CN112132911B - 一种用于红外数字图像检测的阈值自适应方法 - Google Patents

一种用于红外数字图像检测的阈值自适应方法 Download PDF

Info

Publication number
CN112132911B
CN112132911B CN202011333372.8A CN202011333372A CN112132911B CN 112132911 B CN112132911 B CN 112132911B CN 202011333372 A CN202011333372 A CN 202011333372A CN 112132911 B CN112132911 B CN 112132911B
Authority
CN
China
Prior art keywords
image
gray
pixel
paper money
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.)
Active
Application number
CN202011333372.8A
Other languages
English (en)
Other versions
CN112132911A (zh
Inventor
徐婧玮
刘贯伟
郝晨
张云峰
江浩然
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.)
Cashway Technology Co Ltd
Original Assignee
Cashway 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 Cashway Technology Co Ltd filed Critical Cashway Technology Co Ltd
Priority to CN202011333372.8A priority Critical patent/CN112132911B/zh
Publication of CN112132911A publication Critical patent/CN112132911A/zh
Application granted granted Critical
Publication of CN112132911B publication Critical patent/CN112132911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/60—Analysis of geometric attributes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于红外数字图像检测的阈值自适应方法，其特征在于，第一步，获取纸币红外光下整幅图像，得到纸币区域图像，对图像灰度化处理，得到纸币区域灰度图；第二步，获取纸币区域灰度图的宽高比；第三步，获取纸币区域灰度图对角线中的像素值分布；第四步，获取纸币区域灰度图对角线像素分布中像素值占比最大的像素值；第五步，获取纸币区域灰度图中像素值占比最大的像素值；第六步，获取纸币区域灰度图的像素平均值；第七步，获得用于红外检测的灰度图像阈值。本发明综合考虑了全幅图像明暗变化，融合三种不同的图像描述算法得到更能分离图像特征区域与背景区域的灰度指标。

Description

一种用于红外数字图像检测的阈值自适应方法
技术领域
本发明属于红外数字图像处理领域，特别是涉及一种用于红外数字图像检测的阈值自适应方法。
背景技术
纸币在自助设备中运行的状态，包括纸币倾斜、重张等，以及纸币鉴伪技术，一般要用红外检测技术对以上情况进行检测。利用红外光源采集纸币图像得到纸币的红外数字图像，纸币的纸张较为坚固且密度较高，纸币的红外图像更能凸显纸币的“凹凸”。基于纸币本身的特点以及红外图像的优势，纸币的红外图像可应用于检测纸币的运行状态以及辨别纸币的真假。基于红外检测技术对纸币红外图像进行检测的过程中，纸币油墨的颜色与纸币的厚度同样会造成红外穿透能力的差异。因此，必须对得到的红外数字图像进行数学运算和比较分析。
利用红外数字图像技术对纸币进行处理与检测的过程中会多次遇到阈值选取的过程，阈值选取的好坏将影响后续检测环节的准确性，进而影响检测***整体的稳定性。
数字图像处理过程中阈值的选取，也一直是数字图像处理领域研究的重点之一。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷，而提供一种用于红外数字图像检测的阈值自适应方法，可以权衡不同方法得到的图像信息，从而获得更适用于该图图像特征的阈值，该阈值可更好地区分整幅图像中的特征区域与背景区域。
为实现本发明的目的所采用的技术方案是：
一种用于红外数字图像检测的阈值自适应方法，其特征在于，
第一步，获取纸币红外光下整幅图像，得到纸币区域图像，对图像灰度化处理，得到纸币区域灰度图；
第二步，获取纸币区域灰度图的宽高比；
第三步，获取纸币区域灰度图对角线中的像素值分布；
第四步，获取纸币区域灰度图对角线像素分布中占比最大的像素值；
第五步，获取纸币区域灰度图中像素值占比最大的像素值；
第六步，获取纸币区域灰度图的像素平均值；
第七步，通过第四至第六步中获得的灰度图对角线像素分布中占比最大像素值、灰度图中像素值占比最大像素值以及灰度图的像素平均值计算获得用于红外检测的图像阈值。
作为优选的，第二步中纸币区域灰度图的宽高比计算方法如公式1所示，
m = height/ width 公式1；
其中，m是纸币区域灰度图的宽高比，height是纸币区域灰度图X方向像素个数即高度，width是纸币区域灰度图Y方向像素个数即宽度。
作为优选的，第三步中利用第二步得到的宽高比，计算并统计纸币区域灰度图任意一个对角线中像素值范围在[0, 255]的像素分布，对角线像素位置的计算公式如公式2至公式3所示，
X_0 = 0, Y_0 = 0 公式2；
Y_next <= m * X_next < = Y_next +1 公式3；
其中，m是纸币区域灰度图的宽高比，X是纸币区域灰度图X方向的坐标值，Y是纸币区域灰度图Y方向的坐标值，Y_next是计算得到的对角线下一个Y方向的坐标值，X_next是计算得到的对角线下一个X方向的坐标值，Y_next的最大值为纸币区域灰度图的宽度，X_next的最大值为纸币区域灰度图的高度。
作为优选的，第五步中利用灰度直方图统计方法计算纸币区域灰度图中像素值占比最大的像素。
作为优选的，第六步中遍历整幅纸币区域灰度图，累加整幅纸币区域灰度图的像素值，得到和为Sum，利用公式4得到像素平均值；
P_mean = Sum / (length * width) 公式4；
其中，P_mean 是像素平均值，height是纸币区域灰度图X方向像素个数即高度，width是纸币区域灰度图Y方向像素个数即宽度。
本发明的有益效果在于：
本发明综合考虑了全幅图像明暗变化，融合三种不同的图像描述算法得到更能分离图像特征区域与背景区域的灰度指标。
附图说明
图1是实施例中用于实验的图片对象一。
图2是实施例中用于实验的图片对象二。
图3是本发明的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，并不用于限定本发明。
一种用于红外数字图像检测的阈值自适应方法：
第一步，获取在红外光照射下的纸币整幅图像，基于整幅图像背景图像区域为黑底背景，纸币图像区域颜色较亮，通过二值化确定纸币边界坐标信息，排除整幅图像中纸币区域外的图像区域得到纸币区域图像，对图像灰度化处理，得到纸币区域灰度图；灰度化处理的方法采用平均值法。
第二步，获取纸币区域灰度图的宽高比；
以像素个数计算纸币区域灰度图像的宽高比，纸币区域灰度图的宽高比计算方法如公式1所示，
m = height/ width 公式1；
其中，m是纸币区域灰度图的宽高比，height是纸币区域灰度图X方向像素个数即高度，width是纸币区域灰度图Y方向像素个数即宽度。
第三步，获取纸币区域灰度图对角线中的像素值分布；
第三步中利用第二步得到的宽高比，计算并统计纸币区域灰度图任意一个对角线中像素值范围在[0, 255]的像素分布，对角线像素位置的计算公式如公式2至公式3所示，
X_0 = 0, Y_0 = 0 公式2；
Y_next <= m * X_next < = Y_next +1 公式3；
其中，m是纸币区域灰度图的宽高比，X是纸币区域灰度图X方向的坐标值，Y是纸币区域灰度图Y方向的坐标值，Y_next是计算得到的对角线下一个Y方向的坐标值，X_next是计算得到的对角线下一个X方向的坐标值，Y_next的最大值为纸币区域灰度图的宽度，X_next的最大值为纸币区域灰度图的高度。
需要进一步说明的是公式2是定义的起始位置坐标信息，公式3是通过迭代计算下一个位置坐标的限制条件，每次迭代共分X和Y两个值，Y逐次加一，得到Y_next，Y_next最大值为width，Y_next每次到width后X_next加一。
对于整幅图像在遍历寻找对角线元素范围的过程中，逐行遍历的范围最大值即为整幅图像宽度，逐列遍历的范围最大值即为整幅图像高度，在确定了宽度与高度的前提下，对每个元素进行遍历查找符合条件的元素并保存其像素值。
第四步，获取纸币区域灰度图对角线像素分布中像素值占比最大的像素值；根据对角线中的像素值分布，计算并查找对角线像素分布中像素值占比最大的像素，记录该像素值为P1。
根据第三步所述得到的对角线像素值分布，像素值分布在[0, 255]像素值区间，通过遍历计算像素值分布数组得到像素值区间内像素值个数最多的像素值。利用灰度直方图计算像素分布可求得整体图像的像素分布情况，但对于一些包含深浅变化特点的图像而言，在确定了特征区域范围的情况下，对角线像素值分布可以有助于凸显图像特征区域像素变化。
第五步，获取纸币区域灰度图中像素值占比最大的像素值；第五步中利用纸币区域图像灰度直方图统计方法计算纸币区域灰度图中像素值占比最大的像素值，记录该像素值为P2。灰度直方图可通过调用OpenCV中的函数直接得到。
第六步，获取纸币区域灰度图的像素平均值；第六步中遍历整幅纸币区域灰度图，累加整幅纸币区域灰度图的像素值，得到和为Sum，利用公式4得到像素平均值；
P_mean = Sum / (length * width) 公式4；
其中，P_mean 是像素平均值，height是纸币区域灰度图X方向像素个数即高度，width是纸币区域灰度图Y方向像素个数即宽度。
第七步，通过第四至第六步中获得的灰度图对角线像素分布中占比最大像素值、灰度图中像素值占比最大像素值以及灰度图的像素平均值计算获得用于红外检测的灰度图像阈值。第七步中根据上述计算得到的P1、P2、P_mean，利用公式5得到用于红外检测的灰度图像阈值，
Thresh0 = (P1 + P2 + P_mean ) / 3 公式5；
其中，Thresh0是灰度图像阈值，P1 是对角线像素分布中像素值占比最大的像素值，P2是纸币区域灰度图中像素值占比最大的像素值，P_mean 是像素平均值。
本方法得到的阈值在后续图像处理过程中能得到更好的处理效果，与直接利用整幅图像平均值作为阈值相比具有更全面的表达。
下面用实际例子进行效果说明。
针对图1和图2两幅图像，采用不同方法得到阈值对比，其中P1 是以对角线像素分布中像素值占比最大的像素值为阈值，P2是以纸币区域灰度图中像素值占比最大的像素值为阈值，P_mean 是以纸币区域灰度图的像素平均值为阈值，Thresh0是本方法得到的阈值。对比结果如下表所示：
P1 P2 P_mean Thresh0
图1 149 152 125 142
图2 26 156 103 95
从表中可以看出本方法的优势在于可以权衡不同方法得到的图像信息，从而获得更适用于该图图像特征的阈值，该阈值可更好地区分整幅图像中的特征区域与背景区域。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种用于红外数字图像检测的阈值自适应方法，其特征在于，
第一步，获取纸币红外光下整幅图像，得到纸币区域图像，对图像灰度化处理，得到纸币区域灰度图；
第二步，获取纸币区域灰度图的宽高比；
第三步，获取纸币区域灰度图对角线中的像素值分布；
第四步，获取纸币区域灰度图对角线像素分布中占比最大的像素值；
第五步，获取纸币区域灰度图中像素值占比最大的像素值；
第六步，获取纸币区域灰度图的像素平均值；
第七步，通过第四至第六步中获得的灰度图对角线像素分布中占比最大像素值、灰度图中像素值占比最大像素值以及灰度图的像素平均值计算获得用于红外检测的图像阈值。
2.根据权利要求1所述的一种用于红外数字图像检测的阈值自适应方法，其特征在于，第二步中纸币区域灰度图的宽高比计算方法如公式1所示，
m = height/ width 公式1；
其中，m是纸币区域灰度图的宽高比，height是纸币区域灰度图X方向像素个数即高度，width是纸币区域灰度图Y方向像素个数即宽度。
3.根据权利要求1所述的一种用于红外数字图像检测的阈值自适应方法，其特征在于，第三步中利用第二步得到的宽高比，计算并统计纸币区域灰度图任意一个对角线中像素值范围在[0, 255]的像素分布，对角线像素位置的计算公式如公式2至公式3所示，
X_0 = 0, Y_0 = 0 公式2；
Y_next <= m * X_next < = Y_next +1 公式3；
其中，m是纸币区域灰度图的宽高比，X是纸币区域灰度图X方向的坐标值，Y是纸币区域灰度图Y方向的坐标值，Y_next是计算得到的对角线下一个Y方向的坐标值，X_next是计算得到的对角线下一个X方向的坐标值，Y_next的最大值为纸币区域灰度图的宽度，X_next的最大值为纸币区域灰度图的高度。
4.根据权利要求1所述的一种用于红外数字图像检测的阈值自适应方法，其特征在于，第五步中利用灰度直方图统计方法计算纸币区域灰度图中像素值占比最大的像素。
5.根据权利要求1所述的一种用于红外数字图像检测的阈值自适应方法，其特征在于，第六步中遍历整幅纸币区域灰度图，累加整幅纸币区域灰度图的像素值，得到和为Sum，利用公式4得到像素平均值；
P_mean = Sum / (height * width) 公式4；
其中，P_mean 是像素平均值，height是纸币区域灰度图X方向像素个数即高度，width是纸币区域灰度图Y方向像素个数即宽度。
CN202011333372.8A 2020-11-25 2020-11-25 一种用于红外数字图像检测的阈值自适应方法 Active CN112132911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011333372.8A CN112132911B (zh) 2020-11-25 2020-11-25 一种用于红外数字图像检测的阈值自适应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011333372.8A CN112132911B (zh) 2020-11-25 2020-11-25 一种用于红外数字图像检测的阈值自适应方法

Publications (2)

Publication Number Publication Date
CN112132911A CN112132911A (zh) 2020-12-25
CN112132911B true CN112132911B (zh) 2021-03-16

Family

ID=73852236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011333372.8A Active CN112132911B (zh) 2020-11-25 2020-11-25 一种用于红外数字图像检测的阈值自适应方法

Country Status (1)

Country Link
CN (1) CN112132911B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105183752A (zh) * 2015-07-13 2015-12-23 中国电子科技集团公司第十研究所 关联查询红外视频图像特定内容的方法
CN107194896A (zh) * 2017-06-05 2017-09-22 华中科技大学 一种基于邻域结构的背景抑制方法和***
US10275690B2 (en) * 2016-04-21 2019-04-30 Sas Institute Inc. Machine learning predictive labeling system
CN110333267A (zh) * 2019-07-01 2019-10-15 武汉科技大学 一种基于rsbss红外无损检测热成像缺陷图像处理方法及***
CN111932556A (zh) * 2020-08-11 2020-11-13 中国科学院微小卫星创新研究院 一种多级阈值图像分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542655B (zh) * 2011-11-16 2014-06-18 中钞实业有限公司 基于纤维个性化特征的票据防伪鉴别方法
CN111830439B (zh) * 2019-04-19 2022-10-11 宁波奥克斯高科技有限公司 一种变压器故障检测方法及变压器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105183752A (zh) * 2015-07-13 2015-12-23 中国电子科技集团公司第十研究所 关联查询红外视频图像特定内容的方法
US10275690B2 (en) * 2016-04-21 2019-04-30 Sas Institute Inc. Machine learning predictive labeling system
CN107194896A (zh) * 2017-06-05 2017-09-22 华中科技大学 一种基于邻域结构的背景抑制方法和***
CN110333267A (zh) * 2019-07-01 2019-10-15 武汉科技大学 一种基于rsbss红外无损检测热成像缺陷图像处理方法及***
CN111932556A (zh) * 2020-08-11 2020-11-13 中国科学院微小卫星创新研究院 一种多级阈值图像分割方法

Also Published As

Publication number Publication date
CN112132911A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
RU2708422C1 (ru) Способ и система управления банкоматами
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN107066933B (zh) 一种道路标牌识别方法及***
CN102542660B (zh) 基于票据水印分布特征的票据防伪鉴别方法
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN106682629A (zh) 一种复杂背景下身份证号识别算法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN103606220A (zh) 一种基于白光图像及红外图像的支票印刷体数字识别***及其方法
WO2023279966A1 (zh) 一种多车道线检测方法、装置及检测设备
CN112417931B (zh) 一种基于视觉显著性的水面物体检测和分类的方法
CN110956737B (zh) 一种安全线识别方法和装置
CN111611907A (zh) 一种图像增强的红外目标检测方法
CN115410096B (zh) 卫星遥感影像多尺度融合变化检测方法、介质及电子装置
CN116977358A (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN111178193A (zh) 一种车道线的检测方法、检测装置及计算机可读存储介质
CN115063430A (zh) 基于图像处理的电气管道裂纹检测方法
CN112991378A (zh) 一种基于灰度分布极化与均化的背景分离方法
CN115330818A (zh) 一种图片分割方法及其计算机可读存储介质
CN106204616B (zh) 一种伊朗纸币币值的识别方法及装置
CN112132911B (zh) 一种用于红外数字图像检测的阈值自适应方法
CN107977608A (zh) 一种应用于公路视频图像道路区域提取的方法

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
GR01 Patent grant
GR01 Patent grant