图像特征增强方法、装置及可读存储介质
技术领域
本发明涉及机器视觉领域,尤其涉及一种用于工业智能相机的图像特征增强方法、装置及可读存储介质。
背景技术
在工业智能相机的实际使用中,经常会遇到因使用环境复杂而导致图像特征不强的问题,且由于图像中的某些偏离的灰度值的干扰,会对增强图像特征的结果造成影响,所以增强效果不佳。目前有些做法是通过增强图像对比度来增强图像特征,比如gamma变换、直方图均衡化、对数变换和指数变换等,这些方法有一定的作用,但是在实际使用当中,gamma变换的gamma值的选择是一个难点,一个gamma值很难增强所有类型的图像特征;使用直方图均衡化往往会出现图像失真,图像特征损失严重等问题。同样的,对数变换和指数变换也存在类似的问题,且这些方法由于都没有考虑图像中干扰灰度的影响,所以增强后的图像的特征并不能到达预期增强目的。
发明内容
本发明要解决的技术问题在于,针对现有技术存在的上述图像特征增强的效果不好的缺陷,提供一种用于工业智能相机的图像特征增强方法、装置及可读存储介质。
本发明解决其技术问题所采用的技术方案是:构造一种用于工业智能相机的图像特征增强方法,包括:
步骤S10.接收待处理的原始图像及用户输入的排除因子;
步骤S20.对所述原始图像进行自适应亮度处理,以获取第一中间图像;
步骤S30.根据所述排除因子,对所述第一中间图像进行去除灰度干扰处理,并确定去除灰度干扰处理后的图像中的最大灰度值和最小灰度值;
步骤S40.根据所述最大灰度值、所述最小灰度值及所获取的增强因子,对所述第一中间图像进行增强处理,以获取第二中间图像;
步骤S50.对所述第二中间图像进行反亮度处理,以获取最终图像,其中,所述反亮度处理与所述步骤S20中的自适应亮度处理相关。
优选地,所述步骤S20包括:
步骤S21.计算所述原始图像的所有像素的灰度值的平均值μ;
步骤S22.判断所述平均值μ是否大于灰度级数的一半,并根据判断结果按照公式1对所述原始图像进行以下处理:
其中,G′为第一中间图像,G为原始图像,L为灰度级数。
优选地,所述步骤S30包括:
步骤S31.统计所述第一中间图像中各个灰度值的像素个数hi;
步骤S32.根据公式2计算累积密度函数;
其中,N为所述第一中间图像的像素个数,L为灰度级数,pi为所述第一中间图像中灰度值i的像素对应的概率密度,f(x)为累积密度函数;
步骤S33.根据公式3计算最大灰度值和最小灰度值;
其中,Min为最小灰度值,Max为最大灰度值,noiseCut为排除因子。
优选地,所述增强因子为用户输入的一大于0的数,而且,所述步骤S40包括:
步骤S41.根据公式4计算第二中间图像;
其中,enhanceFactor为增强因子,mul为第一变量,add为第二变量,G′为第一中间图像,G″为第二中间图像。
优选地,所述步骤S50包括:
步骤S51.根据公式5计算最终图像;
其中,G″′为最终图像,G″为第二中间图像,L为灰度级数。
优选地,在所述排除因子为一组灰度值时,所述步骤S30包括:
将所述第一中间图像中灰度值等于所述排除因子中的任意一个灰度值的像素排除掉;
在排除后的第一中间图像中找出最大灰度值和最小灰度值。
优选地,所述步骤S40包括:
步骤S42.根据公式6计算增强因子;
S43.根据公式7计算第二中间图像;
其中,Min为最小灰度值,Max为最大灰度值,L为灰度级数,enhanceFactor为增强因子,add′为第三变量。
优选地,所述增强因子为用户输入的一对大于0的数,而且,所述步骤S40包括:
步骤S44.根据公式8计算第三中间图像;
其中,Min为最小灰度值,Max为最大灰度值,expectedLow,expectedHigh为一对增强因子,mul′为第四变量,G′为第一中间图像,G″为第二中间图像。
本发明还构造一种用于工业智能相机的图像特征增强装置,包括处理器及存储有计算机程序的存储器,所述处理器在执行所述计算机程序时实现以上所述图像特征增强方法的步骤。
本发明还构造一种可读存储介质,存储有计算机程序,所述计算机程序在所述处理器执行时实现以上所述图像特征增强方法的步骤。
本发明所提供的技术方案,首先对原始图像进行自适应亮度处理,再根据用户实际需求,灵活地去除干扰灰度级的影响及选择不同的强度因子来增强图像特征,可在最大限度的保留图像信息的基础上增强图像灰度之间的对比度。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图中:
图1是一种情况下原始图像的直方图;
图2是使用本发明图像特征增强方法对原始图像进行图像特征增强后的直方图;
图3是本发明用于工业智能相机的图像特征增强方法实施例一的流程图;
图4A为在偏亮环境下进行拍摄所获取的原始图像;
图4B为使用gamma变换方法对图4A所示的原始图像进行图像特征增强后的图像;
图4C为使用直方图均衡化方法对图4A所示的原始图像进行图像特征增强后的图像;
图4D为使用对数变换方法对图4A所示的原始图像进行图像特征增强后的图像;
图4E为是使用指数变换方法对图4A所示的原始图像进行图像特征增强后的图像;
图4F为使用本发明图像特征增强方法对图4A所示的原始图像进行图像特征增强后的图像;
图5A为在偏暗环境下进行拍摄所获取的原始图像;
图5B为使用gamma变换方法对图5A所示的原始图像进行图像特征增强后的图像;
图5C为使用直方图均衡化方法对图5A所示的原始图像进行图像特征增强后的图像;
图5D为使用对数变换方法对图5A所示的原始图像进行图像特征增强后的图像;
图5E为是使用指数变换方法对图5A所示的原始图像进行图像特征增强后的图像;
图5F为使用本发明图像特征增强方法对图5A所示的原始图像进行图像特征增强后的图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
首先说明的是,工业智能相机实际使用的环境是多变复杂的,可能某些环境光线比较亮,使图像整体偏亮,某些环境光线比较暗,又使图像整体偏暗,所以可对偏暗和偏亮的图像分开处理。但是,有时仅考虑图像是暗环境下还是亮环境下也还是不够的,图像中可能还存在一些干扰灰度的影响,如图1所示,原始图像是一张偏暗图像,在其直方图中存在比较多得干扰灰度的影响,例如,灰度值在41到101之间的像素不多。如果按传统方法增强图像特征的话,会影响灰度值在1到40的像素特征的增强,从而影响整个图像的增强效果。另外,为了在增强图像特征的过程中尽可能保留原始图像有用信息,应在灰度变换的过程中,除了干扰灰度外,尽量让灰度像素数的分配保持不变,这也是直方图均衡化会损失图像特征的原因。图2所示为使用本发明图像特征增强方法对原始图像进行增强后的图像直方图,该图看起来像是对图1的直方图进行了拉伸,各像素数的整体分配是保持不变的。还需注意的是,环境不一样,图像偏暗或偏亮程度会不一样,灰度干扰的程度也不一样,因此,将参数开放给用户调节,可以更好体现出该功能的灵活性。
图3是本发明用于工业智能相机的图像特征增强方法实施例一的流程图,该实施例的图像特征增强方法包括以下步骤:
步骤S10.接收待处理的原始图像及用户输入的排除因子;
步骤S20.对所述原始图像进行自适应亮度处理,以获取第一中间图像;
步骤S30.根据所述排除因子,对所述第一中间图像进行去除灰度干扰处理,并确定去除灰度干扰处理后的图像中的最大灰度值和最小灰度值;
步骤S40.根据所述最大灰度值、所述最小灰度值及所获取的增强因子,对所述第一中间图像进行增强处理,以获取第二中间图像;
步骤S50.对所述第二中间图像进行反亮度处理,以获取最终图像,其中,所述反亮度处理与所述步骤S20中的自适应亮度处理相关。
通过该实施例的技术方案,首先对原始图像进行自适应亮度处理,再根据用户实际需求,灵活地去除干扰灰度级的影响及选择不同的强度因子来增强图像特征,可在最大限度的保留图像信息的基础上增强图像灰度之间的对比度。
进一步地,在一个可选实施例中,步骤S20包括:
步骤S21.计算所述原始图像的所有像素的灰度值的平均值μ;
步骤S22.判断所述平均值μ是否大于灰度级数的一半,并根据判断结果按照公式1对所述原始图像进行以下处理:
其中,G′为第一中间图像,G为原始图像,L为灰度级数,一般取值为256。
在该实施例中,首先计算原始图像G中所有像素的灰度值的平均值μ,若则确定原始图像为亮环境下拍摄的图像;反之,若/>则确定原始图像为暗环境下拍摄的图像。而且,仅在原始图像为亮环境下拍摄的图像时,才对整幅原始图像进行反转处理;反之不做处理。
进一步地,在一个可选实施例中,排除因子为概率密度,即为0至0.5中的一个值,而且,步骤S30包括:
步骤S31.统计所述第一中间图像中各个灰度值的像素个数hi;
步骤S32.根据公式2计算累积密度函数;
其中,N为所述第一中间图像的像素个数,pi为所述第一中间图像中灰度值i的像素对应的概率密度,f(x)为累积密度函数;
步骤S33.根据公式3计算最大灰度值和最小灰度值;
其中,Min为最小灰度值,Max为最大灰度值,noiseCut为排除因子,而且,需说明的是,排除因子由用户输入确定,在实际使用中,用户可以通过调节该参数以确定最为合适的值,具体地,用户可以根据实际图像的干扰情况来选择输入较大或较小的值,输入较大的值排除的较多,输入较小的值排除的较少。另外,f-1(x)为第一中间图像G'的累积密度函数f(x)的反函数,例如,当noiseCut%=0.5时,Min=Max。
在该实施例中,首先统计第一中间图像G'的灰度直方图Hist,Hist=hi,i∈[0,L-1],再计算该灰度直方图Hist对应的累积密度函数f(x),然后结合排除因子及累积密度函数的反函数确定最大灰度值和最小灰度值。
在再一个可选实施例中,排除因子为一组灰度值,而且,步骤S30包括:
将所述第一中间图像中灰度值等于所述排除因子中的任意一个灰度值的像素排除掉;
在排除后的第一中间图像中找出最大灰度值和最小灰度值。
在该实施例中,排除因子为用户直接输入一组灰度值,当用该一组灰度值来进行像素排除时,只需要将第一中间图像中灰度值等于排除因子中的任意一个灰度值的像素排除掉即可,然后找到去除干扰灰度后图像的最大灰度值和最小灰度值。
在一个可选实施例中,增强因子为用户输入的一大于0的数,而且,步骤S40包括:
步骤S41.根据公式4计算第二中间图像;
其中,enhanceFactor为增强因子,mul为第一变量,add为第二变量,G′为第一中间图像,G″为第二中间图像。
在该实施例中,关于增强因子enhanceFactor,其取值范围是0到无穷大,而且,该参数可根据实际情况进行取值,用户通过调节该参数以确定最合适的值。当其取值越小时,第二中间图像越接近全黑图像;当其取值越大时,第二中间图像越接近全白图像。最后还需说明的是,公式4计算的前提是:Max≠Min,另外,当Max=Min时,G”=G'。
在再一个可选实施例中,步骤S40包括:
S42.根据公式6计算增强因子;
S43.根据公式7计算第二中间图像;
其中,Min为最小灰度值,Max为最大灰度值,L为灰度级数,enhanceFactor为增强因子,add′为第三变量。
在该实施例中,增强因子为由***自动计算出来。
在另一个可选实施例中,增强因子为用户输入的一对大于0的数,而且,所述步骤S40包括:
步骤S44.根据公式8计算第三中间图像;
其中,Min为最小灰度值,Max为最大灰度值,expectedLow,expectedHigh为一对增强因子,mul′为第四变量,G′为第一中间图像,G″为第二中间图像。
在该实施例中,基于用户设定的一对大于0的数,这一组参数由用户根据实际使用环境及需求确定具体的值。
在一个可选实施例中,步骤S50包括:
步骤S51.根据公式5计算最终图像;
其中,G″′为最终图像,G″为第二中间图像,L为灰度级数。
在该实施例中,首先判断第一中间图像是否被反转过,如果步骤S20被反转过,即,则此时需要进行再反转回去;如果步骤S20没有被反转过,即,/>则此时不需要再进行反转了,直接将第二中间图像作为最终图像。
在一个具体实施例中,图4A示出了在偏亮环境下进行拍摄所获取的原始图像,图4B至图4F分别为使用gamma变换方法、直方图均衡化方法、对数变换方法、指数变换方法及本发明图像特征增强方法,对该原始图像进行图像特征增强后的图像效果,经比对,本发明图像特征增强方法的增强效果要好于现有的几种方法(gamma变换方法、直方图均衡化方法、对数变换方法、指数变换方法)的增强效果。
在一个具体实施例中,图5A示出了在偏暗环境下进行拍摄所获取的原始图像,图5B至图5F分别为使用gamma变换方法、直方图均衡化方法、对数变换方法、指数变换方法及本发明图像特征增强方法,对该原始图像进行图像特征增强后的图像效果,经比对,本发明图像特征增强方法的增强效果要好于现有的几种方法(gamma变换方法、直方图均衡化方法、对数变换方法、指数变换方法)的增强效果。
本发明还构造一种用于工业智能相机的图像特征增强装置,该图像特征增强装置包括处理器及存储有计算机程序的存储器,该处理器在执行所述计算机程序时实现以上所述图像特征增强方法的步骤。
本发明还构造一种可读存储介质,存储有计算机程序,而且,该计算机程序在所述处理器执行时实现以上所述图像特征增强方法的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何纂改、等同替换、改进等,均应包含在本发明的权利要求范围之内。