CN113393405A - 一种图像处理方法、装置、识别***及存储介质 - Google Patents
一种图像处理方法、装置、识别***及存储介质 Download PDFInfo
- Publication number
- CN113393405A CN113393405A CN202110945785.XA CN202110945785A CN113393405A CN 113393405 A CN113393405 A CN 113393405A CN 202110945785 A CN202110945785 A CN 202110945785A CN 113393405 A CN113393405 A CN 113393405A
- Authority
- CN
- China
- Prior art keywords
- image
- source
- source image
- background
- scale
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 230000009466 transformation Effects 0.000 claims abstract description 33
- 230000002708 enhancing effect Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000009499 grossing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种图像处理方法、装置、识别***及存储介质，该方法包括：根据目标尺度，将源图像依次通过迭代滤波‑下采样方法进行图像变换、固定窗口中值滤波进行背景重构、根据源图像的原始尺度进行上采样后，得到源图像的背景重构图像；针对源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像；针对差值变化图像，进行直方图非线性操作，得到差值变化图像的非线性增强图像；针对背景重构图像和非线性增强图像，进行逐像素的并行运算，得到动态平滑增强图像；针对动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像。本申请所提供的方法提高了对于图像的平滑滤波增强的效率，进而提高了后续对识别对象检测的准确度。
Description
技术领域
本申请涉及图像处理领域，具体而言，涉及一种图像处理方法、装置、识别***及存储介质。
背景技术
在光学检测中，图像背景和识别对象的对比度是图像处理和目标检测的基础，背景变化较大、噪声较多和对比度较小都会影响图像的处理及识别对象的检测。
现有技术中，针对图像平滑增强的图像处理算法中，多数算法只能解决某一个问题，如直方图均衡化算法只能单一的实现图像增强；均值滤波算法只能单一的实现图像平滑；中值滤波算法只能单一的实现图像滤波。由于以上图像处理算法的研究通用性不强，无法同时解决图像的平滑、滤波和增强问题。
发明内容
有鉴于此，本申请的目的在于提供一种图像处理方法、装置、识别***及存储介质，用于解决现有技术中如何同时解决图像的平滑、滤波及增强的问题。可以提高对于图像的平滑滤波增强的效率，进而提高后续对识别对象检测的准确度。
第一方面，本申请提供了一种图像处理方法，该方法包括：
根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像；
通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像；
针对所述背景重构后的目标尺度图像，根据所述源图像的原始尺度进行上采样，得到源图像的背景重构图像；
针对所述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像；
针对所述差值变化图像，进行直方图非线性操作，得到所述差值变化图像的非线性增强图像；
针对所述背景重构图像和非线性增强图像，进行逐像素的并行运算，得到动态平滑增强图像；
针对所述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，以根据自适应动态平滑增强图像进行识别对象的识别。
在一些实施例中，在所述根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像之前，还包括：
获取源图像，判断所述源图像是否为灰度图像；
若所述源图像不是灰度图像，则对所述源图像进行灰度化，得到灰度化的源图像。
在一些实施例中，所述根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像，包括：
针对源图像进行小窗口中值滤波，得到滤波后的源图像；
针对所述滤波后的源图像进行1/2下采样，得到缩小后的源图像；
判断所述缩小后的源图像对应的尺度是否大于或等于两倍目标尺度；
若所述缩小后的源图像对应的尺度大于或等于两倍目标尺度，则针对该缩小后的源图像再次进行小窗口中值滤波及1/2下采样；
若所述缩小后的源图像对应的尺度小于两倍目标尺度，则针对该缩小后的源图像进行小窗口中值滤波及目标比例的下采样，得到目标尺度图像；所述目标比例为目标尺度与该缩小后的源图像对应的尺度之比。
在一些实施例中，所述通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像，包括：
根据所述目标尺度和目标物体的尺寸，确定固定窗口大小；
根据所述固定窗口大小，通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像。
在一些实施例中，所述针对所述背景重构后的目标尺度图像，根据所述源图像的原始尺度进行上采样，得到源图像的背景重构图像，包括：
针对所述背景重构后的目标尺度图像，通过最邻近差值上采样到所述源图像的原始尺度，得到源图像的背景重构图像。
在一些实施例中，所述针对所述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像，包括：
针对所述源图像和背景重构图像，进行逐像素的并行运算，得到所述源图像与背景重构图像的灰度差值；
对所述灰度差值进行线性变换，得到线性变换后的灰度差值；
根据所述线性变换后的灰度差值，生成差值变化图像。
在一些实施例中，所述针对所述差值变化图像，进行直方图非线性操作，得到所述差值变化图像的非线性增强图像，包括：
针对所述差值变化图像，通过直方图函数，得到差值变化图像的灰度直方图；
建立所述灰度直方图的非线性变化查找表，并通过该非线性变化查找表增强所述差值变化图像，得到所述差值变化图像的非线性增强图像。
在一些实施例中，所述针对所述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，包括：
针对所述动态平滑增强图像，通过小窗口中值滤波进行图像去噪，得到自适应动态平滑增强图像。
第二方面，本申请提供了一种图像处理装置，该装置包括：
变换模块，用于根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像；
背景重构模块，用于通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像；
上采样模块，用于针对所述背景重构后的目标尺度图像，根据所述源图像的原始尺度进行上采样，得到源图像的背景重构图像；
差值模块，用于针对所述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像；
操作模块，用于针对所述差值变化图像，进行直方图非线性操作，得到所述差值变化图像的非线性增强图像；
平滑模块，用于针对所述背景重构图像和非线性增强图像，进行逐像素的并行运算，得到动态平滑增强图像；
去噪模块，用于针对所述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，以根据自适应动态平滑增强图像进行识别对象的识别。
第三方面，本申请提供了一种识别***，包括相机、图像处理装置以及检测识别装置，所述图像处理装置用于实现上述第一方面中任一项所述的方法的步骤。
第四方面，本申请实施例提供了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计算机程序，所述计算机程序被处理器运行时执行上述第一方面中任一项所述的方法的步骤。
本申请提出的一种图像处理方法，通过将源图像进行迭代滤波-下采样变换成目标尺寸图像，再通过固定窗口中值滤波进行背景重构，接着通过上采样恢复到源图像的原始尺度，完成对源图像的背景重构，然后对源图像和源图像的背景重构图像进行逐像素并行运算，得到差值变化图像，最后通过直方图非线性操作进行图像非线性增强，通过对背景重构图像和非线性增强图像进行逐像素的并行运算进行图像动态平滑，通过对动态平滑增强图像进行图像去噪进行图像滤波，得到经过平滑、滤波及增强的自适应动态平滑增强图像。采用滤波-下采样迭代的图像变换方式，具有去噪高效的优点；利用下采样中值滤波上采样的背景重构具有计算速度快平滑背景的优点；利用差值变化图像的非线性增强具有光照变化不敏感的优点；采用背景重构图像和非线性增强图像增强去噪具有动态自适应增强和去较强噪声的优点，由此提高了对于图像的平滑滤波增强的效率，进而提高了后续对识别对象检测的准确度。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种图像处理方法的流程示意图；
图2为本申请实施例提供的一种源图像的示意图；
图3为本申请实施例提供的一种自适应动态平滑增强图像的示意图；
图4为本申请实施例提供的一种迭代滤波-下采样方法的流程示意图；
图5为本申请实施例提供的一种直方图线性操作的逻辑图；
图6为本申请实施例提供的一种图像处理装置的结构示意图。
图7为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在现有技术中，光学检测设备为了识别被测物体上的缺陷(例如：弱凹凸点、弱划伤、弱气泡等弱缺陷)、脏污、灰尘等，需要对相机采集到的源图像进行图像预处理，而现有的图像处理方法中，由于针对图像平滑增强的图像处理算法未考虑到研究通用性，以至于无法同时解决图像的平滑、滤波和增强，使得图像处理的难度高、效率低，因此，本申请旨在提供能够同时解决图像的平滑、滤波和增强并且高效的图像处理方案，具体如下：
本申请实施例提供了一种图像处理方法，如图1所示，包括以下步骤：
步骤S101、根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像；
步骤S102、通过固定窗口中值滤波，对上述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像；
步骤S103、针对上述背景重构后的目标尺度图像，根据上述源图像的原始尺度进行上采样，得到源图像的背景重构图像；
步骤S104、针对上述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像；
步骤S105、针对上述差值变化图像，进行直方图非线性操作，得到上述差值变化图像的非线性增强图像；
步骤S106、针对上述背景重构图像和非线性增强图像，进行逐像素的并行运算，得到动态平滑增强图像；
步骤S107、针对上述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，以根据自适应动态平滑增强图像进行识别对象的识别。
具体地，在输入了源图像后，先通过迭代滤波-下采样方法，对源图像进行初步去噪和数据量压缩，直到得到的图像符合目标尺度，将该图像作为目标尺度图像；通过固定窗口中值滤波，对目标尺度图像进行背景重构，然后再通过上采样将背景重构后的目标尺度图像还原到源图像的原始尺寸，得到源图像的背景重构图像。通过以上先迭代滤波下采样—背景重构—上采样的方式，对源图像进行了快速背景重构。
接着，将源图像和源图像的背景重构图像逐像素地进行灰度值并行运算，以生成差值变化图像；通过对差值变化图像进行直方图非线性操作进行非线性增强，得到差值变化图像的非线性增强图像。
再通过对背景重构图像和非线性增强图像进行逐像素的并行运算，以得到源图像的动态平滑增强图像。
最后，再次通过小窗口中值滤波对动态平滑增强图像进行高效去噪，得到自适应动态平滑增强图像，即源图像的自适应动态平滑增强图像。
以图2为例，将图2作为源图像输入后，经过迭代滤波-下采样、固定窗口中值滤波、上采样、差值变化图像生成、直方图非线性操作、动态平滑增强及小窗口中值滤波后，得到如图3所示的自适应动态平滑增强图像。
在一些实施例中，在上述步骤S101、根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像之前，还包括：
步骤108、获取源图像，判断上述源图像是否为灰度图像；
步骤109、若上述源图像不是灰度图像，则对上述源图像进行灰度化，得到灰度化的源图像。
具体地，本申请实施例输入的图像来自于机器视觉***中的线阵相机图像传感器或面阵相机图像传感器，因此，输入的源图像可能是灰度图像，也可能是彩色图像。由于后续的图像处理都是针对源图像的各像素的灰度值进行的，因此，如果输入的是彩色图像，则需要先将彩色图像转换成灰度图像再进行后续的操作。
也可以分通道进行相应操作，示例性地，基于RGB将彩色图像分为R通道、G通道和B通道，分别对三种原色通道进行后续的自适应动态平滑增强后，再合成回彩色图像。
在一些实施例中，上述步骤S101、根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像，如图4所示，包括：
步骤S1011、针对源图像进行小窗口中值滤波，得到滤波后的源图像；
步骤S1012、针对上述滤波后的源图像进行1/2下采样，得到缩小后的源图像；
步骤S1013、判断上述缩小后的源图像对应的尺度是否大于或等于两倍目标尺度；
步骤S1014、若上述缩小后的源图像对应的尺度大于或等于两倍目标尺度，则针对该缩小后的源图像再次进行小窗口中值滤波及1/2下采样；
步骤S1015、若上述缩小后的源图像对应的尺度小于两倍目标尺度，则针对该缩小后的源图像进行小窗口中值滤波及目标比例的下采样，得到目标尺度图像；上述目标比例为目标尺度与该缩小后的源图像对应的尺度之比。
具体地，输入的源图像中一般含有干扰噪声，存在复杂的前景缺陷，并且由线阵相机图像传感器或面阵相机图像传感器采集的源图像的数据量很大。因此，需要通过滤波-下采样方法对源图像进行去除干扰噪声和前景缺陷的影响，并缩减数据量，从而快速高效处理图像同时避免干扰噪声和复杂前景缺陷的影响。
滤波-下采样方法分为小窗口中值滤波和下采样两个步骤。输入源图像后，对该源图像首先进行小窗口中值滤波，以窗口大小为3×3为例，小窗口中值滤波公式如下：
m(x,y)=median{f(x-k,y-l),k,l∈3} （1）
其中， m(x,y)为3×3小窗口中值滤波后的图像（即，滤波后的源图像），median{}为中值滤波函数，f(x,y)为源图像，k为滤波窗口的长度，l为滤波窗口的宽度。
然后，对小窗口中值滤波后的源图像进行1/2下采样，下采样公式如下：
其中，s(x,y)为下采样图像（即，缩小后的源图像），f(X,Y)为源图像（X=2x-a，Y=2y-a；这里的源图像是指经过小窗口中值滤波后的源图像），a为常数。下采样图像的尺寸大小为源图像尺寸的1/2。
经过一次小窗口中值滤波和1/2下采样进行图像变换后，需要判断得到的缩小后的源图像对应的尺度是否大于或等于两倍目标尺度。
如果缩小后的源图像对应的尺度大于或等于两倍目标尺度，则需要再进行一次小窗口中值滤波和1/2下采样，如此循环直到最后一次得到的缩小后的源图像对应的尺度小于两倍目标尺度。
如果缩小后的源图像对应的尺度小于两倍目标尺度，则需要计算目标尺度与该缩小后的源图像对应的尺度之比，得到目标比例。然后再进行一次小窗口中值滤波，以及目标比例的下采样，目标比例的下采样公式如下：
其中，st(x,y)为目标比例的下采样图像（即，目标尺度图像），st-1(X,Y)为最后一次1/2下采样后的图像（X=nx-a，Y=ny-a），n为目标比例的倒数，a为常数。当n等于1时，也就是目标尺度与该缩小后的源图像对应的尺度之比为1时，也可以直接将最后一次1/2下采样后的图像确认为目标尺度图像。
在一些实施例中，上述步骤S102、通过固定窗口中值滤波，对上述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像，包括：
步骤a1、根据上述目标尺度和目标物体的尺寸，确定固定窗口大小；
步骤a2、根据上述固定窗口大小，通过固定窗口中值滤波，对上述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像。
具体地，经过滤波-下采样后的目标尺度图像中仍会存在一些复杂的前景缺陷，为了稳定高效地重建不含前景缺陷的图像背景，本申请实施例通过固定窗口中值滤波来对目标尺度图像进行背景重构。采用预设固定窗口大小的中值滤波方法快速实现对变换后的图像进行图像背景重构得到变换图像的背景重构图像。
固定窗口的大小是根据目标尺度和图像处理后所要检测的目标物体尺寸确定的。目标物体是指盖板、摄像头等产品，目标物体在生产过程中可能会出现一些瑕疵，这些瑕疵就是后续检测识别的识别对象。固定窗口中值滤波公式如下：
m’(x,y)=median{st(x-k’,y-l’),k’,l’∈W} （4）
其中，m’(x,y)为背景重构后的目标尺度图像，k’为滤波窗口的长度，l’为滤波窗口的宽度，W为固定窗口大小，median{}为中值滤波函数，st(x,y)为缩小后的源图像。
通过固定窗口中值滤波稳定高效地剔除了复杂的前景缺陷，得到背景重构后的目标尺度图像。
在一些实施例中，上述步骤S103、针对上述背景重构后的目标尺度图像，根据上述源图像的原始尺度进行上采样，得到源图像的背景重构图像，包括：
针对上述背景重构后的目标尺度图像，通过最邻近差值上采样到上述源图像的原始尺度，得到源图像的背景重构图像。
具体地，通过背景重构后的目标尺寸图像需要还原到源图像的原始尺度，以得到源图像的背景重构图像。这里采用最邻近差值上采样的方式进行源图像的尺度还原，最邻近差值上采样公式如下：
u(x,y)=m’(Round(x/e),Round(y/e)) （5）
其中，u(x,y)为源图像的背景重构图像，Round()为四舍五入到最临近整数的函数，m’()为背景重构后的目标尺度图像，e为上采样的放大倍数，目标尺寸图像放大e倍后就可以还原到源图像的原始尺度，即e是步骤S101进行的迭代滤波-下采样的总缩小倍数的倒数，计算公式如下：
至此，通过对源图像进行小窗口中值滤波和下采样，再进行固定窗口中值滤波，最后进行最邻近差值上采样，完成了源图像的快速背景重构。
在一些实施例中，上述步骤S104、针对上述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像，包括：
步骤b1、针对上述源图像和背景重构图像，进行逐像素的并行运算，得到上述源图像与背景重构图像的灰度差值；
步骤b2、对上述灰度差值进行线性变换，得到线性变换后的灰度差值；
步骤b3、根据上述线性变换后的灰度差值，生成差值变化图像。
具体地，通过对源图像和背景重构图像进行逐像素的灰度差值并行运算，以得到源图像与背景重构图像各对应像素的灰度差值，灰度差值公式如下：
v’x,y(x,y)=fx,y(x,y)-ux,y(x,y) （7）
其中，v’x,y(x,y)为源图像与背景重构图像坐标(x,y)处像素的灰度差值，fx,y(x,y)为背景重构图像中坐标(x,y)处像素的灰度值，ux,y(x,y)为源图像中坐标(x,y)处像素的灰度值。
计算得到的灰度差值区间是[-255,255]，通过线性变换将灰度差值区间变换到[0,255]，线性变换公式如下：
其中，vx,y(x,y)为线性变换后的灰度差值，v’x,y(x,y)为源图像与背景重构图像坐标(x,y)处像素的灰度差值，Ceil(x)为取不小于x的最小整数，Floor(x)为取不大于x的最大整数。
最后，根据线性变换后的灰度差值，生成差值变化图像v(x,y)，vx,y(x,y)是差值变化图像在坐标(x,y)上像素的灰度值。
在一些实施例中，上述步骤S105、针对上述差值变化图像，进行直方图非线性操作，得到上述差值变化图像的非线性增强图像，包括：
步骤c1、针对上述差值变化图像，通过直方图函数，得到差值变化图像的灰度直方图；
步骤c2、建立上述灰度直方图的非线性变化查找表，并通过该非线性变化查找表增强上述差值变化图像，得到上述差值变化图像的非线性增强图像。
具体地，如图5所示，为直方图非线性操作的逻辑流程，具体如下：
a）输入v(x,y)；
b）计算灰度直方图h(i,j)；
c）建立灰度直方图非线性变化查找表，即判断i是否大于或等于0；
如果是，则
如果否，则
d）计算
；
e）判断
是否小于或等于T；
如果是，则z(x,y)=128；
如果否，则z(x,y)=l(v(x,y)-127.5)。
下面对于上述逻辑流程进行说明，直方图非线性操作首先要通过直方图函数求得差值变化图像的灰度直方图，公式如下：
h(i,j)=calcHist(v(x,y)) （11）
其中，v(x,y)为线性变换后的灰度差值，h(i,j)为差值变化图像的灰度直方图，calcHist()为直方图函数，i为差值变化图像中的灰度值，j为灰度值i对应的像素个数。
然后，通过非线性变化查找表公式建立灰度直方图的非线性变化查找表，公式如下：
其中，l(i)为灰度值为i的非线性变换值，α为第一尺度因子，第一尺度因子的取值范围为[1,255]，优选取值为30，Ceil(x)为取不小于x的最小整数，Floor(x)为取不大于x的最大整数。
最后，参照灰度直方图的非线性变化查找表，对差值变化图像进行非线性增强，得到差值变化图像的非线性增强图像，非线性增强公式如下：
其中，z(x,y)为差值变化图像的非线性增强图像，T为灰度阈值，灰度阈值取值范围为[0,255]，可根据背景灰度变化给定，优选取值为3，v(x,y)为线性变换后的灰度差值。
本申请实施例通过对差值变化图像进行直方图非线性操作获取差值变化图像的非线性增强图像，而非直接对源图像进行直方图非线性操作获取非线性增强图像，解决因源图像成像灰度值不均匀导致的整体图像背景变化大的问题。
在一些实施例中，上述步骤S107、针对上述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，包括：
针对上述动态平滑增强图像，通过小窗口中值滤波进行图像去噪，得到自适应动态平滑增强图像。
具体地，通过步骤S106，对背景重构图像与非线性增强图像进行逐像素的并行计算，以获取动态平滑增强图像，动态平滑增强公式如下：
其中，g’(x,y)为动态平滑增强图像，β为第二尺度因子，第二尺度因子的取值范围为[0,255]，优选取值为1，z(x,y)为差值变化图像的非线性增强图像，u(x,y)为源图像的背景重构图像。
得到的动态平滑增强图像还含有一些较强的干扰噪声，为了保留动态平滑增强图像的真实信息，快速高效去除较强的干扰噪声，本申请采用3×3的小窗口中值滤波对动态平滑增强图像进行去噪获取最终的自适应动态平滑增强图像，公式如下：
g(x,y)=median{g’(x-k”,y-l”),k”,l”∈3} （15）
其中，g(x,y)为最终的自适应动态平滑增强图像，即自适应动态平滑增强图像，median{}为中值滤波函数，g’(x,y)为动态平滑增强图像，k’’为滤波窗口的长度，l’’为滤波窗口的宽度，3为滤波窗口大小。
对应于上述的方法实施例，本申请还提供了一种图像处理装置，用于实现本申请的上述方法，如图6所示，该装置包括：
变换模块30，用于根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像；
背景重构模块31，用于通过固定窗口中值滤波，对上述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像；
上采样模块32，用于针对上述背景重构后的目标尺度图像，根据上述源图像的原始尺度进行上采样，得到源图像的背景重构图像；
差值模块33，用于针对上述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像；
操作模块34，用于针对上述差值变化图像，进行直方图非线性操作，得到上述差值变化图像的非线性增强图像；
平滑模块35，用于针对上述背景重构图像和非线性增强图像，进行逐像素的并行运算，得到动态平滑增强图像；
去噪模块36，用于针对上述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，以根据自适应动态平滑增强图像进行识别对象的识别。
对于该装置实施例的具体说明可参考上述方法实施例及其扩展实施例，这里不再赘述。
对应于图1中的一种图像处理方法，本申请实施例还提供了一种识别***，包括相机、光源、载物台、警示灯、图像处理装置、检测识别装置及存储在所述图像处理装置中并可在上述图像处理装置上运行的计算机程序，上述图像处理装置执行上述计算机程序时实现上述一种图像处理方法。
具体地，上述当将目标物体放置在光源照明的载物台上后，相机进行源图像采集，并将源图像传输至图像处理装置，图像处理装置运行存储的计算机程序，执行上述一种图像处理方法，对源图像进行处理，同时实现对源图像的平滑、滤波及增强，得到自适应动态平滑增强图像，图像处理装置将该自适应动态平滑增强图像传输至检测识别装置进行目标对象的识别，如果识别到目标对象，则警示灯亮起。本申请提供的一种识别***，解决了现有技术中在进行检测识别前的图像预处理中如何同时解决图像的平滑、滤波及增强的问题。
对应于图1中的一种图像处理方法，本申请实施例还提供了一种计算机设备400，如图7所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述一种图像处理方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述一种图像处理方法，解决了现有技术中如何同时解决图像的平滑、滤波及增强的问题。
对应于图1中的一种图像处理方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述一种图像处理方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种图像处理方法，解决了现有技术中如何同时解决图像的平滑、滤波及增强的问题，本申请实施例提出的一种图像处理方法，通过将源图像进行迭代滤波-下采样变换成目标尺寸图像，再通过固定窗口中值滤波进行背景重构，接着通过上采样恢复到源图像的原始尺度，完成对源图像的背景重构，然后对源图像和源图像的背景重构图像进行逐像素并行运算，得到差值变化图像，最后通过直方图非线性操作进行图像非线性增强，通过对背景重构图像和非线性增强图像进行逐像素的并行运算进行图像动态平滑，通过对动态平滑增强图像进行图像去噪进行图像滤波，得到经过平滑、滤波及增强的自适应动态平滑增强图像。本申请实施例所提出的一种图像处理方法提高了对于图像的平滑滤波增强的效率，进而提高了后续对识别对象检测的准确度。
基于以上配置，采用滤波-下采样迭代的图像变换方式，具有去噪高效的优点；利用下采样中值滤波上采样的背景重构具有计算速度快平滑背景的优点；利用差值变化图像的非线性增强具有光照变化不敏感的优点；采用背景重构图像和非线性增强图像增强去噪具有动态自适应增强和去较强噪声的优点。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种图像处理方法，其特征在于，包括：
根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像；
通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像；
针对所述背景重构后的目标尺度图像，根据所述源图像的原始尺度进行上采样，得到源图像的背景重构图像；
针对所述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像；
针对所述差值变化图像，进行直方图非线性操作，得到所述差值变化图像的非线性增强图像；
针对所述背景重构图像和非线性增强图像，进行逐像素的并行运算，得到动态平滑增强图像；
针对所述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，以根据自适应动态平滑增强图像进行识别对象的识别。
2.如权利要求1所述的方法，其特征在于，在所述根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像之前，还包括：
获取源图像，判断所述源图像是否为灰度图像；
若所述源图像不是灰度图像，则对所述源图像进行灰度化，得到灰度化的源图像。
3.如权利要求1所述的方法，其特征在于，所述根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像，包括：
针对源图像进行小窗口中值滤波，得到滤波后的源图像；
针对所述滤波后的源图像进行1/2下采样，得到缩小后的源图像；
判断所述缩小后的源图像对应的尺度是否大于或等于两倍目标尺度；
若所述缩小后的源图像对应的尺度大于或等于两倍目标尺度，则针对该缩小后的源图像再次进行小窗口中值滤波及1/2下采样；
若所述缩小后的源图像对应的尺度小于两倍目标尺度，则针对该缩小后的源图像进行小窗口中值滤波及目标比例的下采样，得到目标尺度图像；所述目标比例为目标尺度与该缩小后的源图像对应的尺度之比。
4.如权利要求1所述的方法，其特征在于，所述通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像，包括：
根据所述目标尺度和目标物体的尺寸，确定固定窗口大小；
根据所述固定窗口大小，通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像。
5.如权利要求1所述的方法，其特征在于，所述针对所述背景重构后的目标尺度图像，根据所述源图像的原始尺度进行上采样，得到源图像的背景重构图像，包括：
针对所述背景重构后的目标尺度图像，通过最邻近差值上采样到所述源图像的原始尺度，得到源图像的背景重构图像。
6.如权利要求1所述的方法，其特征在于，所述针对所述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像，包括：
针对所述源图像和背景重构图像，进行逐像素的并行运算，得到所述源图像与背景重构图像的灰度差值；
对所述灰度差值进行线性变换，得到线性变换后的灰度差值；
根据所述线性变换后的灰度差值，生成差值变化图像。
7.如权利要求1所述的方法，其特征在于，所述针对所述差值变化图像，进行直方图非线性操作，得到所述差值变化图像的非线性增强图像，包括：
针对所述差值变化图像，通过直方图函数，得到差值变化图像的灰度直方图；
建立所述灰度直方图的非线性变化查找表，并通过该非线性变化查找表增强所述差值变化图像，得到所述差值变化图像的非线性增强图像。
8.如权利要求1所述的方法，其特征在于，所述针对所述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，包括：
针对所述动态平滑增强图像，通过小窗口中值滤波进行图像去噪，得到自适应动态平滑增强图像。
9.一种图像处理装置，其特征在于，包括：
变换模块，用于根据目标尺度，将源图像通过迭代滤波-下采样方法进行图像变换，得到目标尺度图像；
背景重构模块，用于通过固定窗口中值滤波，对所述目标尺度图像进行背景重构，得到背景重构后的目标尺度图像；
上采样模块，用于针对所述背景重构后的目标尺度图像，根据所述源图像的原始尺度进行上采样，得到源图像的背景重构图像；
差值模块，用于针对所述源图像和背景重构图像，进行逐像素的并行运算，得到差值变化图像；
操作模块，用于针对所述差值变化图像，进行直方图非线性操作，得到所述差值变化图像的非线性增强图像；
平滑模块，用于针对所述背景重构图像和非线性增强图像，进行逐像素的并行运算，得到动态平滑增强图像；
去噪模块，用于针对所述动态平滑增强图像，进行图像去噪，得到自适应动态平滑增强图像，以根据自适应动态平滑增强图像进行识别对象的识别。
10.一种识别***，包括相机、图像处理装置以及检测识别装置，其特征在于，所述图像处理装置用于实现上述权利要求1-8中任一项所述的方法的步骤。
11.一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计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945785.XA CN113393405B (zh) | 2021-08-18 | 2021-08-18 | 一种图像处理方法、装置、识别***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945785.XA CN113393405B (zh) | 2021-08-18 | 2021-08-18 | 一种图像处理方法、装置、识别***及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113393405A true CN113393405A (zh) | 2021-09-14 |
| CN113393405B CN113393405B (zh) | 2021-10-29 |
Family
ID=77622886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110945785.XA Active CN113393405B (zh) | 2021-08-18 | 2021-08-18 | 一种图像处理方法、装置、识别***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393405B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
| US20100142790A1 (en) * | 2008-12-04 | 2010-06-10 | New Medical Co., Ltd. | Image processing method capable of enhancing contrast and reducing noise of digital image and image processing device using same |
| CN110706174A (zh) * | 2019-09-27 | 2020-01-17 | 集美大学 | 一种图像增强方法、终端设备及存储介质 |
| CN111353955A (zh) * | 2020-02-28 | 2020-06-30 | 广州市百果园信息技术有限公司 | 一种图像处理方法、装置、设备和存储介质 |
-
2021
- 2021-08-18 CN CN202110945785.XA patent/CN113393405B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
| US20100142790A1 (en) * | 2008-12-04 | 2010-06-10 | New Medical Co., Ltd. | Image processing method capable of enhancing contrast and reducing noise of digital image and image processing device using same |
| CN110706174A (zh) * | 2019-09-27 | 2020-01-17 | 集美大学 | 一种图像增强方法、终端设备及存储介质 |
| CN111353955A (zh) * | 2020-02-28 | 2020-06-30 | 广州市百果园信息技术有限公司 | 一种图像处理方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 林智欣: "基于双边滤波的二维动画图像多尺度细节增强方法", 《齐齐哈尔大学学报(自然科学版)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113393405B (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4792109B2 (ja) | 画像特徴を意識した画像欠陥除去 | |
| KR20110002858A (ko) | 앤티 엘리어싱을 위한 필터링 방법 및 장치 | |
| CN109523527A (zh) | 图像中脏污区域的检测方法、装置和电子设备 | |
| CN111598869B (zh) | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 | |
| CN110415237B (zh) | 皮肤瑕疵检测方法、检测装置、终端设备及可读存储介质 | |
| CN110866870B (zh) | 一种医学图像任意倍数放大的超分辨处理方法 | |
| Wu et al. | Restoration of low-informative image for robust debris shape measurement in on-line wear debris monitoring | |
| JP2009543162A (ja) | モデルベースの異方性拡散の方法および装置 | |
| Shajkofci et al. | Semi-blind spatially-variant deconvolution in optical microscopy with local point spread function estimation by use of convolutional neural networks | |
| KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
| CN110728692A (zh) | 一种基于Scharr算子改进的图像边缘检测方法 | |
| CN112686896B (zh) | 基于分割网络的频域空间结合的玻璃缺陷检测方法 | |
| CN113393405B (zh) | 一种图像处理方法、装置、识别***及存储介质 | |
| CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及*** | |
| CN112435185A (zh) | 模糊花粉图片处理方法、装置及电子设备 | |
| Wang et al. | Kernel optimization for blind motion deblurring with image edge prior | |
| Doshi et al. | An evaluation of image enhancement techniques for capillary imaging | |
| CN114994098A (zh) | 一种异物检测的方法及设备 | |
| Kosar et al. | An overview of denoising methods for different types of noises present on graphic images | |
| CN112070765B (zh) | 一种基于双边滤波结合改进的otsu的布匹检测方法 | |
| CN113470028A (zh) | 染色体核型图像质量评估方法、染色体分析仪和存储介质 | |
| CN113674144A (zh) | 一种图像处理方法、终端设备及可读存储介质 | |
| CN111369491B (zh) | 图像污点检测方法、装置、***及存储介质 | |
| Daniel et al. | Retinal image enhancement using wavelet domain edge filtering and scaling | |
| Vijaya et al. | Bilateral filtering using modified fuzzy clustering for image denoising |
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 |