CN101504725B - 一种图像处理方法 - Google Patents
一种图像处理方法 Download PDFInfo
- Publication number
- CN101504725B CN101504725B CN200910080532XA CN200910080532A CN101504725B CN 101504725 B CN101504725 B CN 101504725B CN 200910080532X A CN200910080532X A CN 200910080532XA CN 200910080532 A CN200910080532 A CN 200910080532A CN 101504725 B CN101504725 B CN 101504725B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- gray scale
- max
- lbp
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种图像处理方法,属于图像处理技术领域。本发明方法包括下列步骤:a)输入原始图像P,P经设定的图像转换方法处理得到其转换图像P’,P’仅保留原始图像各个像素之间灰度的大小关系;b)生成一重建图像R,R经所述图像转换方法处理得到的转换图像R’=P’;c)以所述重建图像R作为图像处理的结果输出。所述图像转换方法优选LBP变换方法。在步骤b中,优选生成满足R’=P’的像素灰度最大的重建图像Rmax和像素灰度最小的重建图像Rmin,并以Rmax和Rmin中各个像素的灰度的平均值作为重建图像R中对应像素的灰度。本发明可用于图像去光照等图像处理。
Description
技术领域
本发明涉及图像处理,尤其涉及一种去除图像光照不均,获得光照均匀的图像的方法,属于图像处理技术领域。
背景技术
图像识别检测与识别系统通常对光照条件做出一定的限制,假设处理图像是在基本均匀的光照条件下获得的,它们仅允许小范围内的光照条件的变化,然而实际光照条件往往不均匀,偏光、侧光、高光导致的过亮、过暗、阴影都会使系统的检测率和识别率大幅下降。因此,图像去光照处理对于图像检测与识别系统较为重要。
目前,对于光照问题的研究思路主要分为两大类,基于变换的方法和基于光照样本合成的方法。
基于变换的方法是在空域或频域上进行线性或者非线性变换,以达到消除光照影响的目的。基于变换的思想是把图像的不同的光照图像看作基本信号,进行去光照处理,它是较早的一种对光照问题的处理方式,有其局限性,主要是对极端光照条件下(如高光、全黑等情况)的图像处理效果差。
基于光照样本合成的方法首先对图像进行光照条件估计,然后通过对标准光照环境的模拟,将其归一化为标准光照环境下的光照图像。基于样本合成的思想是对原始图像添加光照处理,通过对自然环境光照的模拟,将其转化为标准光照条件下,它是目前研究较多的光照处理方式,归纳一下可以分为四类:基于不变特征的方法、光照变化建模方法和基于SFS(Shape From Shaping)的方法。这些基于光照眼本合成的方法的主要缺陷是,严重依赖于训练样本,并且计算速度较慢。
基于算子的方法,它首先选择一些对于光照不敏感的算子,然后对原始图像提取算子,最后对于算子图像进行分析检测和识别算法。其中,比较常见的就是LBP、Gabor算子等。但是这种方法并不能称为去光照处理方法,因为这类方法的输出结果是算子图像而不是原始图像去光照后的图像。
发明内容
本发明的目的是解决现有的图像去光照问题的速度慢、效果差的问题,提出一种新的图像处理方法。
本发明方法基于如下原理:
一幅图像可以使用两维特征进行刻画,这两维特征就是图像的模式特征和图像的对比度特征。其中,对比度特征刻画了图像像素的灰度的大小差异,这种特征对光照变化很敏感。而模式特征则是刻画了图像像素的灰度的相对大小关系,这种特征对光照变化不敏感。本发明方法利用模式特征,即图像像素的相对灰度对光照变化不敏感的特点来实现图像的去光照。
具体来说,本发明通过特定的图像转换方法去除原始图像P的对比度特征得到仅保留模式特征的转换图像P’,然后根据P’还原可能的重建图像R,重建图像R经相同的图像转换处理后得到的转换图像R’和原始图像P的转换图像P’相同。
本发明优选通过LBP变换方法进行上述图像转换处理。
所述LBP变换指的是对原始图像中的每一个像素点按照LBP算子计算得到一个唯一的LBP编码。
LBP算子是一种灰度范围内的纹理度量,它是从一种纹理局部紧邻定义中衍生出来的,最初是由Ojala等人为了辅助性地度量图像的局部对比度而提出的。
图像的局部纹理T的分布可以假设认为是局部区域内像素灰度的联合分布密度:
T=t(gc,g0,…,gP-1)
其中,gc对应图像领域中心像素点的灰度,g0,g1,…,gP-1为中心像素的相邻像素的灰度,比如考虑中心像素周围的8个像素时,P=9。
在不损失纹理信息的情况下,可以从相邻像素的灰度中减去中心像素的灰度,则有,
T=t(gc,g0-gc,…,gP-1-gc)
如果假设中心像素灰度与其相邻的像素的灰度相互独立,则可以得到,
T=t(gc)t(g0-gc,…,gP-1-gc)
由于t(gc)只描述了整个图像的亮度分布情况,而和图像的局部纹理无关,因而可以忽略不计,得到
T≈t(g0-gc,…,gP-1-gc)
仅考虑gi-gc的符号,则我们可以发现,它对局部纹理的描述具有对均匀亮度变化的不变性,而不仅仅是对灰度范围内的平移具有不变性。所以,我们可以得到,
T≈t(s(g0-gc),…,s(g0-gc)),
为s(gi-gc)分配一个权值2i,则可以得到一个唯一的LBP编码,
由于LBP图像并不包含原始图像的任何灰度信息,并且整个图像的平均亮度也是未知的,因此可以由LBP图像来估算原始图像。本发明优选通过估算出每一个像素灰度的可能的最大值,然后估算出其可能的最小值,然后使用平均值来代表此点像素的灰度。就整体而言,图像重建过程中,得到像素灰度最大的重建图像Rmax和像素灰度最小的重建图像Rmin,所述Rmax和Rmin经所述图像转换方法处理后得到的转换图像Rmax’和Rmin’均和P’相同,最终得到的重建图像R是Rmax和Rmin的平均值。
其具体步骤如下,如图1所示:
1.对原始图像P做LBP变换得到LBP图像LBP(P)(即,转换图像P’)。
2.根据LBP(P)计算灰度最大的重建图像Rmax:
将Rmax的所有像素的灰度预设为255;
对于每个像素,将其灰度由255以β为步长依次减小,直到该像素的LBP编码等于LBP(P)中该像素的LBP编码为止,此时的灰度就是该像素点的最大灰度;
确定所有像素点的最大灰度后得到的图像即为灰度最大的重建图像Rmax,Rmax’=P’。
3.根据LBP(P)计算重建灰度最小的重建图像Rmin:
首先将Rmin的所有像素的灰度预设为0;
对于每个像素,将其灰度由0以β为步长依次增大,直到该像素的LBP编码等于LBP(P)中该像素的LBP编码为止,此时的灰度就是该像素点的最小灰度;
确定所有像素点的最小灰度后得到的图像即为灰度最小的重建图像Rmin,Rmin’=P’。
4.得到重建图像R, 除了算术平均外,还可通过其他平均化方法在灰度最大和灰度最小之间得到所需的平均值。
上面提到的步长β优选为1或3或5,可以理解,步长越短,则重建图像的效果越好,但所需的时间也更长。
和其他图像去光照算法相比,本发明的优点可以总结如下:
1.计算速度快
2.不需要训练样本,更不需要对样本进行建模,可以用于不同物体的图像去光照。
3.不需要对光源进行建模,对光源变化的适应能力强。
附图说明
图1是本发明方法优选的流程图。
图2是本发明实施例方法的LBP算子计算过程的示意图。
具体实施方式
下面通过一个具体实施例对本发明作进一步描述。
本实施例图像处理方法按照下列步骤进行:
1.对原始图像P做LBP变换得到LBP图像LBP(P):
对原始图像P的每一个像素使用公式 得到对应的LBP编码,最终构成LBP图像LBP(P)。
举例来说,对于图2a正中间的像素点,由于 其周围8个点的s(gi-gc)值分别如图2b所示,则LBP=1×28+1×27+1×26+1×25+0×24+0×23+0×22+1×21=128+64+32+16+0+0+0+1=241,如图2c所示,从图2b到图2c的计算过程可以看作是二进制的“11110001”转化成十进制的“241”的过程。
可以理解,由于每个像素的LBP转换都基于周围的8个点,因此位于图像四边的像素点则无法作此LBP转换,即分辨率为m×n的原始图像P经LBP转换后得到的LBP图像的分辨率为(m-2)×(n-2),但最后得到的重建图像R的分辨率仍然是m×n。
2.根据LBP(P)估算重建图像R的最大值Rmax。
i.对于Rmax中的每个像素点Rmax(x,y),令Rmax(x,y)=255;
ii.令 其中β=1,
则Δ(x,y)=AND(XOR(LBP(P(x,y)),LBP(R(x,y))),LBP(P(x,y)))其中,函数BITGET(Δ(x,y),n)的返回值为Δ(x,y)第n位。
iii.循环ii,直到Δ(x,y)=0,得到Rmax(x,y)。
3.根据LBP(P)估算重建图像R的最小值Rmin。
i.对于Rmin中的每个像素点,令Rmin(x,y)=0;
ii.令 其中,
Δ(x,y)=AND(XOR(LBP(P(x,y)),LBP(R(x,y))),LBP(P(x,y)))
β=1,
Nx={1,1,0,-1,-1,-1,0,1}
Ny={0,-1,-1,-1,0,1,1,1}。
I={5,6,7,8,1,2,3,4}
iii.循环ii,直到Δ(x,y)=0,得到Rmin(x,y)。
4.得到重建图像R,
Claims (4)
1.一种图像处理方法,包括下列步骤:
a)输入原始图像P,P经设定的图像转换方法处理得到其转换图像P’,P’仅保留原始图像各个像素之间灰度的大小关系;
b)生成一重建图像R,R经所述图像转换方法处理得到的转换图像R’=P’;
c)以所述重建图像R作为图像处理的结果输出;
其中,所述图像转换方法是LBP变换方法;
在步骤b)中,生成满足R’=P’的像素灰度最大的重建图像Rmax和满足R’=P’的像素灰度最小的重建图像Rmin,并以Rmax和Rmin中各个像素的灰度的平均值作为重建图像R中对应像素的灰度;
所述Rmax通过下述方法获得:将Rmax中所有像素的灰度预设为255;对于每个像素,将其灰度由255以β为步长依次减小,直到Rmax’=P’;Rmax’表示Rmax经所述图像转换方法处理得到的转换图像;
所述Rmin通过下述方法获得:将Rmin中所有像素的灰度预设为0;对于每个像素,将其灰度由0以β为步长依次增大,直到Rmin’=P’;Rmin’表示Rmin经所述图像转换方法处理得到的转换图像。
2.如权利要求1所述的图像处理方法,其特征在于,所述LBP变换基于中心像素周围的8个像素。
3.如权利要求1所述的图像处理方法,其特征在于,所述步长β=1或3或5。
4.如权利要求1所述的图像处理方法,其特征在于,所述平均值为算术平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910080532XA CN101504725B (zh) | 2009-03-20 | 2009-03-20 | 一种图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910080532XA CN101504725B (zh) | 2009-03-20 | 2009-03-20 | 一种图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101504725A CN101504725A (zh) | 2009-08-12 |
CN101504725B true CN101504725B (zh) | 2011-04-20 |
Family
ID=40976965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910080532XA Expired - Fee Related CN101504725B (zh) | 2009-03-20 | 2009-03-20 | 一种图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101504725B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276724A (zh) * | 2018-03-14 | 2019-09-24 | 上海箩箕技术有限公司 | 图像处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790374A (zh) * | 2004-12-14 | 2006-06-21 | 中国科学院计算技术研究所 | 一种基于模板匹配的人脸识别方法 |
-
2009
- 2009-03-20 CN CN200910080532XA patent/CN101504725B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790374A (zh) * | 2004-12-14 | 2006-06-21 | 中国科学院计算技术研究所 | 一种基于模板匹配的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
叶剑华等.基于局部二值模式和级联AdaBoost的多模态人脸识别.《计算机应用》.2008,第28卷(第11期),2853-2855,2883. * |
唐良宝等.人脸图像光照预处理的一种新方法.《光学技术》.2007,第34卷149-153. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276724A (zh) * | 2018-03-14 | 2019-09-24 | 上海箩箕技术有限公司 | 图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101504725A (zh) | 2009-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Textural identification of basaltic rock mass using image processing and neural network | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN110210545B (zh) | 基于迁移学习的红外遥感水体分类器构建方法 | |
Li et al. | Automatic pavement crack recognition based on BP neural network | |
CN111105405B (zh) | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 | |
JP2020508531A (ja) | 画像品質の評価方法及び画像品質の評価システム | |
CN109509187A (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN101727662A (zh) | Sar图像非局部均值去斑方法 | |
CN108764298A (zh) | 基于单分类器的电力图像环境影响识别方法 | |
CN112465057B (zh) | 一种基于深度卷积神经网络的目标检测识别方法 | |
CN112215100B (zh) | 一种不平衡训练样本下针对退化图像的目标检测方法 | |
CN105809175A (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN104680549B (zh) | 基于高阶邻域tmf模型的sar图像变化检测方法 | |
CN113449811A (zh) | 一种基于ms-wsda的低照度目标检测方法 | |
WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
Chu et al. | Deep learning method to detect the road cracks and potholes for smart cities | |
CN101504725B (zh) | 一种图像处理方法 | |
CN113222904A (zh) | 改进PoolNet网络结构的混凝土路面裂缝检测方法 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN115861297A (zh) | 基于深度学习的印版网点图像检测和分割方法及装置 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN107169507A (zh) | 一种基于网格特征提取的证件照曝光方向检测算法 |
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 | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110420 Termination date: 20140320 |