CN111724319A - 视频监控***中的图像处理方法 - Google Patents
视频监控***中的图像处理方法 Download PDFInfo
- Publication number
- CN111724319A CN111724319A CN202010563561.8A CN202010563561A CN111724319A CN 111724319 A CN111724319 A CN 111724319A CN 202010563561 A CN202010563561 A CN 202010563561A CN 111724319 A CN111724319 A CN 111724319A
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- gray
- value
- structural element
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 8
- 230000003628 erosive effect Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频监控***中的图像处理方法,包括图像的灰度化处理、图像的二值化处理、数学形态学的应用及采用连通区域分析算法。本发明运用了图像处理方面的知识,对图像进行灰度化处理可以降低处理复杂度,满足算法的实时性。二值化处理能够为后续的工作提供方便,形态学的应用可以消除图像中的噪声,使结果更理想。运用连通区域分析算法,可以跟踪物体的运动轨迹。
Description
技术领域:
本发明涉及一种视频监控***中的图像处理方法。
背景技术:
视频监控就是指在不需要人为干预的情况下,利用计算机视觉和视频分 析的方法对摄像机拍录的图像序列进行自动分析,并判断它们的行为,从而 实现对目标的检测和跟踪,在遇到异常情况时报警。在对视频中的运动物体 检测之前,需要对图像进行预处理,这是后续工作的基础,处理的好,能给 后面的检测工作带来方便。由于安放位置、拍摄角度和光照不均匀的影响, 图像会出现亮度不均匀等情况,所有这些因素都会对图像的二值分割产生影 响,图像二值化处理时采用局部阈值法,则是根据像素灰度值以及这个像素 周围点的局部灰度特性,来确定像素的阈值的,但是实现速度比较慢。
发明内容:
本发明的目的在于提供一种能够为后续的工作提供方便、消除图像中的 噪声、可以跟踪物体的运动轨迹视频监控***中的图像处理方法。
本发明的目的通过以下技术方案来实现:一种视频监控***中的图像处 理方法,视频监控***采集的视频图像是彩色的,在处理时,先进行灰度化 处理,之后进行二值化处理,再运用数学形态学的方法填补二值化图像中运 动目标的内部空洞,最后采用连通区域分析算法,具体包括以下步骤:
A、图像的灰度化处理:由于视频中的图像是彩色的,处理起来要考虑 的因素比较多,由于图像的任意一个像素都具有三个不同的颜色分量,存在 许多与识别无关的信息,计算比较复杂,所以先将彩色图像进行预处理,变 成灰度图像,加快处理速度;
B、图像的二值化处理:由于安放位置、拍摄角度和光照不均匀的影响, 图像会出现亮度不均匀等情况,所有这些因素都会对图像的二值分割产生影 响,所以二值化算法在***中是非常关键的,它的优势和劣势将对后续的工 作产生很大的影响;图像二值化分割方法具体为全局阈值法,是根据图像的 直方图或灰度的空间分布来确定一个阈值,并根据此阈值来完成从灰度图像 到二值化图像的转变;
C、数学形态学的应用:运用数学形态学的方法填补二值化图像中运动 目标的内部空洞;数学形态学是由一组形态学的代数运算子组成的,它的基 本运算有4个:膨胀或扩张运算、腐蚀或侵蚀运算、开运算和闭运算,膨胀 会扩大图像,腐蚀会收缩图像,它们在二值图像和灰度图像中各有特点,基 于这些基本运算,可以推导和组合各种数学形态学实用算法,用它们可以进 行图像形状和结构的分析及处理,包括图像分割、特征抽取、边界检测;
D、采用连通区域分析算法:像素间的连通性是一个基本概念,它简化 了许多数字图像概念的定义,如区域和边界,为了确定两个像素是否连通, 必须确定它们是否相邻以及灰度值是否满足特定的相似性准则,实际上,在 二值图像中提取连通分量是许多自动图像分析应用中的核心任务;运用连通 区域分析来确定车的连通区域,再对区分出来的连通区域进行重心点计算, 跟踪每帧图片计算出来的重心点,就能够确定物体的运行轨迹。
本发明的进一步改进在于:步骤A中图像的灰度化处理采用加权平均值 法:根据重要性或者其他指标给R、G、B赋予不同的权值,并使g等于他们 的值的加权平均值,即:
其中WR,WG,WB分别为R、G、B的权值,由于人眼对绿色的敏感度最 高,对红色的敏感度次之,对蓝色的敏感度最低,所以一般用以下式,即:
g=0.299R+0.587G+0.114B。
本发明的进一步改进在于:图像的二值化处理具体采用全局阈值法,全 局阈值法具体为最大类间方差算法;在最大类间方差算法中,方差是灰度分 布均匀性的一种量度,方差值越大,说明构成图像的两部分差别越大,当部 分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使 类间方差最大的分割意味着错分概率最小;算法分析输入灰度图像的直方 图,将其分成两部分,使得它们之间的距离达到最大值,即类间方差达到最 大值,划分点就是求得的阈值;
设原始灰度图像灰度级为m-1,灰度级为i的像素点数为ni,则图像的 全部像素为:
N=n0+n1+...+nm-1
各值的概率:
把灰度级用阈值T划分为两组:C0=(0,1,2,...,T-1)和C1=(T,T+1,...,m-1); 各组产生的概率如下:
μ=ω0μ0+ω1μ1
C0和C1类间的方差可由下式求得:
从1到m-1之间改变T,求上式为最大值时的T,即求maxδ2(T)时的T*值,此时,T*就是阈值,δ2(T)叫做阈值选择函数。
本发明的进一步改进在于:步骤C中的膨胀或扩张运算具体为:
X依据S的膨胀可以定义为:
在二值化图像处理中X为二值图像,S为结构化要素,上式表示把结构 化要素S的原点平行移动到图形X中的所有像素上得到的集合之和,直接体 现了膨胀运算的几何意义,膨胀运算具体操作是在图像上进行运行扫描,若 当前像素的S反转形状邻域中有像素值为1,则当前像素值为1,否则为0。
本发明的进一步改进在于:步骤C中的腐蚀或侵蚀运算具体为:
X依据S的腐蚀可以定义为:
在二值化图像处理中X为二值图像,S为结构化要素,上式表示不管把 结构化要素S的原点平行移动到腐蚀运算后的图形中的哪一个像素上,它始 终都包含在原图形X的内部,腐蚀运算具体操作是在图像上进行运行扫描, 若当前像素与S具有同一形状的邻域全部在X中,则当前像素为l,否则为0。
本发明的进一步改进在于:步骤C中的开运算和闭运算,其定义为:
在二值化图像处理中X为二值图像,S为结构化要素,X被S开运算就 是X被S腐蚀后的结果再被S膨胀,开运算的结果是使结构化要素S在图像 内平行移动且不从图像内溢出时,结构化要素能够到达的区域;闭运算的结 果是使结构化要素S的反转在图像的背景内平行移动且不从背景中溢出时, 结构化要素能够到达的区域的补集;开运算能消除图像中小于结构元素的较 凸细节部分;闭运算能消除图像中较凹的部分,填补小空洞和缝隙,使得物 体边缘更光滑;为了除去由于阈值分割产生的噪声,对图像先开运算,然后 再闭运算,从而达到消除噪声,填补小空洞的目的。
本发明的进一步改进在于:步骤D中连通区域分析算法具体为:
令Y表示一个包含于集合A中的连通分量,并假设Y中的一个点是已知 的;然后,用如下迭代表达式生成Y的所有元素:
这里X0=p,B是一个适当的结构元素,如果Xk=Xk-1,则算法收敛, 并且令Y=Xk;
在每一步迭代操作中,与A的交集消除了位于中心的标记为0的元素; 设结构元素的形状在像素间具有连通性,如果假设每个连通分量中有一个点 已知,则其结果适用于包含在A中的任何有限连通分量的集合。
本发明的有益效果为:本发明通过对图像的处理,可以使图像中有用的 信息或特征更容易提取,为进一步的图像分析以及目标跟踪工作提供良好基 础。
附图说明:
图1-图5均是连通区域分析图:图1显示了起始点p的集合A,所有灰 色点值为1,与p的表示不同,说明这些点还没有被算法找到;图2为结构 元素,0为原点;图3表示第一次迭代的结果;图4是第二步的结果;图5 为最终结果。
具体实施方式:
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明 实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发 明一部分实施例,而不是全部的实施例。在本发明的一种实施方式中描述的 元素和特征可以与一个或更多个其它实施方式中示出的元素和特征相结合。 应当注意,为了清楚的目的,说明中省略了与本发明无关的、本领域普通技 术人员已知的部件和处理的表示和描述。基于本发明中的实施例,本领域普 通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种视频监控***中的图像处理方法,包括图像的灰度化处理、图像的 二值化处理、数学形态学的应用及采用连通区域分析算法。
从技术角度而言,视频监控主要是基于运动视觉分析理论的应用,包括 了运动目标的检测、目标分割提取、目标跟踪等几个部分。基本处理流程如 下:
预处理:采集的视频图像是彩色的,在处理时,先进行灰度化处理,通 过对图像的预处理,可以使图像中有用的信息或特征更容易提取,为进一步 的图像分析以及目标跟踪工作提供良好基础。
运动检测:从视频序列图像中将运动物体从背景图像中提取出来,使运 动物体与背景分离,有利于以后对目标行为的理解分析。
目标跟踪:对视频序列中的运动目标进行跟踪。在研究分析各种跟踪方 法的优缺点的基础上,实现对目标的跟踪。
其后续工作是行为理解和描述,对目标进行检测跟踪的目的就是要对其 进行分析,从而对行为进行判断。
图像的灰度变换:
由于视频中的图像是彩色的,处理起来要考虑的因素比较多,由于图像 的任意一个像素都具有三个不同的颜色分量,存在许多与识别无关的信息, 计算比较复杂,所以先将彩色图像进行预处理,变成灰度图像[20],加快处理 速度。
在RGB模型中,如果R=G=B,则颜色表示一种灰度颜色,其中R=G=B的值叫 做灰度值,我们用g来表示。由彩色转化为灰度的过程叫做灰度化,灰度化 处理方法如下:
加权平均值法:根据重要性或者其他指标给R、G、B赋予不同的权值,并使 g等于他们的值的加权平均值,即:
其中WR,WG,WB分别为R、G、B的权值。由于人眼对绿色的敏感度最高, 对红色的敏感度次之,对蓝色的敏感度最低,所以我们一般用下式即:
g=0.299R+0.587G+0.114B
对图像进行处理的最终目的是突出运动物体,消除背景,所以可以针对 不同的图像进行不同的处理,比如当图中的运动物体为红色时,只要考虑R 的值就可以了。这样做不仅可以节约时间,还为下一步的检测提供条件。
图像二值化:
由于安放位置、拍摄角度和光照不均匀的影响,图像会出现亮度不均匀等情 况,所有这些因素都会对图像的二值分割产生影响,所以二值化算法在*** 中是非常关键的,它的优势和劣势将对后续的工作产生很大的影响。
图像二值化分割方法为全局阈值法,是根据图像的直方图或灰度的空间分布 来确定一个阈值,并根据此阈值来完成从灰度图像到二值化图像的转变。 全局阈值的代表算法是最大类间方差算法,最大类方差阈值也叫大津阈值, 是在最小二乘原理的基础上推导出来的,可以得到比较好的效果。
在最大类间方差算法中,方差是灰度分布均匀性的一种量度,方差值越大, 说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为 目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率 最小。算法分析输入灰度图像的直方图,将其分成两部分,使得它们之间的 距离(即类间方差)达到最大值,划分点就是求得的阈值。
设原始灰度图像灰度级为m-1,灰度级为i的像素点数为ni,则图像的全部 像素为:
N=n0+n1+...+nm-1
各值的概率:
把灰度级用阈值T划分为两组:C0=(0,1,2,...,T-1)和C1=(T,T+1,...,m-1)。各组 产生的概率如下:
μ=ω0μ0+ω1μ1
C0和C1类间的方差可由下式求得:
从1到m-1之间改变T,求上式为最大值时的T,即求maxδ2(T)时的T*值, 此时,T*就是阈值,把δ2(T)叫做阈值选择函数。
因为其具有很好的自适应性,本发明用的是最大类间方差法来进行二值化 的,实现了二值化的分割,黑色表示背景,使运动目标更加突出,为后续的 处理工作提供了方便。
形态学应用:
经过一些处理后,因为目标中有的点与背景图像比较接近时,会出现空 洞,需要进一步去除噪声点才能得到完整的结果。本发明运用数学形态学的 方法填补二值化图像中运动目标的内部空洞,经过试验,能得到较好的结果。
数学形态学是由一组形态学的代数运算子组成的,它的基本运算有4个: 膨胀(或扩张)、腐蚀(或侵蚀)、开或闭,它们在二值图像和灰度图像中各 有特点。基于这些基本运算,还可以推导和组合各种数学形态学实用算法, 用它们可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、 边界检测等。数学形态学方法是利用一个称作结构元素的“探针”收集图像 的信息,当“探针”在图像中不断移动时,便可考察图像各个部分之间的相 互关系,从而了解图像结构特征。
基于数学形态学的方法可以借助先验的几何特征信息,在利用形态学算 子有效地滤除噪声同时,又可以较有效地保留图像中的原有信息。
1.膨胀
X依据S的膨胀可以定义为:
在二值化图像处理中X为二值图像,S为结构化要素,上式表示把结构 化要素S的原点平行移动到图形X中的所有像素上得到的集合之和,直接体 现了膨胀的几何意义。膨胀具体操作是在图像上进行运行扫描,若当前像素 的S反转形状邻域中有像素值为1,则当前像素值为1,否则为0。
2、腐蚀
X依据S的腐蚀可以定义为:
上式表示不管把结构化要素S的原点平行移动到腐蚀后的图形中的哪一 个像素上,它始终都包含在原图形X的内部。腐蚀具体操作是在图像上进行 运行扫描,若当前像素与S具有同一形状的邻域全部在X中。则当前像素为l, 否则为0。
膨胀会扩大图像,腐蚀会收缩图像。另两个重要的形态学运算是开运算 和闭运算,其定义为:
闭运算: X被S开运算就是X被S腐蚀后的结果再被S膨胀,开运算的结果是使结构 化要素S在图像内平行移动且不从图像内溢出时,结构化要素能够到达的区 域。闭运算的结果是使结构化要素S的反转在图像的背景内平行移动且不从 背景中溢出时,结构化要素能够到达的区域的补集。显然开运算能消除图像 中小于结构元素的较凸细节部分;闭运算能消除图像中较凹的部分,填补小 空洞和缝隙使得物体边缘更光滑。为了除去由于阈值分割产生的噪声,可对 图像先开运算,然后再闭运算,从而达到消除噪声,填补小空洞的目的。 连通区域分析:
像素间的连通性是一个基本概念,它简化了许多数字图像概念的定义, 如区域和边界。为了确定两个像素是否连通,必须确定它们是否相邻以及灰 度值是否满足特定的相似性准则。实际上,在二值图像中提取连通分量是许 多自动图像分析应用中的核心任务。令Y表示一个包含于集合A中的连通分 量,并假设Y中的一个点是已知的[27]。然后,用如下迭代表达式生成Y的所 有元素:
这里X0=p,B是一个适当的结构元素。如果Xk=Xk-1,则算法收敛,并且 令Y=Xk。
在每一步迭代操作中,与A的交集消除了位于中心的标记为0的元素。 上图中结构元素的形状假定在像素间具有8连通性,如果假设每个连通分量 中有一个点已知,则其结果适用于包含在A中的任何有限连通分量的集合。
本发明运用连通区域分析来确定车的连通区域,再对区分出来的连通区 域进行重心点计算,跟踪每帧图片计算出来的重心点,就能够确定物体的运 行轨迹,图片中得到一个连通区域,并用蓝色进行标记,再找出蓝色区域的 重心点,即找到了整辆车的重心点。
本发明运用了图像处理方面的知识,对图像进行灰度化处理可以降低处 理复杂度,满足算法的实时性。二值化处理能够为后续的工作提供方便,形 态学的应用可以消除图像中的噪声,使结果更理想。运用连通区域分析算法, 可以跟踪物体的运动轨迹。
最后应说明的是:虽然以上已经详细说明了本发明及其优点,但是应当 理解在不超出由所附的权利要求所限定的本发明的精神和范围的情况下可 以进行各种改变、替代和变换。而且,本发明的范围不仅限于说明书所描述 的过程、设备、手段、方法和步骤的具体实施例。本领域内的普通技术人员 从本发明的公开内容将容易理解,根据本发明可以使用执行与在此所述的相 应实施例基本相同的功能或者获得与其基本相同的结果的、现有和将来要被 开发的过程、设备、手段、方法或者步骤。因此,所附的权利要求旨在在它 们的范围内包括这样的过程、设备、手段、方法或者步骤。
Claims (7)
1.一种视频监控***中的图像处理方法,其特征在于:视频监控***采集的视频图像是彩色的,在处理时,先进行灰度化处理,之后进行二值化处理,再运用数学形态学的方法填补二值化图像中运动目标的内部空洞,最后采用连通区域分析算法,具体包括以下步骤:
A、图像的灰度化处理:由于视频中的图像是彩色的,处理起来要考虑的因素比较多,由于图像的任意一个像素都具有三个不同的颜色分量,存在许多与识别无关的信息,计算比较复杂,所以先将彩色图像进行预处理,变成灰度图像,加快处理速度;
B、图像的二值化处理:由于安放位置、拍摄角度和光照不均匀的影响,图像会出现亮度不均匀等情况,所有这些因素都会对图像的二值分割产生影响,所以二值化算法在***中是非常关键的,它的优势和劣势将对后续的工作产生很大的影响;图像二值化分割方法具体为全局阈值法,是根据图像的直方图或灰度的空间分布来确定一个阈值,并根据此阈值来完成从灰度图像到二值化图像的转变;
C、数学形态学的应用:运用数学形态学的方法填补二值化图像中运动目标的内部空洞;数学形态学是由一组形态学的代数运算子组成的,它的基本运算有4个:膨胀或扩张运算、腐蚀或侵蚀运算、开运算和闭运算,膨胀会扩大图像,腐蚀会收缩图像,它们在二值图像和灰度图像中各有特点,基于这些基本运算,可以推导和组合各种数学形态学实用算法,用它们可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边界检测;
D、采用连通区域分析算法:像素间的连通性是一个基本概念,它简化了许多数字图像概念的定义,如区域和边界,为了确定两个像素是否连通,必须确定它们是否相邻以及灰度值是否满足特定的相似性准则,实际上,在二值图像中提取连通分量是许多自动图像分析应用中的核心任务;运用连通区域分析来确定车的连通区域,再对区分出来的连通区域进行重心点计算,跟踪每帧图片计算出来的重心点,就能够确定物体的运行轨迹。
3.根据权利要求1所述一种视频监控***中的图像处理方法,其特征在于:所述图像的二值化处理具体采用全局阈值法,全局阈值法具体为最大类间方差算法;在最大类间方差算法中,方差是灰度分布均匀性的一种量度,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小;算法分析输入灰度图像的直方图,将其分成两部分,使得它们之间的距离达到最大值,即类间方差达到最大值,划分点就是求得的阈值;
设原始灰度图像灰度级为m-1,灰度级为i的像素点数为ni,则图像的全部像素为:
N=n0+n1+...+nm-1
各值的概率:
把灰度级用阈值T划分为两组:C0=(0,1,2,...,T-1)和C1=(T,T+1,...,m-1);各组产生的概率如下:
μ=ω0μ0+ω1μ1
C0和C1类间的方差可由下式求得:
从1到m-1之间改变T,求上式为最大值时的T,即求maxδ2(T)时的T*值,此时,T*就是阈值,δ2(T)叫做阈值选择函数。
6.根据权利要求1所述一种视频监控***中的图像处理方法,其特征在于:所述步骤C中的开运算和闭运算,其定义为:
在二值化图像处理中X为二值图像,S为结构化要素,X被S开运算就是X被S腐蚀后的结果再被S膨胀,开运算的结果是使结构化要素S在图像内平行移动且不从图像内溢出时,结构化要素能够到达的区域;闭运算的结果是使结构化要素S的反转在图像的背景内平行移动且不从背景中溢出时,结构化要素能够到达的区域的补集;开运算能消除图像中小于结构元素的较凸细节部分;闭运算能消除图像中较凹的部分,填补小空洞和缝隙,使得物体边缘更光滑;为了除去由于阈值分割产生的噪声,对图像先开运算,然后再闭运算,从而达到消除噪声,填补小空洞的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563561.8A CN111724319A (zh) | 2020-06-19 | 2020-06-19 | 视频监控***中的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563561.8A CN111724319A (zh) | 2020-06-19 | 2020-06-19 | 视频监控***中的图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111724319A true CN111724319A (zh) | 2020-09-29 |
Family
ID=72567574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010563561.8A Pending CN111724319A (zh) | 2020-06-19 | 2020-06-19 | 视频监控***中的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724319A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN115115634A (zh) * | 2022-08-30 | 2022-09-27 | 江苏华维光电科技有限公司 | 基于红外图像的光伏阵列热斑检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN108319966A (zh) * | 2017-10-13 | 2018-07-24 | 西安科技大学 | 一种变电站复杂背景红外图像中设备的识别分类方法 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
-
2020
- 2020-06-19 CN CN202010563561.8A patent/CN111724319A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN108319966A (zh) * | 2017-10-13 | 2018-07-24 | 西安科技大学 | 一种变电站复杂背景红外图像中设备的识别分类方法 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
Non-Patent Citations (2)
Title |
---|
郑颖: "视频车辆检测与跟踪方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
黄丹: "基于监控视频的交通信息提取技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN115115634A (zh) * | 2022-08-30 | 2022-09-27 | 江苏华维光电科技有限公司 | 基于红外图像的光伏阵列热斑检测方法 |
CN115115634B (zh) * | 2022-08-30 | 2022-11-01 | 江苏华维光电科技有限公司 | 基于红外图像的光伏阵列热斑检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
EP1683105B1 (en) | Object detection in images | |
CN111062355A (zh) | 一种人体动作识别方法 | |
CN110866943B (zh) | 用于水质监测的鱼类位置跟踪方法 | |
CN111724319A (zh) | 视频监控***中的图像处理方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
Liu et al. | Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features | |
Gurrala et al. | A new segmentation method for plant disease diagnosis | |
Najafzadeh et al. | Object tracking using Kalman filter with adaptive sampled histogram | |
Nguyen et al. | An improved real-time blob detection for visual surveillance | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN111724416A (zh) | 基于背景减法的运动物体检测方法与轨迹跟踪方法 | |
Karim | Construction of a robust background model for moving object detection in video sequence | |
CN111724415A (zh) | 基于视频图像的固定场景下多目标运动检测与跟踪方法 | |
Lv et al. | Method to acquire regions of fruit, branch and leaf from image of red apple in orchard | |
CN111862152B (zh) | 一种基于帧间差分与超像素分割的动目标检测方法 | |
CN114820718A (zh) | 一种视觉动态定位跟踪算法 | |
Yang et al. | A hierarchical approach for background modeling and moving objects detection | |
CN112149683A (zh) | 夜视环境下活物检测方法及装置 | |
Niyas et al. | A color image segmentation scheme for extracting foreground from images with unconstrained lighting conditions | |
Tao et al. | A novel adaptive motion detection based on k-means clustering | |
Rifat et al. | A new approach of moving object detection using background subtraction method | |
Bandara et al. | A feature clustering approach based on Histogram of Oriented Optical Flow and superpixels | |
Lu et al. | A Preprocessing Method for Fragment Perforation Image Detection | |
CN110264422B (zh) | 基于ViBe模型消除光学闪烁像素的光学图像处理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |