CN113222921A - 一种图像处理方法及*** - Google Patents

一种图像处理方法及*** Download PDF

Info

Publication number
CN113222921A
CN113222921A CN202110480945.8A CN202110480945A CN113222921A CN 113222921 A CN113222921 A CN 113222921A CN 202110480945 A CN202110480945 A CN 202110480945A CN 113222921 A CN113222921 A CN 113222921A
Authority
CN
China
Prior art keywords
image
gray
shadow
processing
data
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
Application number
CN202110480945.8A
Other languages
English (en)
Inventor
汪知礼
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110480945.8A priority Critical patent/CN113222921A/zh
Publication of CN113222921A publication Critical patent/CN113222921A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种图像处理的技术领域，揭露了一种图像处理方法，包括：获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中；对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，得到预处理完成的图像数据；利用基于图像梯度的图像异常检测算法进行图像异常部分检测，将图像异常部分进行标记并进行报错处理；利用图像阴影检测算法对图像进行检测，检测到图像阴影区域；根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理。本发明还提供了一种图像处理***。本发明实现了图像处理。

Description

一种图像处理方法及***
技术领域
本发明涉及图像处理的技术领域，尤其涉及一种图像处理方法及***。
背景技术
随着互联网时代的到来，越来越多的图像被用户发送到网上，但图像质量参差不齐，存在较多质量较差的图像难以识别，对互联网中的图像进行有效处理成为当前研究的人们话题。
传统图像阴影检测算法使用DSM模型、成像时间、场景地理坐标等信息构建成像几何关系，对图像阴影进行粗检测；然后再使用抠图技术对阴影粗检测结果进行细化，最终得到阴影检测结果。这种阴影检测方法对于一般阴影具有很好的检测效果，但是不可避免存在一些小阴影漏检问题，并且场景几何信息和太阳位置信息通常不易获取；另外在阴影检测过程中加入抠图操作也较为耗时。
鉴于此，如何实现更为高效的图像处理，包括图像阴影补偿、图像异常检测，成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种图像处理方法，通过利用基于Reduce节点性能的图像动态存储方法进行图像数据存储，并利用基于图像梯度的图像异常检测算法进行图像异常部分检测，并利用图像阴影检测算法进行图像阴影检测，根据所检测到的图像阴影部分，利用图像阴影补偿算法实现图像阴影区域的补偿处理。
为实现上述目的，本发明提供的一种图像处理方法，包括：
获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中；
对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，得到预处理完成的图像数据；
利用基于图像梯度的图像异常检测算法进行图像异常部分检测，将图像异常部分进行标记并进行报错处理；
利用图像阴影检测算法对图像进行检测，检测到图像阴影区域；
根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理。
可选地，所述利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中，包括：
在本发明一个具体实施例中，所述数据库为Hadoop分布式数据库，所述基于Reduce节点性能的图像动态存储方法流程为：
1)实时计算每个Reduce节点的权重wi：
Figure BDA0003049242320000011
其中：
dm表示节点i在第m个任务处理的数据量；
cm表示节点i在第m个任务的执行时间；
ri表示第i个节点监听的数据传输量；
v表示网络宽带传输率；
2)当进行图像数据存储请求选取reduce节点时，遍历数据库中所有reduce节点，选取性能最好的reduce节点进行图像数据的存储。
可选地，所述对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，包括：
1)对待处理图像中每一个像素的三个分量求最大值，并将该最大值设置为该像素点的灰度值，得到图像的灰度图，所述灰度化处理的公式为：
G(i,j)＝max{R(i,j),G(i,j),B(i,j)}
其中：
(i,j)为待处理图像中的一个像素点；
R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B三个颜色通道中的值；
G(i,j)为像素点(i,j)的灰度值；
2)对于所述灰度图，利用分段线性变换的方式对图像灰度进行拉伸，所述灰度拉伸的公式为：
Figure BDA0003049242320000021
其中：
f(x,y)为灰度图；
MAXf(x,y),MINf(x,y)分别为灰度图的最大灰度值和最小灰度值；
3)利用灰度增强公式对灰度拉伸后图像进行灰度增强处理，所述灰度增强的公式为：
Figure BDA0003049242320000022
其中：
x为灰度增强前的灰度值，y为灰度增强后的灰度值；
a,b为参数，a＝0,b＝100。
可选地，所述利用基于图像梯度的图像异常检测算法进行图像异常部分检测，包括：
1)将图像f(x,y)分割为若干大小相同且互不重叠的图像块，其中图像块的大小为w×w像素；
2)计算图像块中每个像素在x和y方向的梯度向量：
Figure BDA0003049242320000023
Figure BDA0003049242320000024
其中：
Gx(x,y)为图像块在x方向的梯度向量；
Gy(x,y)为图像块在y方向的梯度向量；
3)计算每个图像块的块梯度向量：
Figure BDA0003049242320000025
4)计算每个图像块的梯度方向：
Figure BDA0003049242320000026
5)若两个图像块梯度方向的差值小于
Figure BDA0003049242320000027
则说明在满足方向准确阈值为T的情况下，两个图像块的梯度方向一致；若存在两个相邻图像块的梯度方向相反，则说明该相邻图像块存在异常，则将图像异常部分进行标记并进行报错处理。
可选地，所述利用图像阴影检测算法对图像进行检测，包括：
1)将图像从RGB色彩空间转换到HIS色彩空间，其中色调分量H以及亮度分量I的转换公式为：
Figure BDA0003049242320000031
Figure BDA0003049242320000032
提取图像的阴影色彩分量：
Figure BDA0003049242320000033
2)计算图像的阴影指数：
Figure BDA0003049242320000034
3)计算图像灰度概率p(g)以及邻域灰度概率：
Figure BDA0003049242320000035
Figure BDA0003049242320000036
其中：
f(g)为灰度值为g的像素数，n为图像总像素数；
p′(g)为间隔为2m+1的邻域灰度概率；
计算阴影分割阈值T：
Figure BDA0003049242320000037
Figure BDA0003049242320000038
Figure BDA0003049242320000039
其中：
L为图像的灰度级；
4)根据阴影分割阈值对图像进行阴影区域检测，其中检测结果为1的图像区域即为图像阴影区域：
Figure BDA00030492423200000310
其中：
T为所确定的阴影分割阈值。
可选地，所述利用图像阴影补偿算法实现图像阴影区域的补偿处理，包括：
计算图像阴影补偿的照度系数r：
Figure BDA00030492423200000311
其中：
a为增益因子，将其设置为1.5；
p为照度调节参数，将其设置为0.8；
M×N为图像中阴影像素数量；
f(x,y)为图像中阴影像素；
根据计算得到的照度系数r，对图像阴影区域进行补偿处理，所述阴影补偿的公式为：
Figure BDA00030492423200000312
其中：
M为1表示当前像素位置为阴影区域，M为0表示当前像素位置为非阴影区域；
F为原像素值，F′为阴影补偿后的像素值；
L为辐射亮度；
α,β为优化参数，α＝β＝1。
此外，为实现上述目的，本发明还提供一种图像处理***，所述***包括：
图像获取装置，用于获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中；
数据处理器，用于对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，得到预处理完成的图像数据；
图像处理装置，用于利用基于图像梯度的图像异常检测算法进行图像异常部分检测，将图像异常部分进行标记并进行报错处理；利用图像阴影检测算法对图像进行检测，检测到图像阴影区域，根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序指令，所述图像处理程序指令可被一个或者多个处理器执行，以实现如上所述的图像处理的实现方法的步骤。
相对于现有技术，本发明提出一种图像处理方法，该技术具有以下优势：
首先，本发明利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中，首先本发明基于Reduce节点的计算能力和任务传输数据量这两方面，实时计算每个Reduce节点的权重wi：
Figure BDA0003049242320000041
其中：dm表示节点i在第m个任务处理的数据量；cm表示节点i在第m个任务的执行时间；ri表示第i个节点监听的数据传输量；v表示网络宽带传输率；当进行图像数据存储请求选取reduce节点时，遍历数据库中所有reduce节点，选取性能最好的reduce节点进行图像数据的存储，从而使得性能更好的Reduce节点存储更多的图像数据，提高了数据库对于图像数据的存取效率。
同时本发明利用基于图像梯度的图像异常检测算法进行图像异常部分检测，所述基于图像梯度的图像异常检测算法流程为：将图像f(x,y)分割为若干大小相同且互不重叠的图像块，其中图像块的大小为w×w像素；计算图像块中每个像素在x和y方向的梯度向量：
Figure BDA0003049242320000042
Figure BDA0003049242320000043
其中：Gx(x,y)为图像块在x方向的梯度向量；Gy(x,y)为图像块在y方向的梯度向量；计算每个图像块的块梯度向量：
Figure BDA0003049242320000044
计算每个图像块的梯度方向：
Figure BDA0003049242320000045
若两个图像块梯度方向的差值小于
Figure BDA0003049242320000051
则说明在满足方向准确阈值为T的情况下，两个图像块的梯度方向一致；若存在两个相邻图像块的梯度方向相反，则说明该相邻图像块存在异常，则将图像异常部分进行标记并进行报错处理。相较于传统算法，本发明基于图像块梯度方向实现图像块异常的判断，若相邻图像块的梯度方向相反，说明两个图像块的像素变化方向相反，有可能存在某个图像块被人工修改的情况，从而有效检测出异常图像部分。
最后本发明利用图像阴影检测算法对图像进行检测，所述图像阴影检测算法流程为：将图像从RGB色彩空间转换到HIS色彩空间，其中色调分量H以及亮度分量I的转换公式为：
Figure BDA0003049242320000052
Figure BDA0003049242320000053
提取图像的阴影色彩分量：
Figure BDA0003049242320000054
计算图像的阴影指数：
Figure BDA0003049242320000055
计算图像灰度概率p(g)以及邻域灰度概率：
Figure BDA0003049242320000056
Figure BDA0003049242320000057
其中：f(g)为灰度值为g的像素数，n为图像总像素数；p′(g)为间隔为2m+1的邻域灰度概率；计算阴影分割阈值T：
Figure BDA0003049242320000058
Figure BDA0003049242320000059
Figure BDA00030492423200000510
其中：L为图像的灰度级；)根据阴影分割阈值对图像进行阴影区域检测，其中检测结果为1的图像区域即为图像阴影区域：
Figure BDA00030492423200000511
其中：T为所确定的阴影分割阈值。根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理，所述图像阴影补偿算法流程为：
计算图像阴影补偿的照度系数r：
Figure BDA00030492423200000512
其中：a为增益因子，将其设置为1.5；p为照度调节参数，将其设置为0.8；M×N为图像中阴影像素数量；f(x,y)为图像中阴影像素；根据计算得到的照度系数r，对图像阴影区域进行补偿处理，所述阴影补偿的公式为：
Figure BDA00030492423200000513
其中：M为1表示当前像素位置为阴影区域，M为0表示当前像素位置为非阴影区域；F为原像素值，F′为阴影补偿后的像素值；L为辐射亮度；α,β为优化参数，α＝β＝1。相较于传统算法，本发明根据阴影像素高色调分量、低亮度分量的特点，计算出图像的阴影指数，并利用图像二值化方法计算出图像阴影分割阈值，将阴影指数同阴影分割阈值进行比较，实现图像阴影区域的检测，并对图像阴影区域进行光照补偿处理。
附图说明
图1为本发明一实施例提供的一种图像处理方法的流程示意图；
图2为本发明一实施例提供的一种图像处理***的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
通过利用基于Reduce节点性能的图像动态存储方法进行图像数据存储，并利用基于图像梯度的图像异常检测算法进行图像异常部分检测，并利用图像阴影检测算法进行图像阴影检测，根据所检测到的图像阴影部分，利用图像阴影补偿算法实现图像阴影区域的补偿处理。参照图1所示，为本发明一实施例提供的图像处理方法示意图。
在本实施例中，图像处理方法包括：
S1、获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中。
首先，本发明获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中，在本发明一个具体实施例中，所述数据库为Hadoop分布式数据库，所述基于Reduce节点性能的图像动态存储方法流程为：
1)实时计算每个Reduce节点的权重wi：
Figure BDA0003049242320000061
其中：
dm表示节点i在第m个任务处理的数据量；
cm表示节点i在第m个任务的执行时间；
ri表示第i个节点监听的数据传输量；
v表示网络宽带传输率；
2)当进行图像数据存储请求选取reduce节点时，遍历数据库中所有reduce节点，选取性能最好的reduce节点进行图像数据的存储。
S2、对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，得到预处理完成的图像数据。
首先，本发明对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，所述图像灰度化、灰度拉伸以及灰度增强的预处理流程为：
1)对待处理图像中每一个像素的三个分量求最大值，并将该最大值设置为该像素点的灰度值，得到图像的灰度图，所述灰度化处理的公式为：
G(i,j)＝max{R(i,j),G(i,j),B(i,j)}
其中：
(i,j)为待处理图像中的一个像素点；
R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B三个颜色通道中的值；
G(i,j)为像素点(i,j)的灰度值；
2)对于所述灰度图，利用分段线性变换的方式对图像灰度进行拉伸，所述灰度拉伸的公式为：
Figure BDA0003049242320000071
其中：
f(x,y)为灰度图；
MAXf(x,y),MINf(x,y)分别为灰度图的最大灰度值和最小灰度值；
3)利用灰度增强公式对灰度拉伸后图像进行灰度增强处理，所述灰度增强的公式为：
Figure BDA0003049242320000072
其中：
x为灰度增强前的灰度值，y为灰度增强后的灰度值；
a,b为参数，a＝0,b＝100。
S3、利用基于图像梯度的图像异常检测算法进行图像异常部分检测，将图像异常部分进行标记并进行报错处理。
进一步地，本发明利用基于图像梯度的图像异常检测算法进行图像异常部分检测，所述基于图像梯度的图像异常检测算法流程为：
1)将图像f(x,y)分割为若干大小相同且互不重叠的图像块，其中图像块的大小为w×w像素；
2)计算图像块中每个像素在x和y方向的梯度向量：
Figure BDA0003049242320000073
Figure BDA0003049242320000074
其中：
Gx(x,y)为图像块在x方向的梯度向量；
Gy(x,y)为图像块在y方向的梯度向量；
3)计算每个图像块的块梯度向量：
Figure BDA0003049242320000075
4)计算每个图像块的梯度方向：
Figure BDA0003049242320000076
5)若两个图像块梯度方向的差值小于
Figure BDA0003049242320000077
则说明在满足方向准确阈值为T的情况下，两个图像块的梯度方向一致；若存在两个相邻图像块的梯度方向相反，则说明该相邻图像块存在异常，则将图像异常部分进行标记并进行报错处理。
S4、利用图像阴影检测算法对图像进行检测，检测到图像阴影区域。
进一步地，本发明利用图像阴影检测算法对图像进行检测，所述图像阴影检测算法流程为：
1)将图像从RGB色彩空间转换到HIS色彩空间，其中色调分量H以及亮度分量I的转换公式为：
Figure BDA0003049242320000078
Figure BDA0003049242320000079
提取图像的阴影色彩分量：
Figure BDA0003049242320000081
2)计算图像的阴影指数：
Figure BDA0003049242320000082
3)计算图像灰度概率p(g)以及邻域灰度概率：
Figure BDA0003049242320000083
Figure BDA0003049242320000084
其中：
f(g)为灰度值为g的像素数，n为图像总像素数；
p′(g)为间隔为2m+1的邻域灰度概率；
计算阴影分割阈值T：
Figure BDA0003049242320000085
Figure BDA0003049242320000086
Figure BDA0003049242320000087
其中：
L为图像的灰度级；
4)根据阴影分割阈值对图像进行阴影区域检测，其中检测结果为1的图像区域即为图像阴影区域：
Figure BDA0003049242320000088
其中：
T为所确定的阴影分割阈值。
S5、根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理。
进一步地，根据所检测到的图像阴影区域，本发明利用图像阴影补偿算法实现图像阴影区域的补偿处理，所述图像阴影补偿算法流程为：
计算图像阴影补偿的照度系数r：
Figure BDA0003049242320000089
其中：
a为增益因子，将其设置为1.5；
p为照度调节参数，将其设置为0.8；
M×N为图像中阴影像素数量；
f(x,y)为图像中阴影像素；
根据计算得到的照度系数r，对图像阴影区域进行补偿处理，所述阴影补偿的公式为：
Figure BDA00030492423200000810
其中：
M为1表示当前像素位置为阴影区域，M为0表示当前像素位置为非阴影区域；
F为原像素值，F′为阴影补偿后的像素值；
L为辐射亮度；
α,β为优化参数，α＝β＝1。
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：Inter(R)Core(TM)i7-6700K CPU，软件为Matlab2018a；对比方法为基于VGG16的图像处理方法以及基于RNN的图像处理方法。
在本发明所述算法实验中，数据集为10G的图像数据。本实验通过将图像数据输入到算法模型中，将图像处理的准确率作为算法可行性的评价指标，其中图像处理的准确率越高，则说明算法的有效性、可行性越高。
根据实验结果，基于VGG16的图像处理方法的图像处理准确率为86.33％，基于RNN的图像处理方法的图像处理准确率为84.22％，本发明所述方法的图像处理准确率为88.72％，相较于对比算法，本发明所提出的图像处理方法能够实现更高的图像处理准确率。
发明还提供一种图像处理***。参照图2所示，为本发明一实施例提供的图像处理***的内部结构示意图。
在本实施例中，所述图像处理***1至少包括图像获取装置11、数据处理器12、图像处理装置13，通信总线14，以及网络接口15。
其中，图像获取装置11可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是图像处理***1的内部存储单元，例如该图像处理***1的硬盘。数据处理器12在另一些实施例中也可以是图像处理***1的外部存储设备，例如图像处理***1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，数据处理器12还可以既包括图像处理***1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于图像处理***1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
图像处理装置13在一些实施例中可以是一中央处理器(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行数据处理器12中存储的程序代码或处理数据，例如图像处理程序指令16等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该***1与其他电子设备之间建立通信连接。
可选地，图像处理***1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在图像处理***1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及图像处理***1，本领域技术人员可以理解的是，图1示出的结构并不构成对图像处理***1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的图像处理***1实施例中，数据处理器12中存储有图像处理程序指令16；图像处理装置13执行数据处理器12中存储的图像处理程序指令16的步骤，与图像处理方法的实现方法相同，在此不作类述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序指令，所述图像处理程序指令可被一个或多个处理器执行，以实现如下操作：
获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中；
对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，得到预处理完成的图像数据；
利用基于图像梯度的图像异常检测算法进行图像异常部分检测，将图像异常部分进行标记并进行报错处理；
利用图像阴影检测算法对图像进行检测，检测到图像阴影区域；
根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种图像处理方法，其特征在于，所述方法包括：
获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中；
对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，得到预处理完成的图像数据；
利用基于图像梯度的图像异常检测算法进行图像异常部分检测，将图像异常部分进行标记并进行报错处理；
利用图像阴影检测算法对图像进行检测，检测到图像阴影区域；
根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理。
2.如权利要求1所述的一种图像处理方法，其特征在于，所述利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中，包括：
1)实时计算每个Reduce节点的权重wi：
Figure FDA0003049242310000011
其中：
dm表示节点i在第m个任务处理的数据量；
cm表示节点i在第m个任务的执行时间；
ri表示第i个节点监听的数据传输量；
v表示网络宽带传输率；
2)当进行图像数据存储请求选取reduce节点时，遍历数据库中所有reduce节点，选取性能最好的reduce节点进行图像数据的存储。
3.如权利要求2所述的一种图像处理方法，其特征在于，所述对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，包括：
1)对待处理图像中每一个像素的三个分量求最大值，并将该最大值设置为该像素点的灰度值，得到图像的灰度图，所述灰度化处理的公式为：
G(i，j)＝max{R(i，j)，G(i，j)，B(i，j)}
其中：
(i，j)为待处理图像中的一个像素点；
R(i，j)，G(i，j)，B(i，j)分别为像素点(i，j)在R、G、B三个颜色通道中的值；
G(i，j)为像素点(i，j)的灰度值；
2)对于所述灰度图，利用分段线性变换的方式对图像灰度进行拉伸，所述灰度拉伸的公式为：
Figure FDA0003049242310000012
其中：
f(x，y)为灰度图；
MAXf(x，y)，MINf(x，y)分别为灰度图的最大灰度值和最小灰度值；
3)利用灰度增强公式对灰度拉伸后图像进行灰度增强处理，所述灰度增强的公式为：
Figure FDA0003049242310000013
其中：
x为灰度增强前的灰度值，y为灰度增强后的灰度值；
a，b为参数，a＝0，b＝100。
4.如权利要求3所述的一种图像处理方法，其特征在于，所述利用基于图像梯度的图像异常检测算法进行图像异常部分检测，包括：
1)将图像f(x，y)分割为若干大小相同且互不重叠的图像块，其中图像块的大小为w×w像素；
2)计算图像块中每个像素在x和y方向的梯度向量：
Figure FDA0003049242310000021
Figure FDA0003049242310000022
其中：
Gx(x，y)为图像块在x方向的梯度向量；
Gy(x，y)为图像块在y方向的梯度向量；
3)计算每个图像块的块梯度向量：
Figure FDA0003049242310000023
4)计算每个图像块的梯度方向：
Figure FDA0003049242310000024
5)若两个图像块梯度方向的差值小于
Figure FDA0003049242310000025
则说明在满足方向准确阈值为T的情况下，两个图像块的梯度方向一致；若存在两个相邻图像块的梯度方向相反，则说明该相邻图像块存在异常，则将图像异常部分进行标记并进行报错处理。
5.如权利要求4所述的一种图像处理方法，其特征在于，所述利用图像阴影检测算法对图像进行检测，包括：
1)将图像从RGB色彩空间转换到HIS色彩空间，其中色调分量H以及亮度分量I的转换公式为：
Figure FDA0003049242310000026
Figure FDA0003049242310000027
提取图像的阴影色彩分量：
Figure FDA0003049242310000028
2)计算图像的阴影指数：
Figure FDA0003049242310000029
3)计算图像灰度概率p(g)以及邻域灰度概率：
Figure FDA00030492423100000210
Figure FDA0003049242310000031
其中：
f(g)为灰度值为g的像素数，n为图像总像素数；
p′(g)为间隔为2m+1的邻域灰度概率；
计算阴影分割阈值T：
Figure FDA0003049242310000032
Figure FDA0003049242310000033
Figure FDA0003049242310000034
其中：
L为图像的灰度级；
4)根据阴影分割阈值对图像进行阴影区域检测，其中检测结果为1的图像区域即为图像阴影区域：
Figure FDA0003049242310000035
其中：
T为所确定的阴影分割阈值。
6.如权利要求5所述的一种图像处理方法，其特征在于，所述利用图像阴影补偿算法实现图像阴影区域的补偿处理，包括：
计算图像阴影补偿的照度系数r：
Figure FDA0003049242310000036
其中：
a为增益因子，将其设置为1.5；
p为照度调节参数，将其设置为0.8；
M×N为图像中阴影像素数量；
f(x，y)为图像中阴影像素；
根据计算得到的照度系数r，对图像阴影区域进行补偿处理，所述阴影补偿的公式为：
Figure FDA0003049242310000037
其中：
M为1表示当前像素位置为阴影区域，M为0表示当前像素位置为非阴影区域；
F为原像素值，F′为阴影补偿后的像素值；
L为辐射亮度；
α，β为优化参数，α＝β＝1。
7.一种图像处理***，其特征在于，所述***包括：
图像获取装置，用于获取图像数据，利用基于Reduce节点性能的图像动态存储方法将图像数据存储到数据库中；
数据处理器，用于对待处理图像数据进行图像灰度化、灰度拉伸以及灰度增强的预处理，得到预处理完成的图像数据；
图像处理装置，用于利用基于图像梯度的图像异常检测算法进行图像异常部分检测，将图像异常部分进行标记并进行报错处理；利用图像阴影检测算法对图像进行检测，检测到图像阴影区域，根据所检测到的图像阴影区域，利用图像阴影补偿算法实现图像阴影区域的补偿处理。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像处理程序指令，所述图像处理程序指令可被一个或者多个处理器执行，以实现如上所述的图像处理的实现方法的步骤。
CN202110480945.8A 2021-04-30 2021-04-30 一种图像处理方法及*** Pending CN113222921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110480945.8A CN113222921A (zh) 2021-04-30 2021-04-30 一种图像处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110480945.8A CN113222921A (zh) 2021-04-30 2021-04-30 一种图像处理方法及***

Publications (1)

Publication Number Publication Date
CN113222921A true CN113222921A (zh) 2021-08-06

Family

ID=77090353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110480945.8A Pending CN113222921A (zh) 2021-04-30 2021-04-30 一种图像处理方法及***

Country Status (1)

Country Link
CN (1) CN113222921A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870237A (zh) * 2021-10-09 2021-12-31 西北工业大学 一种基于水平扩散的复合材料图像阴影检测方法
CN114217756A (zh) * 2021-11-26 2022-03-22 海信电子科技(武汉)有限公司 显示设备、图像检测方法及装置
CN116754077A (zh) * 2023-08-14 2023-09-15 川开电气有限公司 一种配电柜视频监控测温***及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169953A (zh) * 2017-04-07 2017-09-15 西安电子科技大学 基于hog特征的桥梁混凝土表面裂缝检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169953A (zh) * 2017-04-07 2017-09-15 西安电子科技大学 基于hog特征的桥梁混凝土表面裂缝检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
杨俊;赵忠明;杨健;: "一种高分辨率遥感影像阴影去除方法", 武汉大学学报(信息科学版), no. 01 *
白乾龙: "基于数字图像处理的输电线路异常检测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 2 *
陈林 等: "《"互联网+"智慧校园技术与工程实施》", 电子科技大学出版社, pages: 134 *
韩红印: "高分辨率光学遥感图像阴影检测与补偿技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, pages 2 - 5 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870237A (zh) * 2021-10-09 2021-12-31 西北工业大学 一种基于水平扩散的复合材料图像阴影检测方法
CN113870237B (zh) * 2021-10-09 2024-03-08 西北工业大学 一种基于水平扩散的复合材料图像阴影检测方法
CN114217756A (zh) * 2021-11-26 2022-03-22 海信电子科技(武汉)有限公司 显示设备、图像检测方法及装置
CN114217756B (zh) * 2021-11-26 2023-09-19 海信电子科技(武汉)有限公司 显示设备、图像检测方法及装置
CN116754077A (zh) * 2023-08-14 2023-09-15 川开电气有限公司 一种配电柜视频监控测温***及方法

Similar Documents

Publication Publication Date Title
CN108304775B (zh) 遥感图像识别方法、装置、存储介质以及电子设备
CN113222921A (zh) 一种图像处理方法及***
CN110853047A (zh) 智能图像分割及分类方法、装置及计算机可读存储介质
EP2927864A1 (en) Image processing device and image processing method
CN110222511A (zh) 恶意软件家族识别方法、装置及电子设备
CN112651953B (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN112085094B (zh) 单证图像翻拍检测方法、装置、计算机设备和存储介质
CN114511661A (zh) 图像渲染方法、装置、电子设备及存储介质
CN111079730A (zh) 一种在界面图中确定样图所在区域的方法和电子设备
CN112102207A (zh) 一种确定温度的方法、装置、电子设备及可读存储介质
CN110210467B (zh) 一种文本图像的公式定位方法、图像处理装置、存储介质
JP5617841B2 (ja) 画像処理装置、画像処理方法および画像処理用プログラム
US20080267506A1 (en) Interest point detection
CN111898544B (zh) 文字图像匹配方法、装置和设备及计算机存储介质
CN112396564A (zh) 一种基于深度学习的产品封装质量检测方法及***
CN114511862B (zh) 表格识别方法、装置及电子设备
CN113780294B (zh) 文本字符分割的方法和装置
CN114463764A (zh) 表格线检测方法、装置、计算机设备和存储介质
CN111127310B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113095286A (zh) 一种大数据图像处理算法及***
CN112464946A (zh) 一种基于大数据的垃圾图像收集方法及***
CN112507903A (zh) 假脸检测方法、装置、电子设备及计算机可读存储介质
CN115578382B (zh) 图像异常检测方法、装置、设备及计算机可读存储介质
CN113705461B (zh) 人脸清晰度检测方法、装置、设备及存储介质
CN113469249B (zh) 图像分类模型训练方法、分类方法、路侧设备和云控平台

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: 20210806