CN109859125A - 基于形态学检测与小波变换的图像高光修复方法 - Google Patents
基于形态学检测与小波变换的图像高光修复方法 Download PDFInfo
- Publication number
- CN109859125A CN109859125A CN201910032593.2A CN201910032593A CN109859125A CN 109859125 A CN109859125 A CN 109859125A CN 201910032593 A CN201910032593 A CN 201910032593A CN 109859125 A CN109859125 A CN 109859125A
- Authority
- CN
- China
- Prior art keywords
- reference frame
- frame
- information
- component
- highlight area
- 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
Landscapes
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于形态学检测与小波变换的图像高光修复方法,包括以下步骤:从图像序列中选取一帧作为参考帧;对参考帧选取高光区域候选区域,提取其连通分量F;对参考帧实施n阶测地膨胀操作得到高光区域;将参考帧以及与参考帧相邻的a个图像作为信息帧输入小波分解模型中,输出其第l层的灰度分布信息分量及纹理信息分量,并将其分别均匀分成N个子图像;计算参考帧每个子图像与信息帧每个子图像之间的归一化互相关系数,选取配准的信息帧子图像,将其灰度分布信息分量与纹理信息分量与参考帧融合;将融合后的参考帧做小波逆变换,再输入小波分解模型中,重复上述步骤至第1层参考帧完成融合步骤,输出的参考帧即为完成高光修复的图像。
Description
技术领域
本发明涉及数字图像处理领域,更具体地,涉及一种基于形态学检测与小波变换的图像高光修复方法。
背景技术
工业生产中经常利用机器视觉技术检测金属、玻璃、皮质等易反光的低纹理材质的曲率、平整度、形状、图案和裂痕缺陷等,然而这些材质的反射性质会使所采集的图像产生高光区域,从而导致图像中部分有效信息无法识别,严重影响图像的后续处理。在实际应用中,比如利用CCTV(Closed-circuittelevision)系统检测地下排水管道内壁时,辅助光源使生成的图像中产生高光区域,该高光区域掩盖了部分破裂、错口等缺陷区域,导致检测效果不佳。
目前消除图像中高光区域的常用处理方法分为两大类:一类是基于光反射结构的修复方法,另一类是基于纹理特征的修复方法。第一类的方法包括:根据反射表面编码光测量得到的数值利用奇异值分解法和调整曝光时间修复强反射表面的方法、利用线性扩散板的光扩散效应消除高光的方法、分析漫反射光条和高光频谱建立滤波器的方法等等。这些方法均需要光谱设备仪器或数学建模手段的辅助才得以实现,存在局限性大且泛化能力弱的问题,且针对大部分应用场合无法产生理想的高光消除效果。第二类的方法包括:通过特征匹配融合的方法去除高光的方法、采用双边滤波去除高光的同时保留边缘纹理的方法、采用ORB特征点作为纹理匹配并通过泊松克隆修复高光的方法等等。但这类方法非常依赖对象的纹理特征的丰富程度,而高光现象一般出现在低纹理的区域,若图像的纹理特征不明显,则容易检测到非高光区域,导致计算冗余,增加误匹配率,因此这类方法无法产生理想的高光修复效果。
发明内容
本发明为克服上述现有技术所述的图像纹理依赖性强、高光区域修复效果不理想的缺陷,提供一种基于形态学检测与小波变换的图像高光修复方法,利用形态学定位及修复高光区域,通过小波变换降低了纹理特征依赖性,从而提高高光区域修复效果。
为解决上述技术问题,本发明的技术方案如下:
基于形态学检测与小波变换的图像高光修复方法,包括以下步骤:
S1:摄像头移动并连续拍摄采集多个图像帧作为图像序列,任意选取一帧作为参考帧G;
S2:对参考帧G进行显著性检测,选取高光区域候选区域,并提取区域的连通分量F;
S3:利用连通分量F对参考帧G实施n阶测地膨胀操作,得到高光区域RG (n)(F),其中n表示测地膨胀操作中收敛时的迭代次数;
S4:将参考帧G以及与参考帧相邻的a个图像帧作为信息帧Ta分别输入小波分解模型中进行j次小波分解,其中,a为正整数,j=3,4,5,分别得到第l层小波分解的参考帧G的灰度分布信息分量Sl、参考帧G的纹理信息分量信息帧的灰度分布信息分量Ta l、信息帧的纹理信息分量然后将Sl和Ta l分别均匀分成N个子图像,其中,N为正整数;
S5:计算Sl的每个子图像与的每个子图像间的归一化互相关系数,并在第l层根据归一化互相关系数选取与参考帧G配准的信息帧子图像其中i=1,2,...,N;
S6:将配准的信息帧子图像中对应于参考帧G高光区域位置的非高光区域融合到参考帧G中,将信息帧的纹理信息与参考帧G的纹理信息进行融合;
S7:将融合后的参考帧G做小波逆变换,得到第l-1层的参考帧灰度分布信息分量Sl-1;
S8:将第l-1层的参考帧灰度分布信息分量Sl-1输入小波分解模型中进行j次小波分解,输出Sl-1和
S9:重复S5~S8步骤,直到第1层配准的中对应参考帧G高光区域位置的非高光区域融合,信息帧的与参考帧G的完成融合,输出完成最终融合的参考帧G,即为完成高光修复的图像。
本技术方案中,在对参考帧图像进行高光区域检测的过程中,主要结合了显著性算法与形态学操作,首先将显著性算法的结果进行形态学腐蚀,用于排除筛选其他无关区域,然后针对高光区域检测容易混淆的问题采用形态学检测中的测地膨胀的方式,对参考帧进行n阶测地膨胀操作,利用膨胀模板准确定位高光区域并进行多次迭代,从而实现在低纹理材质上检测出尽可能完整和准确的高光区域。对参考帧图像进行高光区域修复的过程中,针对低纹理图像无法提取大量特征点的问题,采用基于多尺度的小波变换方法对图像进行修复,利用小波变换的多分辨率性和时频共存的特性,配准参考帧与信息帧的位置,从而降低了高光修复对纹理特征的依赖性,并将参考帧的高光区域利用信息帧中对没有受高光影响的区域进行融合修复,以及将参考帧和信息帧的纹理信息分量进行融合,能够更有效地还原原图的细节。
优选地,S2步骤中的具体步骤包括:
S2.1:将参考帧G进行显著性检测选取高光区域候选区域,其公式如下:
其中,I(x,y)表示参考帧G中的候选区域,Y(x,y)为参考帧G中坐标为(x,y)处的像素值,Y(xi,yi)为参考帧G中对应候选区域I中坐标(i,j)的像素值,S(x,y)为参考帧中坐标为(x,y)处的显著性量化值,表示参考帧的平均显著性量化值;
S2.2:通过高光区域候选区域的n阶图像腐蚀获得该高光区域候选区域的连通分量F,其公式如下:
其中,表示图形腐蚀运算操作,B0为腐蚀内核,Highlight表示高光区域候选区域。
本优选方案中,通过显著性检测选取高光区域候选区域,选择显著性值大于平均显著性值的像素点区域作为高光区域候选区域,再通过对高光区域候选区域进行n阶图像腐蚀,有效提高了高光区域检测的准确性。
优选地,腐蚀内核B0为矩阵
优选地,S3步骤中的具体步骤包括:
S3.1:对参考帧G进行一次测地膨胀操作,其公式如下:
其中,DG (1)表示进行一次测地膨胀操作后连通分量F相对于参考帧G的膨胀结果,B1为图像膨胀内核;
S3.2:通过迭代公式DG (n)=DG (1)[DG (n-1)(F)]直至DG (n)(F)=DG (n+1)(F),得到高光区域RG (n)(F)=DG (k)(F),其中k=1,2,...,n,且DG (k)(F)=DG (k+1)(F),且将高光区域RG (n)(F)中的像素值设置为-1,且迭代公式表示当第n次测地膨胀后的膨胀结果与第n-1次测地膨胀后的膨胀结果相同时停止迭代。
本优选方案中,针对现有技术中对高光区域的检测容易混淆的问题,采用形态学检测中的测地膨胀操作的方式,利用个膨胀模板准确定位高光区域并进行多次迭代,能够保证图像高光区域的准确检测,防止非高光显著区域与高光区域混淆。
优选地,图像膨胀内核B1为
优选地,S4步骤中的具体步骤包括:
S4.1:将输入分别与小波函数卷积核和尺度函数卷积核hψ(-q)进行卷积运算,其中q为输入的参考帧或信息帧的宽度;
S4.2:对卷积结果分别进行列向降采样,再分别通过尺度函数卷积核hψ(-p)进行卷积运算,其中p为输入的参考帧或信息帧的长度;
S4.3:将第二次卷积结果分别进行行向降采样,输出第一次小波分解的参考帧G的灰度分布信息分量、参考帧G的纹理信息分量和信息帧的灰度分布信息分量、信息帧的纹理信息分量;
S4.4:将本次小波分解得到的参考帧G的灰度分布信息分量和信息帧的灰度分布信息分量作为下一次小波分解模型的输入,重复j-1次S4.1~S4.3步骤,最终输出参考帧G的灰度分布信息分量Sl、参考帧G的纹理信息分量信息帧的灰度分布信息分量信息帧的纹理信息分量
S4.5:将最终输出的Sl和分别均匀分成N个子图像,每个子图像的大小为n×n。
本优选方案中,通过小波分解模型得到参考帧以及信息帧的灰度分布信息分量和纹理信息分量,其中,纹理信息分量包括垂直纹理信息分量、水平纹理信息分量和斜向纹理信息分量。小波分解模型所输出的经过j次小波分解的灰度分布信息分量和纹理信息分量用于后续将信息帧的非高光区域融合到参考帧的高光区域中,本优选方案能够有效提高其融合效果,有效还原原图细节。
优选地,S4步骤中,取参考帧G前后各5个连续的信息帧与参考帧G进行3层小波变换。本优选方案对高光区域的修复效果经实验显示效果最好。
优选地,S5步骤中的具体步骤包括:
S5.1:计算Sl的每个子图像与的每个子图像间的归一化互相关系数其公式如下:
其中,表示Sl中第i个子图像,表示Ta l中第i个子图像,表示在(x,y)坐标的像素值,表示在(x,y)坐标的像素值,表示的像素平均值,表示的像素平均值;
S5.2:选取归一化互相关系数最接近1的子图,将其对应的信息帧与参考帧G进行配准,所配准的信息帧为其中Δx和Δy为信息帧中的高光区域位置相对于参考帧G中的高光区域位置的偏移值。
本优选方案中,归一化互相关系数越接近1,对应的子图像和越相似,因此可根据归一化互相关系数寻找最相似的子图像,并在对应的层数配准参考帧和信息帧,从而降低了高光修复对于纹理特征的依赖性。
优选地,S6步骤中,配准的信息帧子图像的非高光区域与参考帧G的高光区域融合的修复函数的公式如下:
信息帧的纹理信息分量与参考帧G的纹理信息分量融合的公式如下:
其中,表示在参考帧G中(x,y)坐标的纹理信息分量,表示在信息帧Ta中(x,y)坐标的纹理信息分量。
本优选方案中,由于参考帧G中高光区域的像素值为-1,即在高光区域的值小于0,因此可使用本优选方案中的修复函数对高光区域进行修复,即非高光区域的灰度值不变,高光区域通过使用偏移后的信息帧对应的灰度值进行填补;在纹理信息分量融合过程中,根据不同像素位置中参考帧和信息帧的纹理信息分量的值进行调整,将纹理信息分量值较大的图像对应的纹理信息分量值填入完成修复,有助于还原原图的细节特征。
与现有技术相比,本发明技术方案的有益效果是:有效降低了对图像纹理的依赖性,能够在低纹理和高纹理的图像序列中较好地对高光区域完成检测和修复,有效提高了高光区域检测的准确性,且能够有效还原原图像的细节特征,具有更广泛的应用范围。
附图说明
图1为本实施例的图像高光修复方法的流程图。
图2为本实施例的小波分解模型结构示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,为本实施例的基于形态学检测与小波变换的图像高光修复方法的流程图。
本实施例的基于形态学检测与小波变换的图像高光修复方法中,对图像进行3层小波分解,并取参考帧的前后各5帧连续的图像帧作为信息帧,本实施例具体包括以下步骤:
步骤一:摄像头移动并连续拍摄采集多个图像帧作为图像序列,任意选取一帧作为参考帧G。
步骤二:对参考帧G进行显著性检测,选取高光区域候选区域,并提取区域的连通分量F。其具体步骤如下:
S2.1:将参考帧G进行显著性检测选取高光区域候选区域,其公式如下:
其中,I(x,y)表示参考帧G中的候选区域,Y(x,y)为参考帧G中坐标为(x,y)处的像素值,Y(xi,yi)为参考帧G中对应候选区域I中坐标(i,j)的像素值,S(x,y)为参考帧中坐标为(x,y)处的显著性量化值,表示参考帧的平均显著性量化值;
S2.2:通过高光区域候选区域的n阶图像腐蚀获得该高光区域候选区域的连通分量F,其公式如下:
其中,表示图形腐蚀运算操作,腐蚀内核B0为矩阵Highlight表示高光区域候选区域。
步骤三:利用连通分量F对参考帧G实施n阶测地膨胀操作,得到高光区域RG (n)(F),其中n表示测地膨胀操作中收敛时的迭代次数。其具体步骤如下:
S3.1:对参考帧G进行一次测地膨胀操作,其公式如下:
其中,DG (1)表示进行一次测地膨胀操作后连通分量F相对于参考帧G的膨胀结果,B1为图像膨胀内核,图像膨胀内核B1为矩阵
S3.2:通过迭代公式DG (n)=DG (1)[DG (n-1)(F)]直至DG (n)(F)=DG (n+1)(F),即第n次测地膨胀操作后的膨胀结果与第n+1次的膨胀结果相同时,停止迭代,此时得到高光区域RG (n)(F)=DG (k)(F),其中k=1,2,...,n,且DG (k)(F)=DG (k+1)(F),且将高光区域RG (n)(F)中的像素值设置为-1。
步骤四:将参考帧G以及与参考帧前后各5个图像帧作为信息帧分别输入小波分解模型中进行4次小波变换,得到第3层小波分解的参考帧G的灰度分布信息分量S3和纹理信息分量以及信息帧的灰度分布信息分量其中a=1,2,...,10,并将S3和分别均匀分成N个子图像,每个子图像的大小为n×n。
如图2所示,为本实施例中的小波分解模型结构示意图。其中,所输出的表示垂直纹理信息分量,表示水平纹理信息分量,表示斜向纹理信息分量,本实施例中第l层的参考帧的纹理信息分量中包括有垂直纹理信息分量水平纹理信息分量和斜向纹理信息分量信息帧的纹理信息分量中包括有垂直纹理信息分量水平纹理信息分量和斜向纹理信息分量列向降采样使输入的图片的长缩小2倍,行向降采样使输入的图片的宽缩小2倍,因此每次小波分解中输出的纹理信息分量和灰度分布信息分量为原尺寸的1/4。
步骤四的具体步骤如下:
S4.1:将输入分别与小波函数卷积核和尺度函数卷积核hψ(-q)进行卷积运算,其中p,q分别为输入的参考帧或信息帧的长和宽,小波函数卷积核和尺度函数卷积核hψ对应的抽头系数具体如表1所示;
表1小波卷积核函数的抽头系数
S4.2:对卷积结果分别进行列向降采样,再分别通过尺度函数卷积核hψ(-p)进行卷积运算;
S4.3:将第二次卷积结果分别进行行向降采样,输出第一次小波分解的参考帧G的灰度分布信息分量、参考帧G的纹理信息分量和信息帧的灰度分布信息分量、信息帧的纹理信息分量;
S4.4:将本次小波分解得到的参考帧G的灰度分布信息分量和信息帧的灰度分布信息分量作为下一次小波分解模型的输入,再重复3次S4.1~S4.3步骤,最终输出第3层的参考帧G的灰度分布信息分量S3、参考帧G的纹理信息分量信息帧的灰度分布信息分量Ta 3、信息帧的纹理信息分量
S4.5:将最终输出的S3和Ta 3分别均匀分成N个子图像,每个子图像的大小为n×n,其中N为正整数。
步骤五:计算S3的每个子图像与的每个子图像间的归一化互相关系数,并在第3层根据归一化互相关系数选取与参考帧G配准的信息帧子图像其中i=1,2,...,N。其具体步骤包括:
S5.1:计算S3的每个子图像与的每个子图像间的归一化互相关系数其公式如下:
其中,表示Sl中第i个子图像,表示Ta l中第i个子图像,表示在(x,y)坐标的像素值,表示在(x,y)坐标的像素值,表示的像素平均值,表示的像素平均值;
S5.2:选取归一化互相关系数最接近1的子图,将其对应的信息帧与参考帧G进行配准,所配准的信息帧为其中Δx和Δy为信息帧中的高光区域位置相对于参考帧G中的高光区域位置的偏移值。
步骤六:将配准的信息帧子图像中对应于参考帧G高光区域位置的非高光区域融合到参考帧G中,将信息帧的纹理信息分量与参考帧G的纹理信息分量进行融合。
其中,配准的信息帧子图像的非高光区域与参考帧G的高光区域融合的修复函数的公式如下:
将信息帧的纹理信息分量与参考帧G的纹理信息分量融合的公式如下:
其中,表示在参考帧G中(x,y)坐标的纹理信息分量,表示在信息帧Ta中(x,y)坐标的纹理信息分量。
步骤七:将融合后的参考帧G做小波逆变换,得到第2层的参考帧灰度分布信息分量S2。
步骤八:将第2层的参考帧灰度分布信息分量S2输入小波分解模型中进行3次小波分解,输出S2和
步骤九:重复步骤五至步骤八,直到第1层配准的中对应参考帧G高光区域位置的非高光区域融合,信息帧的与参考帧G的完成融合,输出完成最终融合的参考帧,即为完成高光修复的图像。
本实施例首先通过结合显著性算法和形态学操作,对图像的无关区域进行排除,通过形态学检测中的测地膨胀操作对低纹理材质的图像检测出尽可能完整和准确的高光区域,然后通过多尺度的小波变换方法将图像的灰度分布信息分量与纹理信息分量分离,仅利用图像的灰度分布信息分量计算互相关系数进行图像高光区域的修复,再将纹理信息分量融合,实现降低图像修复对纹理特征的依赖,有效还原原图像的细节特征。且本实施例对图像进行3层小波分解,并取参考帧的前后各5个连续的图像帧作为信息帧对图像高光区域进行修复,经试验证明效果最好。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.基于形态学检测与小波变换的图像高光修复方法,其特征在于,包括以下步骤:
S1:摄像头移动并连续拍摄采集多个图像帧作为图像序列,任意选取一帧作为参考帧G;
S2:对参考帧G进行显著性检测,选取高光区域候选区域,并提取区域的连通分量F;
S3:利用连通分量F对参考帧G实施n阶测地膨胀操作,得到高光区域RG (n)(F),其中n表示测地膨胀操作中收敛时的迭代次数;
S4:将参考帧G以及与参考帧相邻的a个图像帧作为信息帧Ta分别输入小波分解模型中进行j次小波分解,其中,a为正整数,j=3,4,5,分别得到第l层小波分解的参考帧G的灰度分布信息分量Sl、参考帧G的纹理信息分量信息帧的灰度分布信息分量Ta l、信息帧的纹理信息分量然后将Sl和Ta l分别均匀分成N个子图像,其中,N为正整数;
S5:计算Sl的每个子图像与的每个子图像间的归一化互相关系数,并在第l层根据归一化互相关系数选取与参考帧G配准的信息帧子图像其中i=1,2,...,N;
S6:将配准的信息帧子图像中对应于参考帧G高光区域位置的非高光区域融合到参考帧G中,将信息帧的纹理信息分量与参考帧G的纹理信息分量进行融合;
S7:将融合后的参考帧G做小波逆变换,得到第l-1层的参考帧灰度分布信息分量Sl-1;
S8:将第l-1层的参考帧灰度分布信息分量Sl-1输入小波分解模型中进行j次小波分解,输出Sl-1和
S9:重复S5~S8步骤,直到第1层配准的中对应参考帧G高光区域位置的非高光区域融合,信息帧的与参考帧G的完成融合,输出完成最终融合的参考帧G,即为完成高光修复的图像。
2.根据权利要求1所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述S2步骤中的具体步骤包括:
S2.1:将参考帧G进行显著性检测选取高光区域候选区域,其公式如下:
其中,I(x,y)表示参考帧G中的候选区域,Y(x,y)为参考帧G中坐标为(x,y)处的像素值,Y(xi,yi)为参考帧G中对应候选区域I中坐标(i,j)的像素值,S(x,y)为参考帧中坐标为(x,y)处的显著性量化值,表示参考帧的平均显著性量化值;
S2.2:通过高光区域候选区域的n阶图像腐蚀获得该高光区域候选区域的连通分量F,其公式如下:
其中,表示图形腐蚀运算操作,B0为腐蚀内核,Highlight表示高光区域候选区域。
3.根据权利要求2所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述腐蚀内核B0为矩阵
4.根据权利要求2所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述S3步骤中的具体步骤包括:
S3.1:对参考帧G进行一次测地膨胀操作,其公式如下:
其中,DG (1)表示进行一次测地膨胀操作后连通分量F相对于参考帧G的膨胀结果,B1为图像膨胀内核;
S3.2:通过迭代公式DG (n)=DG (1)[DG (n-1)(F)]直至DG (n)(F)=DG (n+1)(F),得到高光区域RG (n)(F)=DG (k)(F),其中k=1,2,...,n,且DG (k)(F)=DG (k+1)(F),且将高光区域RG (n)(F)中的像素值设置为-1。
5.根据权利要求4所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述图像膨胀内核B1为
6.根据权利要求1所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述S4步骤中的具体步骤包括:
S4.1:将输入分别与小波函数卷积核和尺度函数卷积核hψ(-q)进行卷积运算,其中q为输入的参考帧或信息帧的宽度;
S4.2:对卷积结果分别进行列向降采样,再分别通过尺度函数卷积核hψ(-p)进行卷积运算,其中p为输入的参考帧或信息帧的长度;
S4.3:将第二次卷积结果分别进行行向降采样,输出第一次小波分解的参考帧G的灰度分布信息分量、参考帧G的纹理信息分量和信息帧的灰度分布信息分量、信息帧的纹理信息分量;
S4.4:将本次小波分解得到的参考帧G的灰度分布信息分量和信息帧的灰度分布信息分量作为下一次小波分解模型的输入,重复j-1次S4.1~S4.3步骤,最终输出参考帧G的灰度分布信息分量Sl、参考帧G的纹理信息分量信息帧的灰度分布信息分量Ta l、信息帧的纹理信息分量
S4.5:将最终输出的Sl和Ta l分别均匀分成N个子图像,每个子图像的大小为n×n。
7.根据权利要求6所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述S4步骤中,取参考帧G前后各5个连续的图像帧作为信息帧与参考帧G进行3层小波变换。
8.根据权利要求6所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述S5步骤中的具体步骤包括:
S5.1:计算Sl的每个子图像与的每个子图像间的归一化互相关系数其公式如下:
其中,表示Sl中第i个子图像,表示Ta l中第i个子图像,表示在(x,y)坐标的像素值,表示在(x,y)坐标的像素值,表示的像素平均值,表示的像素平均值;
S5.2:选取归一化互相关系数最接近1的子图,将其对应的信息帧与参考帧G进行配准,所配准的信息帧为其中Δx和Δy为信息帧中的高光区域位置相对于参考帧G中的高光区域位置的偏移值。
9.根据权利要求8所述的基于形态学检测与小波变换的图像高光修复方法,其特征在于:所述S6步骤中,配准的信息帧子图像的非高光区域与参考帧G的高光区域融合的修复函数的公式如下:
将信息帧的纹理信息分量与参考帧G的纹理信息分量融合的公式如下:
其中,表示在参考帧G中(x,y)坐标的纹理信息分量,表示在信息帧Ta中(x,y)坐标的纹理信息分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032593.2A CN109859125B (zh) | 2019-01-14 | 2019-01-14 | 基于形态学检测与小波变换的图像高光修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032593.2A CN109859125B (zh) | 2019-01-14 | 2019-01-14 | 基于形态学检测与小波变换的图像高光修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859125A true CN109859125A (zh) | 2019-06-07 |
CN109859125B CN109859125B (zh) | 2022-10-21 |
Family
ID=66894738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910032593.2A Active CN109859125B (zh) | 2019-01-14 | 2019-01-14 | 基于形态学检测与小波变换的图像高光修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859125B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287853A (zh) * | 2019-06-20 | 2019-09-27 | 清华大学 | 一种基于小波分解的暂态信号去噪方法 |
CN110503619A (zh) * | 2019-06-27 | 2019-11-26 | 北京奇艺世纪科技有限公司 | 图像处理方法、装置及可读存储介质 |
CN111047541A (zh) * | 2019-12-30 | 2020-04-21 | 北京工业大学 | 一种基于小波变换注意力模型的图像修复方法 |
CN111815543A (zh) * | 2020-08-04 | 2020-10-23 | 北京惠朗时代科技有限公司 | 一种面向图像修复的多尺度特征匹配方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5272764A (en) * | 1989-12-08 | 1993-12-21 | Xerox Corporation | Detection of highlighted regions |
US20100054593A1 (en) * | 2008-09-04 | 2010-03-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and program |
CN105490737A (zh) * | 2016-01-06 | 2016-04-13 | 广东工业大学 | 一种光通信芯片线路的检测系统及其检测方法 |
CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
US20170046852A1 (en) * | 2014-04-16 | 2017-02-16 | Smiths Heimann Sas | Identification or determination of a load based on texture |
CN107103589A (zh) * | 2017-03-21 | 2017-08-29 | 深圳市未来媒体技术研究院 | 一种基于光场图像的高光区域修复方法 |
WO2018122809A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 |
CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
US10149958B1 (en) * | 2015-07-17 | 2018-12-11 | Bao Tran | Systems and methods for computer assisted operation |
-
2019
- 2019-01-14 CN CN201910032593.2A patent/CN109859125B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5272764A (en) * | 1989-12-08 | 1993-12-21 | Xerox Corporation | Detection of highlighted regions |
US20100054593A1 (en) * | 2008-09-04 | 2010-03-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and program |
US20170046852A1 (en) * | 2014-04-16 | 2017-02-16 | Smiths Heimann Sas | Identification or determination of a load based on texture |
US10149958B1 (en) * | 2015-07-17 | 2018-12-11 | Bao Tran | Systems and methods for computer assisted operation |
CN105490737A (zh) * | 2016-01-06 | 2016-04-13 | 广东工业大学 | 一种光通信芯片线路的检测系统及其检测方法 |
CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
WO2018122809A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 |
CN107103589A (zh) * | 2017-03-21 | 2017-08-29 | 深圳市未来媒体技术研究院 | 一种基于光场图像的高光区域修复方法 |
CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
Non-Patent Citations (1)
Title |
---|
何嘉林等: "基于融合技术的图像去高光方法", 《科学技术创新》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287853A (zh) * | 2019-06-20 | 2019-09-27 | 清华大学 | 一种基于小波分解的暂态信号去噪方法 |
CN110503619A (zh) * | 2019-06-27 | 2019-11-26 | 北京奇艺世纪科技有限公司 | 图像处理方法、装置及可读存储介质 |
CN110503619B (zh) * | 2019-06-27 | 2021-09-03 | 北京奇艺世纪科技有限公司 | 图像处理方法、装置及可读存储介质 |
CN111047541A (zh) * | 2019-12-30 | 2020-04-21 | 北京工业大学 | 一种基于小波变换注意力模型的图像修复方法 |
CN111815543A (zh) * | 2020-08-04 | 2020-10-23 | 北京惠朗时代科技有限公司 | 一种面向图像修复的多尺度特征匹配方法 |
CN111815543B (zh) * | 2020-08-04 | 2024-02-09 | 北京惠朗时代科技有限公司 | 一种面向图像修复的多尺度特征匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109859125B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859125A (zh) | 基于形态学检测与小波变换的图像高光修复方法 | |
Mei et al. | An unsupervised-learning-based approach for automated defect inspection on textured surfaces | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN108572181A (zh) | 一种基于条纹反射的手机曲面玻璃缺陷检测方法 | |
CN106204503B (zh) | 基于改进置信度更新函数及匹配准则的图像修复算法 | |
CN106530247B (zh) | 一种基于结构信息的多尺度图像修复方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN107944551A (zh) | 一种用于电润湿显示屏缺陷识别方法 | |
CN113449784B (zh) | 基于先验属性图谱的图像多分类方法、装置、设备及介质 | |
Li et al. | A weak supervision machine vision detection method based on artificial defect simulation | |
CN115456956A (zh) | 一种液晶屏划痕检测方法、设备及存储介质 | |
CN114842201A (zh) | 基于改进Mask_Rcnn的砂石骨料图像分割方法 | |
CN107895371B (zh) | 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 | |
Bae et al. | Computer vision-based statistical crack quantification for concrete structures | |
CN110633739B (zh) | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 | |
Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction | |
CN110021002A (zh) | 一种图像融合方法及装置 | |
Sun et al. | Structure-guided virtual restoration for defective silk cultural relics | |
Yao et al. | Lightweight neural network for real-time crack detection on concrete surface in fog | |
Wang et al. | Deep learning based distortion restoration and defect segmentation from linear scanning camera images | |
CN108230251A (zh) | 组合式图像恢复方法及装置 | |
JP4405407B2 (ja) | 欠陥検査装置 | |
CN109615617A (zh) | 一种保凸间接正则水平集的图像分割方法 | |
CN115205398A (zh) | 一种不均匀光照条件下的相机标定方法及系统 |
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 |