CN109146909A - 一种图像目标识别方法 - Google Patents
一种图像目标识别方法 Download PDFInfo
- Publication number
- CN109146909A CN109146909A CN201811181940.XA CN201811181940A CN109146909A CN 109146909 A CN109146909 A CN 109146909A CN 201811181940 A CN201811181940 A CN 201811181940A CN 109146909 A CN109146909 A CN 109146909A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- images
- frequency range
- difference 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract 1
- 239000002956 ash Substances 0.000 description 4
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像目标识别方法,包括以下步骤:A、根据待识别图像内容确定若干个识别点;B、根据图像的像素点灰度的变化趋势和图像的像素点与识别点的灰度差值对图像的背景进行分离;C、将分离背景后的图像进行分割,形成多个图像块;D、对每个图像块进行频域分解,确定分解后的有效频段;E、将有效频段内的图像信息进行重新组合,得到识别出的目标图像。本发明可以解决现有技术的不足,提高了图像目标识别的速度。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种图像目标识别方法。
背景技术
随着图像技术的广泛应用,在获取的图像中识别出目标物成为了一种常用的图像识别方法。常用的目标识别算法有两种:一种是由下而上的数据驱动型,另一种是由上而下的知识驱动型。不过,现有的图像目标识别方法普遍存在运算量大,耗时长的问题。
发明内容
本发明要解决的技术问题是提供一种图像目标识别方法,能够解决现有技术的不足,提高了图像目标识别的速度。
为解决上述技术问题,本发明所采取的技术方案如下。
一种图像目标识别方法,包括以下步骤:
A、根据待识别图像内容确定若干个识别点;
B、根据图像的像素点灰度的变化趋势和图像的像素点与识别点的灰度差值对图像的背景进行分离;
C、将分离背景后的图像进行分割,形成多个图像块;
D、对每个图像块进行频域分解,确定分解后的有效频段;
E、将有效频段内的图像信息进行重新组合,得到识别出的目标图像。
作为优选,步骤A中,首先在待识别图像中搜索具有识别标示的图像块,然后取搜索到的图像块的几何中心点作为识别点。
作为优选,步骤B中,对图像的背景进行分离包括以下步骤,
B1、将待识别的像素点N个维度上的灰度变化率和像素点与识别点的灰度差值进行归一化处理;N≥3;
B2、将像素点与识别点的连线方向定义为灰度差值方向,使用与每个灰度变化方向最接近的灰度差值方向对各个灰度变化率进行加权处理;
B3、当N个灰度变化率之和小于阈值时,判断此像素点为背景图案像素点;当N个灰度变化率之和大于等于阈值时,判断此像素点为目标图案像素点。
作为优选,:步骤C中,计算图像的灰度变化矩阵,然后取得灰度变化矩阵的特征向量,根据特征向量的方向对图像进行分割。
作为优选,步骤D中,对图像进行频域分解后,根据各个频段函数与中心频段函数的相似度确定有效频段,当相似度大于所有相似度的平均值时,确定为有效频段,否则为无效频段。
作为优选,步骤E中,图像进行组合后,在频域中对组合边界进行平滑过渡处理。
采用上述技术方案所带来的有益效果在于:本发明通过采用提取识别点的方式,使用像素点和识别点的灰度变化特点,对背景图像和目标图像进行区分,可以有效降低背景噪声对于目标图像的干扰。对目标图像进行频域分解,可以快速去除目标图像中包含的杂波干扰。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
一种图像目标识别方法,包括以下步骤:
A、根据待识别图像内容确定若干个识别点;
B、根据图像的像素点灰度的变化趋势和图像的像素点与识别点的灰度差值对图像的背景进行分离;
C、将分离背景后的图像进行分割,形成多个图像块;
D、对每个图像块进行频域分解,确定分解后的有效频段;
E、将有效频段内的图像信息进行重新组合,得到识别出的目标图像。
步骤A中,首先在待识别图像中搜索具有识别标示的图像块,然后取搜索到的图像块的几何中心点作为识别点。
步骤B中,对图像的背景进行分离包括以下步骤,
B1、将待识别的像素点3个维度上的灰度变化率和像素点与识别点的灰度差值进行归一化处理;
B2、将像素点与识别点的连线方向定义为灰度差值方向,使用与每个灰度变化方向最接近的灰度差值方向对各个灰度变化率进行加权处理;
B3、当3个灰度变化率之和小于阈值时,判断此像素点为背景图案像素点;当3个灰度变化率之和大于等于阈值时,判断此像素点为目标图案像素点。阈值选定为平均灰度变化率的20%。
步骤C中,计算图像的灰度变化矩阵,然后取得灰度变化矩阵的特征向量,根据特征向量的方向对图像进行分割。
步骤D中,对图像进行频域分解后,根据各个频段函数与中心频段函数的相似度确定有效频段,当相似度大于所有相似度的平均值时,确定为有效频段,否则为无效频段。
步骤E中,图像进行组合后,在频域中对组合边界进行平滑过渡处理。
实施例2
一种图像目标识别方法,包括以下步骤:
A、根据待识别图像内容确定若干个识别点;
B、根据图像的像素点灰度的变化趋势和图像的像素点与识别点的灰度差值对图像的背景进行分离;
C、将分离背景后的图像进行分割,形成多个图像块;
D、对每个图像块进行频域分解,确定分解后的有效频段;
E、将有效频段内的图像信息进行重新组合,得到识别出的目标图像。
步骤A中,首先在待识别图像中搜索具有识别标示的图像块,然后取搜索到的图像块的几何中心点作为识别点。
步骤B中,对图像的背景进行分离包括以下步骤,
B1、将待识别的像素点3个维度上的灰度变化率和像素点与识别点的灰度差值进行归一化处理;
B2、将像素点与识别点的连线方向定义为灰度差值方向,使用与每个灰度变化方向最接近的灰度差值方向对各个灰度变化率进行加权处理;
B3、当3个灰度变化率之和小于阈值时,判断此像素点为背景图案像素点;当3个灰度变化率之和大于等于阈值时,判断此像素点为目标图案像素点。阈值选定为平均灰度变化率的10%。
步骤C中,计算图像的灰度变化矩阵,然后取得灰度变化矩阵的特征向量,根据特征向量的方向对图像进行分割。
步骤D中,对图像进行频域分解后,根据各个频段函数与中心频段函数的相似度确定有效频段,当相似度大于所有相似度的平均值时,确定为有效频段,否则为无效频段。
步骤E中,图像进行组合后,在频域中对组合边界进行平滑过渡处理。
实施例3
一种图像目标识别方法,包括以下步骤:
A、根据待识别图像内容确定若干个识别点;
B、根据图像的像素点灰度的变化趋势和图像的像素点与识别点的灰度差值对图像的背景进行分离;
C、将分离背景后的图像进行分割,形成多个图像块;
D、对每个图像块进行频域分解,确定分解后的有效频段;
E、将有效频段内的图像信息进行重新组合,得到识别出的目标图像。
步骤A中,首先在待识别图像中搜索具有识别标示的图像块,然后取搜索到的图像块的几何中心点作为识别点。
步骤B中,对图像的背景进行分离包括以下步骤,
B1、将待识别的像素点3个维度上的灰度变化率和像素点与识别点的灰度差值进行归一化处理;
B2、将像素点与识别点的连线方向定义为灰度差值方向,使用与每个灰度变化方向最接近的灰度差值方向对各个灰度变化率进行加权处理;
B3、当3个灰度变化率之和小于阈值时,判断此像素点为背景图案像素点;当3个灰度变化率之和大于等于阈值时,判断此像素点为目标图案像素点。阈值选定为平均灰度变化率的5%。
步骤C中,计算图像的灰度变化矩阵,然后取得灰度变化矩阵的特征向量,根据特征向量的方向对图像进行分割。
步骤D中,对图像进行频域分解后,根据各个频段函数与中心频段函数的相似度确定有效频段,当相似度大于所有相似度的平均值时,确定为有效频段,否则为无效频段。
步骤E中,图像进行组合后,在频域中对组合边界进行平滑过渡处理。
使用上述三个实施例使用同一计算机对同一图像进行目标识别测试,结果如下:
组别 | 实施例1 | 实施例2 | 实施例3 |
识别时间(s) | 5.9 | 7.1 | 23.5 |
识别准确率(%) | 91.6 | 98.2 | 98.9 |
由上述数据可见,采用实施例2可以获得一个的综合性能最优的结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种图像目标识别方法,其特征在于包括以下步骤:
A、根据待识别图像内容确定若干个识别点;
B、根据图像的像素点灰度的变化趋势和图像的像素点与识别点的灰度差值对图像的背景进行分离;
C、将分离背景后的图像进行分割,形成多个图像块;
D、对每个图像块进行频域分解,确定分解后的有效频段;
E、将有效频段内的图像信息进行重新组合,得到识别出的目标图像。
2.根据权利要求1所述的一种图像目标识别方法,其特征在于:步骤A中,首先在待识别图像中搜索具有识别标示的图像块,然后取搜索到的图像块的几何中心点作为识别点。
3.根据权利要求1所述的一种图像目标识别方法,其特征在于:步骤B中,对图像的背景进行分离包括以下步骤,
B1、将待识别的像素点N个维度上的灰度变化率和像素点与识别点的灰度差值进行归一化处理;N≥3;
B2、将像素点与识别点的连线方向定义为灰度差值方向,使用与每个灰度变化方向最接近的灰度差值方向对各个灰度变化率进行加权处理;
B3、当N个灰度变化率之和小于阈值时,判断此像素点为背景图案像素点;当N个灰度变化率之和大于等于阈值时,判断此像素点为目标图案像素点。
4.根据权利要求1所述的一种图像目标识别方法,其特征在于:步骤C中,计算图像的灰度变化矩阵,然后取得灰度变化矩阵的特征向量,根据特征向量的方向对图像进行分割。
5.根据权利要求1所述的一种图像目标识别方法,其特征在于:步骤D中,对图像进行频域分解后,根据各个频段函数与中心频段函数的相似度确定有效频段,当相似度大于所有相似度的平均值时,确定为有效频段,否则为无效频段。
6.根据权利要求1所述的一种图像目标识别方法,其特征在于:步骤E中,图像进行组合后,在频域中对组合边界进行平滑过渡处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181940.XA CN109146909B (zh) | 2018-10-11 | 2018-10-11 | 一种图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181940.XA CN109146909B (zh) | 2018-10-11 | 2018-10-11 | 一种图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146909A true CN109146909A (zh) | 2019-01-04 |
CN109146909B CN109146909B (zh) | 2021-09-14 |
Family
ID=64811562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811181940.XA Active CN109146909B (zh) | 2018-10-11 | 2018-10-11 | 一种图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146909B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985140A (zh) * | 2014-05-22 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 一种基于频域处理的抗噪运动目标检测方法 |
CN105488511A (zh) * | 2015-11-25 | 2016-04-13 | 小米科技有限责任公司 | 图像的识别方法及装置 |
-
2018
- 2018-10-11 CN CN201811181940.XA patent/CN109146909B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985140A (zh) * | 2014-05-22 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 一种基于频域处理的抗噪运动目标检测方法 |
CN105488511A (zh) * | 2015-11-25 | 2016-04-13 | 小米科技有限责任公司 | 图像的识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
岳爱菊 等: "基于非下采样Contourlet变换的图像边缘检测", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109146909B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Santoni et al. | Cattle race classification using gray level co-occurrence matrix convolutional neural networks | |
Qin et al. | Moving cast shadow removal based on local descriptors | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN107507170A (zh) | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 | |
CN102147861A (zh) | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 | |
CN103186904A (zh) | 图片轮廓提取方法及装置 | |
CN106023171A (zh) | 一种基于转弯半径的图像角点检测方法 | |
Klein et al. | Boosting scalable gradient features for adaptive real-time tracking | |
CN101996328A (zh) | 一种木材识别方法 | |
CN110309830A (zh) | 基于数学形态学和区域连通性的甲骨文字自动分割方法 | |
Zhang et al. | A covariance-based method for dynamic background subtraction | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
Gurrala et al. | A new segmentation method for plant disease diagnosis | |
Marzan et al. | Towards tobacco leaf detection using Haar cascade classifier and image processing techniques | |
CN112949464B (zh) | 基于人脸三维形状的换脸伪造检测方法、系统及设备 | |
CN116912184B (zh) | 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统 | |
Shi et al. | Moving cast shadow detection in video based on new chromatic criteria and statistical modeling | |
Lin et al. | License plate location method based on edge detection and mathematical morphology | |
Soumya et al. | Recognition of ancient Kannada Epigraphs using fuzzy-based approach | |
CN109146909A (zh) | 一种图像目标识别方法 | |
Azad et al. | Novel and tuneable method for skin detection based on hybrid color space and color statistical features | |
Niazi et al. | Hybrid face detection in color images | |
CN104063874B (zh) | 基于权值模型的灰度图像二值化算法定量评估方法 | |
Li et al. | Interactive color image segmentation by region growing combined with image enhancement based on Bezier model | |
CN114463440A (zh) | 一种单摄像头目标定位方法、系统、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |