CN110378922A - 基于自适应阈值分割算法的平滑图像生成方法和装置 - Google Patents
基于自适应阈值分割算法的平滑图像生成方法和装置 Download PDFInfo
- Publication number
- CN110378922A CN110378922A CN201910495737.8A CN201910495737A CN110378922A CN 110378922 A CN110378922 A CN 110378922A CN 201910495737 A CN201910495737 A CN 201910495737A CN 110378922 A CN110378922 A CN 110378922A
- Authority
- CN
- China
- Prior art keywords
- pixel
- threshold
- point
- scatter plot
- smoothed image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 17
- 239000012141 concentrate Substances 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 14
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 230000007547 defect Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000630 rising effect Effects 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 17
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 206010054949 Metaplasia Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进自适应阈值分割算法的平滑图像生成方法和装置。根据待测图像生成散点图,利用第一参考点和第二参考点对散点图中的像素点进行变换后,通过凸包算法得出凸点作为第一阈值和第二阈值,根据第一阈值和第二阈值对第二像素点集中的像素点进行筛选,对比起现有的自适应阈值分割算法而言,大大减少了散点图中的像素点的数量,极大地提高了数据处理的效率;同时根据筛选后得出的第三像素点集获取凸包,并对凸包的灰度值利用灰度线段进行更新,相比起直接获取平滑图像而言,更新灰度能够使获取的平滑图像中的灰度值更平滑,从而能够体现更丰富的表面缺陷细节。
Description
技术领域
本发明涉及图像处理技术领域,特别是基于自适应阈值分割算法的平滑图像生成方法和装置。
背景技术
在一些工业产品的生产过程中,需要对产品的表面进行缺陷检测,例如金属的表面是否平整。传统的方法主要依靠人工检测,需要耗费大量的人力,效率也比较低下,无法适应现代化生产。目前,随着图像处理技术的发展,基于机器视觉的表面缺陷检测成为了自动化生成中确保产品质量的重要手段,根据机器拍摄到的待测图像得出平滑图像,再根据平滑图像获取差影图像,从差影图像中筛选出缺陷,以实现表面缺陷的识别,因此生成的平滑图像细节越丰富,对表面缺陷的识别精度越高。现有方法主要通过固定阈值分割的方法获取像素点后赋予灰度值,进而生成平滑图像,根据平滑图像和偏移量得出表面缺席。但是这种方法在产品表面反光特性较好的时候难以保证缺陷和背景有稳定的灰度差,生成的平滑图像质量不佳。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于自适应阈值分割算法的平滑图像生成方法和装置,在提高获取像素点的效率同时,使生成的平滑图像细节更加丰富。
本发明解决其问题所采用的技术方案是:第一方面,本发明提供了一种基于自适应阈值分割算法的平滑图像生成方法,包括以下步骤:
客户端获取待测图像,根据所述待测图像生成散点图;
所述客户端根据所述散点图中的像素点获取第一像素点集,获取第一参考点和第二参考点,将所述第一像素点集的像素点与第一参考点和第二参考点相加,得出第二像素点集;
根据凸包算法计算出所述第二像素点集中的两个凸点,将所述凸点的纵坐标设置为第一阈值和第二阈值;
根据所述第一阈值和第二阈值对所述第二像素点集中的像素点进行筛选,得出第三像素点集;
所述客户端根据夹角最小原则从所述第三像素点集中获取凸包;
根据所述第一参考点、第二参考点、第一阈值和第二阈值在所述凸包中生成三条参考边,将在所述散点图中位于所述参考边意外的线段设置为灰度线段;
所述客户端根据所述灰度线段中的灰度值更新所述凸包的像素点的灰度值;
所述客户端对所述凸包进行遍历,生成平滑图像。
进一步,所述根据所述待测图像生成散点图具体包括以下步骤:
所述客户端从所述待测图像的选取任意一个待测纵坐标,获取所述待测像纵坐标所对应的所有候选像素点;
获取所述候选像素点的灰度值,生成散点图像素点,所述散点图像素点的横坐标为所述候选像素点的横坐标,所述散点图像素点的纵坐标为所述候选像素点的灰度值。
进一步,所述第三像素点集的生成具体包括以下步骤:
获取所述第二像素点集的像素点;
获取预先设定的筛选公式,所述筛选公式为:
其中,g(1,j)为第一阈值,g(m,j)为第二阈值;
若所述像素点f(x,g(x,y))满足g(x,y)<g(1,j)∪g(x,y)<g(m,j),则将像素点f(x,g(x,y))删除,若所述像素点f(x,g(x,y))满足g(x,y)>g(1,j)∪g(x,y)>g(m,j),则将像素点f(x,g(x,y))设置为第二像素集中的像素点。
进一步,客户端对所述凸包进行遍历生成平滑图像的方法与所述根据所述待测图像生成散点图的方法相同。
进一步,所述第一参考点为横坐标为1,纵坐标为0的像素点;所述第二参考点为横坐标的值为所述待测图像横坐标的最大值,纵坐标为0。
第二方面,本发明提供了一种用于执行基于自适应阈值分割算法的平滑图像生成方法的装置,包括CPU单元,所述CPU单元用于执行以下步骤:
客户端获取待测图像,根据所述待测图像生成散点图;
所述客户端根据所述散点图中的像素点获取第一像素点集,获取第一参考点和第二参考点,将所述第一像素点集的像素点与第一参考点和第二参考点相加,得出第二像素点集;
根据凸包算法计算出所述第二像素点集中的两个凸点,将所述凸点的纵坐标设置为第一阈值和第二阈值;
根据所述第一阈值和第二阈值对所述第二像素点集中的像素点进行筛选,得出第三像素点集;
所述客户端根据夹角最小原则从所述第三像素点集中获取凸包;
根据所述第一参考点、第二参考点、第一阈值和第二阈值在所述凸包中生成三条参考边,将在所述散点图中位于所述参考边意外的线段设置为灰度线段;
所述客户端根据所述灰度线段中的灰度值更新所述凸包的像素点的灰度值;
所述客户端对所述凸包进行遍历,生成平滑图像。
进一步,所述CPU单元还用于执行以下步骤:
所述客户端从所述待测图像的选取任意一个待测纵坐标,获取所述待测像纵坐标所对应的所有候选像素点;
获取所述候选像素点的灰度值,生成散点图像素点,所述散点图像素点的横坐标为所述候选像素点的横坐标,所述散点图像素点的纵坐标为所述候选像素点的灰度值。
进一步,所述CPU单元还用于执行以下步骤:
获取所述第二像素点集的像素点;
获取预先设定的筛选公式,所述筛选公式为:
其中,g(1,j)为第一阈值,g(m,j)为第二阈值;
若所述像素点f(x,g(x,y))满足g(x,y)<g(1,j)∪g(x,y)<g(m,j),则将像素点f(x,g(x,y))删除,若所述像素点f(x,g(x,y))满足g(x,y)>g(1,j)∪g(x,y)>g(m,j),则将像素点f(x,g(x,y))设置为第二像素集中的像素点。
第三方面,本发明提供了一种用于执行基于自适应阈值分割算法的平滑图像生成方法的设备,包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行如上所述的基于自适应阈值分割算法的平滑图像生成方法。
第四方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上所述的基于自适应阈值分割算法的平滑图像生成方法。
第五方面,本发明还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使计算机执行如上所述的基于自适应阈值分割算法的平滑图像生成方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明公开了一种基于改进自适应阈值分割算法的平滑图像生成方法和装置。根据待测图像生成散点图,利用第一参考点和第二参考点对散点图中的像素点进行变换后,通过凸包算法得出凸点作为第一阈值和第二阈值,根据第一阈值和第二阈值对第二像素点集中的像素点进行筛选,对比起现有的自适应阈值分割算法而言,大大减少了散点图中的像素点的数量,极大地提高了数据处理的效率;同时根据筛选后得出的第三像素点集获取凸包,并对凸包的灰度值利用灰度线段进行更新,相比起直接获取平滑图像而言,更新灰度能够使获取的平滑图像中的灰度值更平滑,从而能够体现更丰富的表面缺陷细节。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明第一实施例提供的一种基于自适应阈值分割算法的平滑图像生成方法的流程图;
图2是本发明第一实施例提供的一种基于自适应阈值分割算法的平滑图像生成方法中生成散点图的流程图;
图3是本发明第一实施例提供的一种基于自适应阈值分割算法的平滑图像生成方法的第三像素点集的生成流程图;
图4是本发明第二实施例提供的一种用于执行基于自适应阈值分割算法的平滑图像生成方法的装置示意图。
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例,对本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。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
参考图1,本发明的第一实施例提供了一种基于自适应阈值分割算法的平滑图像生成方法,包括以下步骤:
步骤S100,客户端获取待测图像,根据所述待测图像生成散点图;
步骤S200,所述客户端根据所述散点图中的像素点获取第一像素点集,获取第一参考点和第二参考点,将所述第一像素点集的像素点与第一参考点和第二参考点相加,得出第二像素点集;
步骤S300,根据凸包算法计算出所述第二像素点集中的两个凸点,将所述凸点的纵坐标设置为第一阈值和第二阈值;
步骤S400,根据所述第一阈值和第二阈值对所述第二像素点集中的像素点进行筛选,得出第三像素点集;
步骤S500,所述客户端根据夹角最小原则从所述第三像素点集中获取凸包;
步骤S600,根据所述第一参考点、第二参考点、第一阈值和第二阈值在所述凸包中生成三条参考边,将在所述散点图中位于所述参考边意外的线段设置为灰度线段;
步骤S700,所述客户端根据所述灰度线段中的灰度值更新所述凸包的像素点的灰度值;
步骤S800,所述客户端对所述凸包进行遍历,生成平滑图像。
其中,在本实施例中,待测图像在同一稳定的光照条件下采集得到,均具有图像灰度随空间位置变化均匀,缺陷区域与背景区域的灰度值差异不明显的特点。
需要说明的是,在本实施例的步骤S300中,采用的凸包算法为现有技术中的凸包算法,能够计算出像素点集中的凸点即可,在此不再赘述。
需要说明的是,步骤S500中的夹角最小原则为凸包算法中现有的计算方法,获取坐标点连线与横坐标之间的夹角,取夹角较大的线段中的顶点作为凸点,在此不再赘述。
需要说明的是,获取平滑图像后,本实施例还优选以7×7的模板进行均值滤波,均值滤波的方法为现有技术,在此不再赘述。
需要说明的是,在得出平滑图像后,偏移量的确定由以下方法完成:
自适应阈值分割公式中的偏移量d即为分割阈值,传统的自适应阈值分割中,d值是根基经验认为设定的,致使分割算法的鲁棒性较差,适用性较小。本实施例通过预训练的方法来确定偏移量d,设图片中一共有M×N个像素点,则有公式:
上述公式表示取原始待测图像O(x,y)与本文算法拟合得到的平滑图像U(x,y)各像素点坐标对应的差值的均值作为待测图像的分割阈值。选取200张待测图像进行训练,200张待测图像试验样本分别编号为1,2,3…j…200。200张通过实验,得到每一幅图像的偏移量记为dj,取这200个偏移量的平均值为作为针对该类型待测图像的自适应阈值分割的偏移量,即:
参考图2,进一步,在本发明的另一个实施例中,所述根据所述待测图像生成散点图具体包括以下步骤:
步骤S101,所述客户端从所述待测图像的选取任意一个待测纵坐标,获取所述待测像纵坐标所对应的所有候选像素点;
步骤S102,获取所述候选像素点的灰度值,生成散点图像素点,所述散点图像素点的横坐标为所述候选像素点的横坐标,所述散点图像素点的纵坐标为所述候选像素点的灰度值。
其中,在本实施例中,假定待检测图像的像素点为s(m,n),其中m=1,2,3…i…m,n=1,2,3…j…n。取图像的第j行所有像素点f(i=1,2,3…M-1,j),以像素点像素坐标的横坐标x为散点图的横坐标,像素点的灰度值g(x,y)为纵坐标,得出的散点图为f(x,g(x,y))。
参考图3,进一步,所述第三像素点集的生成具体包括以下步骤:
步骤S401,获取所述第二像素点集的像素点;
步骤S402,获取预先设定的筛选公式,所述筛选公式为:
其中,g(1,j)为第一阈值,g(m,j)为第二阈值;
步骤S403,若所述像素点f(x,g(x,y))满足g(x,y)<g(1,j)∪g(x,y)<g(m,j),则将像素点f(x,g(x,y))删除,若所述像素点f(x,g(x,y))满足g(x,y)>g(1,j)∪g(x,y)>g(m,j),则将像素点f(x,g(x,y))设置为第二像素集中的像素点。
其中,在本实施例中,通过筛选,得到k个点(4≤k≤m+2),构成新的点集W(x,g(x,j)),大大减少了散点图中的点的数量,提高了凸包算法的效率。
进一步,客户端对所述凸包进行遍历生成平滑图像的方法与所述根据所述待测图像生成散点图的方法相同。
进一步,所述第一参考点为横坐标为1,纵坐标为0的像素点;所述第二参考点为横坐标的值为所述待测图像横坐标的最大值,纵坐标为0。
另外,以下以一个具体实例对本发明的技术方案进行阐述:
步骤S1,原散点图的第一像素点集记为I(x,g(x,y)),变换后的第二像素点集为T(x,g(x,y)),则有:
T(x,g(x,y))=I(x,g(x,y))+f(1,0)+f(m,0);
式中f(1,0)表示像素点横坐标为1,灰度值为0的第一参考点,f(m,0)表示像素点横坐标为m,灰度值为0的第二参考点,第一参考点和第二参考点在原始图像中不一定存在。该公式的含义是在原散点图的点集中添加两个新的点构成新第二像素点集。构成的第二像素点集中,根据凸包的特性,很容易判定f(1,0),f(m,0)以及对应第j行像素点中首尾两点的散点图元素f(1,g(1,j),f(m,g(m,j)为求解凸包的凸点。
步骤S2,分别连接f(1,0)f(1,g(1,j),f(m,0)f(m,g(m,j),f(1.0)f(m,0)得到所求凸包的三条边。在第二像素点集T(x,g(x,y))剩余的点中,以g(1,j)和g(m,j)分别为第一阈值和第二阈值,对其进行筛选,公式如下:
若满足g(x,y)<g(1,j)∪g(x,y)<g(m,j),则删除点f(x,g(x,y)),若满足g(x,y)>g(1,j)∪g(x,y)>g(m,j),则保留点f(x,g(x,y)),筛选后得到k个点(4≤k≤m+2),构成第三像素点集W(x,g(x,j)),大大减少了散点图中的点的数量,提高了凸包算法的效率。
步骤S3,对第三像素点集W(x,g(x,j))中的像素点依据坐标关系对其进行编号,优先考虑二维坐标中第一象限的点,再考虑第二象限的点。将纵坐标最小的点排在前面,若纵坐标一样,横坐标最小的点排在前面,排序编号记为p1,p2,p3…pi…pk.则有f(1,0)编号为p0,f(m,0))编号为p1,f(m,g(m,j)的编号为p2,f(1,g(1,j)的编号为pk。
步骤S4,从p2开始,按编号的顺序由小到大,按逆时针的方向,依据夹角最小原则逐个查找凸包上的点。直至遍历完散点图点集W(x,g(x,j))中所有的点,即得到满足点集W(x,g(x,j))的凸包Gj。
步骤S5:取凸包中的中的第一参考点、第二参考点、第一阈值和第二阈值构成线段:f(1,0)f(1,g(1,j),f(m,0)f(m,g(m,j),f(1.0)f(m,0),将三条边以外的线段设置未灰度线段,在散点图坐标系中假设用vj(x,g′(x,y))描述灰度线段,将vj(x,g′(x,j))中的灰度值g′(x,j)赋值给第j行中对应横坐标x的像素点,进而得到一行拥有新的灰度值的像素点。
步骤S6:根据改进的凸包算法依次遍历第1行到第n行的像素点,即得到满足要求的平滑图像U(x,y)。
参照图4,本发明的第二实施例还提供了一种用于执行基于自适应阈值分割算法的平滑图像生成方法的装置,该装置为智能设备,例如智能手机、计算机和平板电脑等,本实施例以计算机为例加以说明。
在该用于执行基于自适应阈值分割算法的平滑图像生成方法的计算机4000中,包括CPU单元4100,所述CPU单元4100用于执行以下步骤:
客户端获取待测图像,根据所述待测图像生成散点图;
所述客户端根据所述散点图中的像素点获取第一像素点集,获取第一参考点和第二参考点,将所述第一像素点集的像素点与第一参考点和第二参考点相加,得出第二像素点集;
根据凸包算法计算出所述第二像素点集中的两个凸点,将所述凸点的纵坐标设置为第一阈值和第二阈值;
根据所述第一阈值和第二阈值对所述第二像素点集中的像素点进行筛选,得出第三像素点集;
所述客户端根据夹角最小原则从所述第三像素点集中获取凸包;
根据所述第一参考点、第二参考点、第一阈值和第二阈值在所述凸包中生成三条参考边,将在所述散点图中位于所述参考边意外的线段设置为灰度线段;
所述客户端根据所述灰度线段中的灰度值更新所述凸包的像素点的灰度值;
所述客户端对所述凸包进行遍历,生成平滑图像。
其中,在本实施例中,所述智能设备中安装有用于执行上述所述基于自适应阈值分割算法的平滑图像生成方法的客户端,所述基于自适应阈值分割算法的平滑图像生成方法在本实施例中不需要通过用户操作完成,而是在所述计算机4000启动后,通过CPU单元自动完成。
进一步,本发明的另一个实施例中,所述CPU单元还用于执行以下步骤:
所述客户端从所述待测图像的选取任意一个待测纵坐标,获取所述待测像纵坐标所对应的所有候选像素点;
获取所述候选像素点的灰度值,生成散点图像素点,所述散点图像素点的横坐标为所述候选像素点的横坐标,所述散点图像素点的纵坐标为所述候选像素点的灰度值。
进一步,本发明的另一个实施例中,所述CPU单元还用于执行以下步骤:
获取所述第二像素点集的像素点;
获取预先设定的筛选公式,所述筛选公式为:
其中,g(1,j)为第一阈值,g(m,j)为第二阈值;
若所述像素点f(x,g(x,y))满足g(x,y)<g(1,j)∪g(x,y)<g(m,j),则将像素点f(x,g(x,y))删除,若所述像素点f(x,g(x,y))满足g(x,y)>g(1,j)∪g(x,y)>g(m,j),则将像素点f(x,g(x,y))设置为第二像素集中的像素点。
计算机4000和CPU单元4100之间可以通过总线或者其他方式连接,计算机4000中还包括存储器,所述存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的用于执行基于自适应阈值分割算法的平滑图像生成方法的设备对应的程序指令/模块。计算机4000通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而控制CPU单元4100执行用于执行基于自适应阈值分割算法的平滑图像生成方法的各种功能应用以及数据处理,即实现上述方法实施例的基于自适应阈值分割算法的平滑图像生成方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据CPU单元4100的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于CPU单元4100远程设置的存储器,这些远程存储器可以通过网络连接至该计算机4000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述CPU单元4100执行时,执行上述方法实施例中的基于自适应阈值分割算法的平滑图像生成方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被CPU单元4100执行,实现上述所述的基于自适应阈值分割算法的平滑图像生成方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的装置可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络装置上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
需要说明的是,由于本实施例中的用于执行基于自适应阈值分割算法的平滑图像生成方法的装置与上述的基于自适应阈值分割算法的平滑图像生成方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于自适应阈值分割算法的平滑图像生成方法,其特征在于,包括以下步骤:
客户端获取待测图像,根据所述待测图像生成散点图;
所述客户端根据所述散点图中的像素点获取第一像素点集,获取第一参考点和第二参考点,将所述第一像素点集的像素点与第一参考点和第二参考点相加,得出第二像素点集;
根据凸包算法计算出所述第二像素点集中的两个凸点,将所述凸点的纵坐标设置为第一阈值和第二阈值;
根据所述第一阈值和第二阈值对所述第二像素点集中的像素点进行筛选,得出第三像素点集;
所述客户端根据夹角最小原则从所述第三像素点集中获取凸包;
根据所述第一参考点、第二参考点、第一阈值和第二阈值在所述凸包中生成三条参考边,将在所述散点图中位于所述参考边意外的线段设置为灰度线段;
所述客户端根据所述灰度线段中的灰度值更新所述凸包的像素点的灰度值;
所述客户端对所述凸包进行遍历,生成平滑图像。
2.根据权利要求1所述的一种基于自适应阈值分割算法的平滑图像生成方法,其特征在于,所述根据所述待测图像生成散点图具体包括以下步骤:
所述客户端从所述待测图像的选取任意一个待测纵坐标,获取所述待测像纵坐标所对应的所有候选像素点;
获取所述候选像素点的灰度值,生成散点图像素点,所述散点图像素点的横坐标为所述候选像素点的横坐标,所述散点图像素点的纵坐标为所述候选像素点的灰度值。
3.根据权利要求1所述的一种基于自适应阈值分割算法的平滑图像生成方法,其特征在于,所述第三像素点集的生成具体包括以下步骤:
获取所述第二像素点集的像素点;
获取预先设定的筛选公式,所述筛选公式为:
其中,g(1,j)为第一阈值,g(m,j)为第二阈值;
若所述像素点f(x,g(x,y))满足g(x,y)<g(1,j)∪g(x,y)<g(m,j),则将像素点f(x,g(x,y))删除,若所述像素点f(x,g(x,y))满足g(x,y)>g(1,j)∪g(x,y)>g(m,j),则将像素点f(x,g(x,y))设置为第二像素集中的像素点。
4.根据权利要求1所述的一种基于自适应阈值分割算法的平滑图像生成方法,其特征在于:客户端对所述凸包进行遍历生成平滑图像的方法与所述根据所述待测图像生成散点图的方法相同。
5.根据权利要求1所述的一种基于自适应阈值分割算法的平滑图像生成方法,其特征在于:所述第一参考点为横坐标为1,纵坐标为0的像素点;所述第二参考点为横坐标的值为所述待测图像横坐标的最大值,纵坐标为0。
6.一种用于执行基于自适应阈值分割算法的平滑图像生成方法的装置,其特征在于,包括CPU单元,所述CPU单元用于执行以下步骤:
客户端获取待测图像,根据所述待测图像生成散点图;
所述客户端根据所述散点图中的像素点获取第一像素点集,获取第一参考点和第二参考点,将所述第一像素点集的像素点与第一参考点和第二参考点相加,得出第二像素点集;
根据凸包算法计算出所述第二像素点集中的两个凸点,将所述凸点的纵坐标设置为第一阈值和第二阈值;
根据所述第一阈值和第二阈值对所述第二像素点集中的像素点进行筛选,得出第三像素点集;
所述客户端根据夹角最小原则从所述第三像素点集中获取凸包;
根据所述第一参考点、第二参考点、第一阈值和第二阈值在所述凸包中生成三条参考边,将在所述散点图中位于所述参考边意外的线段设置为灰度线段;
所述客户端根据所述灰度线段中的灰度值更新所述凸包的像素点的灰度值;
所述客户端对所述凸包进行遍历,生成平滑图像。
7.根据权利要求6所述的一种用于执行基于自适应阈值分割算法的平滑图像生成方法的装置,其特征在于,所述CPU单元还用于执行以下步骤:
所述客户端从所述待测图像的选取任意一个待测纵坐标,获取所述待测像纵坐标所对应的所有候选像素点;
获取所述候选像素点的灰度值,生成散点图像素点,所述散点图像素点的横坐标为所述候选像素点的横坐标,所述散点图像素点的纵坐标为所述候选像素点的灰度值。
8.根据权利要求6所述的一种用于执行基于自适应阈值分割算法的平滑图像生成方法的装置,其特征在于,所述CPU单元还用于执行以下步骤:
获取所述第二像素点集的像素点;
获取预先设定的筛选公式,所述筛选公式为:
其中,g(1,j)为第一阈值,g(m,j)为第二阈值;
若所述像素点f(x,g(x,y))满足g(x,y)<g(1,j)∪g(x,y)<g(m,j),则将像素点f(x,g(x,y))删除,若所述像素点f(x,g(x,y))满足g(x,y)>g(1,j)∪g(x,y)>g(m,j),则将像素点f(x,g(x,y))设置为第二像素集中的像素点。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的一种基于自适应阈值分割算法的平滑图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495737.8A CN110378922B (zh) | 2019-06-10 | 2019-06-10 | 基于自适应阈值分割算法的平滑图像生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495737.8A CN110378922B (zh) | 2019-06-10 | 2019-06-10 | 基于自适应阈值分割算法的平滑图像生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378922A true CN110378922A (zh) | 2019-10-25 |
CN110378922B CN110378922B (zh) | 2022-11-08 |
Family
ID=68249946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495737.8A Active CN110378922B (zh) | 2019-06-10 | 2019-06-10 | 基于自适应阈值分割算法的平滑图像生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378922B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359103A (zh) * | 2021-05-12 | 2021-09-07 | 武汉中仪物联技术股份有限公司 | 一种激光雷达数据点处理方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182517A1 (en) * | 2010-01-20 | 2011-07-28 | Duke University | Segmentation and identification of layered structures in images |
CN103116593A (zh) * | 2012-06-08 | 2013-05-22 | 南京信息工程大学 | 一种基于多核架构的计算凸壳的并行算法 |
CN106373151A (zh) * | 2016-08-26 | 2017-02-01 | 四川大学 | 凸包获取方法及装置 |
WO2017143745A1 (zh) * | 2016-02-22 | 2017-08-31 | 上海乐相科技有限公司 | 一种确定待测对象的运动信息的方法及装置 |
CN108364311A (zh) * | 2018-01-29 | 2018-08-03 | 深圳市亿图视觉自动化技术有限公司 | 一种金属部件自动定位方法及终端设备 |
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
CN109285172A (zh) * | 2018-09-28 | 2019-01-29 | 中国科学院长春光学精密机械与物理研究所 | 图像中的直线参数计算方法、装置、设备及可读存储介质 |
CN109615626A (zh) * | 2018-12-11 | 2019-04-12 | 合肥工业大学 | 一种芯片表面印刷符号结构缺陷的质量评估方法 |
-
2019
- 2019-06-10 CN CN201910495737.8A patent/CN110378922B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182517A1 (en) * | 2010-01-20 | 2011-07-28 | Duke University | Segmentation and identification of layered structures in images |
CN103116593A (zh) * | 2012-06-08 | 2013-05-22 | 南京信息工程大学 | 一种基于多核架构的计算凸壳的并行算法 |
WO2017143745A1 (zh) * | 2016-02-22 | 2017-08-31 | 上海乐相科技有限公司 | 一种确定待测对象的运动信息的方法及装置 |
CN106373151A (zh) * | 2016-08-26 | 2017-02-01 | 四川大学 | 凸包获取方法及装置 |
CN108364311A (zh) * | 2018-01-29 | 2018-08-03 | 深圳市亿图视觉自动化技术有限公司 | 一种金属部件自动定位方法及终端设备 |
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
CN109285172A (zh) * | 2018-09-28 | 2019-01-29 | 中国科学院长春光学精密机械与物理研究所 | 图像中的直线参数计算方法、装置、设备及可读存储介质 |
CN109615626A (zh) * | 2018-12-11 | 2019-04-12 | 合肥工业大学 | 一种芯片表面印刷符号结构缺陷的质量评估方法 |
Non-Patent Citations (1)
Title |
---|
蔡文婷等: "基于凸包算法的二维条码定位", 《浙江工业大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359103A (zh) * | 2021-05-12 | 2021-09-07 | 武汉中仪物联技术股份有限公司 | 一种激光雷达数据点处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110378922B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875444B (zh) | 一种目标物定位方法及装置 | |
CN108323204A (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
US20170316597A1 (en) | Texturing a three-dimensional scanned model with localized patch colors | |
JPH0863601A (ja) | 領域分割方法および装置 | |
DE102016003294A1 (de) | Informationsverarbeitungsvorrichtung, Informationsverarbeitungsverfahren und Speichermedium | |
CN106991697B (zh) | 胸部数字影像的心胸比测量方法 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN103443826A (zh) | 网格动画 | |
CN109242959A (zh) | 三维场景重建方法及系统 | |
CN105740874B (zh) | 确定自动化测试脚本回放时的操作坐标的方法及装置 | |
CN115273114A (zh) | 文档图像优化方法和介质 | |
CN109241822A (zh) | 一种基于mtcnn的多方位人脸检测方法及系统 | |
CN110378922A (zh) | 基于自适应阈值分割算法的平滑图像生成方法和装置 | |
CN113076806A (zh) | 一种结构增强的半监督在线地图生成方法 | |
CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
CN105828061B (zh) | 一种基于视觉掩蔽效应的虚拟视点质量评价方法 | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
CN109978859B (zh) | 一种基于可见失真池化的图像显示适应质量评估方法 | |
CN105809657A (zh) | 一种角点检测方法和装置 | |
CN107016443A (zh) | 一种基于机器视觉的负样本采集方法 | |
CN115546027B (zh) | 图像缝合线确定方法、装置以及存储介质 | |
CN116580028A (zh) | 一种物体表面缺陷检测方法、装置、设备及存储介质 | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
CN115861208A (zh) | 一种基于图像信息分解和相似性评价融合处理的超分图像质量评价方法 | |
CN116092035A (zh) | 车道线检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |