CN109903265A - 一种图像变化区域侦测阀值设定方法、系统及其电子装置 - Google Patents
一种图像变化区域侦测阀值设定方法、系统及其电子装置 Download PDFInfo
- Publication number
- CN109903265A CN109903265A CN201910050486.2A CN201910050486A CN109903265A CN 109903265 A CN109903265 A CN 109903265A CN 201910050486 A CN201910050486 A CN 201910050486A CN 109903265 A CN109903265 A CN 109903265A
- Authority
- CN
- China
- Prior art keywords
- difference
- image
- pixel
- value
- module
- 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)
Abstract
本发明涉及智能视觉识别领域,特别涉及一种图像变化区域侦测阀值设定方法、系统及其电子装置。本方法通过获取场景变化前后的第一图像及与其对应的第二图像,其进行模糊化处理得到处理后的第一模糊图像及第二模糊图像;计算第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;将第一区别图进一步优化处理得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。通过上述方法获取阀值可准确高效的侦测出图像变化区域,防止环境干扰影响图像变化侦测精度,满足当代智能货柜领域的使用需求。所述图像变化区域侦测阀值设定系统及其电子装置与上述方法相同的有益效果。
Description
【技术领域】
本发明涉及智能视觉识别领域,特别涉及一种图像变化区域侦测阀值设定方法、系统及其电子装置。
【背景技术】
现在新零售行业正逐渐兴起,无人货柜也得到了广泛的推广。目前市场上的无人货柜可通过获取货柜内的待售商品的实时图像信息以识别货柜上陈列的待售商品,例如,通过侦测不同时刻拍摄的待售商品的图像之间的变化,获知待售商品的售卖情况。目前常用的图像变化区域侦测的方法是设定一阀值,通过阀值区分图像的像素等级,从而实现变化目标商品与背景的分离。但是,若阀值设定太高,则会使得像素变化极大才容易表现出来;若阀值设定太低,则会导致很多小扰动区域也会被提取出来;无论哪种情况都会影响智能货柜领域商品识别的精确度。而且在现有智能货柜使用过程中,环境干扰会使待售商品图像之间的变化区域变得更复杂,而图像变化前后的区域侦测的阀值设定不当会影响图像变化区域识别的准确度,从而影响智能货柜的使用效果。
因此,亟待提供一种新型的图像变化区域侦测阀值设定方法、系统及其电子装置。
【发明内容】
为了解决现有图像变化区域侦测中阀值设定中存在的技术问题,本发明提供一种图像变化区域侦测阀值设定方法、系统及其电子装置。
本发明为解决上述技术问题提供以下的技术方案:一种图像变化区域侦测阀值设定方法,包括:步骤S1:获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像;步骤S2:计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;及步骤S3:将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法(最大类间方差算法) 对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。
优选地,上述步骤S1所述的模糊化处理包括低通滤波处理、中值模糊处理或高斯滤波处理任一种。
优选地,上述步骤S2所述的计算处理后的第一模糊图像及第二模糊图像之间的差值包括使用RGB色彩空间模型、YUV色彩空间模型或HSV色彩空间模型中任一种或多种组合的色彩空间模型进行计算。
优选地,所述RGB色彩空间模型计算包括求取像素点 RGB各通道差值的平方和,并对所述平方和进行开方运算得到对应像素点的像素差值。
优选地,上述步骤S3包括:步骤S31:获取第一区别图中各像素点的像素差值和位置信息;步骤S32:定义一标准值,比较第一区别图中各像素点的像素差值与标准值的大小并获得比较结果,结合各像素点的位置信息将第一区别图中各像素点分为多个连通区域;步骤S33:将像素差值小于标准值的像素点组成的连通区域进行赋值;步骤 S34:定义一标准面积,获取像素差值大于标准值的像素点组成的连通区域,比较连通区域大小并估算其面积,对小于标准面积的连通区域进行赋值,以获得第二区别图;步骤S35:将第二区别图各像素点的像素值进行统计获得对应的峰值分布图;及步骤S36:利用Otsu算法对峰值分布图进行算法处理得到基于第一图像及第二图像之间变化区域的阀值。
本发明为解决上述技术问题提供以下的技术方案:一种图像变化区域侦测阀值设定系统包括:图像生成模块:配置用于获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像;差值计算模块:配置用于计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;及阀值求取模块:配置用于将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。
优选地,所述图像生成模块包括:图像获取模块:配置用于获取场景变化前后的第一图像及与其对应的第二图像;及图像处理模块:配置用于对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像。
优选地,所述差值计算模块包括:像素点差值计算模块:配置用于求取像素点RGB各通道差值的平方和,并对所述平方和进行开方运算,得到像素点的像素差值。
优选地,所述阀值求取模块进一步包括:位置获取模块:配置用于获取第一区别图中各像素点的像素差值和位置信息;连通区域获取模块:配置用于定义一标准值,比较第一区别图中各像素点的像素差值与标准值的大小并获得比较结果,结合各像素点的位置信息将第一区别图中各像素点分为多个连通区域;连通区域赋值模块:配置用于将像素差值小于标准值的像素点组成的连通区域进行赋值;第二图像生成模块:配置用于定义一标准面积,获取像素差值大于标准值的像素点组成的连通区域,比较连通区域大小并估算其面积,对小于标准面积的连通区域进行赋值,以获得第二区别图;统计模块:配置在于将第二区别图各像素点的像素值进行统计获得对应的峰值分布图;及Otsu算法处理模块;配置用于利用Otsu算法对峰值分布图进行算法处理得到基于第一图像及第二图像之间变化区域的阀值。
本发明为解决上述技术问题提供以下的技术方案:一种电子装置,包括存储单元及一个或多个处理单元,所述存储单元用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元实现上述图像变化区域侦测阀值设定方法。
与现有技术相比,本发明提供的图像变化区域侦测阀值设定方法可以精确求取用于图像变化区域侦测的阀值。在智能货柜领域,基于上述方法设定的阈值对包含目标商品的图像变化区域进行侦测,可快速且精确地识别目标商品,有效避免了由于阀值设定不准或环境干扰而造成的,目标商品与背景的分离困难的问题,进而提高目标商品识别的精确度。
本发明提供的图像变化区域侦测阀值设定方法中对变化前后的第一图像及第二图像进行模糊化处理是为了去除由于环境变化或其他干扰因素造成的细小变化区域,避免非重要的细小变化区域被识别,而造成变化区域的侦测出现错误,基于上述的模糊化处理,可减少由于干扰因素而造成的变化区域,以便获得更加准确的第一区别图的信息。
所述模糊化处理过程包括低通滤波处理,通过低通滤波处理可使第一图像和第二图像变化前后的由于环境扰动而造成的较小位移被忽略。
通过采用RGB色彩空间模型计算第一模糊图像与第二模糊图像之间的差值,包括求取对应两像素点的欧式距离;可提高第一区别图中各像素差值与对应第一模糊图像、第二模糊图像中各像素点的RGB三通道数据之间的关联度,进而更加精确地体现图像变化的信息,此外还可进一步减少后期图像区域选取过程中的运算量。
本发明提供的图像变化区域侦测阀值设定方法中通过对第一区别图进行筛选,选出像素差值较大且面积也大的连通区域组成第二区别图,此第二区别图中包含待售商品的信息;并基于所述第二区别图的信息,利用Otsu算法进行处理得到基于第一图像及第二图像之间变化区域的阀值。上述处理过程,即为基于待售商品的信息求取阀值,确保设定的阀值的准确度。
统计第二区别图中各像素点的像素值及其数量,得到更适合利用Otsu算法处理的峰值分布图,进而使基于第一图像及第二图像之间阀值求取更加准确。
本发明提供的一种图像变化区域侦测阀值设定系统及其电子装置,所述图像变化区域侦测阀值设定系统及其电子装置具有与上述图像变化区域侦测阀值设定方法相同的有益效果,在此不再赘述。
【附图说明】
图1是本发明第一实施例中提供的图像变化区域侦测阀值设定方法的步骤流程示意图;
图2A是本发明第一实施例中提供的图像变化区域侦测阀值设定方法中的第一图像示意图;
图2B是本发明第一实施例中提供的图像变化区域侦测阀值设定方法中的第二图像示意图;
图2C是本发明第一实施例中提供的图像变化区域侦测阀值设定方法中的第一模糊图像示意图;
图2D是本发明第一实施例中提供的图像变化区域侦测阀值设定方法中的第二模糊图像示意图;
图3是本发明第一实施例中提供的图像变化区域侦测阀值设定方法中的第一区别图像示意图;
图4是本发明第一实施例中提供的图像变化区域侦测阀值设定方法之阀值求取流程示意图;
图5是本发明第二实施例中提供的提供一种图像变化区域侦测阀值设定系统的框架结构示意图;
图6是本发明第二实施例中提供的提供一种图像变化区域侦测阀值设定系统之图像生成模块的框架结构示意图;
图7是本发明第二实施例中提供的提供一种图像变化区域侦测阀值设定系统之阀值求取模块的框架结构示意图;
图8是本发明第三实施例中提供的提供一种电子装置的框架结构示意图。
附图标识:
1、第一图像;2、第二图像;11、第一模糊图像;111、商品;112、噪点;113、背景;12、第二模糊图像;3、第一区别图;31、差异区;
20、图像变化区域侦测阀值设定系统;21、图像生成模块;22、差值计算模块;23、阀值求取模块;211、图像获取模块;212、图像处理模块;221、像素点差值计算模块;231、位置获取模块;232、连通区域获取模块;233、连通区域赋值模块;234、第二图像生成模块;235、统计模块;236、Otsu算法处理模块;
40、电子装置;41、存储单元;42、处理单元。
【具体实施方式】
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施实例,对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用以解释本发明,并不用于限定本发明。
本发明的第一实施例提供一图像变化区域侦测阀值设定方法,以提升智能视觉识别领域中图像变化侦测精确度,满足不同场景下的使用需求。
为了更好地对本发明提供的信息进行说明,以智能货柜使用过程为例进行阐述。在无人售货领域,通过对货柜内的待售商品进行实时拍照,并对待售商品的图像进行分析,可获取待售商品的售卖状态。
具体地,通过侦测不同时刻拍摄待售商品的图像之间变化区域,以获取商品的售卖情况。理想状态下,不同时刻拍摄待售商品图像之间的变化区域即为售出商品。但是,在实际操作过程中,待售商品图像获取容易受外界因素影响,如晃动干扰等,进而使不同时刻拍摄的待售商品的图像之间的变化区域不仅包括售出商品,还可能包括由晃动引起的其他变化。目前常用的图像变化区域侦测的方法是设定一阀值,通过阀值将图像的像素级分成若干类,从而实现变化目标商品与背景的分离。而环境干扰会使阀值的设定变得困难且准确度下降,为此本发明提供了一种图像变化区域侦测阀值设定方法。
如图1所示,本发明所述图像变化区域侦测阀值设定方法S10,对图像变化区域侦测阀值设定过程进行说明,所述图像变化区域侦测阀值设定方法S10包括如下步骤:
步骤S1:获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理,以得到处理后的第一模糊图像及第二模糊图像;
步骤S2:计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;及
步骤S3:将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。
其中,所述Otsu算法是以Nobuyuki otsu的名字命名的(日本人,大津展之),常用于基于图像分割的聚类。所述Otsu算法的理论依据是:假定图像包含两类像素(前景像素和背景像素),然后计算使得两类像素能分开的最佳阈值(类内方差),或等价的间类间方差最大。
结合图2A、2B、2C和2D所示,为了更好地对本发明提供的信息进行说明,以智能货柜使用过程为例,将步骤S1所述第一图像及与其对应的第二图像分别对应智能货柜中待售商品售卖前后拍摄的图像。
具体地,图2A为待售商品售出前的图像即第一图像 1,包括至少一待售商品111、噪点112及背景113;图 2B为待售商品售出后的图像即第二图像2,包括未售出的待售商品、噪点112及背景113;所述第一图像1相对于第二图像2的变化区域为售出商品111。
对所述第一图像1及第二图像2进行模糊化处理得如图2C所示的第一模糊图像11和如图2D所示的第二模糊图像12。所述模糊化处理,可以避免由于开关柜门或由于用户操作造成的待售商品产生的较小位移(未图示)被侦测到,以防止非待售商品被取走的状况对图像变化区域侦测产生干扰,以进一步提高图像变化区域侦测的准确度;所述模糊化处理还可消除图像获取单元在获取图像时产生的噪点(112),提高图像变化区域侦测的准确度。
所述模糊化处理包括低通滤波处理、中值模糊处理或高斯滤波处理的任一种。
具体地,所述低通滤波处理可简单的认为,设定一个频率点,当信号频率高于这个频率时不能通过,在数字信号中,这个频率点也就是截止频率,当频域高于这个截止频率时,则全部赋值为0。因为在这一处理过程中,让低频信号全部通过,所以称为低通滤波。结合本发明所提供的图像经过低通滤波处理之后,图像变化前后的由于环境扰动而造成的较小位移将会被忽略。
所述中值滤波处理以一个像素点为中心点,在这个中心点的正方形邻域内求所有像素的中间值,然后用这个中间值替换邻域内所有点的像素值。结合本发明所提供的图像经过中值滤波处理之后,图像变化前后的由于环境扰动而造成的较小位移将会被忽略。
所述高斯滤波处理是利用卷积核与输入图像的每个点进行卷积,将最终计算的结果作为这个点的值。也就是说图像的每个点都是由其本身和邻域内的点经过高斯滤波卷积核进行加权平均得到的。结合本发明所提供的图像经过高斯滤波处理之后,图像变化前后由于环境扰动而造成的较小位移将会被忽略。
步骤S2:计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图。
请参阅图2C、图2D及图3,计算第一模糊图像11 及第二模糊图像12各对应像素点之间的差值得到第一区别图3,所述第一区别图3中包含第一模糊图像11相对于第二模糊图像12的差异区31,以智能货柜使用过程为例,所述第一区别图3中包含的差异区31为已售商品信息。
所述的计算模糊处理后的第一模糊图像及第二模糊图像之间的差值包括使用RGB色彩空间模型、YUV色彩空间模型或HSV色彩空间模型中任一种或多种组合的色彩空间模型计算。
具体地,颜色通常用三个独立的属性来描述,三个独立变量综合作用,构成一个空间坐标,这就是颜色空间。颜色空间按照基本机构可以分为两大类:基色颜色空间和色、亮分离颜色空间。前者典型的是RGB色彩空间模型,后者包括YUV色彩空间模型和HSV色彩空间模型等。
本发明提供的第一实施例中以RGB色彩空间来说明,所述RGB色彩空间采用物理三基色表示,这种色彩的表示方法称为RGB色彩空间。
所述RGB色彩空间模型计算过程包括求取两像素点的欧式距离;即求取两像素点RGB各通道差值的平方和,并对所述平方和进行开方运算,而得到像素点的像素差值。
具体的,定义所述第一模糊图像中各像素点的RGB 三通道对应的数值为R1、G1及B1;第二模糊图像中各像素点的RGB三通道对应的数值为R2、G2及B2;则各像素点的像素差值计算公式为(1):
上述的计算方法,是利用数学运算的方式将图像变化前后获得的第一模糊图像和第二模糊图像进行处理,通过这种方式求得各像素点的像素差值,从而可以更加精确地体现图像变化的信息。
本实施例的其他实施方式中,还可用YUV色彩空间模型和/或HSV色彩空间模型计算各像素点的像素差值。
其中,YUH色彩空间模型(亦称YCrCb)是一种颜色编码方法。其中“Y”表示明亮度(Luminance或Luma),也就是灰阶值;而“U”和“V”表示的则是色度(Chrominance 或Chroma),作用是描述影像色彩及饱和度,用于指定像素的颜色。
HSV色彩空间模型是一种将RGB色彩空间中的点在倒圆锥体中的表示方法。HSV即色相(Hue)、饱和度 (Saturation)、明度(Value),又称HSB(B即Brightness)。圆锥的顶点处,V=0,H和S无定义,代表黑色。圆锥的顶面中心处V=max,S=0,H无定义,代表白色。
基于上述YUV色彩空间模型和/或HSV色彩空间模型也可对应计算获得各像素点的像素差值。
如图4所示,可选地,在本发明的一些具体地实施例中,上述步骤S3将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值,其具体方法可进一步细分为如下步骤:
步骤S31:获取第一区别图中各像素点的像素差值和位置信息;
步骤S32:定义一标准值,比较第一区别图中各像素点的像素差值与标准值的大小并获得比较结果,结合各像素点的位置信息将第一区别图中各像素点分为多个连通区域;
步骤S33:将像素差值小于标准值的像素点组成的连通区域进行赋值;
步骤S34:定义一标准面积,获取像素差值大于标准值的像素点组成的连通区域,比较对应连通区域的大小并估算其面积,对小于标准面积的连通区域进行赋值,以获得第二区别图;
步骤S35:将第二区别图各像素点的像素值进行统计获得对应的峰值分布图;及
步骤S36:利用Otsu算法对峰值分布图进行处理得到基于第一图像及第二图像之间变化区域的阀值。
所述标准值和标准面积是基于第一区别图像中各像素点的像素值及各像素点组成的连通区域的大小进行定义,不同的应用场景下所述标准值和标准面积的取值不同。
定义所述标准值和标准面积是来确定第一区别图中的像素点及各像素点组成的连通区域属于差异区还是背景区域,从而将第一区别图转换成第二区别图,以便进行 Otsu算法运算,求取最适合的阀值。
所述第一区别图中各像素点的像素差值即为各像素点的像素值,为了与第一模糊图像及第二模糊图像进行区分,因此在第一区别图中定义为像素差值。
上述步骤S5所述的峰值分布图为对第二区别图中各像素点对应的像素值及同一像素值下对应像素点数量进行统计得到的直方图。
本实施例中,所述标准值定义为150;所述标准面积定义为100。
第一区别图包括图像差异区及环境扰动形成变化区。
所述图像差异区中各像素点的像素差值应大于标准值,其连通区域面积应大于标准面积。在智能货柜使用过程中,所述差异区即为已售出商品。
所述变化区包括至少一个小于标准值的连通区域及小于标准面积的连通区域;所述小于标准值的连通区域内的各像素点的像素差值小于标准值;所述小于标准面积的连通区域内的各像素点的像素差值大于标准值,但其面积小于标准面积。在智能货柜使用过程中,所述变化区即为环境因素引起的影响判断的干扰区域。
对第一区别图进行筛选处理;首先,对第一区别图中像素点对应的像素差值小于标准值的连通区域进行赋值,具体地,对应像素点的像素差值可被赋值为与背景区域的像素均值相同;接着,对小于标准面积的连通区域进行赋值,对应像素点的像素差值也被赋值为背景区域的像素均值相同。其中,所述背景区域的像素均值远小于标准值。
经过上述过程得到第二区别图,所述第二区别图中留下的图像差异区为目标区域即为已售商品信息。统计第二区别图中各像素点的像素值及其数量,获得对应的峰值分布图;利用Otsu算法对峰值分布图进行Otsu算法处理得到基于第一模糊图像及第二模糊图像之间变化区域的阀值。此阀值即为场景变化前后的第一图像及与其对应的第二图像之间的变化区域侦测的阀值。
通过本发明提供的图像变化区域侦测阀值设定方法而设定获得的阀值,可准确高效的侦测出图像变化区域,防止环境变化产生的干扰影响图像变化侦测精度,可满足当代智能货柜领域的使用需求。
请参阅图5所示,本发明的第二实施例提供图像变化区域侦测阀值设定系统20,包括:
图像生成模块21:配置用于获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像;
差值计算模块22:配置用于计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;及
阀值求取模块23:配置用于将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。
请参阅图6所示,所述图像生成模块21包括:
图像获取模块211:配置用于获取场景变化前后的第一图像及与其对应的第二图像;及
图像处理模块212:配置用于对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像。
请继续参阅图5所示,所述差值计算模块22包括:
像素点差值计算模块221:配置用于求取像素点RGB 各通道差值的平方和,并对所述平方和进行开方运算得到像素点的像素差值。
具体地,以RGB色彩空间模型为例;所述像素点差值计算模块221先获取第一模糊图像中各像素点的RGB 三通道对应的数值R1、G1及B1;第二模糊图像中各像素点的RGB三通道对应的数值R2、G2及B2;然后根据像素差值计算公式:计算得到对应两像素点的差值。
本实施例所述差值计算模块22也可利用其它的色彩空间模型进行运算,其具体内容与第一实施例中的相同,在此不再做赘述。
请参阅图7所示,所述阀值求取模块23包括:
位置获取模块231:配置用于获取第一区别图中各像素点的像素差值和位置信息;
连通区域获取模块232:配置在于定义一标准值,比较第一区别图中各像素点的像素差值与标准值的大小并获得比较结果,结合各像素点的位置信息将第一区别图中各像素点分为多个连通区域;
连通区域赋值模块233:配置用于将像素差值小于标准值的像素点组成的连通区域进行赋值;
第二图像生成模块234:配置用于定义一标准面积,获取像素差值大于标准值的像素点组成的连通区域,比较连通区域大小并估算其面积,对小于标准面积的连通区域进行赋值,以获得第二区别图;
统计模块235:配置在于将第二区别图各像素点的像素值进行统计获得对应的峰值分布图;及
Otsu算法处理模块236;配置用于利用Otsu算法对峰值分布图进行算法处理得到基于第一图像及第二图像之间变化区域的阀值。
通过本发明第二实施例提供的图像变化区域侦测阀值设定系统设定获得的阀值,可准确高效的侦测出图像变化区域,防止环境变化产生的干扰影响图像变化侦测精度,可满足当代智能货柜领域的使用需求。
如图8所示,本发明的第三实施例提供电子装置40,包括存储单元41及一个或多个处理单元42,所述存储单元41用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理单元42执行,使得所述一个或多个处理单元42实现所述图像变化区域侦测阀值设定方法。
本实施例提供的电子装置40包括硬件或软件。当电子装置为硬件时,可以是支持场景图像识别的各种电子设备,包括但不限于智能货柜、智能手机、平板电脑、智能相机、摄像头、摄影机、自动售卖机、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
当电子装置40为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块,在此不做具体限定。
特别地,根据本发明所公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。
例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。
计算机可读存储介质例如可以是但不限于电、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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、其电子装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。
在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。
所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括模型构建模块、感测模块及运算模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,可以描述为:一种处理器包括图像生成模块、差值计算模块及阀值求取模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,“图像生成模块”还可以被描述为“获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图模块”等。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的系统或设备中所包含的;也可以是单独存在,而未装配入该系统或设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该系统或设备执行时,使得该系统或设备:获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像;计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;及将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。
与现有技术相比,本发明提供的图像变化区域侦测阀值设定方法可以精确求取用于图像变化区域侦测的阀值。在智能货柜领域,基于上述方法设定的阈值对包含目标商品的图像变化区域进行侦测,可快速且精确地识别目标商品,有效避免了由于阀值设定不准或环境干扰而造成的,目标商品与背景的分离困难的问题,进而提高目标商品识别的精确度。
本发明提供的图像变化区域侦测阀值设定方法中对变化前后的第一图像及第二图像进行模糊化处理是为了去除由于环境变化或其他干扰因素造成的细小变化区域,避免非重要的细小变化区域被识别,而造成变化区域的侦测出现错误,基于上述的模糊化处理,可减少由于干扰因素而造成的变化区域,以便获得更加准确的第一区别图的信息。
所述模糊化处理过程包括低通滤波处理,通过低通滤波处理可使第一图像和第二图像变化前后的由于环境扰动而造成的较小位移被忽略。
通过采用RGB色彩空间模型计算第一模糊图像与第二模糊图像之间的差值,包括求取对应两像素点的欧式距离;可提高第一区别图中各像素差值与对应第一模糊图像、第二模糊图像中各像素点的RGB三通道数据之间的关联度,进而更加精确地体现图像变化的信息,此外还可进一步减少后期图像区域选取过程中的运算量。
本发明提供的图像变化区域侦测阀值设定方法中通过对第一区别图进行筛选,选出像素差值较大且面积也大的连通区域组成第二区别图,此第二区别图中包含待售商品的信息;并基于所述第二区别图的信息,利用Otsu算法进行处理得到基于第一图像及第二图像之间变化区域的阀值。上述处理过程,即为基于待售商品的信息求取阀值,确保设定的阀值的准确度。
统计第二区别图中各像素点的像素值及其数量,得到更适合利用Otsu算法处理的峰值分布图,进而使基于第一图像及第二图像之间阀值求取更加准确。
本发明提供的一种图像变化区域侦测阀值设定系统及其电子装置,所述图像变化区域侦测阀值设定系统及其电子装置具有与上述图像变化区域侦测阀值设定方法相同的有益效果,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内所做的任何修改,等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种图像变化区域侦测阀值设定方法,其特征在于:所述图像变化区域侦测阀值设定方法包括如下步骤:
步骤S1:获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理,以得到处理后的第一模糊图像及第二模糊图像;
步骤S2:计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;及
步骤S3:将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。
2.根据权利要求1所述的图像变化区域侦测阀值设定方法,其特征在于:上述步骤S1所述的模糊化处理包括低通滤波处理、中值模糊处理或高斯滤波处理的任一种。
3.根据权利要求1所述的图像变化区域侦测阀值设定方法,其特征在于:上述步骤S2所述的计算处理后的第一模糊图像及第二模糊图像之间的差值包括使用RGB色彩空间模型、YUV色彩空间模型或HSV色彩空间模型中任一种或多种组合的色彩空间模型进行计算。
4.根据权利要求3所述的图像变化区域侦测阀值设定方法,其特征在于:所述RGB色彩空间模型计算包括求取像素点RGB各通道差值的平方和,并对所述平方和进行开方运算得到像素点的像素差值。
5.根据权利要求1所述的图像变化区域侦测阀值设定方法,其特征在于:上述步骤S3包括:
步骤S31:获取第一区别图中各像素点的像素差值和位置信息;
步骤S32:定义一标准值,比较第一区别图中各像素点的像素差值与标准值的大小并获得比较结果,结合各像素点的位置信息将第一区别图中各像素点分为多个连通区域;
步骤S33:对像素差值小于标准值的像素点组成的连通区域进行赋值;
步骤S34:定义一标准面积,获取像素差值大于标准值的像素点组成的连通区域,比较连通区域大小并估算其面积,对小于标准面积的连通区域进行赋值,以获得第二区别图;
步骤S35:将第二区别图各像素点的像素值进行统计获得对应的峰值分布图;及
步骤S36:利用Otsu算法对峰值分布图进行算法处理得到基于第一图像及第二图像之间变化区域的阀值。
6.一种图像变化区域侦测阀值设定系统,其特征在于:包括:
图像生成模块:配置用于获取场景变化前后的第一图像及与其对应的第二图像,并对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像;
差值计算模块:配置用于计算处理后的第一模糊图像及第二模糊图像各对应像素点之间的差值得到第一区别图;及
阀值求取模块:配置用于将第一区别图中各像素点的像素差值与预设差值进行比较并获得比较结果,基于比较结果构建得到第二区别图,利用Otsu算法对第二区别图进行处理得到基于第一图像及第二图像之间变化区域侦测的阀值。
7.根据权利要求6所述的图像变化区域侦测阀值设定系统,其特征在于:所述图像生成模块包括:
图像获取模块:配置用于获取场景变化前后的第一图像及与其对应的第二图像;及
图像处理模块:配置用于对所述第一图像及第二图像进行模糊化处理得到处理后的第一模糊图像及第二模糊图像。
8.根据权利要求6所述的图像变化区域侦测阀值设定系统,其特征在于:所述差值计算模块:包括:
像素点差值计算模块:配置用于求取像素点RGB各通道差值的平方和,并对所述平方和进行开方运算,得到像素点的像素差值。
9.根据权利要求6所述的图像变化区域侦测阀值设定系统,其特征在于:所述阀值求取模块进一步包括:
位置获取模块:配置用于获取第一区别图中各像素点的像素差值和位置信息;
连通区域获取模块:配置在于定义一标准值,比较第一区别图中各像素点的像素差值与标准值的大小并获得比较结果,结合各像素点的位置信息将第一区别图中各像素点分为多个连通区域;
连通区域赋值模块:配置用于将像素差值小于标准值的像素点组成的连通区域进行赋值;
第二图像生成模块:配置用于定义一标准面积,获取像素差值大于标准值的像素点组成的连通区域,比较对应的连通区域大小并估算其面积,对小于标准面积的连通区域进行赋值,以获得第二区别图;
统计模块:配置在于将第二区别图各像素点的像素值进行统计获得对应的峰值分布图;及
Otsu算法处理模块;配置用于利用Otsu算法对峰值分布图进行算法处理得到基于第一图像及第二图像之间变化区域的阀值。
10.一种电子装置,其特征在于:包括存储单元及一个或多个处理单元,所述存储单元用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元实现如权利要求1-5中任一项所述图像变化区域侦测阀值设定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910050486.2A CN109903265B (zh) | 2019-01-19 | 2019-01-19 | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910050486.2A CN109903265B (zh) | 2019-01-19 | 2019-01-19 | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903265A true CN109903265A (zh) | 2019-06-18 |
CN109903265B CN109903265B (zh) | 2021-05-11 |
Family
ID=66943862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910050486.2A Active CN109903265B (zh) | 2019-01-19 | 2019-01-19 | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903265B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991458A (zh) * | 2019-11-25 | 2020-04-10 | 创新奇智(北京)科技有限公司 | 基于图像特征的人工智能识别结果抽样系统及抽样方法 |
CN111369317A (zh) * | 2020-02-27 | 2020-07-03 | 创新奇智(上海)科技有限公司 | 订单生成方法、装置、电子设备及存储介质 |
CN113096022A (zh) * | 2019-12-23 | 2021-07-09 | RealMe重庆移动通信有限公司 | 图像虚化处理方法、装置、存储介质与电子设备 |
CN113657263A (zh) * | 2021-08-16 | 2021-11-16 | 深圳多模智能科技有限公司 | 唤醒终端识别生物特征信息的方法、装置、终端及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
CN102081799B (zh) * | 2011-01-10 | 2012-12-12 | 西安电子科技大学 | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
CN107578045A (zh) * | 2017-09-19 | 2018-01-12 | 北京工业大学 | 一种基于机器视觉的水下目标识别方法 |
CN107657260A (zh) * | 2017-10-09 | 2018-02-02 | 济南大学 | 一种输电线路周边环境中地面隐患的检测方法 |
CN108182417A (zh) * | 2017-12-29 | 2018-06-19 | 广东安居宝数码科技股份有限公司 | 出货检测方法、装置、计算机设备及自动售货机 |
-
2019
- 2019-01-19 CN CN201910050486.2A patent/CN109903265B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
CN102081799B (zh) * | 2011-01-10 | 2012-12-12 | 西安电子科技大学 | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
CN107578045A (zh) * | 2017-09-19 | 2018-01-12 | 北京工业大学 | 一种基于机器视觉的水下目标识别方法 |
CN107657260A (zh) * | 2017-10-09 | 2018-02-02 | 济南大学 | 一种输电线路周边环境中地面隐患的检测方法 |
CN108182417A (zh) * | 2017-12-29 | 2018-06-19 | 广东安居宝数码科技股份有限公司 | 出货检测方法、装置、计算机设备及自动售货机 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991458A (zh) * | 2019-11-25 | 2020-04-10 | 创新奇智(北京)科技有限公司 | 基于图像特征的人工智能识别结果抽样系统及抽样方法 |
CN113096022A (zh) * | 2019-12-23 | 2021-07-09 | RealMe重庆移动通信有限公司 | 图像虚化处理方法、装置、存储介质与电子设备 |
CN113096022B (zh) * | 2019-12-23 | 2022-12-30 | RealMe重庆移动通信有限公司 | 图像虚化处理方法、装置、存储介质与电子设备 |
CN111369317A (zh) * | 2020-02-27 | 2020-07-03 | 创新奇智(上海)科技有限公司 | 订单生成方法、装置、电子设备及存储介质 |
CN111369317B (zh) * | 2020-02-27 | 2023-08-18 | 创新奇智(上海)科技有限公司 | 订单生成方法、装置、电子设备及存储介质 |
CN113657263A (zh) * | 2021-08-16 | 2021-11-16 | 深圳多模智能科技有限公司 | 唤醒终端识别生物特征信息的方法、装置、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109903265B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903265A (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
KR101554403B1 (ko) | 화상 처리 장치, 화상 처리 방법, 및 제어 프로그램이 기록된 기억 매체 | |
Vezhnevets et al. | A survey on pixel-based skin color detection techniques | |
CN106898026B (zh) | 一种图片的主色调提取方法和装置 | |
US8525847B2 (en) | Enhancing images using known characteristics of image subjects | |
CN107507144B (zh) | 肤色增强的处理方法、装置及图像处理装置 | |
CN105359162A (zh) | 用于图像中的与脸部有关的选择和处理的图像掩模 | |
CN107274373B (zh) | 直播中打码方法及装置 | |
CN109859236B (zh) | 运动物体检测方法、系统、计算设备及存储介质 | |
US11250570B2 (en) | Display rack image processing device, image processing method, and recording medium | |
Hristova et al. | Style-aware robust color transfer. | |
CN107527370B (zh) | 一种基于camshift的目标跟踪方法 | |
CN111491149B (zh) | 基于高清视频的实时抠像方法、装置、设备及存储介质 | |
US11430154B2 (en) | Classification of change related to display rack | |
CN108765454A (zh) | 一种基于视频的烟雾检测方法、装置及设备终端 | |
CN104299234B (zh) | 视频数据中雨场去除的方法和系统 | |
Hu et al. | Video object segmentation in rainy situations based on difference scheme with object structure and color analysis | |
Dai et al. | Robust and accurate moving shadow detection based on multiple features fusion | |
Zhu et al. | Motion-decision based spatiotemporal saliency for video sequences | |
CN115100240A (zh) | 视频中的物体追踪方法及装置、电子设备、存储介质 | |
CN105825161B (zh) | 图像的肤色检测方法及其系统 | |
CN112488933B (zh) | 一种视频的细节增强方法、装置、移动终端和存储介质 | |
Niu et al. | Color edge detection based on direction information measure | |
Veeravasarapu et al. | Fast and fully automated video colorization |
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 |