CN110298823A - 一种基于mser算法的红外图像辅助标注方法 - Google Patents
一种基于mser算法的红外图像辅助标注方法 Download PDFInfo
- Publication number
- CN110298823A CN110298823A CN201910520115.6A CN201910520115A CN110298823A CN 110298823 A CN110298823 A CN 110298823A CN 201910520115 A CN201910520115 A CN 201910520115A CN 110298823 A CN110298823 A CN 110298823A
- Authority
- CN
- China
- Prior art keywords
- image
- mser
- algorithm
- infrared image
- mark
- 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.)
- Pending
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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Studio Devices (AREA)
Abstract
本发明提供一种基于MSER算法的红外图像辅助标注方法,包括以下步骤:1)导入需要标注的图像,并预先设置矩形框长宽比范围、长宽范围、非零像素比阈值;2)对图像进行灰度变化,并取反值灰度;3)创建两个MSER对象,并对灰度图和反值灰度图执行MSER检测;4)获取两次MSER检测后的点集,形成MAT图像,并对两个图像进行位与操作,获得新的MAT图像;5)对新的MAT图像进行连接缝隙,寻找外部轮廓,并针对轮廓画出最小外界矩形,并显示的图片上;6)根据MSER算法产生的红外图像标注框,进行进一步标注;本发明在传统图像标注工具基础上,增加了MSER算法;提高了标注速度和准确度,减少人力消耗。
Description
技术领域
本发明涉及图像标注技术,具体设计的是一种基于MSER算法的红外图像辅助标注方法,主要用作红外图像中辅助人为目标标注。
背景技术
近几年来,随着人工智能的飞速发展,计算机视觉在各行各业的应用得到了快速的发展,人工智能算法离不开大量的数据,而计算机视觉中的目标检测算法的训练前,需要标注大量的图像数据,用于标注。传统的标注软件,笨拙,且需要人工去发现图像中的目标。红外图像目标具有更加隐蔽、不清晰的特点。标注大量红外图片对标注人员视力、精力都是极大的损耗。MSER算法对红外图像处理,具有很大的优势,可以显著的分辨出红外图像中的目标,利用轮廓处理,自动标注出可能存在目标的区域。将MSER对红外图像的处理算法集成到传统的图像标注工具中,具有很大的实际应用价值。
发明内容
为此,本发明的目的在于提供一种基于MSER算法的红外图像辅助标注方法;本发明在传统图像标注工具基础上,增加了MSER算法,MSER算法对灰度图像中目标有突出显示的操作;本发明在红外图像目标标注过程中,可以增加标注速度和准确度,减少人力消耗,较少认为标注位置不准确的问题,并有助于后期训练效果的优化。
为了解决现有技术中存在的问题,本发明采用如下技术方案予以实施:
一种基于MSER算法的红外图像辅助标注方法,包括步骤:
1)导入需要标注的图像,并预先设置矩形框长宽比范围、长宽范围、非零像素比阈值;
2)对图像进行灰度变化,并取反值灰度;
3)创建两个MSER对象,并对灰度图和反值灰度图执行MSER检测;
4)获取两次MSER检测后的点集,形成MAT图像,并对两个图像进行位与操作,获得新的MAT图像;
5)对新的MAT图像进行连接缝隙,寻找外部轮廓,并针对轮廓画出最小外界矩形,并显示的图片上;
6)根据MSER算法产生的红外图像标注框进行进一步标注。
所述步骤1)中导入需要标注的图像,并预先设置矩形框长宽比范围、长宽范围、非零像素比阈值:
1.1)通过预先设置的长宽比范围、长宽范围、非零像素比阈值;
1.2)对MSER算法处理后形成的矩形框进行约束,过滤掉不符合条件的矩形框。
本发明提供的方法,在红外图像标注过程中:对标注图像进行MSER算法处理,并针对处理后的图像进行轮廓处理,通过矩形框,画出可能存在目标的位置。从而达到辅助标注人员人为标注的功能。
有益效果
1、本发明将红外图片的处理算法MSER集成到了传统的目标标注软件,标注过程中,首先对待标注图片,进行MSER处理,并画出轮廓,对可能存在目标的区域标注矩形框。标注矩形框的精度优于人为标注,并标注准确度很高,不存在误标注。
2、本发明辅助人为对红外图像中的目标进行标注,将较少标注人员工作量,提高标注速度和精度,有助于优化目标检测算法效果,提高检测的精度。
3、在多次实验中,本发明辅助标注对标注速度提高了1倍以上,并精度和准确度高于人为标注,大量较少了标注人员精力消耗,并提高了工作成绩。
附图说明
图1为本发明标注的示意图;
图2为本发明MSER算法流程图;
图3为本发明MSER红外图片处理效果图;
具体实施方法
为了使本发明的目的、技术方案和有点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明利用图像处理技术,将红外图像的灰色图处理,显示出图像中可能存在目标的区域,并对区域求轮廓,画矩形标注出来,从而实现辅助人为对目标标注。
本发明得算法集成在了传统的图像标注工具LabelImg中,并标注了大量的无人机红外数据,标注单类别目标,速度提高4倍以上,标注多类型目标,速度提高1倍以上,仅仅通过双击切换类别,大量较少了劳动时间,并增加了准确度。
请参阅图1~图3所示,本发明提供了一种基于MSER算法的红外图像辅助标注方法,包括步骤:
准备:标注工具采用LabelImg,在人为标注之前,通过MSER算法对图像进行预处理,产生标注框,辅助人为标注。图像预处理的步骤为:
1)导入需要标注的图像,并预先设置矩形框长宽比范围、长宽范围、非零像素比阈值;
以标注红外人员为例,视觉为30米,俯仰45度;长宽比为2-5;长范围:30-60;宽度为:10-20;非零像素阈值为0.01.
2)对图像进行灰度变化,并取反值灰度;灰度变化使用opencv方法cvtColor(image,gray,CV_BGR2GRAY);其中image为原图,gray为灰度图;取反值灰度使用gray_neg=255–gray;
3)创建两个MSER对象,并对灰度图和反值灰度图执行MSER检测;
cv::Ptr<cv::MSER>mesr1=cv::MSER::create(2,10,5000,0.5,0.3);
cv::Ptr<cv::MSER>mesr2=cv::MSER::create(2,2,400,0.1,0.3);
std::vector<cv::Rect>box1;
std::vector<cv::Rect>box2;
//MSER+检测
mesr1->detectRegions(gray,regcontours,box1);
//MSER-操作
mesr2->detectRegions(gray_neg,charcontours,box2);
4)获取两次MSER检测后的点集,形成MAT图像,并对两个图像进行位与操作,获得新的MAT图像;
resultMat=mserMat&mserNegMat;其中mserMat和mserNegMat为MSRE处理后点集组成的图像;
4)对新的MAT图像进行连接缝隙,寻找外部轮廓,并针对轮廓画出最小外界矩形,并显示的图片上;
主要利用cv::morphologyEx链接缝隙;cv::findContours()寻找外部轮廓;
cv::boundingRect()找出外界矩形;
6)标注人员根据MSER算法产生的红外图像标注框,进行进一步标注,包括:双击标注框选择类别以及拖动修改标注框大小。本发明在传统图像标注工具基础上,增加了MSER算法,MSER算法对灰度图像中目标有突出显示的操作。
对于本实例而言,利用MSER算法对图像的预处理,预先形成了标注框,标注框准确度高于人为标注,且不错在错误标注的情况。本发明辅助人为标注,增加了准确度,提高了效率,证明是可行且有益的方法。
以上说书仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内的所作的任何修改、等同替换和改进等,均为包含在本发明的保护范围内。
Claims (3)
1.一种基于MSER算法的红外图像辅助标注方法,其特征在于,包括步骤:
1)导入需要标注的图像,并预先设置矩形框长宽比范围、长宽范围、非零像素比阈值;
2)对图像进行灰度变化,并取反值灰度;
3)创建两个MSER对象,并对灰度图和反值灰度图执行MSER检测;
4)获取两次MSER检测后的点集,形成MAT图像,并对两个图像进行位与操作,获得新的MAT图像;
5)对新的MAT图像进行连接缝隙,寻找外部轮廓,并针对轮廓画出最小外界矩形,并显示的图片上;
6)根据MSER算法产生的红外图像标注框,进行进一步标注。
2.如权利要求1所述的一种基于MSER算法的红外图像辅助标注方法,其特征在于,所述步骤1)中导入需要标注的图像,并预先设置矩形框长宽比范围、长宽范围、非零像素比阈值;通过预先设置的长宽比范围、长宽范围、非零像素比阈值,对MSER算法处理后形成的矩形框进行约束,过滤掉不符合条件的矩形框。
3.如权利要求1所述的一种基于MSER算法的红外图像辅助标注方法,其特征在于,所述步骤6)中,根据MSER算法产生的红外图像标注框,进行进一步标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520115.6A CN110298823A (zh) | 2019-06-17 | 2019-06-17 | 一种基于mser算法的红外图像辅助标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520115.6A CN110298823A (zh) | 2019-06-17 | 2019-06-17 | 一种基于mser算法的红外图像辅助标注方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298823A true CN110298823A (zh) | 2019-10-01 |
Family
ID=68027975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910520115.6A Pending CN110298823A (zh) | 2019-06-17 | 2019-06-17 | 一种基于mser算法的红外图像辅助标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298823A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
CN107153822A (zh) * | 2017-05-19 | 2017-09-12 | 北京航空航天大学 | 一种基于深度学习的半自动图像精标注方法 |
CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技(深圳)有限公司 | 图像标注方法及终端设备 |
CN108985214A (zh) * | 2018-07-09 | 2018-12-11 | 上海斐讯数据通信技术有限公司 | 图像数据的标注方法和装置 |
CN109685870A (zh) * | 2018-11-21 | 2019-04-26 | 北京慧流科技有限公司 | 信息标注方法及装置、标注设备及存储介质 |
-
2019
- 2019-06-17 CN CN201910520115.6A patent/CN110298823A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
CN107153822A (zh) * | 2017-05-19 | 2017-09-12 | 北京航空航天大学 | 一种基于深度学习的半自动图像精标注方法 |
CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技(深圳)有限公司 | 图像标注方法及终端设备 |
CN108985214A (zh) * | 2018-07-09 | 2018-12-11 | 上海斐讯数据通信技术有限公司 | 图像数据的标注方法和装置 |
CN109685870A (zh) * | 2018-11-21 | 2019-04-26 | 北京慧流科技有限公司 | 信息标注方法及装置、标注设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
徐大大平凡之路: "opencv MSER(最大极值稳定区域)", 《CSDN博客HTTPS://BLOG.CSDN.NET/HUST_BOCHU_XUCHAO/ARTICLE/DETAILS/52230694》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
CN103942797B (zh) | 基于直方图和超像素的场景图像文字检测方法及系统 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN103927016A (zh) | 一种基于双目视觉的实时三维双手手势识别方法及其系统 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN109447036A (zh) | 一种图像数字分割与识别方法及系统 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN105426924A (zh) | 一种基于图像中层特征的场景分类方法 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN105654099A (zh) | 基于改进视觉的甘蔗分割与识别方法 | |
Xing et al. | Research and implementation of an improved radon transform for license plate recognition | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 | |
Wang et al. | Lane detection algorithm based on density clustering and RANSAC | |
CN110298823A (zh) | 一种基于mser算法的红外图像辅助标注方法 | |
CN107885324A (zh) | 一种基于卷积神经网络的人机交互方法 | |
CN109002745A (zh) | 一种基于深度学习和跟踪技术的车道线实时检测方法 | |
CN114842335B (zh) | 用于建筑机器人的开槽目标识别方法及系统 | |
CN117058182A (zh) | 一种用于视觉测距的目标检测边框优化方法 | |
CN102564922B (zh) | 霍夫变换细胞检测装置 | |
Kai et al. | Cob angle recognition algorithm based on machine vision | |
Yin et al. | Detection optimization of license plate targets based on AdvancedEAST | |
Liao et al. | Static hand gesture segmentation: Comparison and selection of existing methods |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191001 |