CN107633491A - 一种基于目标检测的区域图像增强方法及存储介质 - Google Patents
一种基于目标检测的区域图像增强方法及存储介质 Download PDFInfo
- Publication number
- CN107633491A CN107633491A CN201710881181.7A CN201710881181A CN107633491A CN 107633491 A CN107633491 A CN 107633491A CN 201710881181 A CN201710881181 A CN 201710881181A CN 107633491 A CN107633491 A CN 107633491A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- pixel
- reinforced
- obtains
- 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
- Image Processing (AREA)
Abstract
本发明公开了一种基于目标检测的区域图像增强方法和存储介质,所述方法根据目标的显著性特征确定图像中重点关注的目标区域(即待增强区域),通过对重点关注区域进行局部增强处理,使得待增强区域内的图像信息可以变得更加清晰。相较于对整幅图像进行全局增强处理的方式,本发明的局部区域增强方法不仅有效提高了增强处理效率,同时也提高了重点关注区域的增强效果,提高了观测的精度和效率,有利于观察者对图像上重点关注区域的图像信息的浏览、捕捉。此外,本发明还可以根据不同精度要求改变算法的相关阈值,具有灵活性高、适用性广等特点。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于目标检测的区域图像增强方法和存储介质。
背景技术
图像增强的方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征,使图像与视觉响应特性相匹配。图像增强可分成两大类:频率域法和空间域法。频率域法把图像看成一种二维信号,对其进行基于二维傅里叶变换的信号增强。采用低通滤波法,可去掉图中的噪声;采用高通滤波法,则可增强边缘等高频信号,使模糊的图片变得清晰。空间域法中具有代表性的算法包括局部求平均值法和中值滤波法等,可用于去除或减弱噪声。
近年来数字图像处理技术日益成熟,各种图像增强算法效果也变得越来越好。然而,传统的图像增强算法是对整个图像进行增强处理,这无法满足实际应用需求。例如对于一幅图像而言,其往往存在着需要重点关注的区域,观察者更希望通过对这部分区域进行图像增强处理,以便可以更加准确地观察目标物和目标物周围信息。
发明内容
为此,需要提供一种基于目标检测的区域图像增强的技术方案,用以解决目前的图像增强算法在对图像进行增强处理时,无法对重点关注区域(例如存在目标物的区域)又针对性的进行增强,导致图像增强处理算法慢、重点关注区域增强效果不明显、观察精度和效率低等问题。
为实现上述目的,发明人提供了一种基于目标检测的区域图像增强方法,所述方法包括以下步骤:
控制图像采集单元采集原始图像,所述原始图像为RGB格式图像;
将图像采集单元采集的原始图像由RGB格式转换为LAB格式,并得到L分量图像;
计算L分量图像上所有像素点的像素均值,得到L分量均值;
对L分量图像进行高斯平滑处理,得到高斯L分量图像;
依次计算高斯L分量图像上每个像素点与L分量均值的像素差值,根据每个像素点对应的像素差值的大小,得到显著区域图像;
对显著区域图像进行归一化处理,得到归一化图像;
对归一化图像进行二值化处理,得到二值化图像;
提取所述二值化图像的边缘信息,得到边缘图像;
将二值化图像和边缘图像作为输入,采用连通域检测方法提取出所述归一化图像的连通区域,所述连通区域为待增强区域;
采用图像增强算法对所述待增强区域的所有像素点进行增强处理,得到增强处理图像。
进一步地,所述步骤“对显著区域图像进行归一化处理,得到归一化图像”包括:将显著性区域图像上每一个像素点的像素值归一化在饱和像素值范围内,得到归一化图像,所述饱和像素值范围是指像素值为0至255的范围。
进一步地,所述步骤“对归一化图像进行二值化处理,得到二值化图像”包括:对归一化图像采用最大类间方差法进行二值化处理,得到二值化图像。
进一步地,所述方法包括:根据预设方式扩大待增强区域范围,得到扩大区域图像;步骤“采用图像增强算法对所述待增强区域的所有像素点进行增强处理”包括:采用基于直方图均衡的图像增强算法对所述扩大区域图像的所有像素点进行增强处理。
进一步地,所述待增强区域为矩形区域,步骤“根据预设方式扩大待增强区域范围,得到扩大区域图像”包括:
确定待增强区域的至少两个顶点位置像素点以及中心像素点的坐标位置;
通过重新确定顶点位置像素点以及中心像素点的坐标位置,将待增强区域的宽度和高度各扩大预设数量的像素点,形成新的区域范围,得到扩大区域图像。
发明人还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
控制图像采集单元采集原始图像,所述原始图像为RGB格式图像;
将图像采集单元采集的原始图像由RGB格式转换为LAB格式,并得到L分量图像;
计算L分量图像上所有像素点的像素均值,得到L分量均值;
对L分量图像进行高斯平滑处理,得到高斯L分量图像;
依次计算高斯L分量图像上每个像素点与L分量均值的像素差值,根据每个像素点对应的像素差值的大小,得到显著区域图像;
对显著区域图像进行归一化处理,得到归一化图像;
对归一化图像进行二值化处理,得到二值化图像;
提取所述二值化图像的边缘信息,得到边缘图像;
将二值化图像和边缘图像作为输入,采用连通域检测方法提取出所述归一化图像的连通区域,所述连通区域为待增强区域;
采用图像增强算法对所述待增强区域的所有像素点进行增强处理,得到增强处理图像。
进一步地,所述计算机程序被处理器执行时实现步骤“对显著区域图像进行归一化处理,得到归一化图像”包括:将显著性区域图像上每一个像素点的像素值归一化在饱和像素值范围内,得到归一化图像,所述饱和像素值范围是指像素值为0至255的范围。
进一步地,所述计算机程序被处理器执行时实现步骤“对归一化图像进行二值化处理,得到二值化图像”包括:对归一化图像采用最大类间方差法进行二值化处理,得到二值化图像。
进一步地,所述计算机程序被处理器执行时还包括步骤:根据预设方式扩大待增强区域范围,得到扩大区域图像;
所述计算机程序被处理器执行时实现步骤“采用图像增强算法对所述待增强区域的所有像素点进行增强处理”包括:采用基于直方图均衡的图像增强算法对所述扩大区域图像的所有像素点进行增强处理。
进一步地,所述待增强区域为矩形区域,所述计算机程序被处理器执行时实现步骤“根据预设方式扩大待增强区域范围,得到扩大区域图像”包括:
确定待增强区域的至少两个顶点位置像素点以及中心像素点的坐标位置;
通过重新确定顶点位置像素点以及中心像素点的坐标位置,将待增强区域的宽度和高度各扩大预设数量的像素点,形成新的区域范围,得到扩大区域图像。
区别于现有技术,上述技术方案的基于目标检测的区域图像增强方法和存储介质,所述方法根据目标的显著性特征确定图像中重点关注的目标区域(即待增强区域),通过对重点关注区域进行局部增强处理,使得待增强区域内的图像信息可以变得更加清晰。相较于对整幅图像进行全局增强处理的方式,本发明的局部区域增强方法不仅有效提高了增强处理效率,同时也提高了重点关注区域的增强效果,提高了观测的精度和效率,有利于观察者对图像上重点关注区域的图像信息的浏览、捕捉。此外,本发明还可以根据不同精度要求改变算法的相关阈值,具有灵活性高、适用性广等特点。
附图说明
图1为本发明一实施例涉及的基于目标检测的区域图像增强方法的流程图;
图2为本发明一实施例涉及的原始图像;
图3为本发明一实施例涉及的归一化图像;
图4为本发明一实施例涉及的二值化图像;
图5为本发明一实施例涉及的边缘图像;
图6为本发明一实施例涉及的扩大区域图像;
图7为本发明一实施例涉及的增强处理图像。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,为本发明一实施例涉及的基于目标检测的区域图像增强方法的流程。所述方法包括以下步骤:
首先进入步骤S101控制图像采集单元采集原始图像。所述原始图像为RGB格式图像。所述图像采集单元可以是具有图像采集功能的电子元件,如摄像头;还可以是包含有摄像头的电子设备,如工业相机等。
而后进入步骤S102将图像采集单元采集的原始图像由RGB格式转换为LAB格式,并得到L分量图像。LAB格式为LAB色彩空间下的颜色模式,LAB模式由三个通道组成,但不是R、G、B通道。其中一个通道是亮度,即L分量;另外两个是色彩通道,用A和B来表示。A通道包括的颜色是从深绿色(底亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值);B通道则是从亮蓝色(底亮度值)到灰色(中亮度值)再到黄色(高亮度值)。因此,在这一颜色空间下,色彩经过混合后将产生明亮的色彩。LAB模式的好处在于它弥补了RGB色彩模式和CMYK色彩模式的的缺点和不足。RGB在蓝色与绿色之间的过渡色太多,绿色与红色之间的过渡色又太少,CMYK模式在编辑处理图片的过程中损失的色彩则更多,而LAB模式在这些方面都有所补偿。通过将RGB格式转换为LAB格式,并提取出图像上每个像素点的亮度分量,得到L分量图像,以便进行后续处理。
而后进入步骤S103计算L分量图像上所有像素点的像素均值,得到L分量均值。计算的方式如下:先统计L分量图像上所有像素点的亮度值总和,再将亮度值总和除以L分量图像上像素点数量,得到L分量均值。
而后进入步骤S104对L分量图像进行高斯平滑处理,得到高斯L分量图像。高斯平滑处理又叫高斯滤波,是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,对每一个像素点的值(对于L分量图像而言为亮度值),都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。通过高斯平滑处理后,可以有效消除图像噪声,排除噪声因素干扰,以便对图像进行下一步操作。
而后进入步骤S105依次计算高斯L分量图像上每个像素点与L分量均值的像素差值,根据每个像素点对应的像素差值的大小,得到显著区域图像。对于一幅图像而言,目标物的像素亮度值相较于图像上其他部分而言往往较大或较小,因而可以通过比较像素差值的大小,提取出显著区域图像。例如在靶场光电测量应用环境下,图像采集单元所采集的图像背景为天空,目标物为飞行器。由于天空的亮度整体偏亮,飞行器的亮度整体偏暗,因而可以通过将高斯L分量图像上每个像素点与亮度均值进行比较,提取出亮度偏暗的图像,而后再进一步提取出飞行器图像。所述像素差值的大小可以根据不同应用场景、不同目标物的亮度属性进行调整设置。
而后进入步骤S106对显著区域图像进行归一化处理,得到归一化图像。图像归一化是指对图像进行了一系列标准的处理变换,使之变换为一固定标准形式的过程,该标准图像称作归一化图像。在本实施方式中,所述步骤“对显著区域图像进行归一化处理,得到归一化图像”包括:将显著性区域图像上每一个像素点的像素值归一化在饱和像素值范围内,得到归一化图像,所述饱和像素值范围是指像素值为0至255的范围。通过归一化处理,使得显著区域图像上的所有像素点符合统一标准格式,有利于后续进一步处理。
而后进入步骤S107对归一化图像进行二值化处理,得到二值化图像。图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。为了得到理想的二值图像,一般采用封闭、连通的边界定义不交叠的区域。即所有灰度大于或等于阈值的像素被判定为属于特定物体(即目标物),其灰度值用255表示,否则除了这些像素点之外的其他区域像素点,灰度值用0表示,表示背景或者例外的物体区域。
在本实施方式中,所述步骤“对归一化图像进行二值化处理,得到二值化图像”包括:对归一化图像采用最大类间方差法进行二值化处理,得到二值化图像。通过二值化处理后,图像的集合性质只与像素值为0或255的点的位置有关,不再涉及像素的多级值,使图像处理变得更加快捷。
而后进入步骤S108提取所述二值化图像的边缘信息,得到边缘图像。所谓边缘是指其周围像素点的灰度值急剧变化的那些像素点的集合,它是图像最基本的特征。边缘存在于目标、背景和区域之间,因而它是图像分割所依赖的最重要的依据。有许多现有算法可以用于图像边缘检测,它们的绝大部分可以划分为两类:基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界,通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界,通常是Laplacian过零点或者非线性差分表示的过零点。边缘检测算法包括:Roberts Cross算法、Prewitt算法、Sobel算法、Kirsch算法、Canny算法、Laplacian算法等等。在本实施方式中,采用基于Sobel算子的边缘检测方法提出出二值化图像的边缘信息。
而后进入步骤S109将二值化图像和边缘图像作为输入,采用连通域检测方法提取出所述归一化图像的连通区域,所述连通区域为待增强区域。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言,连通有4连通和8连通之分。4连通指的是从区域内一点出发,可在区域中通过上、下、左、右4个方向的移动,到达区域内的任意像素位置;8连通指的是从区域中的一点出发,可通过上、下、左、右、左上、右上、左下、右下这8个方向的移动组合来到达区域内的任意像素。本发明是通过检测重点关注区域的边缘特征,再将边缘像素连接起来形成边界,完成对归一化图像的切割处理,即从归一化图像中切割出待增强区域。
而后进入步骤S110采用图像增强算法对所述待增强区域的所有像素点进行增强处理,得到增强处理图像。在本实施方式中,采用基于直方图均衡的图像增强方法对待增强区域的所有像素点进行增强处理。在另一些实施例中,还可以采用其他现有的增强算法进行增强处理。由于只是对图像上的局部区域(待增强区域)进行增强处理,相较于全局增强的方式,有效提高了处理效率。同时,提高重点关注区域的增强效果,有利于观察者对图像上重点关注区域的进行浏览,提高了感官体验。
为了使得待增强区域增强效果更加明显,在某些实施例中,所述方法包括:根据预设方式扩大待增强区域范围,得到扩大区域图像;步骤“采用图像增强算法对所述待增强区域的所有像素点进行增强处理”包括:采用基于直方图均衡的图像增强算法对所述扩大区域图像的所有像素点进行增强处理。简言之,就是将待增强区域经过放大一定比例后,再对放大后的区域图像进行增强处理,使得重点关注区域达到更好的增强效果,更加清晰、易被观察。
在某些实施例中,所述待增强区域为矩形区域,步骤“根据预设方式扩大待增强区域范围,得到扩大区域图像”包括:确定待增强区域的至少两个顶点位置像素点以及中心像素点的坐标位置;通过重新确定顶点位置像素点以及中心像素点的坐标位置,将待增强区域的宽度和高度各扩大预设数量的像素点,形成新的区域范围,得到扩大区域图像。例如可以先确定待增强区域的左上方顶点位置的像素点、右下方顶点位置的像素点以及中心像素点的横纵坐标位置,,将待增强区域的宽度和高度各自扩大30个的像素点,得到扩大区域图像。预设数量的数值可以根据实际需要进行设定,在其他实施例中,预设数量可以为20、40等。
如图2至7所示,为本发明的方法应用于处理某一图像的实施例。如图2所示,原始图像为以天空、白云为背景,小型四旋翼大疆无人机为重点关注区域(需要进行增强处理的部分)的图像。图3为经过归一化后的显著区域图像,即相较于背景而言具有显著性特征的图像区域,可以通过比较像素差值的方式提取得出。从图3可以看出,显著特征图像除了目标(即小型四旋翼大疆无人机)具有明显的显著性特征外,还有大片的云也具有一定的显著性特征,但从图中可以明显看出云的显著性特征值小于目标区域的显著性特征值。因此可以使用最大类间方差法(OTSU)对显著区域图像进行二值化分割操作,得到如图4所示的显著性区域的二值化图像。而后再使用基于Sobel算子的边缘检测方法提取二值化图像中的边缘信息,得到如图5所示的边缘图像。而后再根据边缘图像和二值化图像从归一化图像中切割出重点区域图像,即待增强区域,如图6所示的黑色矩形框。接着再对待增强区域进行一定程度比例放大后,再进行增强处理,得到的最终增强处理图像如图7所示。
发明人还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
控制图像采集单元采集原始图像,所述原始图像为RGB格式图像;
将图像采集单元采集的原始图像由RGB格式转换为LAB格式,并得到L分量图像;
计算L分量图像上所有像素点的像素均值,得到L分量均值;
对L分量图像进行高斯平滑处理,得到高斯L分量图像;
依次计算高斯L分量图像上每个像素点与L分量均值的像素差值,根据每个像素点对应的像素差值的大小,得到显著区域图像;
对显著区域图像进行归一化处理,得到归一化图像;
对归一化图像进行二值化处理,得到二值化图像;
提取所述二值化图像的边缘信息,得到边缘图像;
将二值化图像和边缘图像作为输入,采用连通域检测方法提取出所述归一化图像的连通区域,所述连通区域为待增强区域;
采用图像增强算法对所述待增强区域的所有像素点进行增强处理,得到增强处理图像。
在某些实施例中,所述计算机程序被处理器执行时实现步骤“对显著区域图像进行归一化处理,得到归一化图像”包括:将显著性区域图像上每一个像素点的像素值归一化在饱和像素值范围内,得到归一化图像,所述饱和像素值范围是指像素值为0至255的范围。
在某些实施例中,所述计算机程序被处理器执行时实现步骤“对归一化图像进行二值化处理,得到二值化图像”包括:对归一化图像采用最大类间方差法进行二值化处理,得到二值化图像。
在某些实施例中,所述计算机程序被处理器执行时还包括步骤:根据预设方式扩大待增强区域范围,得到扩大区域图像;
所述计算机程序被处理器执行时实现步骤“采用图像增强算法对所述待增强区域的所有像素点进行增强处理”包括:采用基于直方图均衡的图像增强算法对所述扩大区域图像的所有像素点进行增强处理。
在某些实施例中,所述待增强区域为矩形区域,所述计算机程序被处理器执行时实现步骤“根据预设方式扩大待增强区域范围,得到扩大区域图像”包括:
确定待增强区域的至少两个顶点位置像素点以及中心像素点的坐标位置;
通过重新确定顶点位置像素点以及中心像素点的坐标位置,将待增强区域的宽度和高度各扩大预设数量的像素点,形成新的区域范围,得到扩大区域图像。
上述技术方案的基于目标检测的区域图像增强方法和存储介质,所述方法根据目标的显著性特征确定图像中重点关注的目标区域(即待增强区域),通过对重点关注区域进行局部增强处理,使得待增强区域内的图像信息可以变得更加清晰。相较于对整幅图像进行全局增强处理的方式,本发明的局部区域增强方法不仅有效提高了增强处理效率,同时也提高了重点关注区域的增强效果,提高了观测的精度和效率,有利于观察者对图像上重点关注区域的图像信息的浏览、捕捉。此外,本发明还可以根据不同精度要求改变算法的相关阈值,具有灵活性高、适用性广等特点。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种基于目标检测的区域图像增强方法,其特征在于,所述方法包括以下步骤:
控制图像采集单元采集原始图像,所述原始图像为RGB格式图像;
将图像采集单元采集的原始图像由RGB格式转换为LAB格式,并得到L分量图像;
计算L分量图像上所有像素点的像素均值,得到L分量均值;
对L分量图像进行高斯平滑处理,得到高斯L分量图像;
依次计算高斯L分量图像上每个像素点与L分量均值的像素差值,根据每个像素点对应的像素差值的大小,得到显著区域图像;
对显著区域图像进行归一化处理,得到归一化图像;
对归一化图像进行二值化处理,得到二值化图像;
提取所述二值化图像的边缘信息,得到边缘图像;
将二值化图像和边缘图像作为输入,采用连通域检测方法提取出所述归一化图像的连通区域,所述连通区域为待增强区域;
采用图像增强算法对所述待增强区域的所有像素点进行增强处理,得到增强处理图像。
2.如权利要求1所述的基于目标检测的区域图像增强方法,其特征在于,所述步骤对显著区域图像进行归一化处理,得到归一化图像包括:将显著性区域图像上每一个像素点的像素值归一化在饱和像素值范围内,得到归一化图像,所述饱和像素值范围是指像素值为0至255的范围。
3.如权利要求1所述的基于目标检测的区域图像增强方法,其特征在于,所述步骤对归一化图像进行二值化处理,得到二值化图像包括:对归一化图像采用最大类间方差法进行二值化处理,得到二值化图像。
4.如权利要求1所述的基于目标检测的区域图像增强方法,其特征在于,所述方法包括:根据预设方式扩大待增强区域范围,得到扩大区域图像;所述步骤采用图像增强算法对所述待增强区域的所有像素点进行增强处理包括:采用基于直方图均衡的图像增强算法对所述扩大区域图像的所有像素点进行增强处理。
5.如权利要求4所述的基于目标检测的区域图像增强方法,其特征在于,所述待增强区域为矩形区域,所述步骤根据预设方式扩大待增强区域范围,得到扩大区域图像包括:
确定待增强区域的至少两个顶点位置像素点以及中心像素点的坐标位置;
通过重新确定顶点位置像素点以及中心像素点的坐标位置,将待增强区域的宽度和高度各扩大预设数量的像素点,形成新的区域范围,得到扩大区域图像。
6.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
控制图像采集单元采集原始图像,所述原始图像为RGB格式图像;
将图像采集单元采集的原始图像由RGB格式转换为LAB格式,并得到L分量图像;
计算L分量图像上所有像素点的像素均值,得到L分量均值;
对L分量图像进行高斯平滑处理,得到高斯L分量图像;
依次计算高斯L分量图像上每个像素点与L分量均值的像素差值,根据每个像素点对应的像素差值的大小,得到显著区域图像;
对显著区域图像进行归一化处理,得到归一化图像;
对归一化图像进行二值化处理,得到二值化图像;
提取所述二值化图像的边缘信息,得到边缘图像;
将二值化图像和边缘图像作为输入,采用连通域检测方法提取出所述归一化图像的连通区域,所述连通区域为待增强区域;
采用图像增强算法对所述待增强区域的所有像素点进行增强处理,得到增强处理图像。
7.如权利要求6所述的存储介质,其特征在于,所述计算机程序被处理器执行时实现步骤对显著区域图像进行归一化处理,得到归一化图像包括:将显著性区域图像上每一个像素点的像素值归一化在饱和像素值范围内,得到归一化图像,所述饱和像素值范围是指像素值为0至255的范围。
8.如权利要求6所述的存储介质,其特征在于,所述计算机程序被处理器执行时实现步骤对归一化图像进行二值化处理,得到二值化图像包括:对归一化图像采用最大类间方差法进行二值化处理,得到二值化图像。
9.如权利要求6所述的存储介质,其特征在于,所述计算机程序被处理器执行时还包括步骤:根据预设方式扩大待增强区域范围,得到扩大区域图像;
所述计算机程序被处理器执行时实现步骤采用图像增强算法对所述待增强区域的所有像素点进行增强处理包括:采用基于直方图均衡的图像增强算法对所述扩大区域图像的所有像素点进行增强处理。
10.如权利要求9所述的存储介质,其特征在于,所述待增强区域为矩形区域,所述计算机程序被处理器执行时实现步骤根据预设方式扩大待增强区域范围,得到扩大区域图像包括:
确定待增强区域的至少两个顶点位置像素点以及中心像素点的坐标位置;通过重新确定顶点位置像素点以及中心像素点的坐标位置,将待增强区域的宽度和高度各扩大预设数量的像素点,形成新的区域范围,得到扩大区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710881181.7A CN107633491A (zh) | 2017-09-26 | 2017-09-26 | 一种基于目标检测的区域图像增强方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710881181.7A CN107633491A (zh) | 2017-09-26 | 2017-09-26 | 一种基于目标检测的区域图像增强方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633491A true CN107633491A (zh) | 2018-01-26 |
Family
ID=61102673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710881181.7A Pending CN107633491A (zh) | 2017-09-26 | 2017-09-26 | 一种基于目标检测的区域图像增强方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633491A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444386A (zh) * | 2018-04-14 | 2018-08-24 | 包仁妹 | 人体位置偏离测量平台 |
CN109660821A (zh) * | 2018-11-27 | 2019-04-19 | Oppo广东移动通信有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN109670002A (zh) * | 2018-12-04 | 2019-04-23 | 中国农业机械化科学研究院 | 一种农田田块信息的多维表示方法 |
CN109712094A (zh) * | 2018-12-26 | 2019-05-03 | 新疆大学 | 图像处理方法及装置 |
CN109886885A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN109949238A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 图像的磨白优化方法和装置 |
WO2020037754A1 (zh) * | 2018-08-23 | 2020-02-27 | 网宿科技股份有限公司 | 一种增强视频画质的方法和装置 |
CN111145108A (zh) * | 2019-12-06 | 2020-05-12 | Oppo广东移动通信有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112132848A (zh) * | 2020-09-01 | 2020-12-25 | 成都运达科技股份有限公司 | 一种基于图像图层分割抽取的预处理方法 |
CN114529459A (zh) * | 2022-04-25 | 2022-05-24 | 东莞市兆丰精密仪器有限公司 | 一种对图像边缘进行增强处理的方法和系统及介质 |
CN115330803A (zh) * | 2022-10-17 | 2022-11-11 | 菲特(天津)检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
CN116664457A (zh) * | 2023-08-02 | 2023-08-29 | 聊城市洛溪信息科技有限公司 | 一种用于增强去噪的图像处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006462A (zh) * | 2010-11-27 | 2011-04-06 | 南京理工大学 | 利用运动信息的快速监控视频增强方法及其实现装置 |
CN103871055A (zh) * | 2014-03-04 | 2014-06-18 | 南京理工大学 | 一种基于动态各向异性感受野的显著目标检测方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN104408708A (zh) * | 2014-10-29 | 2015-03-11 | 兰州理工大学 | 一种基于全局和局部低秩的图像显著目标检测方法 |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
CN106886987A (zh) * | 2017-03-23 | 2017-06-23 | 重庆大学 | 一种列车车牌二值化图像融合方法 |
CN106909902A (zh) * | 2017-03-01 | 2017-06-30 | 北京航空航天大学 | 一种基于改进的层次化显著模型的遥感目标检测方法 |
-
2017
- 2017-09-26 CN CN201710881181.7A patent/CN107633491A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006462A (zh) * | 2010-11-27 | 2011-04-06 | 南京理工大学 | 利用运动信息的快速监控视频增强方法及其实现装置 |
CN103871055A (zh) * | 2014-03-04 | 2014-06-18 | 南京理工大学 | 一种基于动态各向异性感受野的显著目标检测方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN104408708A (zh) * | 2014-10-29 | 2015-03-11 | 兰州理工大学 | 一种基于全局和局部低秩的图像显著目标检测方法 |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
CN106909902A (zh) * | 2017-03-01 | 2017-06-30 | 北京航空航天大学 | 一种基于改进的层次化显著模型的遥感目标检测方法 |
CN106886987A (zh) * | 2017-03-23 | 2017-06-23 | 重庆大学 | 一种列车车牌二值化图像融合方法 |
Non-Patent Citations (2)
Title |
---|
刘培勋: "车辆主动安全中关于车辆检测与跟踪算法的若干研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
谷曙媚: "视频监控系统中的图像增强技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444386A (zh) * | 2018-04-14 | 2018-08-24 | 包仁妹 | 人体位置偏离测量平台 |
WO2020037754A1 (zh) * | 2018-08-23 | 2020-02-27 | 网宿科技股份有限公司 | 一种增强视频画质的方法和装置 |
CN109660821A (zh) * | 2018-11-27 | 2019-04-19 | Oppo广东移动通信有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN109670002A (zh) * | 2018-12-04 | 2019-04-23 | 中国农业机械化科学研究院 | 一种农田田块信息的多维表示方法 |
CN109712094A (zh) * | 2018-12-26 | 2019-05-03 | 新疆大学 | 图像处理方法及装置 |
CN109712094B (zh) * | 2018-12-26 | 2022-07-08 | 新疆大学 | 图像处理方法及装置 |
CN109886885A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN109886885B (zh) * | 2019-01-23 | 2021-03-02 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN109949238B (zh) * | 2019-03-07 | 2022-11-25 | 北京麦哲科技有限公司 | 图像的磨白优化方法和装置 |
CN109949238A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 图像的磨白优化方法和装置 |
CN111145108A (zh) * | 2019-12-06 | 2020-05-12 | Oppo广东移动通信有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111145108B (zh) * | 2019-12-06 | 2023-07-11 | Oppo广东移动通信有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112132848A (zh) * | 2020-09-01 | 2020-12-25 | 成都运达科技股份有限公司 | 一种基于图像图层分割抽取的预处理方法 |
CN114529459A (zh) * | 2022-04-25 | 2022-05-24 | 东莞市兆丰精密仪器有限公司 | 一种对图像边缘进行增强处理的方法和系统及介质 |
CN115330803A (zh) * | 2022-10-17 | 2022-11-11 | 菲特(天津)检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
CN115330803B (zh) * | 2022-10-17 | 2023-01-24 | 菲特(天津)检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
WO2024082925A1 (zh) * | 2022-10-17 | 2024-04-25 | 菲特(天津)检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
CN116664457A (zh) * | 2023-08-02 | 2023-08-29 | 聊城市洛溪信息科技有限公司 | 一种用于增强去噪的图像处理方法 |
CN116664457B (zh) * | 2023-08-02 | 2023-10-13 | 聊城市洛溪信息科技有限公司 | 一种用于增强去噪的图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633491A (zh) | 一种基于目标检测的区域图像增强方法及存储介质 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN103606132B (zh) | 基于空域和时域联合滤波的多帧数字图像去噪方法 | |
CN102968782B (zh) | 一种彩色图像中显著对象的自动抠取方法 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN103942797B (zh) | 基于直方图和超像素的场景图像文字检测方法及系统 | |
CN105205489B (zh) | 基于颜色纹理分析器与机器学习的车牌检测方法 | |
CN107944403B (zh) | 一种图像中的行人属性检测方法及装置 | |
CN108564814A (zh) | 一种基于图像的停车场车位检测方法及装置 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN106548160A (zh) | 一种人脸微笑检测方法 | |
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
WO2021057395A1 (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
CN110378893A (zh) | 图像质量评价方法、装置和电子设备 | |
Farrukh et al. | Automated segmentation of skin-tone regions in video sequences | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN105719251A (zh) | 一种用于大像移线性模糊的压缩降质图像复原方法 | |
CN108242060A (zh) | 一种基于Sobel算子的图像边缘检测方法 | |
Xu et al. | The rapid method for road extraction from high-resolution satellite images based on usm algorithm | |
Li et al. | A study of crack detection algorithm | |
Hua et al. | Image segmentation algorithm based on improved visual attention model and region growing | |
CN109410227B (zh) | 一种基于gvf模型的土地利用图斑轮廓提取算法 | |
Shi et al. | License plate detection based on convolutional neural network and visual feature | |
CN103679738B (zh) | 基于颜色半径邻近域像素分类的图像边缘检测方法 | |
Abraham et al. | A fuzzy based automatic bridge detection technique for satellite images |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180126 |