CN109615607B - 一种基于单张图像自定义特征的噪声检测方法 - Google Patents

一种基于单张图像自定义特征的噪声检测方法 Download PDF

Info

Publication number
CN109615607B
CN109615607B CN201811332094.7A CN201811332094A CN109615607B CN 109615607 B CN109615607 B CN 109615607B CN 201811332094 A CN201811332094 A CN 201811332094A CN 109615607 B CN109615607 B CN 109615607B
Authority
CN
China
Prior art keywords
image
value
gradient
calculating
average
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
CN201811332094.7A
Other languages
English (en)
Other versions
CN109615607A (zh
Inventor
陈太
高兀
胡刚风
梁李凡
张念勇
林捷
林晓芳
杨帆
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.)
Fujian Hoshing Hi Tech Industrial Co ltd
Original Assignee
Fujian Hoshing Hi Tech Industrial 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 Fujian Hoshing Hi Tech Industrial Co ltd filed Critical Fujian Hoshing Hi Tech Industrial Co ltd
Priority to CN201811332094.7A priority Critical patent/CN109615607B/zh
Publication of CN109615607A publication Critical patent/CN109615607A/zh
Application granted granted Critical
Publication of CN109615607B publication Critical patent/CN109615607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于单张图像自定义特征的噪声检测方法，采集变电站图像，计算图像x和y方向梯度图；遍历待检测图像，根据梯度图计算每个像素点的梯度方向角度；给定方向分布数目，根据梯度值和方向角度计算每个像素点每个方向的方向分布值并计算积分图，以此实现自定义特征提取；根据自定义特征提取结果对图像梯度信息和自定义特征进行统计分析，获取给定条件下的平均梯度值和主方向分布值；计算图像噪声度，给定噪声度阈值，若噪声度大于给定阈值，则认为图像属于噪声图像，并将噪声度输出，否则认为图像属于正常图像，以此实现图像噪声检测。本发明解决了单张图像噪声度检测的问题，具有重要的实际应用价值。

Description

一种基于单张图像自定义特征的噪声检测方法
技术领域
本发明涉及一种基于单张图像自定义特征的噪声检测方法。
背景技术
随着科技的迅速发展，视频监控已广泛应用于各行各业，但是在监控过程中，摄像头会因为一些外界因素或自身设备因素导致拍摄到的图像质量下降，影响正常的使用，因此需要及时获知在使用过程中出现问题的装置并及时处理。目前大部分的监控系统需要人为定期检查来确定监控设备的性能，这对于大型监控系统无疑浪费了大量的人力资源，且人工检查不是实时的，会出现设备出现故障而不能及时发现的问题，因此需要实现图像质量自动检测。
图像质量评价是图像处理中的基本技术之一，主要通过对图像进行特性分析研究，然后评估出图像优劣，其中图像噪声检测是图像质量评价的重要内容之一，图像噪声检测在实际应用中具有重要的作用。目前噪声检测方法主要分为有参考检测和无参考检测，有参考检测需要获取理想图像，然后将理想图像与待检测图像进行对比，从而计算出噪声度，但是在实际应用中，很难获取理想图像，因此无参考图像噪声检测成为人们研究的重要技术之一。
发明内容
有鉴于此，本发明的目的在于提供一种基于单张图像自定义特征的噪声检测方法，仅根据单张图像便可准确计算出图像噪声度。
为实现上述目的，本发明采用如下技术方案：
一种基于单张图像自定义特征的噪声检测方法，其特征在于，包括以下步骤：
步骤S1:输入待检测图像；
步骤S2:计算待检测图像x和y方向梯度图；
步骤S3:遍历待检测图像，根据梯度图计算每个像素点的梯度方向角度，给定方向分布数目，根据梯度值和方向角度计算每个像素点每个方向的方向分布值
步骤S4:根据得到的方向分布值计算积分图，得到自定义特征提取结果；
步骤S5:根据自定义特征提取结果对图像梯度信息和自定义特征进行统计分析，得到预设条件下的平均梯度值和主方向分布值；
步骤S6:根据得到的平均梯度值和主方向分布值计算图像噪声度；
步骤S7:将得到的图像噪声度与预设阈值比较，若噪声度大于预设阈值，则认为图像属于噪声图像，并将噪声度输出，否则认为图像属于正常图像，完成图像噪声检测。
进一步的，所述步骤S2采用Sobel算子计算待检测图像x和y方向梯度图。
进一步的，所述步骤S3具体为：
步骤S31:根据待检测图像x和y方向梯度图获取每个像素点处的梯度值dx和dy，并根据梯度值计算方向角度；
步骤S32:设某个像素点的方向角度为angle，首先将方向角度（0-360度）变换到0-179度，若方向角度angle大于等于180度，则angle=angle-180;
步骤S33:将0-179度均分为18个方向柱，每个方向柱为10度，即方向柱bin=angle/10，bin的取值范围是0-17；
步骤S34:根据方向角度计算每个方向柱的权重系数w=1-(angle%10)/10;
步骤S35:根据x和y方向梯度值valuex和valuey以及每个方向柱的权重系数，定义像素点每个方向的方向分布值hogValue=(abs(valuex)+abs(valuey))*w，从而计算像素点每个方向的方向分布值。
进一步的，所述步骤S4具体为：
步骤S41:输入预设图像片大小，根据每个像素点的方向分布值计算积分图；
步骤S42:根据积分图提取每个图像片的HOG特征，并利用积分图快速计算每个图像片的主方向，以此实现自定义特征提取，自定义特征提取的结果是获取了自定义的待检测图像每个像素点的每个方向的方向分布值，预设大小的图片的HOG特征和主方向。
进一步的，所述步骤S5具体为：
步骤S51:遍历梯度图每个像素点，给定梯度阈值和主方向阈值，统计梯度大于梯度阈值，且主方向大于主方向阈值的像素点，同时获取其对应的二值图像，并根据统计结果计算平均梯度值和平均主方向值，记作低平均梯度值和低平均主方向值；
步骤S52:统计大于平均梯度值的梯度数目并计算所有大于平均梯度值的平均值，同时统计主方向值大于平均主方向值的像素数目并计算其平均值，记作高平均梯度值和高平均主方向值；
步骤S53:根据步骤S51获取的二值图像对图像进行轮廓分析，检测图像所有轮廓，并根据所有轮廓信息获取最大轮廓尺寸，同时统计轮廓像素点数。
进一步的，所述步骤S6具体为：
步骤S61:定义尺寸最大限制值为size，size=max(imageRows,imageCols)，其中imageRows表示图像的高度，imageCols表示图像的宽度；
步骤S62:定义面积最大限制值为arae,area= imageRows*imageCols；
步骤S63:根据轮廓最大尺寸max_blob，定义图像轮廓阈值为blob=min(1,6*max_blob/size)；
步骤S64:根据步骤S53获取轮廓最大尺寸轮廓像素点数max_points，定义图像轮廓点数阈值为points=min(1,10*max_points /area)；
步骤S65:根据高平均主方向值hog_high，定义主方向阈值hog=min(1，hog_high/0.5)；
步骤S66:根据得到的图像轮廓阈值，图像轮廓点数阈值和主方向阈值，计算图像噪声度noisy_degree=1-blob*points*hog。
本发明与现有技术相比具有以下有益效果：
1、本发明自定义图像特征能够有效获取图像的均匀度和有序度；
2、本发明不需要获取理想图像，仅根据单张图像便可对图像噪声度进行自动检测；
3、本发明检测运行速度快，精度高。
具体实施方式
下面结合实施例对本发明做进一步说明。
本发明提供一种基于单张图像自定义特征的噪声检测方法，其特征在于，包括以下步骤：
步骤S1:输入待检测图像；
步骤S2:采用Sobel算子计算待检测图像x和y方向梯度图；
步骤S3:遍历待检测图像，根据梯度图计算每个像素点的梯度方向角度，给定方向分布数目，根据梯度值和方向角度计算每个像素点每个方向的方向分布值
步骤S31:根据待检测图像x和y方向梯度图获取每个像素点处的梯度值dx和dy，并根据梯度值计算方向角度；
步骤S32:设某个像素点的方向角度为angle，首先将方向角度（0-360度）变换到0-179度，若方向角度angle大于等于180度，则angle=angle-180;
步骤S33:将0-179度均分为18个方向柱，每个方向柱为10度，即方向柱bin=angle/10，bin的取值范围是0-17；
步骤S34:根据方向角度计算每个方向柱的权重系数w=1-(angle%10)/10;
步骤S35:根据x和y方向梯度值valuex和valuey以及每个方向柱的权重系数，定义像素点每个方向的方向分布值hogValue=(abs(valuex)+abs(valuey))*w，从而计算像素点每个方向的方向分布值。
步骤S4:根据得到的方向分布值计算积分图，得到自定义特征提取结果；
步骤S41:输入预设图像片大小，根据每个像素点的方向分布值计算积分图；
步骤S42:根据积分图提取每个图像片的HOG特征，并利用积分图快速计算每个图像片的主方向，以此实现自定义特征提取，自定义特征提取的结果是获取了自定义的待检测图像每个像素点的每个方向的方向分布值，预设大小的图片的HOG特征和主方向。
步骤S5:根据自定义特征提取结果对图像梯度信息和自定义特征进行统计分析，得到预设条件下的平均梯度值和主方向分布值；
步骤S51:遍历梯度图每个像素点，给定梯度阈值和主方向阈值，统计梯度大于梯度阈值，且主方向大于主方向阈值的像素点，同时获取其对应的二值图像，并根据统计结果计算平均梯度值和平均主方向值，记作低平均梯度值和低平均主方向值；
步骤S52:统计大于平均梯度值的梯度数目并计算所有大于平均梯度值的平均值，同时统计主方向值大于平均主方向值的像素数目并计算其平均值，记作高平均梯度值和高平均主方向值；
步骤S53:根据步骤S51获取的二值图像对图像进行轮廓分析，检测图像所有轮廓，并根据所有轮廓信息获取最大轮廓尺寸，同时统计轮廓像素点数。
步骤S6:根据得到的平均梯度值和主方向分布值计算图像噪声度；
步骤S61:定义尺寸最大限制值为size，size=max(imageRows,imageCols)，其中imageRows表示图像的高度，imageCols表示图像的宽度；
步骤S62:定义面积最大限制值为arae,area= imageRows*imageCols；
步骤S63:根据轮廓最大尺寸max_blob，定义图像轮廓阈值为blob=min(1,6*max_blob/size)；
步骤S64:根据步骤S53获取轮廓最大尺寸轮廓像素点数max_points，定义图像轮廓点数阈值为points=min(1,10*max_points /area)；
步骤S65:根据高平均主方向值hog_high，定义主方向阈值hog=min(1，hog_high/0.5)；
步骤S66:根据得到的图像轮廓阈值，图像轮廓点数阈值和主方向阈值，计算图像噪声度noisy_degree=1-blob*points*hog。
步骤S7:将得到的图像噪声度与预设阈值比较，若噪声度大于预设阈值，则认为图像属于噪声图像，并将噪声度输出，否则认为图像属于正常图像，完成图像噪声检测。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于单张图像自定义特征的噪声检测方法，其特征在于，包括以下步骤：
步骤S1:输入待检测图像；
步骤S2:计算待检测图像x和y方向梯度图；
步骤S3:遍历待检测图像，根据梯度图计算每个像素点的梯度方向角度，给定方向分布数目，根据梯度值和方向角度计算每个像素点每个方向的方向分布值
步骤S4:根据得到的方向分布值计算积分图，得到自定义特征提取结果；
步骤S5:根据自定义特征提取结果对图像梯度信息和自定义特征进行统计分析，得到预设条件下的平均梯度值和主方向分布值；
步骤S6:根据得到的平均梯度值和主方向分布值计算图像噪声度；
步骤S7:将得到的图像噪声度与预设阈值比较，若噪声度大于预设阈值，则认为图像属于噪声图像，并将噪声度输出，否则认为图像属于正常图像，完成图像噪声检测；
所述步骤S5具体为：
步骤S51:遍历梯度图每个像素点，给定梯度阈值和主方向阈值，统计梯度大于梯度阈值，且主方向大于主方向阈值的像素点，同时获取其对应的二值图像，并根据统计结果计算平均梯度值和平均主方向值，记作低平均梯度值和低平均主方向值；
步骤S52:统计大于平均梯度值的梯度数目并计算所有大于平均梯度值的平均值，同时统计主方向值大于平均主方向值的像素数目并计算其平均值，记作高平均梯度值和高平均主方向值；
步骤S53:根据步骤S51获取的二值图像对图像进行轮廓分析，检测图像所有轮廓，并根据所有轮廓信息获取最大轮廓尺寸，同时统计轮廓像素点数；
所述步骤S6具体为：
步骤S61:定义尺寸最大限制值为size，size=max(imageRows,imageCols)，其中imageRows表示图像的高度，imageCols表示图像的宽度；
步骤S62:定义面积最大限制值为arae,area= imageRows*imageCols；
步骤S63:根据最大轮廓尺寸max_blob，定义图像轮廓阈值为blob=min(1,6*max_blob/size)；
步骤S64:根据步骤S53获取轮廓最大尺寸轮廓像素点数max_points，定义图像轮廓点数阈值为points=min(1,10*max_points /area)；
步骤S65:根据高平均主方向值hog_high，定义主方向阈值hog=min(1，hog_high/0.5)；
步骤S66:根据得到的图像轮廓阈值，图像轮廓点数阈值和主方向阈值，计算图像噪声度noisy_degree=1-blob*points*hog。
2.根据权利要求1所述的一种基于单张图像自定义特征的噪声检测方法，其特征在于：所述步骤S2采用Sobel算子计算待检测图像x和y方向梯度图。
3.根据权利要求1所述的一种基于单张图像自定义特征的噪声检测方法，其特征在于：所述步骤S3具体为：
步骤S31:根据待检测图像x和y方向梯度图获取每个像素点处的梯度值dx和dy，并根据梯度值计算方向角度；
步骤S32:设某个像素点的方向角度为angle，首先将方向角度0-360度变换到0-179度，若方向角度angle大于等于180度，则angle=angle-180;
步骤S33:将0-179度均分为18个方向柱，每个方向柱为10度，即方向柱bin=angle/10，bin的取值范围是0-17；
步骤S34:根据方向角度计算每个方向柱的权重系数w=1-(angle%10)/10;
步骤S35:根据x和y方向梯度值valuex和valuey以及每个方向柱的权重系数，定义像素点每个方向的方向分布值hogValue=(abs(valuex)+abs(valuey))*w，从而计算像素点每个方向的方向分布值。
4.根据权利要求1所述的一种基于单张图像自定义特征的噪声检测方法，其特征在于：所述步骤S4具体为：
步骤S41:输入预设图像片大小，根据每个像素点的方向分布值计算积分图；
步骤S42:根据积分图提取每个图像片的HOG特征，并利用积分图快速计算每个图像片的主方向，以此实现自定义特征提取，自定义特征提取的结果是获取了自定义的待检测图像每个像素点的每个方向的方向分布值，预设大小的图片的HOG特征和主方向。
CN201811332094.7A 2018-11-09 2018-11-09 一种基于单张图像自定义特征的噪声检测方法 Active CN109615607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811332094.7A CN109615607B (zh) 2018-11-09 2018-11-09 一种基于单张图像自定义特征的噪声检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811332094.7A CN109615607B (zh) 2018-11-09 2018-11-09 一种基于单张图像自定义特征的噪声检测方法

Publications (2)

Publication Number Publication Date
CN109615607A CN109615607A (zh) 2019-04-12
CN109615607B true CN109615607B (zh) 2023-05-16

Family

ID=66004042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811332094.7A Active CN109615607B (zh) 2018-11-09 2018-11-09 一种基于单张图像自定义特征的噪声检测方法

Country Status (1)

Country Link
CN (1) CN109615607B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415223B (zh) * 2019-07-17 2021-10-26 西安邮电大学 一种无参考的拼接图像质量评价方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8712157B2 (en) * 2011-04-19 2014-04-29 Xerox Corporation Image quality assessment
CN104463814B (zh) * 2014-12-08 2017-04-19 西安交通大学 基于局部纹理方向性的图像增强方法
WO2016097758A1 (en) * 2014-12-19 2016-06-23 Apical Limited Sensor noise profile
CN105933698A (zh) * 2016-04-14 2016-09-07 吴本刚 一种智能卫星数字电视节目播放质量检测系统
CN105913437A (zh) * 2016-04-14 2016-08-31 吴本刚 一种道路完好性检测装置

Also Published As

Publication number Publication date
CN109615607A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN106372667B (zh) 一种高铁接触网斜撑套筒部件螺钉不良状态检测方法
CN108956614B (zh) 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置
CN104990925B (zh) 一种基于梯度多阈值优化缺陷检测方法
CN107742307A (zh) 基于改进帧差法的输电线路舞动特征提取及参数分析方法
CN107292310A (zh) 一种圆形指针式表盘视觉定位及自动读数方法
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN111274843A (zh) 基于监控视频的货车超载监测方法及系统
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN108921819A (zh) 一种基于机器视觉的验布装置及方法
CN104424632B (zh) 一种视频对比度异常检测方法及装置
Li et al. A lower envelope Weber contrast detection algorithm for steel bar surface pit defects
CN107240086B (zh) 一种基于积分图算法的织物瑕疵检测方法
CN111815578A (zh) 图像条纹检测方法、视频监控系统及相关装置
CN106254864B (zh) 监控视频中的雪花和噪点噪声检测方法
CN105277560B (zh) 一种织物起球等级评价分析方法及装置
CN116883412B (zh) 一种石墨烯远红外电热设备故障检测方法
CN117522863B (zh) 基于图像特征的集成箱体质量检测方法
CN104424633B (zh) 一种视频对比度异常检测方法及装置
CN111462056A (zh) 工件表面缺陷检测方法、装置、设备及存储介质
CN109615607B (zh) 一种基于单张图像自定义特征的噪声检测方法
Ying et al. Research on an automatic counting method for steel bars' image
Lin et al. A new prediction method for edge detection based on human visual feature
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
Liu et al. An automatic defects detection scheme for lithium-ion battery electrode surface
CN109272484B (zh) 一种基于视频图像的降雨检测方法

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