图像处理装置，其中，所述确定单元确定检测对象候选区域正常还是异常。
15.根据权利要求14所述的图像处理装置，其中，在检测对象候选区域异常的情况下，所述确定单元确定异常类型。
16.一种图像处理方法，所述图像处理方法包括：
输入对象图像和与对象图像的像素值分量类型不同的参照图像；
从对象图像检测检测对象候选区域；
通过使用至少参照图像来从所述检测对象候选区域提取至少一个特征量；以及
基于特征量来选择所述检测对象候选区域。
17.一种非暂时性计算机可读存储介质，其存储有程序，在计算机读取并执行该程序时使计算机进行图像处理方法的步骤，所述图像处理方法包括：
输入对象图像和与对象图像的像素值分量类型不同的参照图像；
从对象图像检测检测对象候选区域；
通过使用至少参照图像来从所述检测对象候选区域提取至少一个特征量；以及
基于特征量来选择所述检测对象候选区域。
CN201811107048.7A 2017-09-26 2018-09-21 图像处理装置、方法和非暂时性计算机可读存储介质 Withdrawn CN109584202A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-185321 2017-09-26
JP2017185321A JP2019061484A (ja) 2017-09-26 2017-09-26 画像処理装置及びその制御方法及びプログラム

Publications (1)

Publication Number Publication Date
CN109584202A true CN109584202A (zh) 2019-04-05

Family

ID=65807588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811107048.7A Withdrawn CN109584202A (zh) 2017-09-26 2018-09-21 图像处理装置、方法和非暂时性计算机可读存储介质

Country Status (3)

Country Link
US (1) US10891508B2 (zh)
JP (1) JP2019061484A (zh)
CN (1) CN109584202A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348822A (zh) * 2019-08-08 2021-02-09 佳能株式会社 图像处理设备和图像处理方法
CN113205477A (zh) * 2020-01-30 2021-08-03 株式会社日立制作所 医用图像处理装置以及医用图像处理方法
CN113524170A (zh) * 2020-04-21 2021-10-22 佳能株式会社 监视对象的图像处理装置及其控制方法以及存储介质
CN116708752A (zh) * 2022-10-28 2023-09-05 荣耀终端有限公司 针对成像装置的成像效果测试方法、装置及***

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7214432B2 (ja) * 2018-10-22 2023-01-30 キヤノン株式会社 画像処理方法、画像処理プログラム、記録媒体、画像処理装置、生産システム、物品の製造方法
US11049224B2 (en) * 2018-12-05 2021-06-29 Microsoft Technology Licensing, Llc Automated real-time high dynamic range content review system
CN111444976A (zh) * 2020-04-02 2020-07-24 Oppo广东移动通信有限公司 目标检测方法、装置、电子设备和可读存储介质
US11887347B2 (en) * 2020-08-06 2024-01-30 Canon U.S.A., Inc. Device-to-image registration method, apparatus, and storage medium
CN112150544B (zh) * 2020-09-24 2024-03-19 西门子（中国）有限公司 吊钩到位检测方法、装置和计算机可读介质
CN112579540A (zh) * 2020-11-03 2021-03-30 珠海越亚半导体股份有限公司 元器件贴装位置标识方法、贴装控制方法、设备和介质
US20230153987A1 (en) * 2021-11-17 2023-05-18 Verizon Media Inc. Object defect detection

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7049617B2 (en) 2001-07-26 2006-05-23 Seiko Epson Corporation Thickness measurement in an exposure device for exposure of a film with a hologram mask, exposure method and semiconductor device manufacturing method
JP2003107022A (ja) * 2001-09-28 2003-04-09 Hitachi Ltd 欠陥検査装置及び検査方法
JP4483250B2 (ja) 2003-09-29 2010-06-16 コニカミノルタエムジー株式会社 画像診断支援装置、画像診断支援方法及びプログラム
JP2009290660A (ja) * 2008-05-30 2009-12-10 Seiko Epson Corp 画像処理装置、画像処理方法、画像処理プログラムおよび印刷装置
JP2010003118A (ja) * 2008-06-20 2010-01-07 Seiko Epson Corp 画像処理装置、画像処理方法および画像処理プログラム
JP5127592B2 (ja) * 2008-06-25 2013-01-23 キヤノン株式会社 画像処理装置および画像処理方法、プログラム並びに、コンピュータ読み取り可能な記録媒体
JP5253047B2 (ja) * 2008-09-01 2013-07-31 キヤノン株式会社 色処理装置およびその方法
US10330608B2 (en) * 2012-05-11 2019-06-25 Kla-Tencor Corporation Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools
JP5838138B2 (ja) * 2012-08-30 2015-12-24 株式会社日立ハイテクノロジーズ 欠陥観察システムおよび欠陥観察方法
JP6316068B2 (ja) * 2014-03-31 2018-04-25 国立大学法人 東京大学 検査システムおよび検査方法
JP6433268B2 (ja) * 2014-03-31 2018-12-05 国立大学法人 東京大学 検査システムおよび検査方法
JP6255125B2 (ja) 2017-04-07 2017-12-27 キヤノン株式会社 画像処理装置、画像処理システム、および画像処理方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348822A (zh) * 2019-08-08 2021-02-09 佳能株式会社 图像处理设备和图像处理方法
CN113205477A (zh) * 2020-01-30 2021-08-03 株式会社日立制作所 医用图像处理装置以及医用图像处理方法
CN113205477B (zh) * 2020-01-30 2023-12-08 富士胶片医疗健康株式会社 医用图像处理装置以及医用图像处理方法
CN113524170A (zh) * 2020-04-21 2021-10-22 佳能株式会社 监视对象的图像处理装置及其控制方法以及存储介质
CN113524170B (zh) * 2020-04-21 2024-02-27 佳能株式会社 监视对象的图像处理装置及其控制方法以及存储介质
CN116708752A (zh) * 2022-10-28 2023-09-05 荣耀终端有限公司 针对成像装置的成像效果测试方法、装置及***
CN116708752B (zh) * 2022-10-28 2024-02-27 荣耀终端有限公司 针对成像装置的成像效果测试方法、装置及***

Also Published As

Publication number Publication date
JP2019061484A (ja) 2019-04-18
US20190095742A1 (en) 2019-03-28
US10891508B2 (en) 2021-01-12

Similar Documents

Publication Publication Date Title
CN109584202A (zh) 图像处理装置、方法和非暂时性计算机可读存储介质
Khodabakhsh et al. Fake face detection methods: Can they be generalized?
JP6710135B2 (ja) 細胞画像の自動分析方法及びシステム
Raghavendra et al. Robust scheme for iris presentation attack detection using multiscale binarized statistical image features
Agaian et al. Automated screening system for acute myelogenous leukemia detection in blood microscopic images
CA3068177A1 (en) Detection of manipulated images
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
Abbas et al. Computer‐aided pattern classification system for dermoscopy images
CN107004265A (zh) 信息处理装置、处理信息的方法、鉴别器生成装置、生成鉴别器的方法、以及程序
CN108268823A (zh) 目标再识别方法和装置
CN112528939A (zh) 一种人脸图像的质量评价方法及装置
Xu et al. Identity-constrained noise modeling with metric learning for face anti-spoofing
Maheswari et al. A novel approach for retinal lesion detection in diabetic retinopathy images
US20160078312A1 (en) Image processing method and apparatus using training dictionary
Habib et al. Brain tumor segmentation and classification using machine learning
Badeka et al. Evaluation of LBP variants in retinal blood vessels segmentation using machine learning
CN115131355B (zh) 利用电子设备数据检测防水布异常的智能方法
Rehman et al. Modified texture features from histogram and gray level co-occurence matrix of facial data for ethnicity detection
JP2015001859A (ja) 情報処理装置、情報処理システム及びプログラム
CN111382703B (zh) 一种基于二次筛选与分数融合的指静脉识别方法
JP7019104B2 (ja) 閾値の学習方法
Gencturk et al. Automated pre-diagnosis of acromegaly disease using local binary patterns and its variants
Hijazi et al. A histogram approach for the screening of age-related macular degeneration
CN113139936B (zh) 一种图像分割处理方法及装置
Mandalapu et al. Image quality and texture-based features for reliable textured contact lens detection

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190405

WW01 Invention patent application withdrawn after publication