CN109558878B - 图像识别方法和装置 - Google Patents

图像识别方法和装置 Download PDF

Info

Publication number
CN109558878B
CN109558878B CN201710890052.4A CN201710890052A CN109558878B CN 109558878 B CN109558878 B CN 109558878B CN 201710890052 A CN201710890052 A CN 201710890052A CN 109558878 B CN109558878 B CN 109558878B
Authority
CN
China
Prior art keywords
value
pixel point
characteristic
gray
pixel
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
Application number
CN201710890052.4A
Other languages
English (en)
Other versions
CN109558878A (zh
Inventor
焦惠达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201710890052.4A priority Critical patent/CN109558878B/zh
Publication of CN109558878A publication Critical patent/CN109558878A/zh
Application granted granted Critical
Publication of CN109558878B publication Critical patent/CN109558878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像识别方法和装置。该方法包括：对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；筛选出特征参数符合预设条件的像素点，得到特征像素点；将邻接的特征像素点划分成一个区域；确定图像中区域的数量为图像中的物体数。通过本发明，提高了对图像中的物体识别的效果。

Description

图像识别方法和装置
技术领域
本发明涉及图像领域，具体而言，涉及一种图像识别方法和装置。
背景技术
在模式识别领域中，对物体进行分类前，先要在图像中对具有某些特征的物体进行标定。常用的方法是提取颜色特征或计算投影直方图。
但是常用的方法存在很多问题，例如，颜色特征不具有灰度不变性，当图像发生改变(如色调、光照)时效果不好。而计算投影直方图的方法由于需要计算大量样本，因此效率较差。
针对相关技术中对图像中的物体识别时效果不佳的问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种图像识别方法和装置，以解决对图像中的物体识别时效果不佳的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种图像识别方法，该方法包括：对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；筛选出所述特征参数符合预设条件的像素点，得到特征像素点；将邻接的所述特征像素点划分成一个区域；确定所述图像中区域的数量为所述图像中的物体数。
进一步地，通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数包括：通过公式
Figure BDA0001420970570000011
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)＝0，x≥0时，S(x)＝1；通过公式
Figure BDA0001420970570000012
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；计算每个像素点的所述灰度模式值与所述灰度方差值的商，得到所述每个像素点的特征参数。
进一步地，在计算得到每个像素点的所述灰度模式值之前，所述方法还包括：计算所述灰度模式值的变换数为：
Figure BDA0001420970570000021
其中，取使得所述灰度模式的变换数最小的所述灰度模式值作为所述灰度模式值的取值。
进一步地，筛选出所述特征参数符合预设条件的像素点，得到特征像素点包括：判断所述特征参数是否超过预设的特征阈值；如果所述特征参数超过所述预设的特征阈值，则确定所述特征参数对应的像素点为所述特征像素点。
进一步地，将邻接的所述特征像素点划分成一个区域包括：通过广度优先搜索将所述特征像素点入队，并标记所述特征像素点；将所述特征像素点依次出队，并将与所述特征像素点邻接的特征像素点入队并标记；将所有相邻接的所述特征像素点划分为一个区域。
为了实现上述目的，根据本发明的另一方面，还提供了一种图像识别装置，该装置包括：模糊单元，用于对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；计算单元，用于通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；筛选单元，用于筛选出所述特征参数符合预设条件的像素点，得到特征像素点；划分单元，用于将邻接的所述特征像素点划分成一个区域；确定单元，用于确定所述图像中区域的数量为所述图像中的物体数。
进一步地，所述计算单元包括：第一计算模块，用于通过公式
Figure BDA0001420970570000022
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)＝0，x≥0时，S(x)＝1；第二计算模块，用于通过公式
Figure BDA0001420970570000023
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；第三计算模块，用于计算每个像素点的所述灰度模式值与所述灰度方差值的商，得到所述每个像素点的特征参数。
进一步地，所述装置还包括：计算单元，用于在计算得到每个像素点的所述灰度模式值之前，计算所述灰度模式值的变换数为：
Figure BDA0001420970570000024
其中，取使得所述灰度模式的变换数最小的所述灰度模式值作为所述灰度模式值的取值。
为了实现上述目的，根据本发明的另一方面，还提供了一种存储介质，包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本发明所述的图像识别方法。
为了实现上述目的，根据本发明的另一方面，还提供了一种处理器，用于运行程序，其中，所述程序运行时执行本发明所述的图像识别方法。
本发明通过对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；筛选出特征参数符合预设条件的像素点，得到特征像素点；将邻接的特征像素点划分成一个区域；确定图像中区域的数量为图像中的物体数，解决了对图像中的物体识别时效果不佳的问题，进而提高了图像中的物体识别效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明第一实施例的图像识别方法的流程图；
图2是根据本发明第二实施例的图像识别方法的流程图；
图3是根据本发明实施例的P、R参数含义的示意图；
图4是根据本发明实施例的图像识别装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种图像识别方法。
图1是根据本发明第一实施例的图像识别方法的流程图，如图1所示，该方法包括以下步骤：
步骤S102：对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；
步骤S104：通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；
步骤S106：筛选出特征参数符合预设条件的像素点，得到特征像素点；
步骤S108：将邻接的特征像素点划分成一个区域；
步骤S110：确定图像中区域的数量为图像中的物体数。
该实施例通过对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；筛选出特征参数符合预设条件的像素点，得到特征像素点；将邻接的特征像素点划分成一个区域；确定图像中区域的数量为图像中的物体数，解决了对图像中的物体识别时效果不佳的问题，进而提高了图像中的物体识别效果。
在本发明实施例中，对图像中的每个像素点的灰度值进行高斯模糊可以是对图像的每一个像素都取周边像素的平均值，目的是去除色彩细节和消除噪声，本发明实施例中，高斯模糊针对的是图像的灰度值。通过每个像素点的模糊灰度值与周围像素点的模糊灰度值进行计算得到每个像素点的特征参数，每个像素点的特征参数可以通过每个像素点的模糊灰度值和周围像素点的模糊灰度值两个参数经过多种计算或变换得到，特征参数可以表示该像素点的特征情况，例如，某个像素点与周围像素点的特征对比明显，则说明可能该像素点处为图像中的特殊物体。得到每个像素点的特征参数之后，可以筛选出特征参数符合预设条件的像素点，以得到特征像素点，其中，特征参数符合预设条件可以是特征参数的数值超过预设阈值或者小于预设阈值，或者特征参数的平均值超过预设阈值等条件，在筛选出特征参数符合预设条件的像素点之后，可以得到特征像素点，筛选出的特征像素点的数量可以是多个，得到特征像素点之后可以将相邻接的特征像素点划分到一个区域中，由于中间不间断，这一个区域可以认为是图像中的一个物体，不同的物体划分到不同的区域中，因此，可以通过确定图像中区域的数量作为图像中的物体数。
本发明实施例由于先对图像进行了高斯模糊，然后计算得到每个像素点的特征参数之后，筛选出符合条件的特征像素点，将邻接的特征像素点划分成一个区域以确定图像中的物体数量，相比于相关技术中的提取颜色特征的方法或者计算投影直方图的方法，能够更加快速、准确的标定图像中的特殊物体，具有一定的抗干扰特征，可以抵抗噪声、旋转变形等干扰因素。
可选地，通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数包括：通过公式
Figure BDA0001420970570000051
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)＝0，x≥0时，S(x)＝1；通过公式
Figure BDA0001420970570000052
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；计算每个像素点的灰度模式值与灰度方差值的商，得到每个像素点的特征参数。
通过以上公式分别计算得到每个像素点的灰度模式值和灰度方差值，然后将两者相除，可以作为该像素点的特征值，该特征值可以较好的刻画物体特征，对每个像素点计算得到特征值之后，可以将每个像素点的特征值与设定的阈值相比较，如果超过预设阈值，则可以认为该像素点是一个图像中的特殊物体的一部分。
可选地，在计算得到每个像素点的灰度模式值之前，计算灰度模式值的变换数为：
Figure BDA0001420970570000053
其中，取使得灰度模式的变换数最小的灰度模式值作为灰度模式值的取值。
为了保证旋转不变性，可以计算灰度模式值的变换数，通过上述公式计算得到灰度模式值，由于不同的P、R值对应的灰度模式值的计算结果不同，采用灰度模式值取最小值时的各灰度值，然后根据这些灰度值计算得到此时的灰度模式值。其中，当变换数U≤2时，取使U最小的灰度模式值，若所有的模式的U＞2，则取最小的灰度模式值。
可选地，筛选出特征参数符合预设条件的像素点，得到特征像素点包括：判断特征参数是否超过预设的特征阈值；如果特征参数超过预设的特征阈值，则确定特征参数对应的像素点为特征像素点。
预设条件可以是特征像素点是否超过预设的特征阈值，如果超过预设的特征阈值，则可以确定该特征参数对应的像素点为特征像素点。
可选地，将邻接的特征像素点划分成一个区域包括：通过广度优先搜索将特征像素点入队，并标记特征像素点；将特征像素点依次出队，并将与特征像素点邻接的特征像素点入队并标记；将所有相邻接的特征像素点划分为一个区域。
可以通过广度优先搜索的方法维护一个队列，将大于预设的特征阈值的点入队，并标记。将点依次出队，然后将邻接的超过预设的特征阈值的点入队，可以将一个物体的所有部分划分成一个区域。则图上的区域数就是图中特殊物体数，同时该物体的位置也被标定，这样，就可以检测到图像中的特殊物体。
本发明实施例的技术方案可以通过灰度模式和方差实现快速、准确地标定图像中的特殊物体，并具有一定的抗干扰特性，可以抵抗噪声、旋转变形等干扰。
本发明实施例还提供了一种优选实施方式，该优选实施方式包括以下部分。
图2是根据本发明第二实施例的图像识别方法的流程图，该实施例可以作为上述第一实施例的优选实施方式，如图2所示，本发明的图像识别方法可以通过三个模块来实现：
1.高斯模糊模块
本模块是为了去除色彩细节和消除噪声。高斯模糊对图像的每一个像素都取周边像素的平均值。具体地，首先，用高斯函数确定周围每个点的权重；然后，对周围点加权平均算出该点高斯模糊后的值。本步骤针对的是图像的灰度。
2.每个像素点的值的计算模块
每个像素点需要计算灰度模式值和灰度方差值，然后对它们相除，得到该点的特征值。判断所有点是否都计算完毕，如果都计算完毕则跳转到搜索超过阈值的区域，如果没有点计算完毕，则计算灰度模式值和灰度方差。
灰度模式值
该值是经过比较每个像素点与周围像素点灰度得到的。c点的灰度模式由如下公式计算：
Figure BDA0001420970570000061
其中，x＜0时，S(x)＝0，x≥0时，S(x)＝1，
gi是c点第i个邻接点的灰度。P，R为两个参数，图3是根据本发明实施例的P、R参数含义的示意图，如图3所示，P为选择的周围的像素点的数量。R为选择的周围的像素点与中心像素点的距离。
为了确保旋转不变性，定义灰度模式的变换数如下：
Figure BDA0001420970570000071
其中，灰度模式值取变换数U≤2的最小的灰度模式值，若所有的模式的U都大于2，则取最小值。
灰度方差值
灰度方差值由如下公式计算：
Figure BDA0001420970570000072
其中，P、R的含义与上述公式中含义相同，μ表示周围点的平均灰度。
得到灰度模式值和灰度方差值这两个值后，用灰度模式值除以灰度方差值，得到该像素点的值。这种计算方法有如下好处：灰度模式值是旋转不变的，可以抵抗旋转变形。灰度模式值可以很好地描绘该点的纹理特征，但对和周围的对比度比较不好。灰度方差值则能较好地刻画该点与周围点的对比度(灰度的差)。它们的商可以较好地刻画物体特征。
对每个像素点计算上述两个值的商，得到像素点的值。可以设定一个阈值，当超过阈值时视为该点是一个图像中的特殊物体的一部分。
3.物体搜索模块
当得到每个像素点的值后，物体搜索模块进行搜索和标定。该模块使用广度优先搜索，维护一个队列。将大于阈值的点入队，并标记。将点依次出队，然后将邻接的超过阈值的点入队。可以将一个物体的所有部分划分成一个区域。该图的区域数就是图中特殊物体数，同时该物体的位置也被标定。
本发明实施例的技术方案，通过计算旋转无关的模式值和方差的商确定像素点特征的方法、通过广度优先搜索对区域进行标定的方法，可以实现对图像中特殊物体的检测，具有准确、抗噪声、抗变形的优点，方法高效、所需的计算量少。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种图像识别装置，该装置可以用于执行本发明实施例的图像识别方法。
图4是根据本发明实施例的图像识别装置的示意图，如图4所示，该装置包括：
模糊单元10，用于对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；
计算单元20，用于通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；
筛选单元30，用于筛选出特征参数符合预设条件的像素点，得到特征像素点；
划分单元40，用于将邻接的特征像素点划分成一个区域；
确定单元50，用于确定图像中区域的数量为图像中的物体数。
该实施例通过以上单元模块，解决了对图像中的物体识别时效果不佳的问题，进而提高了图像中的物体识别效果。
可选地，计算单元包括：第一计算模块，用于通过公式
Figure BDA0001420970570000081
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)＝0，x≥0时，S(x)＝1；第二计算模块，用于通过公式
Figure BDA0001420970570000082
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；第三计算模块，用于计算每个像素点的灰度模式值与灰度方差值的商，得到每个像素点的特征参数。
可选地，装置还包括：计算单元，用于在计算得到每个像素点的灰度模式值之前，计算灰度模式值的变换数为：
Figure BDA0001420970570000083
其中，取使得所述灰度模式的变换数最小的所述灰度模式值作为所述灰度模式值的取值。
图像识别装置包括处理器和存储器，上述模糊单元、计算单元、筛选单元、划分单元和确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高图像中的物体识别效果。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；筛选出所述特征参数符合预设条件的像素点，得到特征像素点；将邻接的所述特征像素点划分成一个区域；确定所述图像中区域的数量为所述图像中的物体数。
通过公式
Figure BDA0001420970570000091
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)＝0，x≥0时，S(x)＝1；通过公式
Figure BDA0001420970570000092
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；计算每个像素点的所述灰度模式值与所述灰度方差值的商，得到所述每个像素点的特征参数。
判断所述特征参数是否超过预设的特征阈值；如果所述特征参数超过所述预设的特征阈值，则确定所述特征参数对应的像素点为所述特征像素点。
通过广度优先搜索将所述特征像素点入队，并标记所述特征像素点；将所述特征像素点依次出队，并将与所述特征像素点邻接的特征像素点入队并标记；将所有相邻接的所述特征像素点划分为一个区域。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；筛选出所述特征参数符合预设条件的像素点，得到特征像素点；将邻接的所述特征像素点划分成一个区域；确定所述图像中区域的数量为所述图像中的物体数。
通过公式
Figure BDA0001420970570000101
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)＝0，x≥0时，S(x)＝1；通过公式
Figure BDA0001420970570000102
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；计算每个像素点的所述灰度模式值与所述灰度方差值的商，得到所述每个像素点的特征参数。
判断所述特征参数是否超过预设的特征阈值；如果所述特征参数超过所述预设的特征阈值，则确定所述特征参数对应的像素点为所述特征像素点。
通过广度优先搜索将所述特征像素点入队，并标记所述特征像素点；将所述特征像素点依次出队，并将与所述特征像素点邻接的特征像素点入队并标记；将所有相邻接的所述特征像素点划分为一个区域。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (8)

1.一种图像识别方法，其特征在于，包括：
对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；
通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；
筛选出所述特征参数符合预设条件的像素点，得到特征像素点；
将邻接的所述特征像素点划分成一个区域；
确定所述图像中区域的数量为所述图像中的物体数；
其中，通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数包括：
通过公式
Figure DEST_PATH_IMAGE002
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)=0，x≥0时，S(x)=1；
通过公式
Figure DEST_PATH_IMAGE004
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；
计算每个像素点的所述灰度模式值与所述灰度方差值的商，得到所述每个像素点的特征参数。
2.根据权利要求1所述的方法，其特征在于，在计算得到每个像素点的所述灰度模式值之前，所述方法还包括：
计算所述灰度模式值的变换数为：
Figure DEST_PATH_IMAGE006
其中，取使得所述灰度模式的变换数最小的所述灰度模式值作为所述灰度模式值的取值。
3.根据权利要求1所述的方法，其特征在于，筛选出所述特征参数符合预设条件的像素点，得到特征像素点包括：
判断所述特征参数是否超过预设的特征阈值；
如果所述特征参数超过所述预设的特征阈值，则确定所述特征参数对应的像素点为所述特征像素点。
4.根据权利要求3所述的方法，其特征在于，将邻接的所述特征像素点划分成一个区域包括：
通过广度优先搜索将所述特征像素点入队，并标记所述特征像素点；
将所述特征像素点依次出队，并将与所述特征像素点邻接的特征像素点入队并标记；
将所有相邻接的所述特征像素点划分为一个区域。
5.一种图像识别装置，其特征在于，包括：
模糊单元，用于对图像中每个像素点的灰度值进行高斯模糊，得到每个像素点的模糊灰度值；
计算单元，用于通过每个像素点的模糊灰度值与周围像素点的模糊灰度值得到每个像素点的特征参数；
筛选单元，用于筛选出所述特征参数符合预设条件的像素点，得到特征像素点；
划分单元，用于将邻接的所述特征像素点划分成一个区域；
确定单元，用于确定所述图像中区域的数量为所述图像中的物体数；
其中，所述计算单元包括：
第一计算模块，用于通过公式
Figure DEST_PATH_IMAGE008
计算得到每个像素点的灰度模式值，其中，gi表示像素点C第i个邻接点的模糊灰度值，P表示确定的像素点C周围像素点的数量，R表示确定的周围像素点与像素点C的距离，x＜0时，S(x)=0，x≥0时，S(x)=1；
第二计算模块，用于通过公式
Figure DEST_PATH_IMAGE010
计算得到每个像素点的灰度方差值，其中，μ表示C点周围像素点的平均模糊灰度值；
第三计算模块，用于计算每个像素点的所述灰度模式值与所述灰度方差值的商，得到所述每个像素点的特征参数。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
计算单元，用于在计算得到每个像素点的所述灰度模式值之前，计算所述灰度模式值的变换数为：
Figure DEST_PATH_IMAGE006A
其中，取使得所述灰度模式的变换数最小的所述灰度模式值作为所述灰度模式值的取值。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的图像识别方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任意一项所述的图像识别方法。
CN201710890052.4A 2017-09-27 2017-09-27 图像识别方法和装置 Active CN109558878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710890052.4A CN109558878B (zh) 2017-09-27 2017-09-27 图像识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710890052.4A CN109558878B (zh) 2017-09-27 2017-09-27 图像识别方法和装置

Publications (2)

Publication Number Publication Date
CN109558878A CN109558878A (zh) 2019-04-02
CN109558878B true CN109558878B (zh) 2022-11-22

Family

ID=65863624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710890052.4A Active CN109558878B (zh) 2017-09-27 2017-09-27 图像识别方法和装置

Country Status (1)

Country Link
CN (1) CN109558878B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784832B (zh) * 2021-02-09 2022-09-09 西南科技大学 一种物体标记点识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440633A (zh) * 2013-09-06 2013-12-11 厦门美图网科技有限公司 一种数字图像自动祛除斑点的方法
US9019570B1 (en) * 2013-11-27 2015-04-28 Mcgraw-Hill School Education Holdings Llc Systems and methods for computationally distinguishing handwritten pencil marks from preprinted marks in a scanned document
CN104715445A (zh) * 2013-12-13 2015-06-17 腾讯科技（深圳）有限公司 图像处理方法和系统
CN105574839A (zh) * 2014-10-16 2016-05-11 中兴通讯股份有限公司 一种图像的处理方法和装置
CN106373121A (zh) * 2016-09-18 2017-02-01 广东小天才科技有限公司 模糊图像识别方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440633A (zh) * 2013-09-06 2013-12-11 厦门美图网科技有限公司 一种数字图像自动祛除斑点的方法
US9019570B1 (en) * 2013-11-27 2015-04-28 Mcgraw-Hill School Education Holdings Llc Systems and methods for computationally distinguishing handwritten pencil marks from preprinted marks in a scanned document
CN104715445A (zh) * 2013-12-13 2015-06-17 腾讯科技（深圳）有限公司 图像处理方法和系统
CN105574839A (zh) * 2014-10-16 2016-05-11 中兴通讯股份有限公司 一种图像的处理方法和装置
CN106373121A (zh) * 2016-09-18 2017-02-01 广东小天才科技有限公司 模糊图像识别方法和装置

Also Published As

Publication number Publication date
CN109558878A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
CN108986097B (zh) 一种镜头起雾状态检测方法、计算机装置及可读存储介质
CN109146816A (zh) 一种图像滤波方法、装置、电子设备和存储介质
CN111325717B (zh) 手机缺陷位置识别方法及设备
US10769478B2 (en) Convolutional neutral network identification efficiency increasing method and related convolutional neutral network identification efficiency increasing device
CN112465909B (zh) 基于卷积神经网络的类激活映射目标定位方法及系统
CN111598884A (zh) 图像数据处理方法、设备及计算机存储介质
CN110288560B (zh) 一种图像模糊检测方法及装置
CN111144425B (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN113129298B (zh) 文本图像的清晰度识别方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN114155285B (zh) 基于灰度直方图的图像配准方法
CN109558878B (zh) 图像识别方法和装置
CN113920434A (zh) 一种基于目标的图像翻拍检测方法、装置及介质
CN108734712B (zh) 背景分割的方法、装置及计算机存储介质
CN110910429B (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN113011433B (zh) 一种滤波参数调整方法及装置
CN111179245A (zh) 图像质量检测方法、装置、电子设备和存储介质
CN112017163A (zh) 图像模糊度检测的方法、装置、电子设备及存储介质
CN109145918B (zh) 图像分割标注方法及设备
CN116152079A (zh) 图像处理方法及图像处理模型训练方法
CN110765875A (zh) 交通目标的边界检测方法、设备及装置
Shi et al. Dissimilar pixel counting based impulse detector for two-phase mixed noise removal
CN113807407B (zh) 目标检测模型训练方法、模型性能检测方法及装置
CN111754413A (zh) 图像处理方法、装置、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
CB02 Change of applicant information

Address after: 100083 No. 401, 4th Floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing

Applicant after: BEIJING GRIDSUM TECHNOLOGY Co.,Ltd.

Address before: 100086 Beijing city Haidian District Shuangyushu Area No. 76 Zhichun Road cuigongfandian 8 layer A

Applicant before: BEIJING GRIDSUM TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant