CN105447834B - 一种基于特征分类的麻将图像光照不均校正方法 - Google Patents
一种基于特征分类的麻将图像光照不均校正方法 Download PDFInfo
- Publication number
- CN105447834B CN105447834B CN201511002435.0A CN201511002435A CN105447834B CN 105447834 B CN105447834 B CN 105447834B CN 201511002435 A CN201511002435 A CN 201511002435A CN 105447834 B CN105447834 B CN 105447834B
- Authority
- CN
- China
- Prior art keywords
- mahjong
- mrow
- gray
- image
- value
- 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.)
- Active
Links
- 238000005286 illumination Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000835 fiber Substances 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000004064 recycling Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012858 packaging process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于特征分类的麻将图像光照不均校正方法，包括以下步骤：（1）输入待检测整体排版麻将的麻将行列数，并采集一幅背景图像；（2）输入一幅包含整体排版麻将的采集图像，并从中分割得到整体排版麻将灰度图；（3）利用等间距法将所有单个麻将从整体排版麻将中划分开来；（4）根据光照特征，对单个麻将进行光照类型分类；（5）对分类后的单个麻将进行均值归一化处理；（6）对整体排版麻将灰度图进行锐化；（7）利用色度信息增强整体排版麻将图案；（8）对分类后的单个麻将进行去噪。本发明根据麻将图像的光照特征，对不同类型单个麻将进行针对性的光照校正处理，有效改善图像质量，提高了麻将排版识别率。
Description
技术领域
本发明属于数字图像处理技术在麻将包装过程中麻将排版视觉检测方面的应用，尤其涉及一种基于特征分类的麻将图像光照不均校正方法。
背景技术
麻将是中国发明的一种博弈游戏，在中国城乡十分普及，是中国最具规模和影响力的文体活动之一，国内每年生产的麻将数量高达上亿副。麻将是由塑料制成的小长方块，其正面刻有花纹或字样，每副麻将具有144张麻将牌，它在包装时分为两版进行包装。每版麻将均具有72张麻将牌，按8排9列的矩形形状排列在一起，形成麻将半成品。目前基本采用人工检测的方式来检查麻将半成品排版的正确性。但在长时间工作情况下，通过人工检查麻将排版容易因人眼疲劳而出现错检和漏检的问题，同时人工检测也存在人力成本高和检测速度慢等问题。在这种现状下，麻将包装过程中的检测方式正在发生转变，新一代的麻将排版视觉检测装置正在兴起。然而，在视觉检测过程中，麻将本身对光线的吸收和反射性不同，并且由于受到拍摄设备本身和拍摄环境的影响，采集图像中常出现光源照射不均的现象。这种光照不均现象将会影响图像特征的提取精度，在麻将图像特征提取过程中引起信息缺失，导致最终识别失败。因此，为了解决麻将排版视觉检测过程中由于光照不均现象而产生的一系列问题，必须对采集到的图像进行必要的校正处理，增强图像的有效信息，消减或者消除对检测应用来说无效的信息，提高后续识别的精度。
目前处理图像光照不均的图像增强技术主要分空域增强和频域增强，其中空域增强包括直方图均衡化和梯度增强等方法，频域增强方法包括基于照明-反射模型的同态滤波和基于光照补偿的Retinex等方法。直方图均衡化在拉伸对比度方面的效果非常显著，但是无法控制增强的区域，存在灰度级合并现象，容易引起有用细节的丢失，且处理高光和反光区域的效果不佳。基于照明-反射模型的同态滤波法不太适用于光照强度变化剧烈的场合，且滤波器参数较难设置，难以估计照射分量和反射分量。基于光照补偿的Retinex方法能够很好的保持图像的细节，但是处理后的图像容易出现光晕现象，且计算量很大。
目前公开的论文和专利主要是对特定应用图像的光照不均现象进行处理，尚无对麻将图像进行光照不均校正。
曾凡锋等人提出了一种基于区域的光照不均文本图像校正方法，该方法使用投影算法对文本图像进行区域分类，采用全局校正处理区域分类后的页白区域和均匀区域，并结合评定图像质量的特征参数，对阴影区进行局部校正处理，实现背景与目标的分离(见曾凡锋,付亚南,李良旭.基于区域的光照不均文本图像校正方法[J].计算机工程与设计,2014,35(12):4233-4237)。林天圆等人提出了一种光照不均匀图像的灰度校正方法，该方法利用一种基于卷积变换和方差归一化相结合的图像光照均衡算法，使均衡后的图像有良好的视觉效果(见林天圆,王杰,李金屏.一种光照不均匀图像的灰度校正方法[J].济南大学学报,2015,6:001)。
申请号为201110316982.1的专利公开了一种高反光柱面金属上的二维条码图像识别方法。该发明首先采集多副图像并融合，接着利用六次多项式插值公式模拟横向像素的渐变曲线，并利用等距节点的牛顿插值法计算横向像素的插值公式，从而校正柱面的光照不均。该发明需要采集多幅图像，且只适用于校正二维码等简单图像，对于光照不均复杂图像的处理效果不佳。申请号为201210246114.5的专利公开了一种处理矿工人脸图像与煤面光照不均的图像预处理方法，该发明运用同态滤波运力，将彩色图像转化为灰度图像并取对数，再进行中心傅立叶变换，提取低频分量并分段，再对各段进行不同程度处理，抑制光照不均匀现象。经该发明处理得到的最终图像的亮度较低，图像质量也不高。申请号为201410598979.7的专利公开了一种基于压缩感知的二维码光照均衡方法。该发明首先获取两张二维码图像，并进行稀疏性分析，接着分别对两张二维码图像进行傅立叶变换，然后采样融合得到新的傅立叶频谱，使用基于快速迭代收缩阈值算法对该频谱进行快速软阈值迭代，再进行逆傅里叶变换得到恢复后的图像，最后进行二值化。该发明需要进行时域和频域的变换和逆变换，空间复杂度较高，消耗的处理时间长。
发明内容
为了在保留麻将图案信息的基础上有效解决采集图像中麻将光照不均现象，本发明提供了一种基于特征分类的麻将图像光照不均校正方法。
为了解决上述技术问题采用的技术方案为：
一种基于特征分类的麻将图像光照不均校正方法，包括以下步骤：
(1)输入待检测整体排版麻将的麻将行列数，并采集一幅背景图像：
在对麻将图像进行校正之前，固定摄像头拍摄位置和焦距，输入以单个麻将为单位的待检测整体排版麻将的麻将行数whole_row和麻将列数whole_col，并采集一幅无麻将且色度空间格式为YUV的背景图像，保存该背景图像的Y分量图像作为背景图像灰度图；该背景图像灰度图将用于步骤(2)中整体排版麻将灰度图的分割，单个麻将的麻将行数whole_row和麻将列数whole_col则将用于步骤(2)单个麻将的划分。本发明中，输入的图像色度空间格式都采用YUV格式，该格式能够很好地将图像亮度信息和色度信息分离开来。在YUV色度空间中，Y代表亮度分量，U代表蓝色色度分量，V代表红色色度分量。本发明直接提取的Y分量图像作为灰度图像，有效降低了灰度图提取的计算复杂度，同时直接提取的V分量图像也可以用于后续步骤(7)中基于色度信息的麻将图案增强。
(2)输入一幅包含整体排版麻将的采集图像，并从中分割得到整体排版麻将灰度图：
输入一幅色度空间格式为YUV的采集图像，取其Y分量图像作为采集图像灰度图。该灰度图完全包含整体排版麻将，但也包含光源、视觉检测装置的金属挡板和线材等信息，图像背景部分十分复杂，常用的前景提取方法效果不佳。本发明利用拍摄背景不会发生显著变化的图像特征，采用灰度图背景差分法和差分图像二值化法，将采集图像灰度图和步骤(1)中保存的背景图像灰度图作差取绝对值并进行二值化，得到背景为纯黑色差值图像二值图Am×n，m为像素行数、n为像素列数，m和n为大于等于1的正整数，再提取处于前景的整体排版麻将的位置坐标，从采集图像灰度图中分割得到整体排版麻将灰度图，具体子步骤如下：
(2-1)输入一幅包含待检测整体排版麻将的采集图像，取其亮度分量Y得到采集图像灰度图，并将采集图像灰度图与步骤(1)已保存的背景图像灰度图进行对应位置相减并取绝对值，得到一幅麻将灰度差值绝对值图像(以下简称差值图像)。该差值图像的背景部分较黑，灰度值较低，而麻将部分较白，灰度值较高。
(2-2)由于背景部分的灰度值和麻将部分的灰度值相差较大，容易将经排版呈矩形形状的整体排版麻将从背景中分割出来。为提高处理效率，本发明使用阈值Tinit遍历该差值图像的所有像素点以划分图像的背景部分(以下简称图像背景)和图像的前景部分(即整体排版麻将)：若像素点的灰度值大于等于阈值Tinit，则该像素点的灰度值置为纯白色对应的灰度值255，若像素点灰度值小于阈值Tinit，则该像素点的灰度值置为纯黑色对应的灰度值0，阈值Tinit的取值范围为[20,160]。经过遍历后得到差值图像的二值图Am×n，该二值图将用于计算整体排版麻将在采集图像中的位置。
(2-3)由于整体排版麻将排列为矩形，本发明通过投影方式得到整体排版麻将上下左右边界的坐标：首先利用式(1)对差值图像的二值图进行水平投影，利用式(2)对差值图像的二值图进行竖直投影：
式中HORm×1和VER1×n分别为水平投影矩阵和竖直投影矩阵，Cn×1和R1×m分别为元素全为1的列向量和元素全为1的行向量。接着在水平投影矩阵HORm×1中，查找从上到下第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最上方投影值的位置作为整体排版麻将上边界的竖直坐标；在水平投影矩阵HORm×1中，查找从下到上第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最下方投影值的位置作为下边界的竖直坐标。然后在竖直投影矩阵VER1×n中，查找从左到右第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最左边投影值的位置作为左边界的水平坐标；在竖直投影矩阵VER1×n中，查找从右到左第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最右边投影值的位置作为右边界的水平坐标。Num的取值范围为[10,100]，阈值Tc选取范围为[0.05,0.45]。最后利用这四个坐标，从采集图像灰度图中分割得到整体排版麻将灰度图，若检测不到上述四个坐标中的任意一个，则返回步骤(2)，重新输入一幅采集图像，继续分割整体排版麻将。
(3)单个麻将的划分：
对于一幅整齐排列的光照不均麻将图像，将处理单元细化到单个麻将，不仅能降低处理难度，也能增加校正精度。由于单个麻将尺寸和整体排版模式固定，整体排版麻将的麻将行列数也是固定不变的，且已在步骤(1)中输入，因此本发明采用等间距法将整体排版麻将划分为whole_row行whole_col列的单个麻将：
将步骤(2)中得到的整体排版麻将左右边界水平坐标作差、上下边界竖直坐标作差，分别计算得到整体排版麻将的像素宽度whole_width和像素高度whole_height；将whole_width与步骤(1)中输入的整体排版麻将的麻将列数whole_col作商，即得到单个麻将的像素宽度one_width，将whole_height与步骤(1)中输入的整体排版麻将的麻将行数whole_row作商，即得到单个麻将的像素高度one_height，从而等间距地从上到下、从左到右将所有单个麻将从整体排版麻将灰度图中划分开来，若无法整除，则采用四舍五入法处理。
(4)单个麻将的光照类型分类：
本发明根据光照特征，先将步骤(2)得到的整体排版麻将灰度图划分为麻将背景和麻将图案，再将步骤(3)得到的所有单个麻将分为三类，即高光类麻将、均匀类麻将和阴影类麻将，具体子步骤包括：
(4-1)麻将图案和麻将背景的划分：
对整体排版麻将灰度图，采用OTSU方法(即大津法，见Gonzalez R C，Woods R E著，阮秋琦，阮宇智等译.数字图像处理(第三版)[M],电子工业出版社,2011)计算用于划分麻将图案和麻将背景的整体阈值TWseg，并遍历整体排版麻将灰度图，若当前像素点的灰度值大于阈值TWseg，则认为该像素点属于麻将背景，否则属于麻将图案。本子步骤划分得到的整体排版麻将灰度图的麻将背景和麻将图案信息不仅用于麻将光照类型分类，也将用于步骤(8-2)中的噪声阈值计算。
(4-2)麻将光照类型的分类：
分析单个麻将的麻将背景的灰度值均值和方差，若均值大于阈值Tavg，且方差小于阈值Tvar，则将该麻将记为高光类；若均值大于阈值Tavg，且方差大于等于阈值Tvar，则记为均匀类；若不满足以上两种情况的，则记为阴影类。为使分类效果更佳，阈值Tavg应取较大值，阈值Tvar应取较小值，使均匀类麻将归类更为严格。经实验统计分析，均匀类和高光类麻将的麻将背景灰度值均值都较大，高光类麻将的方差较小，阈值Tavg取值范围为[180,250]，阈值Tvar取值范围为[5,15]。
(5)单个麻将的均值归一化处理：
高光类麻将由于反光等原因，其图像灰度值均值过高，产生失真；而阴影类麻将由于挡板遮挡等原因，其图像产生阴影，灰度值离散程度较高。针对这些特征，本发明采用均值归一化法对高光类麻将和阴影类麻将进行处理。首先计算每一个均匀类麻将的麻将背景的灰度值均值avgeq(i,j)，其中i和j分别表示该麻将在整体排版麻将中的麻将行序数和麻将列序数，麻将背景的位置从步骤(4)中获得。为了提高鲁棒性，接着将所有avgeq(i,j)进行升序排序并取中值作为校正基准值，记为avgbase。接着，对每个高光类麻将和阴影类麻将，先计算其麻将背景的均值avguneven(i,j)，再利用式(3)计算该麻将每一个像素点均值归一化后的灰度值，记为Gadj(x,y)，其中(x,y)为当前像素点在整体排版麻将灰度图中的坐标，Gorg(x,y)为当前像素点进行均值归一化处理前的原始灰度值。
Gadj(x,y)＝Gorg(x,y)+avgbase-avguneven(i,j) (3)
(6)整体排版麻将的锐化：
由于拍摄设备和拍摄距离的局限性，麻将图案清晰度不是很高，需要采用图像锐化方法进一步增强麻将图案。综合考虑计算复杂度和处理精度，本发明采用四邻域拉普拉斯算法对由所有单个麻将组成的整体排版麻将灰度图进行锐化：
对经过步骤(5)得到的整体排版麻将灰度图中每个像素点的Gadj(x,y)，先利用式(4)计算拉普拉斯算子再利用式(5)计算锐化后的灰度值Gsharpen(x,y)，若式(4)中Gadj(x-1,y)、Gadj(x,y-1)、Gadj(x,y+1)和Gadj(x+1,y)任何一个不存在，则该像素点不进行锐化处理。
(7)整体排版麻将的色度增强：
图像锐化不可避免地造成了图像信息的部分丢失，麻将图案线条变细而产生断裂现象，尤其是灰度值较高的部分，这部分线条本身就较细，图案线条分段现象更为严重，因此，需要对灰度值较大部分的像素点进行增强处理。在相同光照条件下，麻将图像中颜色鲜艳的红色图案的亮度更高，灰度值更大。基于这个特性，本发明设计了色度增强法，利用色度信息，增强红色对应的图案部分，改善锐化后图像的质量，具体方法如下：
对步骤(6)得到的整体排版麻将灰度图的每个像素点，若其在步骤(2)得到的采集图像中对应位置像素点的V分量数值大于等于阈值THc，则将该像素点的灰度值大小进行减半处理，即除2，阈值THc的取值范围为[130,180]。
(8)单个麻将的去噪处理：
本发明进行去噪处理的目的是为了提高麻将背景和麻将图案的对比度，进而提高后续麻将图像二值化的精度，而经典去噪方法在去除噪声的同时容易模糊麻将图案，无法很好地提高二值化精度。通过分析麻将图像特征，麻将图像的噪声普遍表现为椒盐噪声，且其噪声一般位于有光照阴影的区域，因此只需对阴影类麻将进行去噪处理，这样既减少了计算复杂度，又避免了非阴影麻将的图像失真。本发明对整体排版麻将灰度图中所有的阴影类麻将进行基于四邻域幅值统计的局部去噪，具体子步骤如下：
(8-1)从整体排版麻将灰度图中获取一个待去噪的阴影类麻将。
(8-2)计算该单个麻将的噪声阈值TNseg：将该单个麻将中属于麻将背景(已在步骤(4)得到)且灰度值小于阈值THwh的所有像素点的灰度值均值作为阈值TNseg，其中阈值THwh的取值范围为[150,255]。当阈值TNseg不存在时，即麻将背景中所有像素点的灰度值都大于等于阈值THwh，则认为该单个麻将无需去噪，结束去噪处理。
(8-3)对当前单个麻将中的每个像素点，统计该像素点及其上下左右四个空间相邻像素点中灰度值小于等于阈值TNseg的像素点个数numblack和灰度值大于阈值TNseg的像素点个数numwhite。比较numblack和numwhite的值，若numblack小于numwhite，则将当前像素点判断为噪声，将其灰度值直接置为最大值255，即表现为纯白色；若numblack大于等于numwhite，则不作处理。
(8-4)重复执行去噪子步骤(8-1)到(8-3)，完成整体排版图像中所有阴影类麻将的去噪。
(9)输出一幅已完成光照不均校正的整体排版麻将灰度图：
输出一幅经过步骤(2)到步骤(8)光照不均校正后的整体排版麻将灰度图。
本发明的技术构思为：首先考虑到采集图像的背景较为复杂，预先采集一幅背景图像，保存其亮度分量Y组成的灰度图，并输入整体排版麻将的麻将行数和麻将列数；接着采用背景差分法处理每副输入的采集图像，并进行二值化，得到灰度差值二值图；然后根据整体排版麻将的矩形形状特征，使用投影算法将整体排版麻将灰度图从采集图像灰度图中分割出来；再分析单个麻将的排列特征，使用等间距划分法将所有单个麻将从整体排版麻将中划分开来，并基于光照特征对单个麻将进行分类和均值归一化处理；对整体排版麻将灰度图进行自适应的整体锐化；利用麻将图像的色度信息，对麻将图案特征进行增强；最后针对麻将图像的噪声特征，对所有阴影类麻将进行基于幅值的四邻域统计局部去噪。
与现有技术相比，本发明具有以下有益效果：
本发明提出一种基于特征分类的麻将图像光照不均校正方法。该方法与现有技术相比，具有如下特点和优点：通过预先保存一幅背景图像灰度图，并使用背景差分法分割得到整体排版麻将灰度图，降低了分割的难度和计算复杂度；将校正处理的单元细化到单个麻将，不仅能降低处理难度，也能增加校正精度；整体锐化使图像变得更加清晰，提升了视觉效果；色度增强处理使单个麻将中黑色图案和红色图案的灰度值更为接近；基于四邻域幅值统计的局部去噪方法只对阴影类麻将进行去噪，既减少了计算复杂度，又避免了非阴影麻将的图像失真，有效地增强了麻将背景和麻将图案的对比度。本发明能很好地改善麻将图像光照不均的现象，处理后的图像有效地提高了麻将排版识别率。
附图说明
图1为麻将打包机视觉检测装置示意图。
图2为本发明流程框图。
图3为不同光照类型整体排版麻将灰度图，其中，左图为含阴影较多的整体排版麻将灰度图，右图为含高光较多的整体排版麻将灰度图。
图4为均值归一化处理后的整体排版麻将灰度图，其中，左图为图3左图处理后的效果图，右图为图3右图处理后的效果图。
图5为锐化后的整体排版麻将灰度图，其中，左图为图4左图处理后的效果图，右图为图4右图处理后的效果图。
图6为色度增强后的整体排版麻将灰度图，其中，左图为图5左图处理后的效果图，右图为图5右图处理后的效果图。
图7为去噪后的整体排版麻将灰度图，其中，左图为图6左图处理后的效果图，右图为图6右图处理后的效果图。
具体实施方式
下面结合实施例和附图来详细描述本发明，但本发明并不仅限于此。
图1所示为麻将打包机的麻将排版视觉检测装置设计示意图，排版好的麻将3随着黑色传送带从左往右延箭头E的方向通过，并在摄像头1的正下方由第一挡板4控制停下，在光源2的照射下，摄像头1拍下此时的麻将3图像，对采集到的图像中麻将3排版，使用本发明提供的基于特征分类的麻将图像光照不均校正方法进行检测，若排版检测为正确则第一挡板4上移，麻将3继续向右延箭头C通过；若排版检测为错误，则用第二挡板5将麻将3往错误通道延箭头W推掉。本实施例中摄像头1的水平分辨率为1280、竖直分辨率为720，色度空间格式为YUV，具体为4:2:0格式。
如图2所示，一种基于特征分类的麻将图像光照不均校正方法，包括以下步骤：
(1)输入待检测整体排版麻将的麻将行列数，并采集一幅背景图像；
(2)输入一幅包含整体排版麻将的采集图像，并从中分割得到整体排版麻将灰度图；
(3)单个麻将的划分；
(4)单个麻将的光照类型分类；
(5)单个麻将的均值归一化处理；
(6)整体排版麻将的锐化；
(7)整体排版麻将的色度增强；
(8)单个麻将的去噪处理；
(9)输出一幅已完成光照不均校正的整体排版麻将灰度图。
步骤(1)具体包括：
在对麻将图像进行校正之前，固定摄像头拍摄位置和焦距，输入以单个麻将为单位的待检测整体排版麻将的麻将行数whole_row和麻将列数whole_col，并采集一幅无麻将且色度空间格式为YUV的背景图像，保存该背景图像的Y分量图像作为背景图像灰度图。
步骤(2)采用背景差分方法将整体排版麻将灰度图从输入的采集图像灰度图中分割出来，具体包括：
(2-1)输入一幅包含待检测整体排版麻将的采集图像，取其亮度分量Y得到采集图像灰度图，并将采集图像灰度图与步骤(1)已保存的背景图像灰度图进行对应位置相减并取绝对值，得到差值图像。
(2-2)使用阈值Tinit遍历该差值图像的所有像素点以划分图像背景和整体排版麻将，若像素点的灰度值大于等于阈值Tinit，则该像素点的灰度值置为纯白色对应的灰度值255，若像素点灰度值小于阈值Tinit，则该像素点的灰度值置为纯黑色对应的灰度值0，阈值Tinit的取值范围为[20,160]，此处取值为100。经过遍历后得到差值图像的二值图Am×n，m为像素行数、n为像素列数。
(2-3)通过投影方式得到整体排版麻将上下左右边界的坐标，首先利用式(1)对差值图像的二值图进行水平投影，利用式(2)对差值图像的二值图进行竖直投影：
式中HORm×1和VER1×n分别为水平投影矩阵和竖直投影矩阵，Cn×1和R1×m分别为元素全为1的列向量和元素全为1的行向量。接着在水平投影矩阵HORm×1中，查找从上到下第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最上方投影值的位置作为整体排版麻将上边界的竖直坐标；在水平投影矩阵HORm×1中，查找从下到上第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最下方投影值的位置作为下边界的竖直坐标。然后在竖直投影矩阵VER1×n中，查找从左到右第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最左边投影值的位置作为左边界的水平坐标；在竖直投影矩阵VER1×n中，查找从右到左第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最右边投影值的位置作为右边界的水平坐标。本发明Num的取值范围为[10,100]，此处取值为50，阈值Tc选取范围为[0.05,0.45]，此处取值为0.25，利用这四个坐标，从采集图像灰度图中分割得到整体排版麻将灰度图。若检测不到上述四个坐标中的任意一个，则返回步骤(2)，重新输入一幅采集图像，继续分割整体排版麻将。
图3所示为使用背景差分法从不同采集图像中得到的不同光照类型的整体排版麻将灰度图，整体排版麻将灰度图边缘分割较为准确，图像效果较佳。
步骤(3)具体包括：
本发明采用等间距法将整体排版麻将划分为whole_row行whole_col列的单个麻将：
将步骤(2)中得到的整体排版麻将左右边界水平坐标作差、上下边界竖直坐标作差，分别计算得到整体排版麻将的像素宽度whole_width和像素高度whole_height；，将whole_width与步骤(1)中输入的整体排版麻将的麻将列数whole_col作商，即得到单个麻将的像素宽度one_width，将whole_height与步骤(1)中输入的整体排版麻将的麻将行数whole_row作商，即得到单个麻将的像素高度one_height，从而等间距地将所有单个麻将从整体排版麻将灰度图中划分开来，若无法整除，则采用四舍五入法处理。
步骤(4)具体包括：
本发明根据光照特征，先将步骤(2)得到的整体排版麻将灰度图划分为麻将背景和麻将图案，再将步骤(3)得到的所有单个麻将分为三类，即高光类麻将、均匀类麻将和阴影类麻将，具体子步骤包括：
(4-1)麻将图案和麻将背景的划分：
对整体排版麻将灰度图，采用OTSU方法计算用于划分麻将图案和麻将背景的整体阈值TWseg，并遍历整体排版麻将灰度图，若当前像素点灰度值大于阈值TWseg，则认为属于麻将背景，否则属于麻将图案。
(4-2)麻将光照类型的分类：
分析单个麻将背景的灰度值的均值和方差，若均值大于阈值Tavg，且方差小于阈值Tvar，则将该麻将记为高光类麻将；若均值大于阈值Tavg，且方差大于等于阈值Tvar，则记为均匀类麻将；若不满足以上两种情况的，则记为阴影类麻将。为使实验结果更佳，阈值Tavg应取较大值，阈值Tvar应取较小值，使均匀类麻将归类更为严格。本发明阈值Tavg的取值范围为[180,250]，此处取值为220，阈值Tvar的取值范围为[5,15]，此处取值为11。
步骤(5)具体包括：
阴影类麻将和高光类麻采用均值归一化法进行处理。首先计算每一个均匀类麻将的麻将背景的灰度值均值avgeq(i,j)，其中i和j分别表示该麻将在整体排版麻将中的麻将行序数和麻将列序数，麻将背景的位置从步骤(4)中获得，接着将所有avgeq(i,j)进行升序排序并取中值作为校正基准值，记为avgbase。然后，对每个阴影类麻将和高光类麻将，先计算其麻将背景的灰度值均值avguneven(i,j)，再利用式(3)计算该麻将每一个像素点均值归一化后的灰度值，记为Gadj(x,y)，其中(x,y)为当前像素点在整体排版麻将图像中的坐标，Gorg(x,y)为当前像素点进行均值归一化处理前的原始灰度值。
Gadj(x,y)＝Gorg(x,y)+avgbase-avguneven(i,j) (3)
图4所示为经过均值归一化处理后的整体排版麻将灰度图，麻将阴影部分得到有效抑制，高光类麻将的麻将图案虽然亮度更大了，但是各个部分的光照变均匀了。
步骤(6)具体包括：
采用四邻域拉普拉斯算法对整体排版麻将灰度图进行锐化，先利用式(4)计算拉普拉斯算子再利用式(5)计算锐化后的灰度值Gsharpen(x,y)；若式(4)中Gadj(x-1,y)、Gadj(x,y-1)、Gadj(x,y+1)和Gadj(x+1,y)任何一个不存在，则该像素点不进行锐化处理。
图5所示为锐化后整体排版麻将灰度图，锐化效果十分明显，麻将图案变得更加清晰，图像质量得到较大提升。
步骤(7)具体包括：
对步骤(6)得到的整体排版麻将灰度图的每个像素点，若其在步骤(2)得到的采集图像中对应位置像素点的V分量数值大于等于阈值THc，则将该像素点的灰度值大小进行减半处理，即除2，阈值THc的取值范围为[130,180]，此处取值为140。
图6所示为色度增强后的整体排版麻将灰度图，“万”字麻将的红色部分亮度变暗，与黑色部分更为接近，有利于后续识别过程的二值化，很好地增加了识别精度。
步骤(8)具体包括：
本发明对整体排版麻将灰度图中的所有阴影类麻将进行基于四邻域幅值统计的局部去噪，具体子步骤如下：
(8-1)从整体排版麻将灰度图中获取一个待去噪的阴影类麻将。
(8-2)计算该单个麻将的噪声阈值TNseg：将该单个麻将中属于麻将背景(已在步骤(4)得到)且灰度值小于阈值THwh的所有像素点的灰度值均值作为阈值TNseg，其中阈值THwh的取值范围为[150,255]，此处取值为220。当阈值TNseg不存在时，即麻将背景中所有像素点的灰度值都大于等于阈值THwh，则认为该单个麻将无需去噪，结束去噪处理。
(8-3)对当前单个麻将中的每个像素点，统计该像素点及其上下左右四个空间相邻像素点中灰度值小于等于阈值TNseg的像素点个数numblack和灰度值大于阈值TNseg的像素点个数numwhite。比较numblack和numwhite的值，若numblack小于numwhite，则将当前像素点判断为噪声，将其灰度值直接置为最大值255，即表现为纯白色；若numblack大于等于numwhite，则不作处理。
(8-4)重复执行去噪子步骤(8-1)到(8-3)，完成整体排版麻将灰度图中所有阴影类麻将的去噪。
步骤(9)具体包括：
输出一幅经过步骤(2)到步骤(8)光照不均校正后的整体排版麻将灰度图。
图7所示为去噪后最终输出的整体排版麻将灰度图，图像上方阴影区域的噪声得到了很大的抑制，图像对比度得到了较好的增强。
Claims (10)
1.一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的校正方法包括以下步骤：
(1)输入待检测整体排版麻将的麻将行列数，并采集一幅背景图像：
在对麻将图像进行校正之前，固定摄像头拍摄位置和焦距，输入以单个麻将为单位的待检测整体排版麻将的麻将行数whole_row和麻将列数whole_col，并采集一幅无麻将且色度空间格式为YUV的背景图像，保存该背景图像的Y分量图像作为背景图像灰度图；
(2)输入一幅包含整体排版麻将的采集图像，并从中分割得到整体排版麻将灰度图：
首先输入一幅包含整体排版麻将且色度空间格式为YUV的采集图像，取其Y分量图像作为采集图像灰度图，然后利用灰度图背景差分法和差分图像二值化法将采集图像灰度图和步骤(1)中保存的背景图像灰度图作差取绝对值并进行二值化，得到图像背景为纯黑色的差值图像二值图Am×n，m为像素行数、n为像素列数，再提取处于前景的整体排版麻将的位置坐标，从采集图像灰度图中分割得到整体排版麻将灰度图；
(3)单个麻将的划分：
利用步骤(1)输入的whole_row和whole_col，采用等间距法将所有单个麻将从整体排版麻将灰度图中划分开来；
(4)单个麻将的光照类型分类：
根据光照特征，先将步骤(2)得到的整体排版麻将灰度图划分为麻将背景和麻将图案，再将步骤(3)得到的所有单个麻将分为高光类麻将、均匀类麻将和阴影类麻将共三种类型；
(5)单个麻将的均值归一化处理：
对步骤(4)得到的高光类麻将和阴影类麻将进行均值归一化处理；
(6)整体排版麻将的锐化：
采用四邻域拉普拉斯算法对由所有单个麻将组成的整体排版麻将灰度图进行整体锐化处理；
(7)整体排版麻将的色度增强：
结合步骤(2)得到的整体排版麻将的位置坐标，利用采集图像的红色分量信息增强整体排版麻将灰度图中对应位置的麻将图案；
(8)单个麻将的去噪处理：
对所有阴影类麻将进行基于幅值的四邻域统计局部去噪；
(9)输出一幅已完成光照不均校正的整体排版麻将灰度图：
输出一幅经过步骤(2)到步骤(8)光照不均校正后的整体排版麻将灰度图。
2.如权利要求1所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的步骤(2)中包含以下子步骤：
(2-1)输入一幅包含待检测整体排版麻将的采集图像，取其亮度分量Y得到采集图像灰度图，并将采集图像灰度图与步骤(1)中已保存的背景图像灰度图进行对应位置相减并取绝对值，得到差值图像；
(2-2)使用阈值Tinit遍历该差值图像的所有像素点，若像素点的灰度值大于等于阈值Tinit，则该像素点的灰度值置为与纯白色对应的灰度值255，若像素点灰度值小于阈值Tinit，则该像素点的灰度值置为与纯黑色对应的灰度值0，经过遍历后得到该差值图像的二值图Am×n；
(2-3)通过投影方式得到整体排版麻将上下左右边界的坐标：
首先利用式(1)对差值图像的二值图进行水平投影，利用式(2)对差值图像的二值图进行竖直投影：
<mrow>
<msub>
<mi>HOR</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>&times;</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>VER</mi>
<mrow>
<mn>1</mn>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mrow>
<mn>1</mn>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中HORm×1和VER1×n分别为水平投影矩阵和竖直投影矩阵，Cn×1和R1×m分别为元素全为1的列向量和元素全为1的行向量；接着在水平投影矩阵HORm×1中，查找从上到下第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最上方投影值的位置作为整体排版麻将上边界的竖直坐标；在水平投影矩阵HORm×1中，查找从下到上第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最下方投影值的位置作为下边界的竖直坐标；然后在竖直投影矩阵VER1×n中，查找从左到右第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最左边投影值的位置作为左边界的水平坐标；在竖直投影矩阵VER1×n中，查找从右到左第一次出现连续Num个均大于阈值Tc的投影值，将这些投影值中最右边投影值的位置作为右边界的水平坐标；最后利用这四个坐标，从采集图像灰度图中分割得到整体排版麻将灰度图，若检测不到上述四个坐标中的任意一个，则返回步骤(2)，重新输入一幅采集图像，继续分割整体排版麻将。
3.如权利要求2所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，阈值Tinit的取值范围为[20,160]，Num的取值范围为[10,100]，阈值Tc取值范围为[0.05,0.45]。
4.如权利要求2所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的步骤(3)中，采用等间距法将整体排版麻将划分为whole_row行whole_col列的单个麻将：
将步骤(2)中得到的整体排版麻将的左右边界的水平坐标作差、上下边界的竖直坐标作差，分别计算得到整体排版麻将的像素宽度whole_width和像素高度whole_height；将whole_width与步骤(1)中输入的整体排版麻将的麻将列数whole_col作商，即得到单个麻将的像素宽度one_width，将whole_height与步骤(1)中输入的整体排版麻将的麻将行数whole_row作商，即得到单个麻将的像素高度one_height，从而等间距地从上到下、从左到右将所有单个麻将从整体排版麻将灰度图中划分开来，若无法整除，则采用四舍五入法处理。
5.如权利要求1所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的步骤(4)中，将单个麻将按光照类型分为三类，即高光类麻将、均匀类麻将和阴影类麻将，分类包含以下子步骤：
(4-1)麻将图案和麻将背景的划分：
对整体排版麻将灰度图，采用OTSU方法计算用于划分麻将图案和麻将背景的整体阈值TWseg，并遍历整体排版麻将灰度图，若当前像素点的灰度值大于阈值TWseg，则认为该像素点属于麻将背景，否则属于麻将图案；
(4-2)麻将光照类型的分类：
分析单个麻将的麻将背景的灰度值均值和方差，若均值大于阈值Tavg，且方差小于阈值Tvar，则将该麻将记为高光类，若均值大于阈值Tavg，且方差大于等于阈值Tvar，则记为均匀类，若不满足以上两种情况的，则记为阴影类。
6.如权利要求5所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，阈值Tavg的取值范围为[180,250]，阈值Tvar的取值范围为[5,15]。
7.如权利要求1所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的步骤(5)中，对高光类和阴影类的单个麻将进行均值归一化处理：
首先计算每一个均匀类麻将的麻将背景的灰度值均值avgeq(i,j)，其中i和j分别表示该麻将在整体排版麻将中的麻将行序数和麻将列序数；接着将所有avgeq(i,j)进行升序排序并取中值作为校正基准值，记为avgbase；然后，对每个阴影类和高光类麻将，先计算其麻将背景的灰度值均值avguneven(i,j)，再利用式(3)计算该麻将每一个像素点均值归一化后的灰度值，记为Gadj(x,y)，
Gadj(x,y)＝Gorg(x,y)+avgbase-avguneven(i,j) (3)
其中(x,y)为当前像素点在整体排版麻将灰度图中的坐标，Gorg(x,y)为当前像素点进行均值归一化处理前的原始灰度值。
8.如权利要求7所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的步骤(6)中，采用四邻域拉普拉斯算法对由所有单个麻将组成的整体排版麻将灰度图进行锐化：
对经过步骤(5)得到的整体排版麻将灰度图中的每个像素点的Gadj(x,y)，先利用式(4)计算拉普拉斯算子再利用式(5)计算得到锐化后的灰度值Gsharpen(x,y)，
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<msub>
<mi>G</mi>
<mrow>
<mi>L</mi>
<mi>a</mi>
<mi>p</mi>
<mi>l</mi>
<mi>a</mi>
<mi>c</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>4</mn>
<mo>&times;</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>a</mi>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>a</mi>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>a</mi>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>a</mi>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>a</mi>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>a</mi>
<mi>r</mi>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>a</mi>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<msub>
<mi>G</mi>
<mrow>
<mi>L</mi>
<mi>a</mi>
<mi>p</mi>
<mi>l</mi>
<mi>a</mi>
<mi>c</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
若式(4)中Gadj(x-1,y)、Gadj(x,y-1)、Gadj(x,y+1)和Gadj(x+1,y)任何一个不存在，则该像素点不进行锐化处理。
9.如权利要求1所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的步骤(7)中，对步骤(6)得到的整体排版麻将灰度图的每个像素点，若其在步骤(2)得到的采集图像中对应位置像素点的V分量数值大于等于阈值THc，则将该像素点的灰度值大小进行减半处理，阈值THc的取值范围为[130,180]。
10.如权利要求1所述的一种基于特征分类的麻将图像光照不均校正方法，其特征在于，所述的步骤(8)中，对所有阴影类单个麻将进行去噪处理，包含以下子步骤：
(8-1)从整体排版麻将灰度图中获取一个待去噪的阴影类麻将；
(8-2)计算该单个麻将的噪声阈值TNseg：将该单个麻将中属于麻将背景且灰度值小于阈值THwh的所有像素点的灰度值均值作为阈值TNseg，其中阈值THwh的取值范围为[150,255]；当阈值TNseg不存在时，即麻将背景中所有像素点的灰度值都大于等于阈值THwh，则认为该单个麻将无需去噪，结束去噪处理；
(8-3)对当前单个麻将中的每个像素点，统计该像素点及其上下左右四个空间相邻像素点中灰度值小于等于阈值TNseg的像素点个数numblack和灰度值大于阈值TNseg的像素点个数numwhite；比较numblack和numwhite的值，若numblack小于numwhite，则将当前像素点判断为噪声，将其灰度值直接置为最大值255，即表现为纯白色；若numblack大于等于numwhite，则不作处理；
(8-4)重复执行步骤(8-1)到(8-3)，完成整体排版麻将灰度图中所有阴影类麻将的去噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511002435.0A CN105447834B (zh) | 2015-12-28 | 2015-12-28 | 一种基于特征分类的麻将图像光照不均校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511002435.0A CN105447834B (zh) | 2015-12-28 | 2015-12-28 | 一种基于特征分类的麻将图像光照不均校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105447834A CN105447834A (zh) | 2016-03-30 |
| CN105447834B true CN105447834B (zh) | 2018-03-13 |
Family
ID=55557968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511002435.0A Active CN105447834B (zh) | 2015-12-28 | 2015-12-28 | 一种基于特征分类的麻将图像光照不均校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105447834B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957023B (zh) * | 2016-04-19 | 2018-11-23 | 南京工程学院 | 一种基于色度空间变换的激光线条纹图像增强和去噪方法 |
| US20200186245A1 (en) * | 2017-01-16 | 2020-06-11 | Signify Holding B.V. | Detecting coded light |
| CN109643444B (zh) * | 2017-06-26 | 2022-11-22 | 深圳配天智能技术研究院有限公司 | 打光校正方法及装置 |
| CN107516304A (zh) * | 2017-09-07 | 2017-12-26 | 广东工业大学 | 一种图像去噪方法及装置 |
| CN111915527B (zh) * | 2020-08-05 | 2023-04-07 | 成都圭目机器人有限公司 | 基于多模板的自适应光照补偿方法 |
| CN112862711B (zh) * | 2021-01-29 | 2022-09-16 | 山东建筑大学 | 一种图像的灰度值校正方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2129102A1 (en) * | 2008-05-28 | 2009-12-02 | Konica Minolta Business Technologies, INC. | Image forming apparatus and density correcting method |
| CN102332154A (zh) * | 2011-10-18 | 2012-01-25 | 中国农业大学 | 不均匀光照下的棉花伪异性纤维彩色图像增强方法及系统 |
-
2015
- 2015-12-28 CN CN201511002435.0A patent/CN105447834B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2129102A1 (en) * | 2008-05-28 | 2009-12-02 | Konica Minolta Business Technologies, INC. | Image forming apparatus and density correcting method |
| CN102332154A (zh) * | 2011-10-18 | 2012-01-25 | 中国农业大学 | 不均匀光照下的棉花伪异性纤维彩色图像增强方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Contrast-Enhanced Fusion of Multisensor Images Using Subband-Decomposed Multiscale Retinex;Jae Ho Jang et al;《IEEE Transactions on Image Processing》;20120502;第21卷(第8期);3479-3490 * |
| 一种光照不均匀图像的灰度校正方法;林天圆 等;《济南大学学报( 自然科学版)》;20151130;第29卷(第6期);401-405 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105447834A (zh) | 2016-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105447834B (zh) | 一种基于特征分类的麻将图像光照不均校正方法 | |
| CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
| Babu et al. | Vehicle number plate detection and recognition using bounding box method | |
| Ntirogiannis et al. | A combined approach for the binarization of handwritten document images | |
| CN107220624A (zh) | 一种基于Adaboost算法的人脸检测方法 | |
| CN107491730A (zh) | 一种基于图像处理的化验单识别方法 | |
| Fabijańska | Variance filter for edge detection and edge-based image segmentation | |
| CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
| WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
| CN104794693B (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
| CN110766020A (zh) | 一种面向多语种自然场景文本检测与识别的系统及方法 | |
| CN103824373B (zh) | 一种票据图像金额分类方法及系统 | |
| CN109146878A (zh) | 一种基于图像处理的杂质检测方法 | |
| Mesquita et al. | A new thresholding algorithm for document images based on the perception of objects by distance | |
| CN107195069A (zh) | 一种人民币冠字号自动识别方法 | |
| CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
| Zhao et al. | Automatic blur region segmentation approach using image matting | |
| Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
| Ranjitha et al. | A hybrid Ostu based niblack binarization for degraded image documents | |
| Meng et al. | Extraction of virtual baselines from distorted document images using curvilinear projection | |
| CN110188693B (zh) | 改进的复杂环境车辆特征提取和停车判别方法 | |
| CN106650824A (zh) | 基于支持向量机的运动目标分类方法 | |
| CN114529715B (zh) | 一种基于边缘提取的图像识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |