CN112288653A - 一种高质量切割子图获取方法 - Google Patents
一种高质量切割子图获取方法 Download PDFInfo
- Publication number
- CN112288653A CN112288653A CN202011204327.2A CN202011204327A CN112288653A CN 112288653 A CN112288653 A CN 112288653A CN 202011204327 A CN202011204327 A CN 202011204327A CN 112288653 A CN112288653 A CN 112288653A
- Authority
- CN
- China
- Prior art keywords
- image
- cutting
- cut
- subgraph
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013515 script Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 21
- 238000003776 cleavage reaction Methods 0.000 description 9
- 230000007017 scission Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
一种高质量切割子图获取方法,涉及图像处理技术领域,针对现有技术中由于格栅位置在每节车的位置不固定,在确定分割参数时会增大子图切取大小,也会产生一个格栅被分布到两张子图上的情况,且如果有较小的格栅故障被分布开,会造成模型准确率变低的问题,对原图像进行滤波操作,可以减少原始图像拍摄时产生的噪声以及调整光线对图像的影响,提高图像质量。通过点击图像的方法可以精确地获得想要切取子图的位置和大小,节省了人工尝试所需时间,且不会造成信息浪费。通过代码自动生成切割子图参数配置文件,可替代人工输入参数,节省时间,并可避免人工输入时的产生的错误。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种高质量切割子图获取方法。
背景技术
随着深度学习技术在处理图像问题上的快速发展,在训练模型时,需要高质量的图像样本集,才可以训练出更好的模型。快速、高效、精准的获取训练对象图像样本集成为了训练模型的关键所在。传统分割采取估计分割参数的方式,以获取裙板格栅子图为例,由于格栅位置在每节车的位置不固定,为了尽可能的保证格栅完整性,在确定分割参数时会增大子图切取大小,但也会产生一个格栅被分布到两张子图上的情况,且如果有较小的格栅故障被分布开,会造成模型准确率变低的结果。在进行切图时,还需将参数进行计算并手动输入到XML文件,这是一项比较耗时且容易出错的工作。
发明内容
本发明的目的是:针对现有技术中由于格栅位置在每节车的位置不固定,在确定分割参数时会增大子图切取大小,也会产生一个格栅被分布到两张子图上的情况,且如果有较小的格栅故障被分布开,会造成模型准确率变低的问题,提出一种高质量切割子图获取方法。
本发明为了解决上述技术问题采取的技术方案是:
一种高质量切割子图获取方法,包括以下步骤:
步骤一:获取待切割图像;
步骤二:对获取到的待切割图像进行滤波处理;
步骤三:针对滤波处理后的图像获取切割位置参数;
步骤四:根据切割位置参数生成切割子图XML;
步骤五:利用切割子图XML生成深度学习样本集所需子图。
进一步的,滤波处理的具体步骤为:首先对原始图像进行降低亮度操作,然后对图像进行去噪处理。
进一步的,对原始图像进行降低亮度操作通过滤波器F1进行,滤波器F1表示为:
进一步的,对图像进行去噪处理通过滤波器F2进行,F2表示为:
进一步的,步骤三的具体步骤为:
步骤三一:读取滤波处理过后的图像;
步骤三二:根据滤波处理过后的图像,利用ginput()函数获取滤波处理后的图像中待切割目标的水平坐标信息;
步骤三三:根据待切割目标的水平坐标信息获得切割位置参数,切割位置参数包括待切割目标起点xi和待切割目标长度wi。
进一步的,待切割目标起点xi表示为:
其中,L为像素长度,P代表待切割目标长度方向像素坐标,n代表待切割目标数量。
进一步的,待切割目标长度wi表示为:
进一步的,步骤四利用doc()函数生成XML脚本的节点与子节点,并利用python 或matlab软件,基于所生成的节点与子节点以及切割位置参数生成切割子图XML。
本发明的有益效果是:
1.对原图像进行滤波操作,可以减少原始图像拍摄时产生的噪声以及调整光线对图像的影响,提高图像质量。
2.针对滤波处理后的图像获取切割位置参数的方法可以精确地获得想要切取子图的位置和大小,节省了人工尝试所需时间,且不会造成信息浪费。
3.通过自动生成切割子图参数配置文件,可替代人工输入参数,节省时间,并可避免人工输入时的产生的错误。
附图说明
图1为原始待检测图像示意图;
图2为F1滤波器滤波操作后图像;
图3为F1和F2滤波器滤波操作后图像;
图4为裙板左侧起点示意图;
图5为裙板右侧终点示意图;
图6(a)为传统切割方法获得的子图示意图1;
图6(b)为传统切割方法获得的子图示意图2;
图6(c)为传统切割方法获得的子图示意图3;
图6(d)为传统切割方法获得的子图示意图4;
图6(e)为传统切割方法获得的子图示意图5;
图6(f)为传统切割方法获得的子图示意图6;
图6(g)为传统切割方法获得的子图示意图7;
图6(h)为传统切割方法获得的子图示意图8;
图6(i)为传统切割方法获得的子图示意图9;
图7(a)为本发明切割方法获得的子图示意图1;
图7(b)为本发明切割方法获得的子图示意图2;
图7(c)为本发明切割方法获得的子图示意图3;
图7(d)为本发明切割方法获得的子图示意图4;
图7(e)为本发明切割方法获得的子图示意图5;
图7(f)为本发明切割方法获得的子图示意图6;
图7(g)为本发明切割方法获得的子图示意图7;
图7(h)为本发明切割方法获得的子图示意图8;
图8为本发明整体流程图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个具体实施方式之间可以相互组合。
具体实施方式一:参照图8具体说明本实施方式,本实施方式的一种高质量切割子图获取方法,包括以下步骤:
步骤一:获取待切割图像;
步骤二:对获取到的待切割图像进行滤波处理;
步骤三:针对滤波处理后的图像获取切割位置参数;
步骤四:根据切割位置参数生成切割子图XML;
步骤五:利用切割子图XML生成深度学习样本集所需子图。
原始图像采集
通过架设在铁轨两侧的高清摄像机,获得列车的整节侧部图像。收集不同车型的图像以增加原始数据丰富程度。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是滤波处理的具体步骤为:首先对原始图像进行降低亮度操作,然后对图像进行去噪处理。
图像预处理
通过高清相机采集到的图像会存在一些噪声,拍摄光线也会导致图像偏亮,使得图像质量不高,不利于后续处理,因此需要对图像进行预处理操作来提高图像质量。
具体实施方式三:本实施方式是对具体实施方式二的进一步说明,本实施方式与具体实施方式二的区别是对原始图像进行降低亮度操作通过滤波器F1进行,滤波器F1表示为:
为了解决以上问题,本文选择利用滤波操作对原始图像进行预处理。滤波操作,即对图像中的像素点进行一系列的基本运算的结果,可达到尽量保留图像细节特征的条件下对原始图像的噪声进行抑制,且可根据具体目的,选择现有或自行设计滤波器对图像进行操作。本文设计了多种滤波器,通过试验,最终选择了两个滤波器,分别如下所示:
原始图像如图1所示,F1滤波器对原始图像进行降低亮度操作,经F1滤波器滤波操作后的图像如图2所示,可以看出颜色已经变暗。之后利用F2滤波器对图像进行去噪声操作,经F2滤波器滤波操作后的图像如图3所示,可以看出通过两步滤波操作后,图像变得更加清晰。
具体实施方式四:本实施方式是对具体实施方式二的进一步说明,本实施方式与具体实施方式二的区别是对图像进行去噪处理通过滤波器F2进行,F2表示为:
具体实施方式五:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是步骤三的具体步骤为:
步骤三一:读取滤波处理过后的图像;
步骤三二:根据滤波处理过后的图像,利用ginput()函数获取滤波处理后的图像中待切割目标的水平坐标信息;
步骤三三:根据待切割目标的水平坐标信息获得切割位置参数,切割位置参数包括待切割目标起点xi和待切割目标长度wi。
通过ginput()函数获得切图对象位置参数。
以获取裙板格栅子图为例,不同节次列车的裙板格栅所在位置不同,且大小也不相同。
第一步:
读取滤波处理过后的列车整节侧部图像,将其调整为适当大小并展示在窗口中。
第二步:
利用ginput()函数,点击图像上需要获得子图对象的起点,即单个裙板左侧部位,可获得其起点坐标,如图4所示:
第三步:
点击图像上需要获得子图对象的终点,即单个裙板右侧部位,可获得其终点坐标,如图5所示:
具体实施方式六:本实施方式是对具体实施方式五的进一步说明,本实施方式与具体实施方式五的区别是待切割目标起点xi表示为:
其中,L为像素长度,P代表裙板长度方向像素坐标,n代表裙板数量。
通过重复以上步骤对每个裙板进行点击操作,便可获得切割子图对象所需参数,即裙板的位置和长度信息,将每个裙板长度方向像素坐标记为Pi,进行点击操作后,每个裙板左右两侧的坐标信息都会自动存入到列表中。切割参数需要根据侧部原始图像大小来计算比例获得,因此在输入原始图像时,需得到其尺寸,记为L(为像素长度)。切取子图默认为从左至右切分原图,切割参数主要有裙板左侧起点xi(第i块裙板的起点像素比例),以及长度wi(第i块裙板的长度像素比例),均可由之前点击的两点求得。即第i块裙板的切割参数由下式可得:
具体实施方式七:本实施方式是对具体实施方式六的进一步说明,本实施方式与具体实施方式六的区别是待切割目标长度wi表示为:
具体实施方式八:本实施方式是对具体实施方式七的进一步说明,本实施方式与具体实施方式七的区别是步骤四利用doc()函数生成XML脚本的节点与子节点,并利用python 或matlab软件,基于所生成的节点与子节点以及切割位置参数生成切割子图XML。
根据切割参数自动生成切割子图XML;
将已获得的切图参数通过代码自动生成切割图像的XML脚本,切图程序利用该脚本可以获得精确位置和高质量的子图样本集,利用该样本集便可进行深度学习训练,以此来解决问题。
传统切割方法与本文所提出方法切割子图对比如下所示(以单节车厢裙板格栅为例):
图6为传统切割子图方法的示意图,整节车厢被分成了9个部分,每块格栅并不完整,且其中还有一张没有格栅的子图。当单节车厢格栅数量偏少时,没有格栅的子图数量将会更多,可利用的子图需经过人工对其进行挑选,且会造成人工和数据的浪费。
图7为本文所提出切割子图方法的示意图,从图中可知,整节车厢被分成了8个部分,每一部分为一块完整的格栅子图,没有数据浪费,且子图效果优于图6方法所示效果。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (8)
1.一种高质量切割子图获取方法,其特征在于包括以下步骤:
步骤一:获取待切割图像;
步骤二:对获取到的待切割图像进行滤波处理;
步骤三:针对滤波处理后的图像获取切割位置参数;
步骤四:根据切割位置参数生成切割子图XML;
步骤五:利用切割子图XML生成深度学习样本集所需子图。
2.根据权利要求1所述的一种高质量切割子图获取方法,其特征在于所述滤波处理的具体步骤为:首先对原始图像进行降低亮度操作,然后对图像进行去噪处理。
5.根据权利要求1所述的一种高质量切割子图获取方法,其特征在于所述步骤三的具体步骤为:
步骤三一:读取滤波处理过后的图像;
步骤三二:根据滤波处理过后的图像,利用ginput()函数获取滤波处理后的图像中待切割目标的水平坐标信息;
步骤三三:根据待切割目标的水平坐标信息获得切割位置参数,所述切割位置参数包括待切割目标起点xi和待切割目标长度wi。
8.根据权利要求7所述的一种高质量切割子图获取方法,其特征在于所述步骤四利用doc()函数生成XML脚本的节点与子节点,并利用python或matlab软件,基于所生成的节点与子节点以及切割位置参数生成切割子图XML。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204327.2A CN112288653A (zh) | 2020-11-02 | 2020-11-02 | 一种高质量切割子图获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204327.2A CN112288653A (zh) | 2020-11-02 | 2020-11-02 | 一种高质量切割子图获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288653A true CN112288653A (zh) | 2021-01-29 |
Family
ID=74352979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011204327.2A Pending CN112288653A (zh) | 2020-11-02 | 2020-11-02 | 一种高质量切割子图获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288653A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663127A (zh) * | 2012-04-24 | 2012-09-12 | 浙江大学 | 基于部首的书法字检索方法 |
CN105022988A (zh) * | 2015-06-24 | 2015-11-04 | 福州瑞芯微电子有限公司 | 电子手稿的识别方法及装置 |
CN109815977A (zh) * | 2018-12-15 | 2019-05-28 | 天津大学 | 大批量制作机器学习样本剪裁标记一体化方法 |
CN110189250A (zh) * | 2019-05-28 | 2019-08-30 | 成都依能科技股份有限公司 | 图片裁剪方法 |
EP3731179A1 (en) * | 2019-01-10 | 2020-10-28 | General Electric Company | Systems and methods to semi-automatically segment a 3d medical image using a real-time edge-aware brush |
-
2020
- 2020-11-02 CN CN202011204327.2A patent/CN112288653A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663127A (zh) * | 2012-04-24 | 2012-09-12 | 浙江大学 | 基于部首的书法字检索方法 |
CN105022988A (zh) * | 2015-06-24 | 2015-11-04 | 福州瑞芯微电子有限公司 | 电子手稿的识别方法及装置 |
CN109815977A (zh) * | 2018-12-15 | 2019-05-28 | 天津大学 | 大批量制作机器学习样本剪裁标记一体化方法 |
EP3731179A1 (en) * | 2019-01-10 | 2020-10-28 | General Electric Company | Systems and methods to semi-automatically segment a 3d medical image using a real-time edge-aware brush |
CN110189250A (zh) * | 2019-05-28 | 2019-08-30 | 成都依能科技股份有限公司 | 图片裁剪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1901228A1 (en) | Image processor | |
CN110675346A (zh) | 适用于Kinect的图像采集与深度图增强方法及装置 | |
WO2019111976A1 (ja) | 対象物検出装置、予測モデル作成装置、対象物検出方法及びプログラム | |
CN109564687B (zh) | 学习方法和记录介质 | |
DE102004049676A1 (de) | Verfahren zur rechnergestützten Bewegungsschätzung in einer Vielzahl von zeitlich aufeinander folgenden digitalen Bildern, Anordnung zur rechnergestützten Bewegungsschätzung, Computerprogramm-Element und computerlesbares Speichermedium | |
DE102005034597A1 (de) | Verfahren und Anordnung zur Erzeugung einer Tiefenkarte | |
CN103702015A (zh) | 一种近红外条件下人脸图像采集***的曝光控制方法 | |
DE602005019740D1 (de) | Verfahren zur erzeugung von ct bildern aus unvollständigen projektionsdaten eines untersuchungsobjektes | |
CN109978895B (zh) | 一种舌体图像分割方法和装置 | |
CN115996322B (zh) | 数字视频摄影用影像数据管理方法 | |
CN115578326A (zh) | 一种道路病害识别方法、***、设备及存储介质 | |
CN113421334B (zh) | 一种基于深度学习的多聚焦图像三维重建方法 | |
CN104981844A (zh) | 移动物体检测 | |
CN112489103B (zh) | 一种高分辨率深度图获取方法及*** | |
CN112288653A (zh) | 一种高质量切割子图获取方法 | |
DE102020213799A1 (de) | Hindernisdetektionsvorrichtung und Hindernisdetektionsverfahren | |
DE102004026782A1 (de) | Verfahren und Vorrichtung zur rechnergestützten Bewegungsschätzung in mindestens zwei zeitlich aufeinander folgenden digitalen Bildern, computerlesbares Speichermedium und Computerprogramm-Element | |
DE102017009118A1 (de) | Bildabgleich für serienbilder | |
CN116977215A (zh) | 图像去雾方法、装置、设备和存储介质 | |
CN103208013B (zh) | 一种基于图像噪声分析的照片来源识别方法 | |
CN114140429A (zh) | 一种车端实时停车位检测方法和装置 | |
CN114140428A (zh) | 基于YOLOv5的落叶松毛虫虫害检测识别方法及*** | |
DE102019220616A1 (de) | Verfahren zur simultanen lokalisierung und abbildung | |
CN116634284B (zh) | Raw域视频去噪方法、装置、电子设备及存储介质 | |
CN106355642A (zh) | 一种基于深度图的绿色叶子的三维重建方法 |
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 |
Application publication date: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |