CN101282419B - 一种自动坏点检测方法与设备 - Google Patents
一种自动坏点检测方法与设备 Download PDFInfo
- Publication number
- CN101282419B CN101282419B CN2008101054910A CN200810105491A CN101282419B CN 101282419 B CN101282419 B CN 101282419B CN 2008101054910 A CN2008101054910 A CN 2008101054910A CN 200810105491 A CN200810105491 A CN 200810105491A CN 101282419 B CN101282419 B CN 101282419B
- Authority
- CN
- China
- Prior art keywords
- bad
- picture element
- point
- pixel value
- automatic
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种坏点检测方法和设备。所述方法包括:判断象素点所在区域是细节区域或均匀区域;对均匀区域中的象素点,判断是否空间连通以及是否已在自动坏点表中;对判断为空间连通并且已在自动坏点表中的象素点,进行场景运动判断;以及根据场景运动判断的结果,确定是否是坏点。本发明通过细节区域和均匀区域的区分,以有效防止对原本图像细节的模糊;对均匀区域严格作坏点判断时空间连通性的判断条件,以提高对坏点检测的灵敏度和“伤点”的检测率;自动坏点表的运用,大大增加真实坏点的检测率。
Description
技术领域
本发明涉及图像处理,具体地说涉及图像处理中的坏点检测。
背景技术
在图像采集和处理电路中往往配置有图像传感器,以将光信号转换为电信号传输到处理电路中。由于制造或使用的原因,传感器所采集到的图像中往往含有多个坏象素点,这样的坏点影响了图像的质量。为此,需要进行坏点检测。
传统的坏点检测算法仅是根据象素点和周围邻域的差异来作坏点判断,这类算法都不能解决有效细节被模糊和坏点被漏检之间的矛盾。
发明内容
本发明的目的是提供利用坏点表结合局部细节程度判断的坏点检测方案,以有效地解决以上问题。
在第一方面,本发明提供一种坏点检测方法,包括:判断象素点所在区域是细节区域或均匀区域;对均匀区域中的象素点,判断是否空间连通以及是否已在自动坏点表中;对判断为空间连通并且已在自动坏点表中的象素点,进行场景运动判断;以及,根据场景运动判断的结果,确定是否是坏点。
在第二方面,本发明提供一种坏点检测设备,包括:存储装置,存储自动坏点表;判断象素点所在区域是细节区域或均匀区域;对均匀区域中的象素点,判断是否空间连通以及是否已在自动坏点表中的装置;对判断为空间连通并且已在自动坏点表中的象素点,进行场景运动判断的装置;以及,根据场景运动判断的结果,确定是否是坏点的装置。
本发明通过细节区域和均匀区域的区分,对细节区域非坏点表中的点不作坏点判断,这样可以有效防止对原本图像细节的模糊;对均匀区域严格作坏点判断时空间连通性的判断条件,这样可以提高对坏点检测的灵敏度和“伤点”的检测率;自动坏点表的运用,可以大大增加真实坏点的检测率。
附图说明
下面将参照附图对本发明进行更详细的说明,其中:
图1是根据本发明的一个具体实施方案的自动坏点检测流程图。
具体实施方式
本发明提出一种自动坏点检测算法。在该算法中,根据象素点某邻域内象素与该象素的差异作为判断坏点的基本准则;根据象素点某邻域内象素点之间的差异来衡量图像的细节程度,将该细节程度作为判断坏点的辅助准则;将每帧检测到的坏点信息存表,在后续帧的检测中,对坏点表内外的点进行区别处理。根据每一帧坏点检测的结果,实时更新坏点表内容,实现坏点信息在坏点表中的进出机制。
图1是根据本发明的一个具体实施方案的自动坏点检测流程图。该方案借助一自动坏点表进行坏点检测,表中的内容是历史帧中检测出来的坏点信息。这些坏点信息包括坏点的位置,等级及其某一参照象素值。在坏点检测过程中,自动坏点表会同步更新,可能会有新的坏点信息入表,也可能有旧的坏点信息出表(当坏点等级降为0时)。
如图1所示,对每一个待判断象素点(步骤100),首先在步骤102判断该点坐标是否在手动坏点表中。手动坏点表可以由特定的坏点检测工具得到,该表的缺点是不能即时更新,对传感器在使用过程中出现的坏点无能为力,所以必须结合自动坏点检测。
如果在手动坏点表中,则判为坏点,转入步骤116;否则,程序转入步骤104。
在步骤104,通过该象素点邻域内的象素信息判断该点处于均匀区域或是细节区域。细节判断可以通过邻域内最大值、最小值的差异,或者邻域内的方差来衡量。
如果判断是均匀区域,则程序进入步骤106,否则判断为细节区域,程序进入步骤120。
在步骤106,判断待判断象素点周围的空间是否连通。办法是计算该点与周围某邻域内象素点之间的差异并与某一预设的门限1比较。
如果大于坏点判断门限1,则进入步骤130,判该点为坏点,并将该点的信息存入自动坏点表,坏点等级设为最大坏点等级,更新其参照值,并且继而进入步骤116。
如果小于坏点判断门限1,则将本帧判断该点可能为“好点”,接着进入步骤108。
在步骤108,判断该点是否在自动坏点表中。
如果不在自动坏点表中,则将其判为好点,进入步骤126,该点处理结束。
如果在自动坏点表中,则程序进入步骤110。
在步骤110,计算当前帧该点参照象素值与表中的参照象素值差异,并与某一预设的运动门限比较。
为了防止在场景不动时,某个真实坏点在某个特定区域不断被判成好点而最终从表内释放的情况,有必要严格坏点表中点的出表条件。在一个例子中,只有在几种不同场景下都被判成好点的历史坏点,才能最终判成好点,并从坏点表内删除。场景的变化可以通过参照象素值的变化来衡量,如果表中的参照象素值与当前帧的参照像素值间的差异超过某一门限,则表明场景是变化的,否则认为场景没有发生改变。
如果在步骤110判断当前帧该点参照象素值与表中的参照象素值差大于运动门限,则进入步骤112,减小该点的坏点等级值并更新参照象素值。然后,在步骤114判断是否坏点等级值减到0。如果坏点等级值减到0,则判该点是好点,并将其信息从坏点表中删除,程序进入步骤126;否则,仍判该点为坏点;该点处理到步骤116结束。
在步骤110判断当前帧该点参照象素值与表中的参照象素值差小于运动门限,则判该点为坏点,不更新坏点表,该点处理进入步骤116结束。
在步骤116,,根据邻域插值进行坏点去除。可以将该点的参照象素值设为邻域内与该点相对位置固定的某一象素值或是某一小区域的平均象素值。然后,该点处理结束。
在步骤104判断为细节区域的情况下,程序接着在步骤120判断该点是否在自动坏点表中。
如果不在自动坏点表中,则判为好点,该点处理进入步骤126结束。
如果在坏点表中,则进入步骤122。
在步骤122,判断该点的周围空间是否连通。可以计算该点与周围某邻域内象素点之间的差异并与某一预设的门限2比较来判断是否连通。
如果大于坏点判断门限2,表明该点周围空间不连通,则判该点为坏点,进入步骤124,将该点在自动坏点表中的坏点等级设为最大坏点等级,更新其参照值。然后该点处理进入步骤116结束。
如果小于坏点判断门限2,判该点是坏点,该点处理进入步骤116结束。
以上就是对单个象素点坏点判断的判断流程。为了防止坏点数目过大,超过自动坏点表大小引起的部分坏点信息被覆盖的情形,可以设置一个门限TH_num。当自动坏点表中统计坏点数目不小于TH_num时,将自动坏点表中所有坏点的等级值减1,并将坏点等级值为0的坏点剔除出表,这样基本可以保证可能性最大的坏点都保存在自动坏点表中。
传统的坏点检测算法仅是根据象素点和周围邻域的差异来作坏点判断,这类算法都不能解决有效细节被模糊和坏点被漏检之间的矛盾。本发明提出利用坏点表结合局部细节程度判断的坏点检测算法,可以有效地解决这一矛盾。通过局部细节程度判断,对细节区域非坏点表中的点不作坏点判断,这样可以有效防止对原本图像细节的模糊;对均匀区域可以严格作坏点判断时空间连通性的判断条件,这样可以提高对坏点检测的灵敏度和“伤点”的检测率;自动坏点表的运用,可以大大增加真实坏点的检测率,因为即使坏点在当前帧隐藏在细节区域,但是只要是它在历史帧中被检出并记录在坏点表中,当前帧仍然能够根据表中的信息将该点判为坏点;由于不可避免的出现坏点的误判,为了防止伪坏点信息在时间上的堆积,并最终充满整个坏点表,本发明合理安排坏点信息在坏点表中的进出规则,利用细节判断,大大降低了坏点的误检率,即错误的进表几率;利用运动判断和坏点等级信息降低了错误的出表几率,使得最终坏点表中存储的坏点信息具有很高的准确性。这种坏点表结合局部细节判断的坏点检测方法基本可以认为对图像细节无损,而经过一定的学习帧数,也能达到很高的坏点检测概率。
显而易见,在此描述的本发明可以有许多变化,这种变化不能认为偏离本发明的精神和范围。因此,所有对本领域技术人员显而易见的改变,都包括在本权利要求书的涵盖范围之内。
Claims (12)
1.一种坏点检测方法,包括:
区分象素点所在区域是细节区域或均匀区域;
对均匀区域中的象素点,计算所述象素点与周围邻域内象素点之间的差异并与预设的门限比较以判断是否空间连通以及是否已在自动坏点表中,所述自动坏点表包括坏点等级值和参照象素值;
对判断为空间连通并且已在自动坏点表中的象素点,计算当前帧该象素点参照象素值与自动坏点表中的参照象素值差异,并与预设的运动门限比较;以及
在当前帧该象素点参照象素值与自动坏点表中的参照象素值差大于所述运动门限时,则减小该象素点的坏点等级值并更新参照象素值,随后继续判断该象素点的坏点等级是否低于第一阈值,如果低于第一阈值,则将该象素点判为好点,将该象素点从自动坏点表中排除;
在当前帧该象素点参照象素值与自动坏点表中的参照象素值差小于所述运动门限时,则判该象素点为坏点,不更新自动坏点表。
2.如权利要求1所述的方法,其特征在于包括在区分象素点所在区域的步骤之前确定象素点是否在手动坏点表中的步骤。
3.如权利要求1所述的方法,其特征在于所述方法包括对于处在细节区域的象素点,判断是否出现在自动坏点表中,并且对未出现在自动坏点表中的象素点不做空间连通性判断,直接判为好点。
4.如权利要求1所述的方法,其特征在于所述方法包括对于处在细节区域的象素点,当所述象素点出现在自动坏点表中时,将其判为坏点。
5.如权利要求1所述的方法,其特征在于所述方法包括对于处在均匀区域的象素点,在被判断空间不连通时,判断象素点是坏点。
6.如权利要求1所述的方法,其特征在于所述方法包括对于处在细节区域的象素点,判断该点的空间是否连通,并且在判断为不连通时,将象素点记录在自动坏点表中并且将其坏点等级置为最高等级,并且更新参照象素值。
7.如权利要求1所述的方法,其特征在于所述方法包括对于处在均匀区域的象素点,当所述判断是否空间连通以及是否已在自动坏点表中的步骤判断该点的空间不连通时,将坏点等级置为最高,并且更新参照象素值。
8.如权利要求1所述的方法,其特征在于所述方法包括比较自动坏点表中统计坏点数目与第二阈值,在统计坏点数目超过该第二阈值时,降低各坏点等级,并且将最低等级的坏点剔除出自动坏点表。
9.一种坏点检测设备,包括:
存储装置,存储自动坏点表;
判断象素点所在区域是细节区域或均匀区域;
对均匀区域中的象素点,判断是否空间连通以及是否已在自动坏点表中的装置;
对判断为空间连通并且已在自动坏点表中的象素点,计算当前帧该象素点参照象素值与自动坏点表中的参照象素值差异,并与预设的运动门限比较的装置;以及
在当前帧该象素点参照象素值与自动坏点表中的参照象素值差大于所述运动门限时,则减小该象素点的坏点等级值并更新参照象素值,随后继续判断该象素点的坏点等级是否低于第一阈值,如果低于第一阈值,则将该象素点判为好点,将该象素点从自动坏点表中排除,在当前帧该象素点参照象素值与自动坏点表中的参照象素值差小于所述运动门限时,则判该点为坏点,不更新自动坏点表的装置。
10.如权利要求9所述的设备,其特征在于包括对于处在细节区域的象素点,判断该点的空间是否连通,并且在判断为不连通时,将象素点记录在自动坏点表中并且将其坏点等级置为最高等级,并且更新参照象素值的装置。
11.如权利要求9所述的设备,其特征在于包括对于处在均匀区域的象素点,当判断该点的空间不连通时,将坏点等级置为最高,并且更新参照象素值的装置。
12.如权利要求9所述的设备,其特征在于包括比较自动坏点表中统计坏点数目与第二阈值,在统计坏点数目超过该第二阈值时,降低各坏点等级,并且将最低等级的坏点剔除出自动坏点表的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101054910A CN101282419B (zh) | 2008-04-29 | 2008-04-29 | 一种自动坏点检测方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101054910A CN101282419B (zh) | 2008-04-29 | 2008-04-29 | 一种自动坏点检测方法与设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101282419A CN101282419A (zh) | 2008-10-08 |
CN101282419B true CN101282419B (zh) | 2012-08-22 |
Family
ID=40014674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101054910A Expired - Fee Related CN101282419B (zh) | 2008-04-29 | 2008-04-29 | 一种自动坏点检测方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101282419B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798364A (zh) * | 2012-08-17 | 2012-11-28 | 河南工业职业技术学院 | 反求工程中异常测量数据点的剔除方法 |
CN104143185B (zh) * | 2014-06-25 | 2017-05-31 | 东软集团股份有限公司 | 一种污点区域检测方法 |
CN104615764B (zh) * | 2015-02-13 | 2019-05-03 | 北京搜狗科技发展有限公司 | 一种显示方法及电子设备 |
CN105068686B (zh) * | 2015-08-05 | 2018-03-16 | Tcl移动通信科技(宁波)有限公司 | 一种触摸屏的损坏检测方法及其装置 |
CN107305695B (zh) * | 2016-04-14 | 2021-03-09 | 上海富瀚微电子股份有限公司 | 一种图像自动坏点校正装置及方法 |
CN116600213B (zh) * | 2023-06-02 | 2023-10-24 | 上海宇勘科技有限公司 | 一种基于投票的面向线阵的高鲁棒性坏点校正方法 |
-
2008
- 2008-04-29 CN CN2008101054910A patent/CN101282419B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101282419A (zh) | 2008-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501614B2 (en) | Skip-scanning identification method, apparatus, and self-service checkout terminal and system | |
CN101282419B (zh) | 一种自动坏点检测方法与设备 | |
CN105390021B (zh) | 车位状态的检测方法及装置 | |
JP3123587B2 (ja) | 背景差分による動物体領域抽出方法 | |
US11328282B2 (en) | Method and system for identifying goods of intelligent shopping cart | |
CN102393397A (zh) | 一种磁瓦表面缺陷检测系统及其检测方法 | |
WO2004012140A2 (en) | Method and system for classifying object in scene | |
CN109447090B (zh) | 一种屏蔽门障碍物检测方法及检测系统 | |
CN104077785A (zh) | 运动对象检测装置、运动对象检测方法和计算机程序 | |
US20060268345A1 (en) | Method and system for detecting image defects | |
US20100128983A1 (en) | Imaging system and imaging method | |
US9310908B2 (en) | Color sampling method and touch control device thereof | |
CN106559647A (zh) | 开门关门检测装置和方法、人流检测系统和交通工具 | |
CN113570582B (zh) | 相机盖板清洁度检测方法及检测装置 | |
CN105184202A (zh) | 扫描仪脏污/清洁窗口自动探测 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN113269769A (zh) | 一种基于图像配准的缺陷检测方法、系统及设备 | |
CN113989743A (zh) | 垃圾满溢检测方法、检测设备及系统 | |
CN110069995A (zh) | 一种基于深度学习的餐盘运动状态识别方法 | |
CN111403318A (zh) | 工艺腔室内晶圆状态的检测方法及装置 | |
CN114532918A (zh) | 清洁机器人及其目标检测方法、装置及存储介质 | |
CN109060831B (zh) | 一种基于底板拟合的自动脏污检测方法 | |
JP2001126192A (ja) | 駐車場の駐車スペースの駐/空車判定方法 | |
JP2002024828A (ja) | 遠隔検針装置及び遠隔検針システム | |
CN110798680A (zh) | 一种单帧无参考自适应的视频雪花噪声检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120822 Termination date: 20200429 |
|
CF01 | Termination of patent right due to non-payment of annual fee |