CN108257179A - 一种图像处理方法 - Google Patents

Abstract

本发明提出了一种图像处理方法,包括如下步骤:步骤1.对图像的每一像素点,记录该像素点的灰阶频数及坐标信息；步骤2.将图像中各像素点的灰阶按照灰度类聚类形成以不同灰度类为特征的空间灰度区位置分布图T_i；步骤3.对不同灰度类的灰度区位置分布图中的各个灰度区块进行甄别，选出目标区块；对不同灰度类的灰度区位置分布图中找出的目标区块进行组合识别和图像重构。本发明相对于原有的深度学习图像识别另辟蹊径，采用灰阶标准对图像进行区块划分，不再受限于学习能力及目标边缘梯度多变的限制，大幅提高了数据处理速度和识别有效性，硬件要求显著降低，且具有极强的通用性，解决了复杂环境、低对比度、弱小目标的跟踪识别的难题。

Description

一种图像处理方法

技术领域

本发明属于软件技术领域，涉及一种图像处理方法。

背景技术

目前装备智能化的关键是视觉场景的认知，只有对视觉场景认知准确才能合理的控制自己的行为，目前对于视觉场景认知采用最为广泛的是深度学习技术。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达。

深度学习的缺点就是在许多情形中深度2就足够表示任何一个带有给定目标精度的函数。但是其代价是：图中所需要的节点数(比如计算和参数数量)可能变的非常大。理论结果证实那些事实上所需要的节点数随着输入的大小指数增长的函数族是存在的。如果将深度架构看做一种因子分解。大部分随机选择的函数不能被有效地表示，无论是用深的或者浅的架构。但是许多能够有效地被深度架构表示的却不能被用浅的架构高效表示。一个紧的和深度表示的存在意味着在潜在的可被表示的函数中存在某种结构。如果不存在任何结构，那将不可能很好地泛化。通俗的讲就是一旦有一层训练未能被下一层有效的使用，那么这个学习即为无效，因此在深度学习处理视觉图像时，由于上述缺点使得深度学习所需要的学习库及对这些库的调用比对运算量极其巨大，对于视觉图像中存在的由于目标运动和复杂环境干扰造成的各种无规则形状的图像难以通过深度学习识别。限制了深度学习的应用范围。

发明内容

为克服现有深度学习技术在视觉图像识别中存在的技术缺陷，针对视觉图像中的特定物体识别，本发明公开了一种图像处理方法。

本发明所述图像处理方法,包括如下步骤:

步骤1.对图像的每一像素点,记录该像素点的灰阶频数及坐标信息；

步骤2.将图像中各像素点的灰阶按照灰度类聚类形成以不同灰度类为特征的空间灰度区位置分布图T_i ；所述相似灰阶构成的灰度区位置分布图包括一个或多个离散分布的灰度区块；下标 i表示不同的灰度类；所述灰度类是指包括1个或多个连续分布灰度值的区间；

步骤3. 对不同灰度类的灰度区位置分布图中的各个灰度区块进行甄别，选出目标区块；对不同灰度类的灰度区位置分布图中找出的目标区块进行组合识别和图像重构。

优选的，所述步骤3中灰度区块的甄别具体为：对灰度区块的各个边界像素点的坐标信息进行分析，边界像素点的坐标信息符合预设标准的则认为是目标区块。

进一步的，所述预设标准为边界像素点的坐标信息符合线性特征。

优选的，所述步骤3中对各个灰度类的灰度区位置分布图中找出的目标区块进行组合识别的具体步骤为：

设立一个记忆库，所述记忆库中预存有待识别图像的目标属性信息；

根据目标区块像素点的坐标信息将连接分布的各个目标区块进行组合，组合过程中与记忆库中的属性信息进行比对，比对成功则标记，比对不成功则继续组合。

进一步的，所述记忆库中存储有飞行器的全向属性。

本发明相对于原有的深度学习图像识别另辟蹊径，采用灰度标准对图像进行区块划分，不再受限于学习库和学习能力限制，大幅提高了数据处理速度和识别有效性，识别时间减小，硬件要求降低；本发明尤其适合于机场、飞行员导航等所需的视觉图像识别，由于学习库中可以仅存储飞行器形状，调用比对数据量小，提高了识别速度，不需要事先训练学习，适合用于飞行中的视觉图像识别。

附图说明

图1为利用本发明所述图像处理方法进行处理的一张飞行器照片示意图；

图2为利用本发明所述图像处理方法进行灰度识别后进行组合的示意图。

具体实施方式

本发明所述图像处理方法,包括如下步骤:

步骤1.对图像的每一像素点,记录该像素点的灰阶频数及坐标信息；

步骤2.将构成图像的灰阶（像素点）聚类形成以灰度类为特征的相似灰度区位置分布图T_i ；所述相似灰度区位置分布图包括一个或多个离散分布的灰度区块；下标 i表示不同的灰度类；所述灰度类是指包括1个或多个连续分布灰度值的区间；

步骤3. 对各灰度类的灰度区位置分布图中的各个灰度区块进行甄别，选出目标区块；对不同灰度类的近似灰度区位置分布图中找出的目标区块进行组合识别和图像重构。

本发明针对与视觉图像处理，在视觉图像处理中，由于背景的复杂性和不规则性，例如云朵、日光、植物等外形的随机性，对于利用深度学习进行图像识别具有较大难度，巨大的运算量进一步导致图像识别处理速度变慢，对于多数有识别及时性要求的应用场合，这种识别方式缺乏应用价值。

为更好的阐述本发明，以图1所示图像为例进行进一步说明。

图1所示的图像中由0-255个灰阶构成，经灰阶细分后聚成了四个灰度类，灰度类1的灰阶范围是0-138，灰度类2的灰阶范围是139-166，灰度类3的灰阶范围是167-214，灰度类4的灰阶范围是215-255。四个灰度类分别表示白和黑不同程度，对拍摄得到的真实照片进行灰度处理后，显示图像中如图1中最右侧图列所示，记录图1中全部像素点的灰阶频数和坐标信息。

对于灰度值细分数量多的图片,根据精度要求和图像性质设定灰度区间,要识别的图像必然处于某一灰度类内,当灰度类为单一灰度值的最极端情况下,计算量最大,但图像也必然被识别出来,但对于大多数应用情况下,灰度类包含多个连续灰度值时,足以识别出目标。

以图1为例，图1是一幅由蓝天白云为背景的多架飞机构成的图像，各灰度类反应了背景与目标的所呈现的灰度，灰度类还原后，图像就会重现，重现过程中机器视觉就会发现自己要找的目标。根据色阶值对全部像素点进行聚类与分类，提取各灰度区的灰度特征以及形态特征，建立各灰度区的属性信息表，寻找其中可能包含的待识别目标。例如图1中将全部像素灰阶聚类为四个灰度类，目标所属的灰度类必在四个灰度类之中，按各灰度类的空间位置还原，目标的形态就会自动呈现出来，由此，实现了视觉的感知功能。灰度类的多少由视觉图像的复杂度决定，灰度类中所含的灰阶数量由视觉图像的对比度、识别目标的灰度数量等因素决定，灰度类越多意味着图像越复杂，反之灰度类少则意味着图像简单。灰度类中包含的灰阶范围宽窄决定了分布图的不同亮暗对比程度，灰度类的灰阶值数量可以根据图片情况确定，如对于对比度高的图片，灰度类可以较窄。

对于图1中最亮灰度类，即为白色的全部像素点，从图1中可以看出，目标的形态由不同灰度类的灰阶所决定，步骤2即对这些相互分离的灰度区块进行甄别。甄别可以根据预先设定的原则，通常是对这些灰度区块边界像素点的坐标信息进行分析，得到各个灰度区块的形状，并对形状进行判断是否符合预设标准，例如根据边界坐标信息识别出该形状为标准圆形，则可以根据预设标准判断圆形的灰度区块是否是需要识别出的物体。由于视觉拍摄图片中，光晕、太阳等都容易造成圆形形状的灰度区块，本发明中，对于图像中各个物体的识别通常针对人造物体，人造物体通常具备直线边界，因此优选将预设标准设定为边界像素点的坐标信息符合线性特征，即当灰度区块边界包括直线时，将其甄别出来作为目标区块。例如图1中的飞机的灰度区块都具备直线边界，则被作为目标区块，而不具备直线边界的例如蓝天白云则不被甄别比对。

识别出各个具备直线边界的目标区块后，根据灰度区块的像素点坐标信息进行组合，即坐标上相互连接的目标区块进行组合，如图2所示，按照图1所示的方式分为四个灰度区间分别识别后，得到的具备直线边界的灰度区块被识别出来，再按照灰度区块的坐标组合得到包含灰度信息的图像。

对于多数高灰度值的图片，一个完整的物体各个部分的灰度值也是不一样的，例如对于图1中的飞机，机身、左翼、右翼、垂尾、尾翼等各个部分可能灰度不一致，但由于都具备直线边界，均被识别为目标区块，且在坐标上相互连接，将其组合后可以得出一个完整的飞机形状；预先设立一个学习库，学习库中存储有飞机各个角度的全向形状，将目标区块组合后的形状反复与预先设立的学习库中的飞机各个角度的形状遍历循环比对，组合完整即可迅速识别出图片中存在的飞行器，学习库中也可以存储仅包括机身或机翼等部分飞机部件的形状，在现实比对中，图片中出现的飞机可能部分被云层等障碍物遮挡，此时比对仍然能识别出飞机形状。

本发明相对于原有的深度学习图像识别另辟蹊径，采用灰度标准对图像进行区块划分，不再受限于学习库和学习能力限制，大幅提高了数据处理速度和识别有效性，识别时间减小，硬件要求降低；本发明尤其适合于机场、飞行员导航等所需的视觉图像识别，由于学习库中可以仅存储飞行器形状，调用比对数据量小，提高了识别速度，适合用于飞行中的视觉图像识别。

前文所述的为本发明的各个优选实施例，各个优选实施例中的优选实施方式如果不是明显自相矛盾或以某一优选实施方式为前提，各个优选实施方式都可以任意叠加组合使用，所述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (5)

1.一种图像处理方法,其特征在于,包括如下步骤:

步骤1.对图像的每一像素点,记录该像素点的灰阶频数及坐标信息；

步骤2.将图像中各像素点的灰阶按照灰度类聚类形成以不同灰度类为特征的空间灰度区位置分布图T_i ；所述相似灰阶构成的灰度区位置分布图包括一个或多个离散分布的灰度区块；下标 i表示不同的灰度类；所述灰度类是指包括1个或多个连续分布灰度值的区间；

步骤3. 对不同灰度类的灰度区位置分布图中的各个灰度区块进行甄别，选出目标区块；对不同灰度类的灰度区位置分布图中找出的目标区块进行组合识别和图像重构。

2.如权利要求1所述的图像处理方法，其特征在于，所述步骤3中灰度区块的甄别具体为：对灰度区块的各个边界像素点的坐标信息进行分析，边界像素点的坐标信息符合预设标准的则认为是目标区块。

3.如权利要求2所述的图像处理方法，其特征在于，所述预设标准为边界像素点的坐标信息符合线性特征。

4.如权利要求1所述的图像处理方法，其特征在于，所述步骤3中对各个灰度类的灰度区位置分布图中找出的目标区块进行组合识别的具体步骤为：

设立一个记忆库，所述记忆库中预存有待识别图像的目标属性信息；

根据目标区块像素点的坐标信息将连接分布的各个目标区块进行组合，组合过程中与记忆库中的属性信息进行比对，比对成功则标记，比对不成功则继续组合。

5.如权利要求4所述的图像处理方法，其特征在于，所述记忆库中存储有飞行器的全向属性。