CN113255684B - 一种基于灰度图溢出的背景分离方法 - Google Patents

一种基于灰度图溢出的背景分离方法 Download PDF

Info

Publication number
CN113255684B
CN113255684B CN202110715542.7A CN202110715542A CN113255684B CN 113255684 B CN113255684 B CN 113255684B CN 202110715542 A CN202110715542 A CN 202110715542A CN 113255684 B CN113255684 B CN 113255684B
Authority
CN
China
Prior art keywords
value
image
pixel
overflow
separation threshold
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
CN202110715542.7A
Other languages
English (en)
Other versions
CN113255684A (zh
Inventor
刘贯伟
郝晨
张云峰
滕飞
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 CN202110715542.7A priority Critical patent/CN113255684B/zh
Publication of CN113255684A publication Critical patent/CN113255684A/zh
Application granted granted Critical
Publication of CN113255684B publication Critical patent/CN113255684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明公开了一种基于灰度图溢出的背景分离方法，包括如下步骤：步骤1：对原图像做溢出处理，溢出计算得到像素值大于255的记为255，得到溢出处理图像；步骤2：计算溢出处理图像的灰度直方图和均值，计算得到分离阈值，分离阈值是灰度直方图在均值两侧最高值的中间任意值；步骤3：将溢出处理图像中像素值小于分离阈值的像素点按同比例收缩，还原到原图像的像素值，溢出处理图像中像素值大于等于分离阈值的像素点不变，得到还原后图像；步骤4：对还原后图像计算灰度直方图和均值，按步骤2的方法计算得到新的分离阈值，将小于新的分离阈值的像素值缩小；大于新的分离阈值的像素值放大，得到最终前景和背景分离的图像。

Description

一种基于灰度图溢出的背景分离方法
技术领域
本发明属于图像识别技术领域，尤其涉及一种基于灰度图溢出的背景分离方法。
背景技术
纸币在设备中传输的过程中，会被多次采集图像，进行识别处理，多数情况下是采集纸币整幅图像，然后采用物理坐标定位的方法提取感兴趣区域，利用感兴趣区域对纸币进行面额、币种等识别，在图像处理领域，感兴趣区域是从图像中选择的一个图像区域，这个区域是图像分析所关注的重点，圈定该区域以便进行进一步处理。而纸币感兴趣图像分割的过程中会遇到背景干扰而导致的切割不准确问题。需要对感兴趣区域的前景与背景进行分离。浅背景情况下对于字符提取影响较小；深背景下，字符较强的融入背景，使得字符与背景分离困难。对于实时性要求较高的情况下，以及嵌入式***环境下，无法采用深度模型进行识别，因此需要对图像中的字符进行图像分割处理，并对分割后的结果分类进行学习模型训练。
通常情况下可以把背景分为几种：浅色背景、单色背景、复杂背景。这样的背景情况很好处理，采用二值化方式分离背景与字符亦能得到较好的效果，分割处理也十分容易。
对于双背景图像，很直观的会想到采用分段处理的方式。但是实际中分段的界限并不十分明确，很多时候间断处正好处于同一字符上，简单的分段处理会导致该字符无法识别。
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，提供了一种基于灰度图溢出的背景分离方法，针对双背景且分段界限不易确定的情况进行字符的提取。
为实现本发明的目的所采用的技术方案是：
一种基于灰度图溢出的背景分离方法，其特征在于，包括如下步骤：
步骤1：对原图像做溢出处理，溢出计算得到像素值大于255的记为255，得到溢出处理图像；
步骤2：计算溢出处理图像的灰度直方图和均值，计算得到分离阈值，分离阈值是灰度直方图在均值两侧最高值的中间任意值；
步骤3：将溢出处理图像中像素值小于分离阈值的像素点按同比例收缩，还原到原图像的像素值，溢出处理图像中像素值大于等于分离阈值的像素点不变，得到还原后图像；
步骤4：对还原后图像计算灰度直方图和均值，按步骤2的方法计算得到新的分离阈值，将小于新的分离阈值的像素值缩小；大于新的分离阈值的像素值放大，得到最终前景和背景分离的图像。
作为优选的，所述原图像为灰度图。
作为优选的，溢出系数取值在2-3之间。
作为优选的，步骤4中，将小于新的分离阈值的像素值缩小，缩小计算系数取值在1.5-2之间；将大于新的分离阈值的像素值放大，放大计算系数取值在1.5-2之间，当放大计算得到的像素值大于255时，该像素点的像素值记为255。
本发明的有益效果在于：
（1）本方案针对背景均匀（或有限噪声）且与前景接近，或双背景的情况。利用灰度倍增方法，使线性变换因为距离产生梯度差效果。即接近0值的线性差明显小于远离0值的线性差，从而容易确定分离阈值。
（2）运用灰度直方图体现的灰度分布的特点，确定两个灰度集中区域，从而更容易确定分离阈值。
（3）运用灰度图的前景与背景的差别，去除了大量背景干扰因素。为图像在灰度直方图上形成两极化分布提供保证。
附图说明
图1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例仅仅用以解释本发明，并不用于限定本发明。
本方案针对两种情况适用：1，背景与前景很接近的情况；前景是指一串数字（字符），背景是灰色区域和白色区域。2，反差强烈的双背景；双背景是指两种灰度明显区分的背景（灰色区域和白色区域）。这样的背景在它们的分界处会有一条明显的界限，而这个界限对于前景数字的提取会有很大影响，比如这个界限的位置会出现在字符的不同位置，或者造成某些字符与其他字符混淆，产生识别错误。采用本方案是可以将背景的灰色区域溢出掉，从而接近另一侧背景，并且与前景分离开。
一种基于灰度图溢出的背景分离方法，如附图1所示，包括如下步骤：
步骤1：对原图像做溢出处理，溢出计算得到像素值大于255的记为255，得到溢出处理图像；所述原图像为灰度图，格式为.bmp格式。
本步骤中，原图像做溢出处理的溢出系数在2-3之间，溢出系数取决于原图像灰度值的分布情况。
扫描得到纸币的整幅图像，由于各国不同币种的冠字号位置都是固定的，所以利用物理坐标定位，可以截取得到感兴趣区域，转换为灰度图，就是本方法处理的最基础图像---原图像。
溢出处理方法就是将感兴趣区域内所有像素点的像素值都乘以同一个溢出系数，得到新的像素值，且计算结果大于255的记为255，根据我们的经验可知，感兴趣区域的像素值多在70-100之间，因此本实施例中溢出系数选为2，得到溢出处理图像。
由于我们所需要的内容是灰度值较小区域（在本实施例中前景为冠字号，也就是有效信息，是我们需要得到的信息），而背景是灰度较高区域，通过溢出方式可以将背景附近噪点一并滤除。
步骤2：计算溢出处理图像的灰度直方图和均值，计算得到分离阈值，分离阈值是灰度直方图在均值两侧最高值的中间任意值。
作为分离阈值的调节系数，是根据图像灰度分布确定的区间比例，本实施例中中间任意值是调节系数为0.5时计算得到的值。前景与背景分段不明显，主要是灰度直方图分布相对集中，溢出系数会拉伸他们之间的相对距离，并使整个图像均值偏高。因此需要调节系数加以平衡，分离阈值作为均值两侧最高值的中间任意值，与图像灰度分布有关，通过调节系数加以平衡，未必是中值，本实施例中将调节系数定为0.5，则分离阈值取值为中值，实际应用中，可以在中值左右进行取值。
中间任意值并不一定是一半的位置，只代表两个分布区域之间的某个值。而这个值的确定需要调节系数来调定。调节系数就意味着两个分布之间距离的比例系数。调节系数的值根据直方图的分布情况而定，可以根据人工判断设定，或者自动计算，自动计算就相对复杂一些，可根据两侧分布的权重比确定该调节系数。
步骤3：将溢出处理图像中像素值小于分离阈值的像素点按同比例收缩，还原到原图像的像素值，溢出处理图像中像素值大于等于分离阈值的像素点不变，得到还原后图像；
步骤4：对还原后图像计算灰度直方图和均值，按步骤2的方法计算得到新的分离阈值，将小于新的分离阈值的像素值缩小；大于新的分离阈值的像素值放大，得到最终前景和背景分离的图像。
将小于新的分离阈值的像素值缩小，缩小计算系数为1.5-2之间；将大于新的分离阈值的像素值放大，放大计算系数为1.5-2之间，得到像素值大于255的记为255。
本步骤中缩小小于新的分离阈值的像素值是为了增强前景（即保持所需要提取字符的清晰度），因为放大的同时它也会变得更浅。所以缩小是为了让它保持原来的状态。
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 (4)

1.一种基于灰度图溢出的背景分离方法，其特征在于，包括如下步骤：
步骤1：对原图像做溢出处理，溢出处理是将感兴趣区域内所有像素点的像素值都乘以同一个溢出系数，得到新的像素值，得到像素值大于255的记为255，得到溢出处理图像；
步骤2：计算溢出处理图像的灰度直方图和均值，计算得到分离阈值，分离阈值是灰度直方图在均值两侧最高值的中间值；
步骤3：将溢出处理图像中像素值小于分离阈值的像素点按同比例收缩，还原到原图像的像素值，溢出处理图像中像素值大于等于分离阈值的像素点不变，得到还原后图像；
步骤4：对还原后图像计算灰度直方图和均值，按步骤2的方法计算得到新的分离阈值，将小于新的分离阈值的像素值缩小；大于新的分离阈值的像素值放大，得到最终前景和背景分离的图像。
2.根据权利要求1所述的一种基于灰度图溢出的背景分离方法，其特征在于，所述原图像为灰度图。
3.根据权利要求1所述的一种基于灰度图溢出的背景分离方法，其特征在于，溢出系数与原图像灰度数据有关，依据灰度直方图所呈现的图像灰度分布情况而定。
4.根据权利要求1所述的一种基于灰度图溢出的背景分离方法，其特征在于，步骤4中，将小于新的分离阈值的像素值缩小，缩小计算系数取值在1.5-2之间；将大于新的分离阈值的像素值放大，放大计算系数取值在1.5-2之间，当放大计算得到的像素值大于255时，该像素点的像素值记为255。
CN202110715542.7A 2021-06-28 2021-06-28 一种基于灰度图溢出的背景分离方法 Active CN113255684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110715542.7A CN113255684B (zh) 2021-06-28 2021-06-28 一种基于灰度图溢出的背景分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110715542.7A CN113255684B (zh) 2021-06-28 2021-06-28 一种基于灰度图溢出的背景分离方法

Publications (2)

Publication Number Publication Date
CN113255684A CN113255684A (zh) 2021-08-13
CN113255684B true CN113255684B (zh) 2021-10-26

Family

ID=77189777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110715542.7A Active CN113255684B (zh) 2021-06-28 2021-06-28 一种基于灰度图溢出的背景分离方法

Country Status (1)

Country Link
CN (1) CN113255684B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097287A (zh) * 2016-06-27 2016-11-09 湖北久之洋红外***股份有限公司 一种多通道图像校正方法
CN107025652A (zh) * 2017-05-05 2017-08-08 太原理工大学 一种基于运动特性和颜色时空信息的火焰检测方法
CN109241973A (zh) * 2018-08-21 2019-01-18 南京工程学院 一种纹理背景下的字符全自动软分割方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739672B (zh) * 2009-12-02 2015-08-05 北京中星微电子有限公司 一种基于分区域插值的直方图均衡方法和装置
CN103440630B (zh) * 2013-09-02 2016-07-06 南京理工大学 基于引导滤波器的大动态范围红外图像显示与细节增强方法
CN104715445B (zh) * 2013-12-13 2018-04-06 腾讯科技（深圳）有限公司 图像处理方法和***
US10832085B2 (en) * 2018-09-06 2020-11-10 International Business Machines Corporation Image binarization using mean restrain
CN110443806B (zh) * 2019-04-30 2022-05-03 浙江大学 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
CN111553926B (zh) * 2020-04-30 2023-03-31 中国航空无线电电子研究所 一种基于二维Tsallis灰度熵快速迭代的阈值分割方法
CN112991378B (zh) * 2021-05-10 2021-09-14 恒银金融科技股份有限公司 一种基于灰度分布极化与均化的背景分离方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097287A (zh) * 2016-06-27 2016-11-09 湖北久之洋红外***股份有限公司 一种多通道图像校正方法
CN107025652A (zh) * 2017-05-05 2017-08-08 太原理工大学 一种基于运动特性和颜色时空信息的火焰检测方法
CN109241973A (zh) * 2018-08-21 2019-01-18 南京工程学院 一种纹理背景下的字符全自动软分割方法

Also Published As

Publication number Publication date
CN113255684A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN111626190B (zh) 基于聚类分区进行刻度识别的水位监测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN110276285B (zh) 一种非受控场景视频中的船舶水尺智能识别方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN103048329B (zh) 一种基于主动轮廓模型的路面裂缝检测方法
US20070253040A1 (en) Color scanning to enhance bitonal image
CN108009529B (zh) 一种基于特征根和流体力学的森林火灾烟视频目标检测方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN109447111B (zh) 一种基于子类训练样本的遥感监督分类方法
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
CN115797798A (zh) 基于废弃矿山遥感图像的生态修复效果评估方法
CN110751606B (zh) 一种基于神经网络算法的泡沫图像处理方法及***
CN110309830B (zh) 基于数学形态学和区域连通性的甲骨文字自动分割方法
Mello et al. Automatic image segmentation of old topographic maps and floor plans
CN113870236A (zh) 一种基于深度学习算法的复合材料缺陷无损探伤方法
CN116152674A (zh) 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法
CN113255684B (zh) 一种基于灰度图溢出的背景分离方法
CN111860500B (zh) 一种鞋印磨损区域检测与描边方法
CN117893550A (zh) 一种基于场景仿真的复杂背景下运动目标分割方法
CN110400320B (zh) 一种电润湿缺陷像素的分割方法

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