CN107481253B - 一种基于边缘的斑点检测方法 - Google Patents
一种基于边缘的斑点检测方法 Download PDFInfo
- Publication number
- CN107481253B CN107481253B CN201710657115.1A CN201710657115A CN107481253B CN 107481253 B CN107481253 B CN 107481253B CN 201710657115 A CN201710657115 A CN 201710657115A CN 107481253 B CN107481253 B CN 107481253B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- detected
- image frame
- algorithm
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于边缘的斑点检测方法,包括如下步骤:利用边缘检测算法提取视频数据中待检测图像帧的边缘像素;至少执行两次非斑点边缘过滤算法从所述待检测图像帧的边缘像素中过滤非斑点边缘像素,以得到斑点边缘像素;执行局部运动估计SROD算法以得到所述待检测图像帧的全部斑点。本技术方案降低了图像帧斑点检测算法的执行时间。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于边缘的斑点检测方法。
背景技术
斑点是U-Matic录像带最常见的一种图像损伤,主要是由磁带的脱落或者附着在磁带表面的灰尘及其它污渍或者水渍引起的。这种损伤一般以视频图像中不规则的亮块或暗块形式出现,严重影响视觉效果,大大降低了U-Matic录像带的数字化质量。这些块的信息已经丢失,只要知道这些块的相应位置,就可使用修复算法来对其相应位置进行修复,从而提高视频图像质量。因此,快速、有效地检测算法对提高斑点修复的自动化程度具有重要意义。
斑点检测技术是修复视频中斑点损伤的基础。斑点检测技术有几种经典地算法,包括ROD、SROD、两级SROD等。ROD(Rank Ordered Difference,ROD)和SROD(SimplifiedRank Ordered Difference,SROD)这两种算法相比于其它算法,是在算法复杂度与检测性能上的属于折中算法。检测性能要好于SDI(spike identification index)斑点检测算法,但复杂度要远远低于MRF(马尔可夫随机场)算法。因此,ROD和SROD这两种算法是最普遍使用的斑点检测算法。但实际上,无论是这两种算法,还是其它斑点检测算法,无一不例外要对当前帧中的所有像素逐一进行检测,来判断斑点位置,整个过程非常耗时,尤其是当图像帧的画面尺寸较大而存在斑点像素又较少时,整个检测过程中存在大量冗余时间。
发明内容
本发明解决的问题是现有的图像斑点检测方法需要耗费大量时间。
为解决上述问题,本发明实施例提供了一种基于边缘的斑点检测方法,包括如下步骤:利用边缘检测算法提取视频数据中待检测图像帧的边缘像素;至少执行两次非斑点边缘过滤算法从所述待检测图像帧的边缘像素中过滤非斑点边缘像素,以得到斑点边缘像素;执行局部运动估计SROD算法以得到所述待检测图像帧的全部斑点。
可选的,执行两次非斑点边缘过滤算法包括如下步骤:
在提取了边缘像素的待检测图像帧中,以一个边缘像素为中心划分一个N×N像素块,其中N为正整数;
将该边缘像素的像素值与该N×N像素块内像素的差值小于第一阈值K1的像素作为相似像素值;
若以该边缘像素为中心的N×N区域内的相似像素值的个数大于第二阈值K2,则将该边缘像素作为斑点边缘像素。
设置第一阈值K1’和第二阈值K2’;
在依照第一阈值K1和第二阈值K2对所述待检测图像帧的边缘像素进行过滤后,再将该边缘像素的像素值与该N×N像素块内像素的差值小于第一阈值K1’的像素作为相似像素值;
若以该边缘像素为中心的N×N区域内的相似像素值的个数大于第二阈值K2’,则将该边缘像素作为斑点边缘像素。
可选的,所述第一阈值K1’小于第一阈值K1和/或第二阈值K2’大于第二阈值K2。
可选的,所述N×N像素块为5×5像素块。
可选的,所述执行局部运动估计SROD算法以得到所述待检测图像帧的全部斑点包括:
顺序扫描所述待检测图像帧中的各个像素点;
对于斑点边缘像素,执行局部运动估计SROD算法以确定当前像素点是否为斑点;
若确定该当前像素点是斑点,则将该当前像素点的领域像素作为待检测像素点以确定其是否为斑点,依此方式直至确定所述待检测图像帧的全部斑点。
可选的,所述边缘检测算法采用Roberts边缘检测算子。
与现有技术相比,本发明技术方案具有以下有益效果:
由于先利用边缘检测算法提取视频数据中待检测图像帧的边缘像素,然后再依据斑点空间连续性从边缘像素中过滤掉非斑点边缘像素,这样不需要对图像帧中的每一个像素执行斑点检测,降低了算法执行时间,而且利用斑点空间连续性这一特性可以进一步降低时间复杂度,最后基于局部运动估计的SROD算法检测出图像帧中的全部斑点。
进一步,在过滤非斑点边缘像素过程中,通过设置不同的阈值执行至少两次非斑点边缘过滤算法,在降低时间复杂度的同时将更多的非斑点边缘过滤掉,进一步提高检测效率。
附图说明
图1是本发明实施例的一种基于边缘的斑点检测方法的流程示意图;
图2a)是本发明实施例待检测图像帧的效果示意图;
图2b)是对图2a)所示的待检测图像帧提取边缘像素的效果示意图;
图3a)是本发明实施例中提取边缘像素的待检测图像帧的效果示意图;
图3b)是对图3a)所示的提取了边缘像素的待检测图像帧经过一次过滤非斑点边缘后的效果示意图;
图3c)是对图3a)所示的提取了边缘像素的待检测图像帧经过二次过滤非斑点边缘后的效果示意图;
图4a)是本发明实施例待检测图像帧的效果示意图;
图4b)是图4a)所示的待检测图像帧提取边缘像素的效果示意图;
图4c)是对图4b)所示的提取边缘像素的待检测图像帧进行过滤非斑点边缘的效果示意图;
图4d)是对图4c)本实施例中采用的斑点边缘扫描的效果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
如图1所示的是本发明实施例的一种基于边缘的斑点检测方法的流程示意图。参考图1,基于边缘的斑点检测方法包括如下步骤:
步骤S1:利用边缘检测算法提取视频数据中待检测图像帧的边缘像素;
步骤S2:至少执行两次非斑点边缘过滤算法从所述待检测图像帧的边缘像素中过滤非斑点边缘像素,以得到斑点边缘像素;
步骤S3:执行局部运动估计SROD算法对所述斑点边缘像素进行处理,以得到所述待检测图像帧的全部斑点。
在本实施例中,是以对U-Matic录像带视频数据中的待检测图像帧进行斑点检测为例来描述的。
具体来说,如步骤S1所述,采用边缘检测算法提取视频数据中待检测图像帧的边缘像素。
本领域技术人员知晓,图像的边缘对人的视觉具有重要的意义,一般而言,当人们看一个有边缘的物体时,首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘,边缘是图像上灰度变化最剧烈的地方,即是一个区域的结束,也是另一个区域的开始,利用该特征可以将图像进行分割。
传统的边缘检测就是利用了这个特点,对图像各个像素点进行微分或求二阶微分来确定边缘像素点。一阶微分图像的峰值处对应着图像的边缘点;二阶微分图像的过零点处对应着图像的边缘点。一般来说,复杂度最低的是2×2的一阶导数算子,如Roberts与Laplace算子的边缘检测算法。
在本实施例中,所述边缘检测算法采用Roberts边缘检测算子。公式如下:
上述公式中对f(x,y)等的平方根运算使该处理类似于人类视觉系统的发生过程。事实上Roberts边缘检测算子是一种利用局部差分方法寻找边缘的算子,Robert梯度算子所采用的是对角方向相邻两像素值之差,所以用差分代替一阶偏导,算子形式可表示如下:
上述算子对应的两个2×2模板如下所示:
在实际应用中,图像中的每个像素点都用这两个模板进行卷积运算,为避免出现负值,在边缘检测时常提取其绝对值。
如图2a)所示的是本发明实施例待检测图像帧的效果示意图,如图2b)是对图2a)所示的待检测图像帧提取边缘像素的效果示意图。
如步骤S2所述,至少执行两次非斑点边缘过滤算法从所述待检测图像帧的边缘像素中过滤非斑点边缘像素,以得到斑点边缘像素。
执行上述步骤S1的边缘检测算法得到的边缘是当前待检测图像帧中所有的边缘,即包括了斑点的边缘也含有其它对象的边缘。根据斑点特征中的空间连续性:斑点内部像素点的像素值大小彼此非常的接近,即斑点边缘像素值相近的点会明显多于非斑点的边缘。基于这一点特性来过滤并去除了部分非斑点边缘,以降低时间复杂度。
具体来说,执行两次非斑点边缘过滤算法包括如下步骤:
1)在提取了边缘像素的待检测图像帧中,以一个边缘像素为中心划分一个N×N像素块,其中N为正整数;
2)将该边缘像素的像素值与该N×N像素块内像素的差值小于第一阈值K1的像素作为相似像素值;
3)若以该边缘像素为中心的N×N区域内的相似像素值的个数大于第二阈值K2,则将该边缘像素作为斑点边缘像素;
4)设置第一阈值K1’和第二阈值K2’;
5)在依照第一阈值K1和第二阈值K2对所述待检测图像帧的边缘像素进行过滤后,再将该边缘像素的像素值与该N×N像素块内像素的差值小于第一阈值K1’的像素作为相似像素值;
6)若以该边缘像素为中心的N×N区域内的相似像素值的个数大于第二阈值K2’,则将该边缘像素作为斑点边缘像素。
上述步骤1)、2)和3)是一次过滤非斑点边缘像素的算法。
在本实施例中,为了进一步提高检测效率,至少执行两次非斑点边缘过滤算法,即在执行完第一次非斑点边缘过滤算法的基础上再进行第二次非斑点边缘过滤。与第一次过滤不同的是,在第二次过滤时需要设置不同的阈值,因为,第一阈值K1越小,相似度越高,更多的非斑点边缘被去除;第二阈值K2越大,相似像素的数量越多,更多的非斑点边缘被去除。
因此,第二次过滤设置第一阈值K1’和第二阈值K2’;其中,第一阈值K1’小于第一阈值K1和/或第二阈值K2’大于第二阈值K2。
在依照第一阈值K1和第二阈值K2对所述待检测图像帧的边缘像素进行过滤后,再将该边缘像素的像素值与该N×N像素块内像素的差值小于第一阈值K1’的像素作为相似像素值;
若以该边缘像素为中心的N×N区域内的相似像素值的个数大于第二阈值K2’,则将该边缘像素作为斑点边缘像素。
例如,第一次过滤非斑点边缘,第一阈值K1=5、第二阈值K2=6;第二次过滤非斑点边缘,第一阈值K1’=2、第二阈值K2’=6。在提取了边缘像素的待检测图像帧中,经过上述两次过滤非斑点边缘的效果示意图如图3所示。其中,图3a)是本发明实施例中提取边缘像素的待检测图像帧的效果示意图;图3b)是对图3a)所示的提取了边缘像素的待检测图像帧经过一次过滤非斑点边缘后的效果示意图;图3c)是对图3a)所示的提取了边缘像素的待检测图像帧经过二次过滤非斑点边缘后的效果示意图。
需要说明的是,在其他实施例中,根据实际需求,也可以执行两次以上非斑点边缘过滤算法,每执行一次非斑点边缘过滤算法,需要设置不同的阈值(参照上述第二次过滤时设置阈值的方式),以进一步提高检测效率。
如步骤S3所述,执行局部运动估计SROD算法以得到所述待检测图像帧的全部斑点。
具体来说,本步骤包括:
1)顺序扫描所述待检测图像帧中的各个像素点;
2)对于斑点边缘像素,执行局部运动估计SROD算法以确定当前像素点是否为斑点;
3)若确定该当前像素点是斑点,则将该当前像素点的领域像素作为待检测像素点以确定其是否为斑点,依此方式直至确定所述待检测图像帧的全部斑点。
例如,在边缘检测过程中,利用二值矩阵M存储待检测图像帧的边缘像素的位置:
其中,a表示该待检测图像帧宽度,b表示该待检测图像帧高度。矩阵中0表示非边缘像素点的位置,1表示边缘像素点的位置。即,M(i,j)=1,表示图像帧坐标(i,j)的像素点是边缘像素点。
在过滤非斑点边缘过程中,对二值矩阵Mab中确定为非斑点边缘的像素点进行置0处理,即待检测图像帧坐标(x,y)的像素点是非斑点边缘像素点,则M(x,y)=0。
顺序扫描二值矩阵Mab中的像素值,当M(x,y)=1时,执行基于局部运动估计SROD算法,确定当前像素点是否为斑点。若确定该当前像素点是斑点,则将矩阵中当前像素点所在位置的邻域像素赋1,并将其作为待检测像素点以确定其是否为斑点。M(x,y)的领域像素表示如下:
利用上述基于局部运动估计SROD算法,可以确定待检测图像帧中所包含的所有斑点。如图4所示的是本实施例中采用的斑点边缘扫描的效果示意图。其中,图4a)是本发明实施例待检测图像帧的效果示意图;图4b)是图4a)所示的待检测图像帧提取边缘像素的效果示意图;图4c)是对图4b)所示的提取边缘像素的待检测图像帧进行过滤非斑点边缘的效果示意图;图4d)是对图4c)本实施例中采用的斑点边缘扫描的效果示意图。
综上所述,本技术方案由于先利用边缘检测算法提取视频数据中待检测图像帧的边缘像素,然后再依据斑点空间连续性从边缘像素中过滤掉非斑点边缘像素,这样不需要对图像帧中的每一个像素执行斑点检测,降低了算法执行时间,而且利用斑点空间连续性这一特性可以进一步降低时间复杂度,最后基于局部运动估计的SROD算法检测出图像帧中的全部斑点。
进一步,在过滤非斑点边缘像素过程中,通过设置不同的阈值执行两次过滤非斑点边缘的算法,在降低时间复杂度的同时将更多的非斑点边缘过滤掉,进一步提高检测效率。
Claims (4)
1.一种基于边缘的斑点检测方法,其特征在于,包括如下步骤:
利用边缘检测算法提取视频数据中待检测图像帧的边缘像素;
至少执行两次非斑点边缘过滤算法从所述待检测图像帧的边缘像素中过滤非斑点边缘像素,以得到斑点边缘像素;
执行局部运动估计SROD算法以得到所述待检测图像帧的全部斑点;
所述执行两次非斑点边缘过滤算法包括如下步骤:
在提取了边缘像素的待检测图像帧中,以一个边缘像素为中心划分一个N×N像素块,其中N为正整数;
将该边缘像素的像素值与该N×N像素块内像素的差值小于第一阈值K1的像素作为相似像素值;
若以该边缘像素为中心的N×N区域内的相似像素值的个数大于第二阈值K2,则将该边缘像素作为斑点边缘像素;
设置第一阈值K1’和第二阈值K2’;
在依照第一阈值K1和第二阈值K2对所述待检测图像帧的边缘像素进行过滤后,再将该边缘像素的像素值与该N×N像素块内像素的差值小于第一阈值K1’的像素作为相似像素值;
若以该边缘像素为中心的N×N区域内的相似像素值的个数大于第二阈值K2’,则将该边缘像素作为斑点边缘像素;所述第一阈值K1’小于第一阈值K1和/或所述第二阈值K2’大于第二阈值K2。
2.如权利要求1所述的基于边缘的斑点检测方法,其特征在于,所述N×N像素块为5×5像素块。
3.如权利要求1所述的基于边缘的斑点检测方法,其特征在于,所述执行局部运动估计SROD算法以得到所述待检测图像帧的全部斑点包括:
顺序扫描所述待检测图像帧中的各个像素点;
对于斑点边缘像素,执行局部运动估计SROD算法以确定当前像素点是否为斑点;
若确定该当前像素点是斑点,则将该当前像素点的领域像素作为待检测像素点以确定其是否为斑点,依此方式直至确定所述待检测图像帧的全部斑点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710657115.1A CN107481253B (zh) | 2017-08-03 | 2017-08-03 | 一种基于边缘的斑点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710657115.1A CN107481253B (zh) | 2017-08-03 | 2017-08-03 | 一种基于边缘的斑点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107481253A CN107481253A (zh) | 2017-12-15 |
CN107481253B true CN107481253B (zh) | 2021-03-16 |
Family
ID=60598757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710657115.1A Active CN107481253B (zh) | 2017-08-03 | 2017-08-03 | 一种基于边缘的斑点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481253B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596058A (zh) * | 2019-02-01 | 2019-04-09 | 东莞中科蓝海智能视觉科技有限公司 | 塑胶工件的尺寸检测识别方法 |
CN112037175B (zh) * | 2020-08-05 | 2022-04-19 | 燕山大学 | 基于机器视觉的陶瓷产品表面斑点检测方法及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279962A (zh) * | 2013-05-24 | 2013-09-04 | 天津大学 | 一种老电影斑点自适应检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8942484B2 (en) * | 2011-09-06 | 2015-01-27 | Qualcomm Incorporated | Text detection using image regions |
CN102402783A (zh) * | 2011-12-22 | 2012-04-04 | 华南理工大学 | 一种三维超声图像的斑点处理方法 |
CN104867120B (zh) * | 2015-06-02 | 2017-07-28 | 西安电子科技大学 | 基于比值分布的sar图像非局部降斑方法 |
CN105631820A (zh) * | 2015-12-25 | 2016-06-01 | 浙江工业大学 | 基于小波变换和三边滤波器的医学超声图像去噪方法 |
-
2017
- 2017-08-03 CN CN201710657115.1A patent/CN107481253B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279962A (zh) * | 2013-05-24 | 2013-09-04 | 天津大学 | 一种老电影斑点自适应检测方法 |
Non-Patent Citations (4)
Title |
---|
Blotch detection and removal for archive film restoration;Gullu, M等;《AEU: International Journal of Electronics and Communications》;20080801;第62卷(第7期);534-543 * |
基于时域样本匹配的旧电影斑点修补方法;张晓娜;《通化师范学院学报》;20171220;第38卷(第06期);1-6 * |
数字视频斑点检测与修复算法研究;谢丹桂;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120715(第07期);正文第3.3节 * |
降质图像序列的斑点检测和修复技术研究;徐荣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090915(第09期);I140-433 * |
Also Published As
Publication number | Publication date |
---|---|
CN107481253A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN110648349A (zh) | 基于背景减除和连通区域算法的焊缝缺陷分割方法 | |
CN107292842B (zh) | 基于先验约束和离群值抑制的图像去模糊方法 | |
US20060262960A1 (en) | Method and device for tracking objects in a sequence of images | |
CN109961016B (zh) | 面向智能家居场景的多手势精准分割方法 | |
CN102800094A (zh) | 一种快速彩色图像分割方法 | |
WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
CN107360435B (zh) | 块效应检测方法、块噪声滤除方法及装置 | |
CN111260675B (zh) | 一种图像真实边界高精度提取方法及系统 | |
JP5812705B2 (ja) | ひび割れ検出方法 | |
CN109850518B (zh) | 一种基于红外图像的实时矿用胶带预警撕裂检测方法 | |
CN107481253B (zh) | 一种基于边缘的斑点检测方法 | |
JP2005172559A (ja) | パネルの線欠陥検出方法及び装置 | |
CN106023160A (zh) | 高炉料面图像边缘检测方法及装置 | |
CN116818778B (zh) | 一种汽车部件快速智能检测方法及系统 | |
JP6375138B2 (ja) | パープルフリンジ除去処理方法及びその処理を遂行するパープルフリンジ除去処理装置 | |
CN113808149A (zh) | 一种基于自适应阈值的汽车划痕检测方法 | |
CN107248143B (zh) | 一种基于图像分割的深度图像修复方法 | |
JP6198114B2 (ja) | 画像処理プログラム、画像処理方法及び画像処理装置 | |
CN112232187A (zh) | 基于深度特征融合网络的变化检测方法 | |
CN109426770B (zh) | 虹膜识别方法 | |
CN105405109A (zh) | 一种基于带状背景建模的脏点检测方法 | |
CN110852228B (zh) | 监控视频中的动态背景提取及前景物体检测方法及系统 | |
KR102003671B1 (ko) | 영상 처리 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Dai Xiaorong Inventor after: Xu Shuya Inventor after: Shi Yin Inventor after: Wang Jinsong Inventor after: Huang Gang Inventor after: Shi Wei Inventor before: Wang Jinsong Inventor before: Xu Shuya Inventor before: Shi Yin Inventor before: Huang Gang Inventor before: Shi Wei |
|
GR01 | Patent grant | ||
GR01 | Patent grant |