CN101600115A - 一种剔除图像稳像系统周期性特征块的方法 - Google Patents
一种剔除图像稳像系统周期性特征块的方法 Download PDFInfo
- Publication number
- CN101600115A CN101600115A CN 200910303827 CN200910303827A CN101600115A CN 101600115 A CN101600115 A CN 101600115A CN 200910303827 CN200910303827 CN 200910303827 CN 200910303827 A CN200910303827 A CN 200910303827A CN 101600115 A CN101600115 A CN 101600115A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- block
- characteristic
- piece
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种剔除图像稳像系统周期性特征块的方法,其将第k帧图像分成M×N个图像块,统计每块的梯度和,并将最终的梯度和排序选出特征明显的图像块,然后针对第h个特征块,统计其邻域内相关度量值大于阈值的次数PeriodCNT(h),最后根据PeriodCNT(h)的大小判断所选的是不是周期性特征块,并加以剔除。本发明充分利用了稳像系统中包含候选特征块在内的整体图像的信息,不管图像块的周期性如何,既选取了最大特征的图像块,又最大限度地排除了周围和目标相似的目标,既适用于规则的周期性图像块的剔除,又适用于不规则的周期性图像块的剔除,从而能大大提高下一帧块匹配求取的局部运动矢量的精度和稳像效果。
Description
技术领域
本发明属于图像稳像技术领域,特别涉及一种对图像稳像算法中提取周期性特征块并加以剔除的方法。
背景技术
在图像稳像系统的稳像算法中,特征块应该检查是否具有周期性,周期性的特征块将会影响求解的局部运动矢量的精度进而可能影响整体稳像效果。
现有技术中没有对特征块是否具有周期性进行判断的方法,目前多采用在图像的固定位置选取几块图像作为特征块,或者是利用最大均值差(或梯度和)的方法求出几块图像作为特征块。现有技术中的一种求解图像特征块的方法如下:
将图像划分为互相不重叠的R个区域,每个区域的大小为r?s,这样在每一个区域中找一个a?b的特征模板是可行的。满足下面条件则认为是特征区域
Fi=∑(f(x,y)-E) (1)
S=Max(Fi) (2)
式中,f(x,y)是每一个像素的值,E是该特征模板的均值,S最大的特征块就认为是特征模板。该方法基本可以保证特征模板内至少在某一点的一个领域内有明显变化;但由于没有考虑到特征模板(特征块)的周期性,不能有效地排除图像中特征模板(特征块)周围和该块图像相似的目标图像,在计算局部运动矢量时将会影响到局部运动矢量估计的精度和可靠性,并最终影响到稳像系统的整体稳像效果。
发明内容
本发明的目的是针对上述现有技术的缺陷,提出一种可以有效提取图像稳像系统中周期性特征块以加以剔除的方法,以提高图像稳像系统的精度和稳像效果。
本发明的技术方案是:一种剔除图像稳像系统周期性特征块的方法,包括以下步骤:
1)、在第k帧图像上选取供第k+1帧图像求解局部运动矢量使用的、大小为R×S的搜索区域图像块S(g),在搜索区域图像块S(g)中将图像分为M×N个大小为r×s的待选图像块T(g),r、s为特征块水平和竖直方向的大小,R、S为搜索区域图像块的水平和竖直方向的大小,单位都是像素;
2)、统计每个待选图像块T(g)的梯度和Grad(g),根据梯度和Grad(g)排序、并同时根据一定阈值要求筛选出预选特征图像块T(h),0<h<E,E=2×P,P为最终进行局部运动矢量提取时所用的图像特征块个数;各预选特征图像块T(h)对应的梯度和为Grad(h),作为特征图像块的特征;所述筛选时的阈值要求为:删除Grad(h)<threshold的图像块;
3)、对第h个预选特征图像块T(h),利用最多近邻点距离--MCD的确定相似性的相关算法计算出预选特征图像块在搜索区域图像内的相关度量值D(A,B),其计算公式为:
式中,Ai,j表示预选特征图像块T(h),Bi,j表示搜索区域图像中和预选特征图像块T(h)进行MCD相关算法运算的图像块;
4)、统计预选特征图像块在搜索区域图像内的相关度量值D(A,B)大于设定阈值的位置出现次数PeriodCNT(h),其统计公式为:
其中阈值G_threshold为用于判断是否与预先特征图像块的相关度量值D(A,B)相似的参考相似度量值;
5)、根据PeriodCNT(h)的大小判断所选的预选特征图像块T(h)是不是周期性特征块,其判断公式为:
6)、输出判断结果并剔除周期性特征块,同时将保留的特征块提供给第k+1帧求解图像求解局部运动矢量;
7)、继续处理第k+1帧图像。
所述的步骤4中的阈值G_threshold为设定值,其取值范围为0.7-0.9。
本发明充分利用图像稳像系统中包含候选特征块在内的整体图像的信息,有效的剔除了周期性的特征块,本方法不管图像块的周期性如何,既选取了最大特征的图像块,又最大限度地排除了周围和目标相似的目标,既适用于规则的周期性图像块的剔除,又适用于不规则的周期性图像块的剔除;本发明是稳像系统图像稳像算法中利用包含候选特征块和邻域图像块的相关性来剔除周期性的特征块的方法,它基于较大的比较区域进行相似性检验,提高了算法的抗干扰能力,并通过设定阈值来解决运动适量不一致的问题,从而保证了求解局部运动矢量的精度和可靠性;本方法中采用了最多近邻点距离(MCD)的确定相似性的原理,尽可能简化算法,解决了是规则的周期性特征块和不规则的周期性特征块的剔除问题,从而能大大提高了下一帧块匹配求取的局部运动矢量的精度和稳像效果。
附图说明
图1为本发明进行周期性特征块剔除的MCD相似性图像块求解示意图;
图2为本发明剔除周期性特征块的程序流程示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。如图1、图2所示,本发明的剔除周期性特征块方法主要根据第k帧图像,选出N个特征块,供第k+1帧图像求解局部运动矢量使用。
在第k帧图像上选取供第k+1帧图像求解局部运动矢量使用的、大小为R×S的搜索区域图像块S(g),在搜索区域图像块S(g)中将图像分为M×N个大小为r×s的待选图像块T(g),r、s为特征块水平和竖直方向的大小,R、S为搜索区域图像块的水平和竖直方向的大小,单位都是像素;
统计每个待选图像块T(g)的梯度和Grad(g),根据梯度和Grad(g)排序、并同时根据一定阈值要求筛选出预选特征图像块T(h),0<h<E,(E=2×P,P为最终进行局部运动矢量提取时所用的图像特征块个数);各预选特征图像块T(h)对应的梯度和为Grad(h),作为特征图像块的特征;所述筛选时的阈值要求为:删除Grad(h)<threshold的图像块;
3)对第h个预选特征图像块T(h),利用最多近邻点距离的确定相似性抓MCD的相关算法计算出预选特征图像块在搜索区域图像内的相关度量值D(A,B),该算法如图1所示,是在预选特征图像块T(h)的最多近邻点距离选取和预选特征图像块T(h)相似的图像块以进行计算。
MCD算法的计算公式如下:
其中,Ai,j表示特征块图像和搜索区域图像中,Bi,j特征块图像进行MCD相关算法进行运算的图像。
4)统计预选特征图像块在搜索区域图像内的相关度量值D(A,B)大于设定阈值的位置出现次数PeriodCNT(h),其统计公式为:
其中阈值G_threshold为用于判断是否与预先特征图像块的相关度量值D(A,B)相似的参考相似度量值;一般取值为0.7-0.9。
5)根据PeriodCNT(h)的大小判断所选的是不是周期性特征块。具体方法是:
利用该方法剔除周期性图像块在图像稳像算法中,,实现步骤见图2为:
1、在第k帧将图像分为M×N个大小为r×s的图像块;
2、统计每个图像块的梯度和,并进行排序;
3、利用公式3和4针对第h个特征块,利用MCD相关算法在搜索区域图像块内进行相似性计算;
4、利用公式5统计其相关度量值大于设定阈值的位置出现次数PeriodCNT(h),作为当前特征块和邻域图像块相似性度量;
5、利用公式6根据PeriodCNT(h)的大小判断所选的是不是周期性特征块。
6、输出判断结果并剔除周期性特征块,同时将保留的特征块提供给第k+1帧求解图像求解局部运动矢量;
7、继续处理第k+1帧图像。
具体实施数据:
当前图像中存在周期性图像块。以下是对其中连续10帧图像计算后,经过第一步筛选选取出的特征最大的3个预选特征图像块的梯度和Grad(h),当前预选特征图像块和邻域图像相关度量大于阈值的次数PeriodCNT(h)和最终确定的当前图像块是否具有周期性的结果bIsPeriod(h):
帧数 | Grad | PeriodCnt | bIsPeriod | |
1 | 候选块1 | 1000 | 0.92 | 是 |
候选块2 | 908 | 0.17 | 否 | |
候选块3 | 900 | 0.21 | 否 | |
2 | 候选块1 | 990 | 0.89 | 是 |
候选块2 | 918 | 0.16 | 否 | |
候选块3 | 901 | 0.20 | 否 |
3 | 候选块1 | 981 | 0.91 | 是 |
候选块2 | 922 | 0.18 | 否 | |
候选块3 | 890 | 0.22 | 否 | |
4 | 候选块1 | 1010 | 0.88 | 是 |
候选块2 | 901 | 0.17 | 否 | |
候选块3 | 892 | 0.17 | 否 | |
5 | 候选块1 | 1000 | 0.92 | 是 |
候选块2 | 919 | 0.17 | 否 | |
候选块3 | 887 | 0.19 | 否 | |
6 | 候选块1 | 1010 | 0.89 | 是 |
候选块2 | 898 | 0.19 | 否 | |
候选块3 | 889 | 0.23 | 否 | |
7 | 候选块1 | 998 | 0.92 | 是 |
候选块2 | 903 | 0.15 | 否 | |
候选块3 | 890 | 0.22 | 否 | |
8 | 候选块1 | 1008 | 0.91 | 是 |
候选块2 | 907 | 0.18 | 否 | |
候选块3 | 893 | 0.19 | 否 | |
9 | 候选块1 | 1001 | 0.92 | 是 |
候选块2 | 918 | 0.19 | 否 | |
候选块3 | 890 | 0.22 | 否 | |
10 | 候选块1 | 989 | 0.88 | 是 |
候选块2 | 902 | 0.16 | 否 | |
候选块3 | 880 | 0.23 | 否 |
从以上数据可以看出本发明的方法有效的剔除了周期性的特征块,大大提高了下一帧块匹配求取的局部运动矢量的精度,稳像效果良好。
本发明是稳像系统图像稳像算法中利用包含候选特征块和邻域图像块的相关性来剔除周期性特征块的方法,它基于较大的比较区域进行相似性检验,提高了算法的抗干扰能力,并通过设定阈值来解决运动适量不一致的问题,从而保证了求解局部运动矢量的精度和可靠性。该方法中采用了最多近邻点距离(MCD)的确定相似性的原理,尽可能简化算法,解决了是规则的周期性特征块和不规则的周期性特征块的剔除问题,从而能大大提高了下一帧块匹配求取的局部运动矢量的精度和稳像效果。本发明的技术关键是利用最多近邻点距离MCD的确定相似性的原理。
Claims (2)
1.一种剔除图像稳像系统周期性特征块的方法,其特征在于,包括以下步骤:
1)、在第k帧图像上选取供第k+1帧图像求解局部运动矢量使用的、大小为R×S的搜索区域图像块S(g),在搜索区域图像块S(g)中将图像分为M×N个大小为r×s的待选图像块T(g),r、s为特征块水平和竖直方向的大小,R、S为搜索区域图像块的水平和竖直方向的大小,单位都是像素;
2)、统计每个待选图像块T(g)的梯度和Grad(g),根据梯度和Grad(g)排序、并同时根据一定阈值要求筛选出预选特征图像块T(h),0<h<E,E=2×P,P为最终进行局部运动矢量提取时所用的图像特征块个数;各预选特征图像块T(h)对应的梯度和为Grad(h),作为特征图像块的特征;所述筛选时的阈值要求为:删除Grad(h)<threshold的图像块;
3)、对第h个预选特征图像块T(h),利用最多近邻点距离朚CD的确定相似性的相关算法计算出预选特征图像块在搜索区域图像内的相关度量值D(A,B),其计算公式为:
式中,Ai,j表示预选特征图像块T(h),Bi,j表示搜索区域图像中和预选特征图像块T(h)进行MCD相关算法运算的图像块;
4)、统计预选特征图像块在搜索区域图像内的相关度量值D(A,B)大于设定阈值的位置出现次数PeriodCNT(h),其统计公式为:
其中阈值G_threshold为用于判断是否与预先特征图像块的相关度量值D(A,B)相似的参考相似度量值;
5)、根据PeriodCNT(h)的大小判断所选的预选特征图像块T(h)是不是周期性特征块,其判断公式为:
输出判断结果并剔除周期性特征块,同时将保留的特征块提供给第k+1帧求解图像求解局部运动矢量;
7)、继续处理第k+1帧图像。
2.根据权利要求1所述的剔除图像稳像系统周期性特征块的方法,其特征在于,所述的步骤4中的阈值G_threshold为设定值,其取值范围为0.7-0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910303827 CN101600115A (zh) | 2009-06-29 | 2009-06-29 | 一种剔除图像稳像系统周期性特征块的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910303827 CN101600115A (zh) | 2009-06-29 | 2009-06-29 | 一种剔除图像稳像系统周期性特征块的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101600115A true CN101600115A (zh) | 2009-12-09 |
Family
ID=41421320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200910303827 Pending CN101600115A (zh) | 2009-06-29 | 2009-06-29 | 一种剔除图像稳像系统周期性特征块的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101600115A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102283667A (zh) * | 2010-06-16 | 2011-12-21 | 株式会社东芝 | 医用图像显示装置以及x射线计算机断层摄影装置 |
CN103024247A (zh) * | 2011-09-28 | 2013-04-03 | 中国航天科工集团第二研究院二〇七所 | 一种基于改进块匹配的电子稳像方法 |
CN109489663A (zh) * | 2018-10-19 | 2019-03-19 | 北京三快在线科技有限公司 | 一种定位方法及装置、移动设备和计算机可读存储介质 |
CN112184785A (zh) * | 2020-09-30 | 2021-01-05 | 西安电子科技大学 | 基于mcd度量和vtm的多模态遥感图像配准方法 |
CN113901975A (zh) * | 2021-10-18 | 2022-01-07 | 吉林大学 | 一种用于剔除周期信号缺陷的选择性回归循优拟合算法 |
-
2009
- 2009-06-29 CN CN 200910303827 patent/CN101600115A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102283667A (zh) * | 2010-06-16 | 2011-12-21 | 株式会社东芝 | 医用图像显示装置以及x射线计算机断层摄影装置 |
CN103024247A (zh) * | 2011-09-28 | 2013-04-03 | 中国航天科工集团第二研究院二〇七所 | 一种基于改进块匹配的电子稳像方法 |
CN109489663A (zh) * | 2018-10-19 | 2019-03-19 | 北京三快在线科技有限公司 | 一种定位方法及装置、移动设备和计算机可读存储介质 |
CN112184785A (zh) * | 2020-09-30 | 2021-01-05 | 西安电子科技大学 | 基于mcd度量和vtm的多模态遥感图像配准方法 |
CN112184785B (zh) * | 2020-09-30 | 2023-03-24 | 西安电子科技大学 | 基于mcd度量和vtm的多模态遥感图像配准方法 |
CN113901975A (zh) * | 2021-10-18 | 2022-01-07 | 吉林大学 | 一种用于剔除周期信号缺陷的选择性回归循优拟合算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qu et al. | A crack detection algorithm for concrete pavement based on attention mechanism and multi-features fusion | |
CN110807385B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN103366167B (zh) | 用于处理图像以识别一连串字母数字字符的系统和方法 | |
CN108537824B (zh) | 基于交替反卷积与卷积的特征图增强的网络结构优化方法 | |
CN103093443B (zh) | 基于ga-bp神经网络的图像椒盐噪声自适应滤波方法 | |
CN103297851A (zh) | 长视频中目标内容的快速统计与自动审核方法及装置 | |
CN110866926B (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
CN111881741B (zh) | 车牌识别方法、装置、计算机设备和计算机可读存储介质 | |
CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
CN110674886B (zh) | 一种融合多层级特征的视频目标检测方法 | |
CN101600115A (zh) | 一种剔除图像稳像系统周期性特征块的方法 | |
CN112287906B (zh) | 一种基于深度特征融合的模板匹配跟踪方法及系统 | |
CN103226824B (zh) | 维持视觉显著性的视频重定向系统 | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
CN102495887B (zh) | 一种基于关键区域色彩矩阵的视频镜头分割方法及其应用方法 | |
CN110008900A (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN107563324B (zh) | 一种复合核结构的超限学习机高光谱图像分类方法及装置 | |
CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
CN112766123A (zh) | 一种基于纵横交叉注意力网络的人群计数方法及系统 | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN113689383B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
Xu et al. | Multiple guidance network for industrial product surface inspection with one labeled target sample | |
CN102013101A (zh) | 一种经过模糊后处理的置换篡改图像盲检测方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
TW201820260A (zh) | 全天候熱影像式行人偵測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20091209 |