CN109523527B - 图像中脏污区域的检测方法、装置和电子设备 - Google Patents
图像中脏污区域的检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN109523527B CN109523527B CN201811337236.9A CN201811337236A CN109523527B CN 109523527 B CN109523527 B CN 109523527B CN 201811337236 A CN201811337236 A CN 201811337236A CN 109523527 B CN109523527 B CN 109523527B
- Authority
- CN
- China
- Prior art keywords
- image
- dirty
- scale
- detected
- detecting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 67
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 46
- 238000012545 processing Methods 0.000 abstract description 20
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000011109 contamination Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
公开了一种图像中脏污区域的检测方法,装置和电子设备。该方法包括:对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像;对所述待检测图像与所述本底图像做差值以获得差值图像;对所述差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度;以及,基于所述结果图像确定所述图像中的脏污区域。这样,可以提高脏污检测的灵敏度、易用性、处理速度和环境适应性。
Description
技术领域
本申请涉及图像处理领域,且更为具体地,涉及一种图像中脏污区域的检测方法、装置和电子设备。
背景技术
目前,在计算机视觉、自动驾驶与安防系统和工业视觉检测系统等很多领域中,都需要使用摄像头模组来采集图像。
摄像头模组在生产、使用过程中会由于各种因素(触摸、划痕、擦伤等、污渍、像素损坏等)形成模组成像面的脏污,从而影响模组的产品质量与用户使用体验。
由于摄像头模组的脏污形状任意,脏污与良好图像的灰度差别小,使得摄像头模组检测变得非常困难。目前,大多数模组制造厂对摄像头模组的脏污检测是采用人工检测的方式,且其他模组应用开发商也基本通过人工检测的方式进行二次筛选。
但是,人工检测的方式存在明显缺陷,其受检测人员自身因素以及测试环境的差异影响,检测的误判率较高,且检测结果一致性较差,对于一些不明显的脏污甚至会漏检。
因此,期望提供改进的用于检测图像中的脏污区域的方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种图像中脏污区域的检测方法,装置和电子设备,其通过不同尺度的高斯滤波剔除噪点并突出脏污区域的特征,从而提高了脏污检测的灵敏度、易用性、处理速度和环境适应性。
根据本申请的一个方面,提供了一种图像中脏污区域的检测方法,包括:对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像;对所述待检测图像与所述本底图像做差值以获得差值图像;对所述差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度;以及,基于所述结果图像确定所述图像中的脏污区域。
根据本申请的另一方面,提供了一种图像中脏污区域的检测装置,包括:第一滤波单元,用于对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像;差值计算单元,用于对所述待检测图像与所述第一滤波单元获得的本底图像做差值以获得差值图像;第二滤波单元,用于对所述差值计算单元获得的差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度;以及,脏污确定单元,用于基于所述第二滤波单元获得的结果图像确定所述图像中的脏污区域。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的图像中脏污区域的检测方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的图像中脏污区域的检测方法。
本申请提供的图像中脏污区域的检测方法,装置和电子设备对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像;对所述待检测图像与所述本底图像做差值以获得差值图像;对所述差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度;以及,基于所述结果图像确定所述图像中的脏污区域。
这样,由于待检测图像与本底图像的差值记录了图像上的所有噪声信息和脏污区域信息,通过不同尺度的高斯滤波可剔除噪点并突出脏污区域的特征,最大程度地保留了原始图像的特征,因此提高了脏污检测的灵敏度。
并且,本申请的检测方法仅需要进行两次不同尺度的高斯滤波和做图像差值,方法简便,因此提高了脏污检测的易用性和处理速度。
此外,本申请的检测方法可用于处理任意待检测图像,对输入图像的图像质量要求低,因此提高了脏污检测的环境适应性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的图像中脏污区域的检测方法的流程图。
图2图示了根据本申请实施例的图像中脏污区域的检测方法中的图像处理的示例的示意图。
图3图示了根据本申请实施例的基于结果图像确定脏污区域的过程的流程图。
图4图示了根据本申请实施例的图像中脏污区域的检测装置的框图。
图5图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,脏污检测是摄像头模组后端组装完成后的一项重要测试项目。摄像头模组的生产车间要求是无尘车间,但是由于传感器上的像素点存在坏块(即,一定连续面积的坏点形成的区域)以及摄像头在组装过程中的任一环节产生的灰尘粒子和其他污渍,会造成成像的亮点、暗点、色点以及暗斑脏污,这在模组测试过程中都属于脏污检测。
针对上述技术问题,本申请的基本构思是首先通过待检测图像与第一尺度高斯滤波获得的本底图像的差值获得所有噪声信息和脏污区域信息,并进一步通过不同尺度的第二高斯滤波剔除噪点并突出脏污区域的特征,从而检测出图像中的脏污区域。
具体地,本申请提供的图像中脏污区域的检测方法首先对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像,然后对所述待检测图像与所述本底图像做差值以获得差值图像,再对所述差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度,最后基于所述结果图像确定所述图像中的脏污区域。
这样,由于在脏污区域检测过程中对原始图像的处理环节少,最大地保留了原始图像的特征,提高了脏污检测的灵敏度。并且,仅需要进行两次不同尺度的高斯滤波和做图像差值,方法简便,处理速度快。另外,由于对输入图像的图像质量要求低,降低了脏污检测的环境要求,提高了检测的环境适应性。
这里,需要说明的是,本申请提供的图像中脏污区域的检测方法可以应用于摄像头模组在生产、使用等过程中的各种脏污检测,而不限于摄像头模组在组装完成之后的脏污检测。此外,本申请提供的图像中脏污区域的检测方法还可以应用于其它各种图像中的脏污区域的检测,本申请并不意在对此进行任何限制。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1图示了根据本申请实施例的图像中脏污区域的检测方法的流程图。
如图1所示,根据本申请实施例的图像中脏污区域的检测方法包括如下步骤。
在步骤S110中,对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像。
这里,待检测图像可以是摄像头模组在组装完成后进行测试所获得的测试图像,例如,任意一幅普通的、脏污检测系统中常规的测试图(例如,可以是一张中间亮而四周暗的RGB格式图,不带有任何编码或其他水印)。
在进行第一尺度高斯滤波时,若检测到待检测图像为彩色图像,可将待检测图像转换为灰度图像,得到一个具有行宽度width_r和列高度height_c的矩形像素阵列,其中,width_r×height_c可以为512×640像素,720×1080像素,1080×1920像素等。需要说明的是,本申请中的待检测图像本身也可能是灰度图像,这样就不需要进行灰度转换。
在一实施例中,第一尺度高斯滤波为大尺度像素频域空间的二维高斯滤波。也就是说,所述二维高斯滤波的sigma参数为max(height_c,width_r)/size_d,其中,width_r,height_c为上述图像的矩形像素阵列的对应值,且Size_d为特征参数(为了与以下的第二尺度高斯滤波的特征参数区分,这里也称为第一参数,例如,该第一参数可以为16,单位为“像素”)。因此,这里所述二维高斯滤波的参数值仅与目标图像的行列尺度及特征参数有关。
在步骤S120中,对所述待检测图像与所述本底图像做差值以获得差值图像。
在一实施例中,可以直接通过将待检测图像与第一尺度高斯滤波后的本底图像的对应像素位置(i,j)处的像素灰度值做差值计算。并且,在计算过程中,例如,所有像素可以为双数据类型。
在步骤S130中,对所述差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度。
具体地,在所述第一尺度高斯滤波是大尺度像素频域空间的二维高斯滤波的情况下,所述第二尺度高斯滤波是中等尺度空间频域的二维高斯滤波。也就是说,所述二维高斯滤波的sigma参数为max(height_c,width_r)/size_f,其中,width_r,height_c为上述图像的矩形像素阵列的对应值,且Size_f为特征参数(这里也称为第二参数,例如,在上述第一参数Size_d的情况下,所述第二参数Size_f为25,单位为“像素”)。这里,所述中等尺度空间频域的二维高斯滤波的参数值也仅与目标图像的行列尺度及所述第二参数有关。
在步骤S140中,基于所述结果图像确定所述图像中的脏污区域。
在一实施例中,也就是说,根据本申请实施例的图像中脏污区域的检测方法对于任意待检测图像,可通过频域内大空间尺度的高斯滤波来获得原始图像的本征信息,然后通过将图像的原始值与本底值进行做差以得到所有噪声信息和脏污区域信息(这里,所述脏污区域被视为特大噪声),接下来通过第二轮的中等空间尺度的高斯滤波剔除小型噪声而保留脏污区域。
因此,在脏污识别过程,不需要对原始输入的待检测图像进行诸如校正、空间变换等处理,对原始输入的待检测图像的处理环节少,最大地保留了图像的原始特征,提高了脏污的检测灵敏度,避免漏检。
并且,根据本申请实施例的图像中脏污区域的检测方法仅需要进行两次不同尺度的高斯滤波和做图像差值,过程简单,从而易于集成在嵌入式系统中,易于在小型控制器中实现,且易于在终端进行离线处理。此外,由于方法的过程简单,处理速度快,有利于提高生产检测效率。
另外,根据本申请实施例的图像中脏污区域的检测方法不需要待检测图像的灰度均匀,对于待检测图像的图像质量要求低,降低了脏污检测系统的环境要求,提高了检测的环境适应性。
图2图示了根据本申请实施例的图像中脏污区域的检测方法中的图像处理的示例的示意图。图2的(a)图示了输入图像,其为一张矩形的灰度图像。图2的(b)图示了经过第一尺度高斯滤波后获得的本底图像,如上所述,经过所述第一尺度高斯滤波后的本底图像中将剔除大部分的噪声。
返回参考图2,图2的(c)图示了差值图像,可以看到,所述差值图像是在剔除了本底图像之后包含了各类噪声以及脏污区域信息的图像。这里,本领域技术人员可以理解,虽然在图2(c)以及后续的图中将脏污区域示为图中的一块不规则白色区域,但是图中所示的脏污区域的形状、尺寸和数目都仅为示例,本申请实施例并不意在对此进行任何限制。
返回参考图2,图2的(d)图示了结果图像。如图2所示,通过进行第二尺度高斯滤波,可以将一定尺寸的噪点区域进行平滑,从而突出脏污区域的特征。可以看到,平滑后的差值图像中,脏污区域因为连通面积大,灰度与周围区别大而特征明显。
图2的(e)图示了对所述结果图像进行二值化后获得的二值化图像。具体地,对所述结果图像进行二值化可以包括对所述结果图像整体求均值,并且例如,将大于均值的像素点为设置为0,小于均值的像素点设置为1。这样,在所述二值化图像中,由于脏污部分的灰度值低于图像整体的平均灰度,所以会被显示成亮块。
此外,本领域技术人员可以理解,在对所述结果图像整体求均值,也可以将大于均值的像素点为设置为1,小于均值的像素点设置为0。这样,在所述二值化图像中,由于脏污部分的灰度值低于图像整体的平均灰度,所以会被显示成黑块。
接下来,对所述二值化图像进行图像边界腐蚀。即,从图像整体的边缘开始,将所有与图像边界连通的区域视为整体,并且剔除。脏污部分由于是像素区域孤岛,所以不会被剔除掉。
图2的(f)图示了对所述二值化图像进行图像边界腐蚀获得的纯净的脏污位置图像。此时,图像中仅脏污部分得到保留,且脏污区域的像素为1,其余地方为0。当然,如果如上所述,脏污部分被显示为黑块,则脏污区域的像素为0,其余地方为1。
图3图示了根据本申请实施例的基于结果图像确定脏污区域的过程的流程图。如图3所示,所述过程包括:
S210,基于所述结果图像确定用于二值化的阈值,例如,如上所述的对所述结果图像整体求均值所获得的阈值;
S220,基于所述阈值对所述结果图像进行二值化,以获得所述二值化图像,即如图2的(e)所示的二值化图像;
S230,对所述二值化图像进行图像边界腐蚀,即如图2的(f)所示的纯净的脏污位置图像;
S240,确定腐蚀后的所述二值化图像中像素值符合预设值的点所在的区域,例如,如上所述,取决于所述脏污区域显示为亮块或者黑块,所述预设条件可以是像素值符合255的点,也可以是像素值符合0的点;
S250,确定所述符合预设值的点所在的区域的中心点坐标和轮廓坐标;以及
S260,基于所述中心点坐标和所述轮廓坐标确定所述图像中的脏污区域。因此,通过上述过程,可以基于结果图像获得所述图像中的脏污区域的形状和尺寸参数,即,如上所述的脏污区域的中心点坐标和轮廓坐标,从而便于对所述图像中的脏污区域的清除处理,例如,可以通过所述参数自动控制摄像头模组的清洁设备对所述摄像头模组上的脏污区域进行清洁。
此外,所述脏污区域的参数还可以被记录在数据库文件中,以便于用户的后续使用。因此,在根据本申请实施例的图像中脏污区域的检测方法,在基于所述结果图像确定所述图像中的脏污区域之后进一步包括记录所述脏污区域的特征参数,所述特征参数包括所述脏污区域的中心点坐标、轮廓坐标、面积大小和灰度值中的至少一个。
另外,还可以基于所述脏污区域的确定,在所述待检测图像中标记所述脏污区域,如图2的(g)所示。这样,可以在所述待检测图像中直观地标注所述脏污区域,从而便于检测人员查看与核对,且便于例如清洁之类的其它相关处理。也就是,在根据本申请实施例的图像中脏污区域的检测方法,进一步包括在所述待检测图像中标记所述脏污区域。
示例性装置
图4图示了根据本申请实施例的图像中脏污区域的检测装置的框图。
如图4所示,根据本申请实施例的图像中脏污区域的检测装置300包括:第一滤波单元310,用于对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像;差值计算单元320,用于对所述待检测图像与所述第一滤波单元310获得的本底图像做差值以获得差值图像;第二滤波单元330,用于对所述差值计算单元320获得的差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度;以及脏污确定单元340,用于基于所述第二滤波单元330获得的结果图像确定所述图像中的脏污区域。
在一个示例中,在上述图像中脏污区域的检测装置中,所述脏污确定单元340包括:二值化子单元,用于对所述结果图像进行二值化以获得二值化图像;边界腐蚀子单元,用于对所述二值化子单元获得的二值化图像进行图像边界腐蚀;以及脏污确定子单元,用于基于所述边界腐蚀子单元腐蚀的所述二值化图像中符合预设条件的像素点所在的区域确定所述图像中的脏污区域。
在一个示例中,在上述图像中脏污区域的检测装置中,所述二值化子单元包括:阈值确定模块,用于基于所述结果图像确定用于二值化的阈值;以及,二值化模块,用于基于所述阈值确定模块确定的阈值对所述结果图像进行二值化,以获得所述二值化图像。
在一个示例中,在上述图像中脏污区域的检测装置中,所述脏污确定子单元包括:区域确定模块,用于确定腐蚀后的所述二值化图像中像素值符合预设值的点所在的区域;坐标确定模块,确定所述区域确定模块所确定的符合预设值的点所在的区域的中心点坐标和轮廓坐标;以及,脏污确定模块,用于基于所述坐标确定模块所确定的中心点坐标和所述轮廓坐标确定所述图像中的脏污区域。
在一个示例中,在上述图像中脏污区域的检测装置中,所述第一尺度高斯滤波的尺度参数由所述待检测图像的宽度、高度和第一参数确定;以及,所述第二尺度高斯滤波的尺度参数由所述待检测图像的宽度、高度和第二参数,所述第二参数小于所述第一参数。
在一个示例中,在上述图像中脏污区域的检测装置中,进一步包括:参数记录单元,用于记录所述脏污区域的特征参数,所述特征参数包括所述脏污区域的中心点坐标、轮廓坐标、面积大小和灰度值中的至少一个。
在一个示例中,在上述图像中脏污区域的检测装置中,进一步包括:脏污标记单元,用于在所述待检测图像中标记所述脏污确定单元所确定的脏污区域。
这里,本领域技术人员可以理解,上述图像中脏污区域的检测装置300中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的图像中脏污区域的检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的图像中脏污区域的检测装置300可以实现在各种终端设备中,例如用于摄像头模组的组装工艺后的质量检测的检测设备,或者自动驾驶场景下车载摄像头的清洁设备等。在一个示例中,根据本申请实施例的图像中脏污区域的检测装置300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该图像中脏污区域的检测装置300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该图像中脏污区域的检测装置300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该图像中脏污区域的检测装置300与该终端设备也可以是分立的设备,并且该图像中脏污区域的检测装置300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。
图5图示了根据本申请实施例的电子设备的框图。
如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,例如微控制单元(MCU)、数字处理设备(DSP)、网络处理单元(NPU)、张量处理单元(TPU)、图形处理单元(GPU),并且可以控制电子设备10中的其他组件以执行期望的功能。具体地,所述处理器11可以是任何型号的通用处理器,包括但不限于51系列单片机、STM32处理器、ARM处理器、Intel处理器、高通系列、海思系列等。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的图像中脏污区域的检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如本底图像、差值图像等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。例如,该输入装置13可以是用于进行脏污检测的组装完的摄像头模组。
此外,该输入装置13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括确定出的图像中的脏污区域的信息等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像中脏污区域的检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像中脏污区域的检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种图像中脏污区域的检测方法,包括:
对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像;
对所述待检测图像与所述本底图像做差值以获得差值图像;
对所述差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度;以及
基于所述结果图像确定所述图像中的脏污区域;
所述第一尺度高斯滤波的尺度参数由所述待检测图像的宽度、高度和第一参数确定;以及
所述第二尺度高斯滤波的尺度参数由所述待检测图像的宽度、高度和第二参数确定 ,所述第二参数小于所述第一参数。
2.如权利要求1所述的图像中脏污区域的检测方法,其中,基于所述结果图像确定所述图像中的脏污区域包括:
对所述结果图像进行二值化以获得二值化图像;
对所述二值化图像进行图像边界腐蚀;以及
基于腐蚀后的所述二值化图像中符合预设条件的像素点所在的区域确定所述图像中的脏污区域。
3.如权利要求2所述的图像中脏污区域的检测方法,其中,对所述结果图像进行二值化以获得二值化图像包括:
基于所述结果图像确定用于二值化的阈值;
基于所述阈值对所述结果图像进行二值化,以获得所述二值化图像。
4.如权利要求2所述的图像中脏污区域的检测方法,其中,基于腐蚀后的所述二值化图像中符合预设条件的像素点所在的区域确定所述图像中的脏污区域包括:
确定腐蚀后的所述二值化图像中像素值符合预设值的点所在的区域;
确定所述符合预设值的点所在的区域的中心点坐标和轮廓坐标;以及
基于所述中心点坐标和所述轮廓坐标确定所述图像中的脏污区域。
5.如权利要求1所述的图像中脏污区域的检测方法,其中,在基于所述结果图像确定所述图像中的脏污区域之后进一步包括:
记录所述脏污区域的特征参数,所述特征参数包括所述脏污区域的中心点坐标、轮廓坐标、面积大小和灰度值中的至少一个。
6.如权利要求1所述的图像中脏污区域的检测方法,进一步包括:
在所述待检测图像中标记所述脏污区域。
7.一种图像中脏污区域的检测装置,包括:
第一滤波单元,用于对待检测图像进行第一尺度高斯滤波以获得所述待检测图像对应的本底图像,所述第一尺度高斯滤波的尺度参数由所述待检测图像的宽度、高度和第一参数确定;
差值计算单元,用于对所述待检测图像与所述第一滤波单元获得的本底图像做差值以获得差值图像;
第二滤波单元,用于对所述差值计算单元获得的差值图像进行第二尺度高斯滤波以获得结果图像,所述第二尺度高斯滤波的尺度小于所述第一尺度高斯滤波的尺度,所述第二尺度高斯滤波的尺度参数由所述待检测图像的宽度、高度和第二参数确定 ,所述第二参数小于所述第一参数;以及
脏污确定单元,用于基于所述第二滤波单元获得的结果图像确定所述图像中的脏污区域。
8.如权利要求7所述的图像中脏污区域的检测装置,其中,所述脏污确定单元包括:
二值化子单元,用于对所述结果图像进行二值化以获得二值化图像;
边界腐蚀子单元,用于对所述二值化子单元获得的二值化图像进行图像边界腐蚀;以及
脏污确定子单元,用于基于所述边界腐蚀子单元腐蚀的所述二值化图像中符合预设条件的像素点所在的区域确定所述图像中的脏污区域。
9.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的图像中脏污区域的检测方法。
10.一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-6中的任一项所述的图像中脏污区域的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337236.9A CN109523527B (zh) | 2018-11-12 | 2018-11-12 | 图像中脏污区域的检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337236.9A CN109523527B (zh) | 2018-11-12 | 2018-11-12 | 图像中脏污区域的检测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523527A CN109523527A (zh) | 2019-03-26 |
CN109523527B true CN109523527B (zh) | 2020-11-27 |
Family
ID=65773910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811337236.9A Active CN109523527B (zh) | 2018-11-12 | 2018-11-12 | 图像中脏污区域的检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523527B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110251004B (zh) * | 2019-07-16 | 2022-03-11 | 深圳市杉川机器人有限公司 | 扫地机器人及其清扫方法和计算机可读存储介质 |
CN110992327A (zh) * | 2019-11-27 | 2020-04-10 | 北京达佳互联信息技术有限公司 | 镜头脏污状态的检测方法、装置、终端及存储介质 |
CN110992328B (zh) * | 2019-11-28 | 2024-04-02 | 京东方科技集团股份有限公司 | 暗点检测方法和装置 |
CN112001271A (zh) * | 2020-08-05 | 2020-11-27 | 安徽智星交通科技股份有限公司 | 一种工地道路保洁方法、装置和系统 |
CN112274065B (zh) * | 2020-10-29 | 2022-04-05 | 尚科宁家(中国)科技有限公司 | 清洁机器人及其控制方法 |
CN113744200B (zh) * | 2021-08-11 | 2024-04-05 | 深圳市鑫信腾科技股份有限公司 | 一种摄像头脏污检测方法、装置及设备 |
CN113989666B (zh) * | 2021-10-26 | 2023-01-31 | 中科海拓(无锡)科技有限公司 | 一种高铁受电弓异常检测方法 |
CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
CN117251087B (zh) * | 2023-11-17 | 2024-02-09 | 济宁市金桥煤矿 | 基于虚拟现实的煤矿安全模拟交互方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794721A (zh) * | 2015-04-30 | 2015-07-22 | 湘潭大学 | 一种基于多尺度斑点检测的快速视盘定位方法 |
CN108288264A (zh) * | 2017-12-26 | 2018-07-17 | 横店集团东磁有限公司 | 一种广角摄像头模组脏污测试方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831381B (zh) * | 2011-06-15 | 2016-05-04 | 罗普特(厦门)科技集团有限公司 | 影像差异比较系统及方法 |
CN104093016B (zh) * | 2014-06-12 | 2016-04-13 | 华南理工大学 | 一种摄像头模组脏污检测方法及系统 |
CN107085707A (zh) * | 2017-04-14 | 2017-08-22 | 河海大学 | 一种基于交通监控视频的车牌定位方法 |
CN108710848A (zh) * | 2018-05-15 | 2018-10-26 | 深圳和而泰数据资源与云技术有限公司 | 面部图像的瑕疵确定方法和装置 |
-
2018
- 2018-11-12 CN CN201811337236.9A patent/CN109523527B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794721A (zh) * | 2015-04-30 | 2015-07-22 | 湘潭大学 | 一种基于多尺度斑点检测的快速视盘定位方法 |
CN108288264A (zh) * | 2017-12-26 | 2018-07-17 | 横店集团东磁有限公司 | 一种广角摄像头模组脏污测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523527A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523527B (zh) | 图像中脏污区域的检测方法、装置和电子设备 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN110197180B (zh) | 字符缺陷检测方法、装置及设备 | |
CN114519714B (zh) | 一种显示屏脏污缺陷判定的方法和系统 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN111866501B (zh) | 一种摄像模组检测方法、装置、电子设备及介质 | |
KR20190023374A (ko) | 디스플레이 패널 검사 방법 | |
JP3756507B1 (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
CN111221996B (zh) | 仪表屏幕视觉检测方法和系统 | |
CN113785181A (zh) | Oled屏幕点缺陷判定方法、装置、存储介质及电子设备 | |
CN113409271B (zh) | 一种镜头油污的检测方法、装置及设备 | |
CN112289377A (zh) | 检测图像上的亮斑的方法、装置和计算机程序产品 | |
US7646892B2 (en) | Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
JP6201922B2 (ja) | 車両用錆検出装置、車両用錆検出システム、及び車両用錆検出方法 | |
CN116993654A (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
JP5569687B2 (ja) | 評価指標算出装置、評価指標算出プログラム、記憶媒体 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
JP5346304B2 (ja) | 外観検査装置、外観検査システムおよび外観検査方法 | |
CN117351011B (zh) | 屏幕缺陷检测方法、设备和可读存储介质 | |
JP7141772B1 (ja) | 画像検査装置、画像検査方法、および、画像検査プログラム |
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 |