CN104766338A - 一种复杂x光伪彩图的显著性检测方法 - Google Patents
一种复杂x光伪彩图的显著性检测方法 Download PDFInfo
- Publication number
- CN104766338A CN104766338A CN201510207234.8A CN201510207234A CN104766338A CN 104766338 A CN104766338 A CN 104766338A CN 201510207234 A CN201510207234 A CN 201510207234A CN 104766338 A CN104766338 A CN 104766338A
- Authority
- CN
- China
- Prior art keywords
- image
- analysis
- color
- ray
- pcolor
- 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
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种复杂X光伪彩图的显著性检测方法的基于贝叶斯理论融合了多种图像分割技术来提升目标显著性性能;该技术,首先是需要收集大量的图片,以便进行各图像分割技术性能分析,然后进行颜色分析、亮度分析、饱和度分析、连通域分析、密度分析以及面积分析,最后利用贝叶斯理论合理的整合这些分析方法,最终得到优异的目标显著性效果,在采集的图像中的目标漏检率能达到1‰以内。
Description
技术领域
本发明设计计算机视觉领域,具体说涉及一种复杂X光伪彩图的显著性检测方法。
背景技术
现有的安检系统一般用于边检、机场、火车站、汽车站等公共场所,在边检、机场、火车站、汽车站等场所人员众多,经常会有不法分子携带刀枪等违禁物品伺机行凶作案,从而造成重大的人员伤亡和财产损失,给社会造成极其恶劣的负面影响,为了杜绝这些现象的出现,安检系统在这些场所上发挥了重要的作用。旅客在经过边检、机场、火车站、汽车站等场所时需要将随身携带的行李过X光安检系统获得行李的X光图片由系统自动实现行李是否还有危险品或是违禁品。
人类在观察图像时,通常只关注整幅图像或整段视频中很小的较为显著的一部分。因此,计算机模拟人类视觉系统时,主要通过检测图像中显著性区域进行模拟。显著性检测已逐渐成为计算机视觉领域非常重要的一个研究课题。显著性检测在人机交互、智能监控、图像分割、图像检索和自动标注等方面有很大的发展前景。在这个研究领域中,如何运用有效的方法从图像中准确的检测出显著区域,降低漏检率是一个非常重要的问题。
发明内容
针对现有技术存在的问题,本发明的目的在于提出一种漏检率低的复杂X光伪彩图的显著性检测方法。
为实现上述目的,本发明提出一种复杂X光伪彩图的显著性检测方法,特征在于: 在由图像采集设备和计算机组成的系统中,所述复杂X光伪彩图的显著性检测方法包括以下步骤:
步骤1:样本图的采集
采用X光机采集图像建立图像样本库,图像样本库中须包含一定量的目标物的图像,本图像样本库共有4000张图像,其中有1600张含有目标物;
步骤2:颜色转换
将RGB颜色空间的图像转化为HSV颜色空间的图像;
步骤3:颜色分析
根据目标物出现的颜色类型进行分割,当指定目标物为无机物时,呈现蓝色和绿色情况下,那么根据HSV中的H通道进行分割,即将保留H值>140并且<281的图像部分,其余部分用纯白色替代;当指定目标物为有机物时,呈现黄色和绿色情况,那么根据HSV中的H通道进行分割,即将保留H值>0并且<180的图像部分,其余部分用纯白色替代;
步骤4:亮度分析
步骤4.1:直方图统计分割
对已经进行颜色分析后的图像的亮度进行直方图统计,选择亮度在0至10%的区域部分为黑色掩膜区域,其余为白色区域;
步骤4.2:密度分析
在已经进行直方图统计分割的图像,计算该图的积分图,利用积分图保留分辨率为25*25中黑色像素数超过70%的区域,其余区域再次使用白色替代;
步骤5:饱和度分析
步骤5.1:直方图统计分割
对已经进行颜色分析后的图像的饱和度进行直方图统计,选择亮度在0至10%的区域部分为黑色掩膜区域,其余为白色区域;
步骤5.2:密度分析
在已经进行直方图统计分割的图像,计算该图的积分图,利用积分图保留分辨率为25*25中黑色像素数超过70%的区域,其余区域再次使用白色替代;
步骤6:颜色密度分析
步骤6.1:有色分割
将已经进行颜色分析后的图像中的非纯白色区域全设置为黑色;
步骤6.2:密度分析
对有色分割后的图像,进行积分图计算,利用积分图保留含有密度超过40%的有色区域,其余区域使用白色替代;
步骤7:获取掩膜区域
合并亮度分析、饱和度分析和颜色密度分析的结果,得到颜色较深的区域;
步骤8:连通域分析
针对经过颜色密度分析后的图像,进行连通域分析,选择合适面积的部分,将面积大于两倍目标物尺寸和小于半倍目标物尺寸的连通域替换为背景白色;
步骤9:获取最终结果
合并步骤7和步骤8的结果。
上述步骤1中,还包括对采集后的图像进行归一化处理,包括样本图像光照和大小的线性归一化。
上述步骤1中,所述目标物为危险品刀具、枪支、易爆物充电宝、水果、植物等。
上述步骤2中的颜色转化公式如下:
其中,r,g,b为0到1之间的实数,max等于r,g和b中的最大者,min等于r,g和b中的最小者,h ∈ [0, 360)度是角度的色相角,s∈ [0,1]是饱和度, v ∈ [0,1]是明度。
上述步骤2的颜色转换为将RGB颜色空间的图像转化为HSL颜色空间的图像。
上述步骤2中的颜色转化公式如下:
其中,其中,r,g,b为0到1之间的实数,max等于r,g和b中的最大者,min等于r,g和b中的最小者,h ∈ [0, 360)度是角度的色相角,s∈ [0,1]是饱和度,l ∈ [0,1]是亮度。
上述步骤7中,利用贝叶斯原理,该合并操作为交集操作。
上述步骤8中,利用贝叶斯原理,该合并操作为并集操作。
上述步骤4,5,6中的的积分图计算公式为
。
相对于现有技术,本发明的复杂X光伪彩图的显著性检测方法基于贝叶斯理论融合了多种图像分割技术来提升目标显著性性能;该技术,首先是需要收集大量的图片,以便进行各图像分割技术性能分析,然后进行颜色分析、亮度分析、饱和度分析、连通域分析、密度分析以及面积分析,最后利用贝叶斯理论合理的整合这些分析方法,最终得到优异的目标显著性效果,在采集的目标中漏检率能达到1‰以内。
附图说明
图1为本发明一个具体实施例中的复杂X光伪彩图的显著性检测方法的流程图;
图2为本发明一个具体实施例中的样本原始图;
图3为图2经过本发明的复杂X光伪彩图的显著性检测方法处理后的处理结果图。
具体实施方式
下面结合附图和实施例对本发明提出的放射性物质检测装置做进一步描述。以下实施例仅用于说明本发明,但不用来限制本发明的范围。
如图1所示,在由图像采集设备和计算机组成的系统中,本发明的复杂X光伪彩图的显著性检测方法包括以下步骤:
步骤1:样本图的采集
采用X光机采集图像建立图像样本库,图像样本库中须包含一定量的目标物的图像;然后对采集后的图像进行归一化处理,包括样本图像光照和大小的线性归一化;本发明中的目标物为危险品刀具、枪支、易爆物充电宝、水果、植物等;本图像样本库共有4000张图像,其中有1600张含有目标物;
步骤2:颜色转换
由于X光机出来的图片是伪彩图,颜色是根据物质的性质合成的图像,经验证将RGB颜色空间的图像转化为HSV颜色空间的图像,是有利于后面的颜色分析的;将RGB颜色空间的图像转化为HSV颜色空间的图像,颜色转化公式如下:
其中,r,g,b为0到1之间的实数,max等于r,g和b中的最大者,min等于r,g和b中的最小者,h ∈ [0, 360)度是角度的色相角,s∈ [0,1]是饱和度, v ∈ [0,1]是明度;
步骤3:颜色分析
根据目标物出现的颜色类型进行分割,当指定目标物为无机物时,呈现蓝色和绿色情况下,那么根据HSV中的H通道进行分割,即将保留H值>140并且<281的图像部分,其余部分用纯白色替代;当指定目标物为有机物时,呈现黄色和绿色情况,那么根据HSV中的H通道进行分割,即将保留H值>0并且<180的图像部分,其余部分用纯白色替代;
步骤4:亮度分析
步骤4.1:直方图统计分割
对已经进行颜色分析后的图像的亮度进行直方图统计,选择亮度在0至10%的区域部分为黑色掩膜区域,其余为白色区域;
步骤4.2:密度分析
对进行直方图统计分割后的图像,进行积分图计算,利用积分图保留分辨率为25*25中黑色像素数超过70%的区域,其余区域再次使用白色替代,积分图的计算公式为
;
步骤5:饱和度分析
步骤5.1:直方图统计分割
对已经进行颜色分析后的图像的饱和度进行直方图统计,选择亮度在0至10%的区域部分为黑色掩膜区域,其余为白色区域;
步骤5.2:密度分析
对进行直方图统计分割后的图像,进行积分图计算,利用积分图保留分辨率为25*25中黑色像素数超过70%的区域,其余区域再次使用白色替代,积分图的计算公式为
;
步骤6:颜色密度分析
步骤6.1:有色分割
将已经进行颜色分析后的图像中的非纯白色区域全设置为黑色;
步骤6.2:密度分析
对有色分割后的图像,进行积分图计算,利用积分图保留含有密度超过40%的有色区域,其余区域使用白色替代,积分图的计算公式为
;
步骤7:获取掩膜区域
合并亮度分析、饱和度分析和颜色密度分析的结果,得到颜色较深的区域,利用贝叶斯原理,该合并操作为交集操作。
步骤8:连通域分析
针对经过颜色密度分析后的图像,进行连通域分析,选择合适面积的部分,将面积大于两倍目标物尺寸和小于半倍目标物尺寸的连通域替换为背景白色;
步骤9:获取最终结果
合并步骤7和步骤8的结果,即可凸显目标物;利用贝叶斯原理,该合并操作为并集操作。
本发明复杂X光伪彩图的显著性检测方法中的步骤2中的颜色转化也可以是将RGB颜色空间的图像转化为HSV颜色空间的图像,图像转换公式如下:
其中,其中,r,g,b为0到1之间的实数,max等于r,g和b中的最大者,min等于r,g和b中的最小者,h ∈ [0, 360)度是角度的色相角,s∈ [0,1]是饱和度,l ∈ [0,1]是亮度。
图2为本发明一个具体实施例中的样本原始图,经过本发明的本发明的复杂X光伪彩图的显著性检测方法处理后得到的目标物结果图如图3所示,本发明的复杂X光伪彩图的显著性检测方法基于贝叶斯理论融合了多种图像分割技术来提升目标显著性性能;该技术,首先是需要收集大量的图片,以便进行各图像分割技术性能分析,然后进行颜色分析、亮度分析、饱和度分析、连通域分析、密度分析以及面积分析,最后利用贝叶斯理论合理的整合这些分析方法,最终得到优异的目标显著性效果,在采集的图像中的目标漏检率能达到1‰以内。
以上使用方式仅用于说明书本发明,而并非对发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (9)
1.一种复杂X光伪彩图的显著性检测方法,特征在于: 在由图像采集设备和计算机组成的系统中,所述复杂X光伪彩图的显著性检测方法包括以下步骤:
步骤1:样本图的采集
采用X光机采集图像建立图像样本库,图像样本库中须包含一定量的目标物的图像,本图像样本库共有4000张图像,其中有1600张含有目标物;
步骤2:颜色转换
将RGB颜色空间的图像转化为HSV颜色空间的图像;
步骤3:颜色分析
根据目标物出现的颜色类型进行分割,当指定目标物为无机物时,呈现蓝色和绿色情况下,那么根据HSV中的H通道进行分割,即将保留H值>140并且<281的图像部分,其余部分用纯白色替代;当指定目标物为有机物时,呈现黄色和绿色情况,那么根据HSV中的H通道进行分割,即将保留H值>0并且<180的图像部分,其余部分用纯白色替代;
步骤4:亮度分析
步骤4.1:直方图统计分割
对已经进行颜色分析后的图像的亮度进行直方图统计,选择亮度在0至10%的区域部分为黑色掩膜区域,其余为白色区域;
步骤4.2:密度分析
对进行直方图统计分割后的图像,进行积分图计算,利用积分图保留分辨率为25*25中黑色像素数超过70%的区域,其余区域再次使用白色替代;
步骤5:饱和度分析
步骤5.1:直方图统计分割
对已经进行颜色分析后的图像的饱和度进行直方图统计,选择亮度在0至10%的区域部分为黑色掩膜区域,其余为白色区域;
步骤5.2:密度分析
对进行直方图统计分割后的图像,进行积分图计算,利用积分图保留分辨率为25*25中黑色像素数超过70%的区域,其余区域再次使用白色替代;
步骤6:颜色密度分析
步骤6.1:有色分割
将已经进行颜色分析后的图像中的非纯白色区域全设置为黑色;
步骤6.2:密度分析
对有色分割后的图像,进行积分图计算,利用积分图保留含有密度超过40%的有色区域,其余区域使用白色替代;
步骤7:获取掩膜区域
合并亮度分析、饱和度分析和颜色密度分析的结果,得到颜色较深的区域;
步骤8:连通域分析
针对经过颜色密度分析后的图像,进行连通域分析,选择合适面积的部分,将面积大于两倍目标物尺寸和小于半倍目标物尺寸的连通域替换为背景白色;
步骤9:获取最终结果
合并步骤7和步骤8的结果。
2.如权利要求1所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤1中,还包括对采集后的图像进行归一化处理,包括样本图像光照和大小的线性归一化。
3.如权利要求1所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤1中,所述目标物为危险品刀具、枪支、易爆物充电宝、水果、植物等。
4.如权利要求1所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤2中的颜色转化公式如下:
其中,r,g,b为0到1之间的实数,max等于r,g和b中的最大者,min等于r,g和b中的最小者,h ∈ [0, 360)度是角度的色相角,s∈ [0,1]是饱和度, v ∈ [0,1]是明度。
5.如权利要求1所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤2的颜色转换为将RGB颜色空间的图像转化为HSL颜色空间的图像。
6. 如权利要求3所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤2中的颜色转化公式如下:
其中,其中,r,g,b为0到1之间的实数,max等于r,g和b中的最大者,min等于r,g和b中的最小者,h ∈ [0, 360)度是角度的色相角,s∈ [0,1]是饱和度,l ∈ [0,1]是亮度。
7. 如权利要求1所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤7中,利用贝叶斯原理,该合并操作为交集操作。
8. 如权利要求1所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤8中,利用贝叶斯原理,该合并操作为并集操作。
9.如权利要求1所述复杂X光伪彩图的显著性检测方法,特征在于:上述步骤4,5,6中的积分图计算公式为
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510207234.8A CN104766338A (zh) | 2015-04-28 | 2015-04-28 | 一种复杂x光伪彩图的显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510207234.8A CN104766338A (zh) | 2015-04-28 | 2015-04-28 | 一种复杂x光伪彩图的显著性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104766338A true CN104766338A (zh) | 2015-07-08 |
Family
ID=53648143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510207234.8A Pending CN104766338A (zh) | 2015-04-28 | 2015-04-28 | 一种复杂x光伪彩图的显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766338A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709445A (zh) * | 2016-12-20 | 2017-05-24 | 清华大学苏州汽车研究院(吴江) | 一种基于视频图像的高速公路雾天检测预警方法 |
CN109187598A (zh) * | 2018-10-09 | 2019-01-11 | 青海奥越电子科技有限公司 | 基于数字图像处理的违禁物品检测系统及方法 |
CN109977877A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
CN110276735A (zh) * | 2019-06-28 | 2019-09-24 | 北京金山安全软件有限公司 | 图像颜色保留效果的生成方法、装置、设备及存储介质 |
CN113538602A (zh) * | 2021-08-09 | 2021-10-22 | 宁波华高信息科技有限公司 | 一种基于hsv色彩空间的文档图像处理方法及系统 |
CN114972367A (zh) * | 2021-02-25 | 2022-08-30 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
CN115274093A (zh) * | 2022-07-26 | 2022-11-01 | 华东师范大学 | 生成包含自动标注文件的基准病理数据集的方法及系统 |
CN114972367B (zh) * | 2021-02-25 | 2024-06-07 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143199A (zh) * | 2014-07-25 | 2014-11-12 | 南京中科神光科技有限公司 | 一种用于激光彩色打标的图像处理方法 |
CN104517272A (zh) * | 2014-12-31 | 2015-04-15 | 深圳市天视通电子科技有限公司 | 一种图像增强方法及装置 |
-
2015
- 2015-04-28 CN CN201510207234.8A patent/CN104766338A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143199A (zh) * | 2014-07-25 | 2014-11-12 | 南京中科神光科技有限公司 | 一种用于激光彩色打标的图像处理方法 |
CN104517272A (zh) * | 2014-12-31 | 2015-04-15 | 深圳市天视通电子科技有限公司 | 一种图像增强方法及装置 |
Non-Patent Citations (2)
Title |
---|
宋修竹: "X光安检图像处理方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
窦琴: "智能视频监控中基于粒子滤波的目标跟踪系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709445A (zh) * | 2016-12-20 | 2017-05-24 | 清华大学苏州汽车研究院(吴江) | 一种基于视频图像的高速公路雾天检测预警方法 |
CN109187598A (zh) * | 2018-10-09 | 2019-01-11 | 青海奥越电子科技有限公司 | 基于数字图像处理的违禁物品检测系统及方法 |
CN109977877A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
CN110276735A (zh) * | 2019-06-28 | 2019-09-24 | 北京金山安全软件有限公司 | 图像颜色保留效果的生成方法、装置、设备及存储介质 |
CN114972367A (zh) * | 2021-02-25 | 2022-08-30 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
CN114972367B (zh) * | 2021-02-25 | 2024-06-07 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
CN113538602A (zh) * | 2021-08-09 | 2021-10-22 | 宁波华高信息科技有限公司 | 一种基于hsv色彩空间的文档图像处理方法及系统 |
CN115274093A (zh) * | 2022-07-26 | 2022-11-01 | 华东师范大学 | 生成包含自动标注文件的基准病理数据集的方法及系统 |
CN115274093B (zh) * | 2022-07-26 | 2023-06-23 | 华东师范大学 | 生成包含自动标注文件的基准病理数据集的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165577B (zh) | 一种基于视频图像的早期森林火灾检测方法 | |
CN104766338A (zh) | 一种复杂x光伪彩图的显著性检测方法 | |
CN103729848B (zh) | 基于光谱显著性的高光谱遥感图像小目标检测方法 | |
CN106915462A (zh) | 基于多源影像信息的林业病虫害智能识别系统 | |
CN101696947B (zh) | 一种x射线双能量透射与康普顿背散射图像智能融合方法 | |
CN103745226A (zh) | 一种电力设施作业现场人员着装安全检测方法 | |
CN108389137A (zh) | 基于红外图谱技术的电力故障诊断预警系统 | |
Rudz et al. | Investigation of a novel image segmentation method dedicated to forest fire applications | |
CN103996046B (zh) | 基于多视觉特征融合的人员识别方法 | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN103020585A (zh) | 一种免疫组织阳性细胞和阴性细胞识别方法 | |
CN101833664A (zh) | 基于稀疏表达的视频图像文字检测方法 | |
CN110488368A (zh) | 一种基于双能x光安检机的违禁品识别方法及装置 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN107067412A (zh) | 一种多信息融合的视频火焰烟雾检测方法 | |
CN109543595A (zh) | 基于深度可分离卷积神经网络的电线的训练方法和检测方法 | |
CN105138975B (zh) | 一种基于深度信念网络的人体肤色区域分割方法 | |
CN105894015A (zh) | 一种道闸状态分析方法和系统 | |
CN107390259A (zh) | 一种基于svd和svm的核素识别方法 | |
Huang et al. | A fire-alarming method based on video processing | |
CN106503170A (zh) | 一种基于遮挡维度的图像库构建方法 | |
CN116543241B (zh) | 泄露气体云团的检测方法、装置、存储介质和电子设备 | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
Zhang et al. | Fire detection and identification method based on visual attention mechanism | |
Malbog et al. | Edge detection comparison of hybrid feature extraction for combustible fire segmentation: a Canny vs Sobel performance analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150708 |
|
WD01 | Invention patent application deemed withdrawn after publication |