CN114140481A - 一种基于红外图像的边缘检测方法、装置 - Google Patents
一种基于红外图像的边缘检测方法、装置 Download PDFInfo
- Publication number
- CN114140481A CN114140481A CN202111296821.0A CN202111296821A CN114140481A CN 114140481 A CN114140481 A CN 114140481A CN 202111296821 A CN202111296821 A CN 202111296821A CN 114140481 A CN114140481 A CN 114140481A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- point
- edge detection
- infrared
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 241001270131 Agaricus moelleri Species 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理的技术领域,特别涉及一种基于红外图像的边缘检测方法、装置,包括步骤:将采集的红外图像转换成灰度图像;对转换的灰度图像进行均值滤波;采用灰度线性变换进行图像增强;确定原图像合适的分段点a和分段点b;压缩灰度总数;基于2×2邻域计算梯度幅值;基于3×3邻域计算梯度幅值;对2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值进行加权取梯度幅均值;确定阈值范围;基于高阈值点进行初步边缘检测;基于低阈值点进行细化边缘检测。本申请实现了对红外图像弱目标的阈值的合理选取。
Description
技术领域
本申请涉及图像处理的技术领域,特别涉及一种基于红外图像的边缘检测方法、装置。
背景技术
红外图像是利用红外热像仪接受来自目标和景物的红外辐射,经过光电转换,将不可见的辐射转变成可见的图像,图像的各像素点的明暗(亮度)变化对应着目标和景物的辐射能量强弱的变化,与可见光的图像相比,红外图像中背景与目标的对比度低,边缘模糊。
边缘检测是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤。边缘检测是定位边缘像素的过程,通过考察待测点在某个邻域内的灰度变化,然后利用一阶或二阶方向导数变化规律,根据一定的判断标准检测出边缘,常见的边缘检测算子有Roberts算子、步骤Sobel算子、Prewitt算子、Laplace算子、LOG算子、Canny算子等。
其中,算子的阈值参数需要人为设定,不具有自适应能力,阈值设置过高,会导致边缘间断,设置过低则容易产生伪边缘。
发明内容
为了实现对红外图像弱目标的阈值的合理选取,本申请提供一种基于红外图像的边缘检测方法、装置。
第一方面,本申请提供的一种基于红外图像的边缘检测方法采用如下的技术方案:包括步骤:
将采集的红外图像转换成灰度图像;
对转换的灰度图像进行均值滤波;
采用灰度线性变换进行图像增强;
确定原图像合适的分段点a和分段点b;
压缩灰度总数;
基于2×2邻域计算梯度幅值;
基于3×3邻域计算梯度幅值;
对2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值进行加权取梯度幅均值;
确定阈值范围;
基于高阈值点进行初步边缘检测;
基于低阈值点进行细化边缘检测。
通过采用上述技术方案,通过对灰度图像进行尺短变换,提高了红外图像感兴趣区域,提高了感兴趣区域与不感兴趣区域之间的对比度;并基于对2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值的梯度幅均值落入尺度变换后的区间内,在此区间内确定阈值,可以大大地提高了阈值选取的合理程度,从而提高对红外图像进行边缘检测的效率。
可选的,确定灰度原图像合适的分段点a和分段点b,具体为:
根据原灰度图像f(x,y)的灰度值,得出原灰度图像的灰度直方图或灰度值概率密度函数,并使得原灰度图像f(x,y)的灰度中间值以及原灰度图像f(x,y)的80%的灰度值落入到灰度区间[a,b]内。
通过采用上述技术方案,通过根据原灰度图像f(x,y)的灰度,得出原灰度图像的灰度直方图或灰度值概率密度函数,可判断出该红外图像中像素的分布情况,并有效地对灰度区间大小进行制定。
可选的,将原图像灰度区间[a,b]转化成灰度区间[c,d],且所述灰度分段点a的数值大于灰度分段点c的数值,灰度分段点b的数值小于灰度分段点d的数值。
通过采用上述技术方案,通过设置灰度分段点a的数值大于灰度分段点c的数值,灰度分段点b的数值小于灰度分段点d的数值,实现了对感兴趣区间的扩展,对不感兴趣区域的压缩,实现了对红外图像对比度的提高。
可选的,所述压缩灰度总数,具体为:
具体为,基于已变换灰度级F(x,y)在灰度区间[c,d],以灰度值c为起点,每相隔5个灰度值,将此5个灰度值均由此5个灰度值的灰度中值来替代。
通过采用上述技术方案,压缩了灰度值的集合,有效地提高了对灰度值的处理速度。
可选的,所述确定阈值,具体为:
根据对2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值进行加权取梯度幅均值;梯度幅均值取值区间为[c,d],将分段点d设置为强阈值点位,将分段点c设置为弱阈值点位;并将小于弱阈值点c的点认为是假边缘并置为灰度值0,将大于强阈值点d的点认为是强边缘并置为灰度值1,介于区间[c,d]中间的幅度值需进行下一步的检查。
通过采用上述技术方案,通过将阈值取值范围缩小至[c,d]内,可大大提高阈值初设置的合理性,同样也提高了边缘检测的效率。
可选的,所述基于高阈值点进行初步边缘检测,具体为:
根据高阈值点把边缘链接成轮廓,当到达轮廓的端点时,该算法会在断点的八邻域点中寻找满足低阈值的点,再根据此点收集新的边缘,直到整个图像闭合。
通过采用上述技术方案,通过基于高阈值点进行初步边缘检测,可快速得到初步的图像边缘。
可选的,所述基于低阈值点进行细化边缘检测,具体为:
设置阈值的初始估值,
式中c和d为灰度图像已变换灰度级F(x,y)变换后的区间。τ0表示迭代次数为0,
计算求出灰度区间[c,τ0]的平均灰度值τ1,
循环以上步骤得出τn=τn+1时,循环结束。则灰度图像最低阈值点位τn+1,
根据阈值τn+1的大小,输出细化边缘检测图像。
通过采用上述技术方案,通过迭代法,确定了最低阈值点位,由底阈值点位得出细化边缘检测图像,从而实现了对红外图像的边缘检测。
第二方面,本申请提供的一种基于红外图像的边缘检测装置采用如下的技术方案:
可选的,包括红外检测模块、处理模块、存储模块以及显示终端;所述红外检测模块与存储模块通信,所述存储模块与处理模块通信,所述处理模块与显示终端通信;
所述红外检测模块用于采集目标的红外图像;
所述存储模块用于存储红外检测模块采集到的红外图像;
所述处理模块用于将采集到的红外图像转换为灰度图像,并将灰度图进行边缘检测计算,将灰度图像转化成边缘检测后的图像后,输出至显示终端进行显示。
通过采用上述技术方案,处理模块可将红外检测模块输出的红外图像进行边缘检测,并输出至显示终端,实现了红外图像的边缘检测算法的效果的展示。
可选的,所述处理模块包括解码器、滤波器以及处理子单元,所述解码器与红外检测模块通信,所述解码器对红外检测模块采集的图像进行解码;所述解码器与存储模块通信,所述解码器将解码后的数据存储到存模块中,所述处理子单元与存储模块通信,所述处理子单元可调用解码后的数据,所述处理子单元与滤波器通信,所述滤波器将解码后的数据进行滤波并输出至处理子单元,用以进行边缘检测;所述处理子单元与显示终端通信,用以输出边缘检测后的红外图像。
通过采用上述技术方案,实现了对红外图像转换成灰度图像,并对灰度图像进行滤波处理,使得子处理单元可以输出更高质量的红外图像的边缘检测图像。
可选的,所述滤波器采用3*3窗口。
通过采用上述技术方案,采用3*3窗口的滤波器,可极大地提高过滤器对灰度图像中噪声的过滤。
综上所述,本申请包括以下至少一种有益技术效果:
(1)通过对灰度图像进行尺短变换,提高了红外图像感兴趣区域,提高了感兴趣区域与不感兴趣区域之间的对比度,增加红外图像中包含的有用信息量。
(2)基于对2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值的梯度幅均值落入尺度变换后的区间内,在此区间内确定高阈值点和低阈值点阈值,可以大大地提高了阈值选取的合理程度,从而提高对红外图像进行边缘检测的效率。
(3)通过高阈值点进行初步边缘检测,通过迭代法得出低阈值点输出细化边缘检测图像,极大地提高了图像成像效果。
附图说明
图1是本申请一种基于红外图像的边缘检测方法的流程框图;
图2是本申请一种基于红外图像的边缘检测装置的逻辑框图。
附图标记说明:1、红外检测模块;2、处理模块;21、解码器;22、滤波器;23、处理子单元;3、存储模块;4、显示终端。
具体实施方式
以下结合附图1-2对本申请作进一步详细说明。
本申请实施例公开了一种基于红外图像的边缘检测方法,包括如下步骤:
步骤S1:将采集的红外图像转换成灰度图像。灰度图像中每个像素可以由0-255的灰度值表示,并将图像中像素点表示为g(x,y)。
步骤S2:对转换的灰度图像进行均值滤波。
具体为:
式中,f(x,y)表示滤波后图像在该像素点上的灰度值,步骤S为像素所在邻域的集合,M为集合步骤S内像素数量,x和y为正整数。
红外图像在接收被测目标的红外辐射的同时还接收到大量非检测对象的辐射信息,如大气辐射,通过抑制噪声可提高成像图像的质量。
步骤S3:采用灰度线性变换进行图像增强。
具体为:
式中,f(x,y)表示原图像的灰度,F(x,y)表示灰度变化后的图像灰度,a和b为原图像的灰度分段点;c和d为灰度变换后图像的灰度分段点,且灰度分段点a的数值大于灰度分段点c的数值,灰度分段点b的数值小于灰度分段点d的数值,Mf表示原图像的最大灰度值,MF表示灰度变换后图像的最大灰度值。
与可见光的图像相比,红外图像中背景与目标的对比度低,边缘模糊,为提高红外图像中的对比度,也即,突出感兴趣的目标和灰度区间,相对抑制不感兴趣的背景区域。经灰度线性变换后,原灰度图像的灰度区间[a,b]变成为了灰度区间[c,d],有效区间得到了扩展,灰度区间[0,a]和灰度区间[b,Mf]受到了压缩,从而提高了红外图像的对比度,为后续的边缘检测提高了合适的数据。
步骤S4:确定原灰度图像合适的分段点a和分段点b。
根据原灰度图像f(x,y)的灰度值,得出原灰度图像的灰度直方图或灰度值概率密度函数,并使得原灰度图像f(x,y)的灰度中间值以及原灰度图像f(x,y)的80%的灰度值落入到灰度区间[a,b]内。
红外图像输出的灰度图像,特点是景物细节的对比度很低,而整幅图像的对比度很高。从整体上看,红外图像的灰度分布范围很广,但常常包含大片亮度很高和很低的区域,但感兴趣的细节部分往往由有限范围的灰度组成,在对应的灰度直方图上,感兴趣的细节部分特点是像素值分布较为集中,且只占据了可以利用的像素值范围的小部分。
步骤S41:基于原灰度图像的灰度直方图或灰度值概率密度函数,若原图像的灰度值80%集中在灰度区间[0,a]中,或80%集中在灰度区间[b,Mf]中,可判断图像中有用信息量极少;需要重新进行步骤S1,以获取新的红外图像。
步骤S5:压缩灰度总数。
因人眼对灰度图像的分辨能力有限,只能分辨约40级灰度,如果白与黑之间的灰度范围被分为超过40个以上的等级,则相邻的灰度级对人眼来说看起来是相同的,且在红外图像中,具有256级灰度值,且当灰度差小于5时,人眼是无法分辨的。
具体为,基于已变换灰度级F(x,y)在灰度区间[c,d],以灰度值c为起点,每相隔5个灰度值,将此5个灰度值均由此5个灰度值的灰度中值来替代。
根据人眼视觉特点,将相近的灰度用一种灰度来替代,从而压缩灰度总数,提高运输效率。
步骤S6:基于2×2邻域计算梯度幅值。
具体为:基于变换后的幅值F(x,y)计算图像中梯度;
则Roberts算子的梯度幅值为:
为简化计算梯度幅值为近似为:
同样地,梯度也可采用如下公式:
步骤S7:基于3×3邻域计算梯度幅值。
具体为:计算0°,90°,45°以及135°方向的梯度
他们对应的卷积算子分别为:
计算梯度幅值为:
步骤S8:对每一个像素的2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值进行加权取梯度幅均值,并将梯度幅均值运用到下面步骤中。
步骤S9:确定阈值τ范围。
由计算梯度幅值的公式和可知,梯度幅均值的取值范围落入[c,d]内,由此确定强阈值点与弱阈值点,将分段点d设置为强阈值点位,将分段点c设置为弱阈值点位;并将小于弱阈值点c的点认为是假边缘并置为灰度值0,将大于强阈值点d的点认为是强边缘并置为灰度值1,介于区间[c,d]中间的幅度值需进行下一步的检查。
步骤S10:基于高阈值点进行初步边缘检测。
根据高阈值点把边缘链接成轮廓,当到达轮廓的端点时,该算法会在断点的八邻域点中寻找满足低阈值的点,再根据此点收集新的边缘,直到整个图像闭合。
步骤S11:基于低阈值点进行细化边缘检测。
一般情况下若一个像素点是弱边缘,则周边将会出现连续若干个梯度值相近的像素点,故采用迭代法来计算弱边缘。
具体为:设置阈值的初始估值,
式中估值τ0表示迭代次数为0。
计算求出灰度区间[c,τ0]的平均灰度值τ1,
循环以上步骤得出τn=τn+1时,循环结束。则灰度图像最低阈值点位τn+1。
根据阈值τn+1的大小,输出细化边缘检测图像。
实施原理:把红外图像转化成计算机可以识别的灰度图像后,并进行中值滤波去除噪音干扰,利用灰度尺度变换,增强感兴趣区域的画面,再通过两种不同Roberts算子计算梯度值,并取梯度值均值,再设置高低阈值对图像进行基于高阈值点进行初步边缘检测和基于低阈值点进行细化边缘检测。
本申请还公开了一种红外图像边缘检测装置,参考图2,包括红外检测模块1、处理模块2、存储模块3以及显示终端4,其中,红外检测模块1与存储模块3通信,存储模块3与处理模块2通信,处理模块2与显示终端4通信;红外检测模块1用于拍摄通信生成红外图像,存储模块3用于存储红外图像,处理模块2用于将红外图像转换成灰度图像,并将灰度图像转化成边缘检测后的图像,最后输出至显示终端4,在本实施例中,红外检测模块1采用红外相机,型号为MV-VD030SM。
参考图2,处理模块2包括解码器21、滤波器22以及处理子单元23,在本实施例中,滤波器22采用3x3窗口,解码器21310的型号为ADV7181B,处理子单元23选用DSP,DSP的型号为ADSP-BF561,DSP内设置有图像识别算法。其中,解码器21与红外检测模块1通信,红外摄像机输出的模拟信号由解码器21进行解码,解码器21将模拟信号转换为图像信号,图像信号存储在存储模块3中,处理子单元23调取存储模块3中的数据将其转化成0-255的灰度图像,滤波器22与处理子单元23通信,滤波器22对灰度图像进行滤波,去除噪音。
本申请实施例公开一种终端设备,终端设备包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序。其中,处理器执行计算机程序时采用了上述实施例的一种基于红外图像的边缘检测方法、装置。
终端设备包括台式电脑、笔记本电脑或者云端服务器等计算机设备,并且,终端设备包括但不限于处理器以及存储器,例如,终端设备还可以包括输入输出设备、网络接入设备以及总线。
处理器可以采用中央处理单元(CPU),当然,根据实际的使用情况,也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以采用微处理器或者任何常规的处理器等,本申请对此不做限制。
存储器可以为终端设备的内部存储单元,例如,终端设备的硬盘或者内存,也可以为终端设备的外部存储设备,例如,终端设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等,并且,存储器还可以为终端设备的内部存储单元与外部存储设备的组合,存储器用于存储计算机程序以及终端设备所需的其他程序和数据,存储器还可以用于暂时地存储已经输出或者将要输出的数据,本申请对此不做限制。
其中,通过本终端设备,将上述实施例的一种基于红外图像的边缘检测方法、装置存储于终端设备的存储器中,并且,被加载并执行于终端设备的处理器上,以方便用户使用。
其中,计算机程序可以存储于计算机可读介质中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等,计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,计算机可读介质包括但不限于上述元器件。
其中,通过本计算机可读存储介质,将上述实施例的一种基于红外图像的边缘检测方法、装置存储于计算机可读存储介质中,并且,被加载并执行于处理器上,以方便一种基于红外图像的边缘检测方法、装置存储及应用。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种基于红外图像的边缘检测方法,其特征在于:包括步骤
将采集的红外图像转换成灰度图像;
对转换的灰度图像进行均值滤波;
采用灰度线性变换进行图像增强;
确定原图像合适的分段点a和分段点b;
压缩灰度总数;
基于2×2邻域计算梯度幅值;
基于3×3邻域计算梯度幅值;
对2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值进行加权取梯度幅均值;
确定阈值范围;
基于高阈值点进行初步边缘检测;
基于低阈值点进行细化边缘检测。
2.根据权利要求1所述的一种基于红外图像的边缘检测方法,其特征在于:确定灰度原图像合适的分段点a和分段点b,具体为:
根据原灰度图像f(x,y)的灰度值,得出原灰度图像的灰度直方图或灰度值概率密度函数,并使得原灰度图像f(x,y)的灰度中间值以及原灰度图像f(x,y)的80%的灰度值落入到灰度区间[a,b]内。
3.根据权利要求2所述的一种基于红外图像的边缘检测方法,其特征在于:将原图像灰度区间[a,b]转换成灰度区间[c,d],且所述灰度分段点a的数值大于灰度分段点c的数值,灰度分段点b的数值小于灰度分段点d的数值。
4.根据权利要求3所述的一种基于红外图像的边缘检测方法,其特征在于:所述压缩灰度总数,具体为:
具体为,基于已变换灰度级F(x,y)在灰度区间[c,d],以灰度值c为起点,每相隔5个灰度值,将此5个灰度值均由此5个灰度值的灰度中值来替代。
5.根据权利要求4所述的一种基于红外图像的边缘检测方法,其特征在于:所述确定阈值,具体为:
根据对2×2邻域计算的梯度幅值与3×3邻域计算的梯度幅值进行加权取梯度幅均值;梯度幅均值取值区间为[c,d],将分段点d设置为强阈值点位,将分段点c设置为弱阈值点位;并将小于弱阈值点c的点认为是假边缘并置为灰度值0,将大于强阈值点d的点认为是强边缘并置为灰度值1,介于区间[c,d]中间的幅度值需进行下一步的检查。
6.根据权利要求5所述的一种基于红外图像的边缘检测方法,其特征在于:所述基于高阈值点进行初步边缘检测,具体为:
根据高阈值点把边缘链接成轮廓,当到达轮廓的端点时,该算法会在断点的八邻域点中寻找满足低阈值的点,再根据此点收集新的边缘,直到整个图像闭合。
8.一种基于红外图像的边缘检测装置,其特征在于:包括红外检测模块(1)、处理模块(2)、存储模块(3)以及显示终端(4);所述红外检测模块(1)与存储模块(3)通信,所述存储模块(3)与处理模块(2)通信,所述处理模块(2)与显示终端(4)通信;
所述红外检测模块(1)用于采集目标的红外图像;
所述存储模块(3)用于存储红外检测模块(1)采集到的红外图像;
所述处理模块(2)用于将采集到的红外图像转换为灰度图像,并将灰度图像采用了如上述权利要求1-7任意一项的基于红外图像的边缘检测算法进行边缘检测计算,将灰度图像转化成边缘检测后的图像后,输出至显示终端(4)进行显示。
9.根据权利要求8所述的一种基于红外图像的边缘检测装置,其特征在于:所述处理模块(2)包括解码器(21)、滤波器(22)以及处理子单元(23),所述解码器(21)与红外检测模块(1)通信,所述解码器(21)对红外检测模块(1)采集的图像进行解码;所述解码器(21)与存储模块(3)通信,所述解码器(21)将解码后的数据存储到存模块中,所述处理子单元(23)与存储模块(3)通信,所述处理子单元(23)可调用解码后的数据,所述处理子单元(23)与滤波器(22)通信,所述滤波器(22)将解码后的数据进行滤波并输出至处理子单元(23),用以进行边缘检测;所述处理子单元(23)与显示终端(4)通信,用以输出边缘检测后的红外图像。
10.根据权利要求9所述的一种基于红外图像的边缘检测装置,其特征在于:所述滤波器(22)采用3*3窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296821.0A CN114140481A (zh) | 2021-11-03 | 2021-11-03 | 一种基于红外图像的边缘检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296821.0A CN114140481A (zh) | 2021-11-03 | 2021-11-03 | 一种基于红外图像的边缘检测方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140481A true CN114140481A (zh) | 2022-03-04 |
Family
ID=80392490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296821.0A Pending CN114140481A (zh) | 2021-11-03 | 2021-11-03 | 一种基于红外图像的边缘检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140481A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926395A (zh) * | 2022-04-12 | 2022-08-19 | 尚特杰电力科技有限公司 | 一种光伏电板红外图像掉串检测方法和*** |
CN116416166A (zh) * | 2023-06-12 | 2023-07-11 | 贵州省人民医院 | 一种肝活检数据分析方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839231A (zh) * | 2012-11-27 | 2014-06-04 | 中国科学院沈阳自动化研究所 | 一种基于人眼视觉最小探测概率最大化的图像增强方法 |
CN106127713A (zh) * | 2016-06-30 | 2016-11-16 | 山东中安科创光电科技有限公司 | 弱小气体泄漏目标增强与快速实现方法 |
CN109146905A (zh) * | 2018-08-30 | 2019-01-04 | 南京理工大学 | 针对低亮度环境的canny算子边缘检测算法 |
CN109325959A (zh) * | 2018-11-09 | 2019-02-12 | 南京邮电大学 | 一种基于Hough变换的提取红外图像细节的方法及其应用 |
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN111815660A (zh) * | 2020-06-16 | 2020-10-23 | 北京石油化工学院 | 危化品仓库中货物边缘检测方法、装置及终端设备 |
CN113436216A (zh) * | 2021-07-06 | 2021-09-24 | 国网信息通信产业集团有限公司 | 基于Canny算子的电气设备红外图像边缘检测方法 |
-
2021
- 2021-11-03 CN CN202111296821.0A patent/CN114140481A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839231A (zh) * | 2012-11-27 | 2014-06-04 | 中国科学院沈阳自动化研究所 | 一种基于人眼视觉最小探测概率最大化的图像增强方法 |
CN106127713A (zh) * | 2016-06-30 | 2016-11-16 | 山东中安科创光电科技有限公司 | 弱小气体泄漏目标增强与快速实现方法 |
CN109146905A (zh) * | 2018-08-30 | 2019-01-04 | 南京理工大学 | 针对低亮度环境的canny算子边缘检测算法 |
CN109325959A (zh) * | 2018-11-09 | 2019-02-12 | 南京邮电大学 | 一种基于Hough变换的提取红外图像细节的方法及其应用 |
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN111815660A (zh) * | 2020-06-16 | 2020-10-23 | 北京石油化工学院 | 危化品仓库中货物边缘检测方法、装置及终端设备 |
CN113436216A (zh) * | 2021-07-06 | 2021-09-24 | 国网信息通信产业集团有限公司 | 基于Canny算子的电气设备红外图像边缘检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926395A (zh) * | 2022-04-12 | 2022-08-19 | 尚特杰电力科技有限公司 | 一种光伏电板红外图像掉串检测方法和*** |
CN116416166A (zh) * | 2023-06-12 | 2023-07-11 | 贵州省人民医院 | 一种肝活检数据分析方法及*** |
CN116416166B (zh) * | 2023-06-12 | 2023-08-04 | 贵州省人民医院 | 一种肝活检数据分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
Gibson et al. | Fast single image fog removal using the adaptive Wiener filter | |
WO2018176938A1 (zh) | 红外光斑中心点提取方法、装置和电子设备 | |
CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN107424133B (zh) | 图像去雾方法、装置、计算机可存储介质和移动终端 | |
CN109005368B (zh) | 一种高动态范围图像的生成方法、移动终端及存储介质 | |
EP3798975A1 (en) | Method and apparatus for detecting subject, electronic device, and computer readable storage medium | |
US20140126808A1 (en) | Recursive conditional means image denoising | |
CN111144337B (zh) | 火灾检测方法、装置及终端设备 | |
CN114140481A (zh) | 一种基于红外图像的边缘检测方法、装置 | |
GB2557035A (en) | IR or thermal image enhancement method based on background information for video analysis | |
CN107908998B (zh) | 二维码解码方法、装置、终端设备及计算机可读存储介质 | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
KR20110129158A (ko) | 영상 처리 시스템에서의 객체 후보 영역 검출 방법 및 시스템 | |
CN108769521B (zh) | 一种拍照方法、移动终端及计算机可读存储介质 | |
JP5662890B2 (ja) | 画像処理方法、画像処理装置及び画像処理プログラム、並びに、画像処理による放射線量推定方法 | |
CN107424134B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN111222446B (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
CN110290310B (zh) | 从图像信号中减少阶梯伪像的图像处理装置 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN116249015A (zh) | 摄像头遮挡检测方法、装置、摄像头设备及存储介质 | |
Wang et al. | A bilateral filtering based ringing elimination approach for motion-blurred restoration image | |
CN115423861A (zh) | 气体泄露检测方法及装置、设备、存储介质 | |
Thakur et al. | Classification of color hazy images |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220304 Assignee: Guangdong weiruidi Technology Co.,Ltd. Assignor: BEIJING VIREADY TECHNOLOGY Co.,Ltd. Contract record no.: X2022990001008 Denomination of invention: An edge detection method and device based on infrared image License type: Common License Record date: 20230103 |