CN110741410A - 用于确定图像中的反光区的系统和方法 - Google Patents

用于确定图像中的反光区的系统和方法 Download PDF

Info

Publication number
CN110741410A
CN110741410A CN201880037555.XA CN201880037555A CN110741410A CN 110741410 A CN110741410 A CN 110741410A CN 201880037555 A CN201880037555 A CN 201880037555A CN 110741410 A CN110741410 A CN 110741410A
Authority
CN
China
Prior art keywords
pixels
original image
values
saturation
determining
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.)
Withdrawn
Application number
CN201880037555.XA
Other languages
English (en)
Inventor
于广达
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN110741410A publication Critical patent/CN110741410A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20168Radial search

Landscapes

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

Abstract

用于确定图像中的反光区的方法可以包括获取包括至少两个像素的原始图像。该方法还可以包括确定所述原始图像的所述至少两个像素的饱和度值和亮度值。该方法还可以包括基于所述至少两个像素的饱和度值和亮度值,将所述至少两个像素划分为第一类别和第二类别。该方法还可以包括基于所述第一类别和所述第二类别,生成二值图像。该方法还可以包括基于所述二值图像,确定所述原始图像中的初始反光区。该方法还可以包括基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。

Description

用于确定图像中的反光区的系统和方法
技术领域
本申请涉及图像处理,尤其涉及用于确定图像中的反光区的系统和方法。
背景技术
图像处理广泛用于场景检测和身份验证。需要从通过用户终端拍摄或上传的图像中提取有用的信息。图像中的反光可以导致较差的图像质量并且难以从图像中提取有用信息。从此类图像中提取的信息可能不准确。因此,重要的是,在提取有用信息之前,检测图像中的反光区并从图像中去除反光区。现有的反光区检测应用于室内导航系统,其中,反光区通常是大的白色墙壁。大白墙区别于同一场景中的物体,并且可以基于图像的亮度很容易地被检测到。然而,在诸如识别验证的其他应用中,要处理的图像包括人或车辆的正面图片,其中,内容和颜色的丰度显著增加。因此,期望提供用于针对这样的场景准确地确定图像中的反光区的系统和方法。
发明内容
根据本申请的第一方面,一种用于确定图像中的反光区的系统可以包括一个或以上存储设备,以及被配置为与一个或以上存储设备通信的一个或以上处理器。一个或以上存储设备可以包括一组指令。当所述一个或以上处理器执行所述组指令时,所述一个或以上处理器可以用于执行一个或以上以下操作。一个或以上处理器可以获取包括至少两个像素的原始图像。一个或以上处理器可以确定原始图像的所述至少两个像素的饱和度值和亮度值。一个或以上处理器可以基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别。一个或以上处理器可以基于所述第一类别和所述第二类别,生成二值图像。一个或以上处理器可以基于所述二值图像,确定所述原始图像中的初始反光区。一个或以上处理器可以基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
在一些实施例中,基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为所述第一类别和所述第二类别,对于所述原始图像的所述至少两个像素中的每一个,一个或以上处理器可以确定所述原始图像的所述至少两个像素中的每一个的所述饱和度值是否大于第一阈值,以及所述原始图像的所述至少两个像素中的每一个的所述亮度值是否小于第二阈值。一个或以上处理器可以确定所述亮度值大于所述第一阈值和所述饱和度值小于所述第二阈值的所述像素属于所述第一类别。一个或以上处理器可以确定所述亮度值小于或等于所述第一阈值和所述饱和度值大于或等于所述第二阈值的所述像素属于所述第二类别。
在一些实施例中,基于所述第一类别和所述第二类别,生成所述二值图像,一个或以上处理器可以为所述第一类别的所述像素设置第一灰度值。一个或以上处理器可以为所述第二类别的所述像素设置第二灰度值。一个或以上处理器可以基于所述第一灰度值和所述第二灰度值,生成所述二值图像。
在一些实施例中,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的所述最终反光区,一个或以上处理器可以确定由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值是否增加。一个或以上处理器可以确定由所述初始反光区的所述中心向四周辐射的所述像素的所述亮度值是否减少。当由所述初始反光区的所述中心向四周辐射的所述像素的饱和度值增加以及所述亮度值减少时,一个或以上处理器可以确定所述初始反光区是所述原始图像中的所述最终反光区。
在一些实施例中,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的所述最终反光区,一个或以上处理器可以确定穿过所述初始反光区中的中心点的线。一个或以上处理器可以在所述初始反光区中选择一个或以上等分所述线的像素。一个或以上处理器可以基于所述所选择的一个或以上像素的所述饱和度值和所述亮度值,确定所述原始图像中的所述最终反光区。
在一些实施例中,在穿过所述初始反光区所述中心点的所述线可以被所述中心点划分成第一部分和第二部分,以及所述线的所述第一部分和所述第二部分中的每一个可以被所述所选择的一个或以上像素等分为五个部分。
在一些实施例中,所述原始图像可以是经由网络从用户终端获取的。
在一些实施例中,一个或以上处理器可以向所述用户终端传输信号,通知所述用户终端的用户发送新图像。
在一些实施例中,所述一个或以上处理器可以处理所述原始图像中的所述最终反光区,以消除或减弱所述原始图像中的反光强度。
在一些实施例中,所述原始图像可以与三原色(RGB)模型相关联。为了确定所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,一个或以上处理器可以基于三原色模型,确定与所述原始图像相关联的色相-饱和度-明度(HSV)模型或色相-饱和度-亮度(HSL)模型。一个或以上处理器可以基于所述色相-饱和度-明度模型或所述色相-饱和度-亮度模型,确定所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值。
根据本申请的另一方面,一种用于确定图像中的反光区的方法可以包括至少一个以下操作。一个或以上处理器可以获取包括至少两个像素的原始图像。一个或以上处理器可以确定所述原始图像的所述至少两个像素的饱和度值和亮度值。一个或以上处理器可以基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别。一个或以上处理器可以基于所述第一类别和所述第二类别,生成二值图像。一个或以上处理器可以基于所述二值图像,确定所述原始图像中的初始反光区。一个或以上处理器可以基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
根据本申请的又一方面,一种用于确定图像中的反光区的系统可以包括图像获取模块,其被配置为获取包括至少两个像素的原始图像。该系统还可以包括数值确定模块,其被配置为确定所述原始图像的所述至少两个像素的饱和度值和亮度值。该系统还可以包括二值图像生成模块,其被配置为基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别,以及基于所述第一类别和所述第二类别,生成二值图像。该系统还可以包括初始区域确定模块,其被配置为基于所述二值图像,确定所述原始图像中的初始反光区。该系统还可以包括最终区域确定模块,其被配置为基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
根据本申请的又一方面,非暂时性计算机可读介质可包括至少一个用于确定图像中的反光区的一组指令。至少一组指令可以由计算机设备的一个或以上处理器执行。一个或以上处理器可以获取包括至少两个像素的原始图像。一个或以上处理器可以确定所述原始图像的所述至少两个像素的饱和度值和亮度值。一个或以上处理器可以基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别。一个或以上处理器可以基于所述第一类别和所述第二类别,生成二值图像。一个或以上处理器可以基于所述二值图像,确定所述原始图像中的初始反光区。一个或以上处理器可以基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
本申请的一部分附加特性可以在下面的描述中进行说明,通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例,在这些实施例中,各图中相同的编号表示相似的结构,其中:
图1是根据本申请的一些实施例所示的示例性图像处理系统的示意图;
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和/或软件组件的示意图;
图3是根据本申请的一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图;
图4是根据本申请的一些实施例所示的示例性处理引擎的框图;
图5是根据本申请的一些实施例所示的用于确定图像中的反光区的示例性过程的流程图;
图6是根据本申请的一些实施例所示的用于将原始图像的至少两个像素划分为第一类别和第二类别的示例性过程的流程图;
图7是根据本申请的一些实施例所示的用于确定最终反光区的示例性过程的流程图;
图8是根据本申请的一些实施例所示的示例性原始图像的示意图;
图9是根据本申请的一些实施例所示的示例性二值图像的示意图;
图10是根据本申请的一些实施例所示的基于二值图像被划分为两部分的示例性原始图像的示意图;以及
图11是根据本申请的一些实施例所示的用于确定最终反光区的示例性过程的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例,并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述,本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中。一个或以上操作也可以从流程图中删除。
本申请提供了用于图像处理的系统和方法,以确定图像中的反光区。根据本申请,基于与图像中的像素相关联的饱和度值和亮度值,确定图像中的初始反光区。为了提高确定精度,基于从初始反光区的中心向四周辐射的像素的饱和度值和亮度值的变化,进一步执行验证处理。为此,可以将饱和度值相对较大且亮度值相对较小的图像中的像素设置为呈现黑色,并且可以将亮度值相对较大且饱和度值相对较小的图像中的像素设置为呈现白色,这会生成具有黑色和白色的二值图像。可以将与二值图像中的白色区域对应的图像中的区域指定为初始反光区。在初始反光区中,如果由初始反光区的中心向四周辐射的像素的饱和度值增加并且亮度值减少,则可以将初始反光区确定为图像中的最终反光区。
图1是根据一些实施例的示例性图像处理系统的示意图。图像处理系统100可以包括服务器110、网络120、用户终端140、存储设备150和定位系统160。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式的系统)。在一些实施例中,服务器110可以是本地的,也可以是远程的。例如,服务器110可以经由网络120访问存储在用户终端140和/或存储设备150中的信息和/或数据。又例如,服务器110可以直接连接到用户终端140和/或存储设备150以访问存储信息和/或数据。在一些实施例中,服务器110可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中,服务器110可以在具有本申请中的图2中所示的一个或以上组件的计算设备200上实现。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理信息和/或数据以执行本申请中描述的一个或以上的功能。例如,处理引擎112可以基于图像的像素的饱和度值和亮度值,确定图像中的反光区。在一些实施例中,所述处理引擎112可包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理引擎112可以包括一个或以上硬件处理器,例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用一组指令处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简一组指令计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,图像处理系统100中的一个或以上组件(例如,服务器110、用户终端140、存储设备150和定位系统160)可以通过网络120将信息和/或数据发送到在图像处理系统100中的其他组件。例如,处理引擎112可以经由网络120从存储设备150和/或用户终端140获取图像。在一些实施例中,网络120可以是任何类型的有线或无线网络,或其组合。仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网路(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或互联网交换点120-1、120-2……通过它们,图像处理系统100的一个或以上组件可以连接到网络120以交换数据和/或信息。
在一些实施例中,用户终端140可以包括移动设备140-1、平板计算机140-2、膝上型计算机140-3等,或其任何组合。在一些实施例中,移动设备140-1可以包括智能家居设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等,或其任何组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等,或其任意组合。在一些实施例中,可穿戴设备可以包括手环、鞋袜、眼镜、头盔、手表、衣物、背包、智能配件等,或其任意组合。在一些实施例中,移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)、膝上型电脑、台式机等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括Google GlassTM、RiftConTM、FragmentsTM、Gear VRTM等。在一些实施例中,用户终端140可以是具有定位技术的设备,用于定位用户终端140的位置。在一些实施例中,用户终端140可以将定位信息发送到服务器110。
存储设备150可以存储数据和/或指令。在一些实施例中,存储设备150可以存储从用户终端140和/或处理引擎112获取的数据。例如,存储设备150可以存储从用户终端140获取的至少两个图像。在一些实施例中,存储设备150可以存储服务器110可以执行用于执行本发明中描述的示例性方法的数据和/或指令。例如,存储设备150可以存储处理引擎112可以执行或用于确定图像中的反光区的指令。在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,所述存储设备150可以在云平台上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备150可以连接到网络120以与图像处理系统100中的一个或以上组件(例如,服务器110、用户终端140等)通信。图像处理系统100中的一个或以上组件可以经由网络120访问存储设备150中存储的数据或指令。在一些实施例中,存储设备150可以直接连接到图像处理系统100(例如,服务器110、用户终端140等)中的一个或以上组件或与之通信。在一些实施例中,存储设备150可以是服务器110的一部分。
定位系统160可以确定与对象(例如,用户终端140)相关的信息。例如,定位系统160可以实时确定用户终端140的位置。在一些实施例中,定位系统160可以是全球定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、北斗导航卫星系统、伽利略定位系统、准天顶卫星系统(QZSS)等。该信息可以包括对象的位置、高度、速度或加速度、累积里程数或当前时间。位置可以是坐标的形式,例如纬度坐标和经度坐标等。定位系统160可以包括一个或以上的卫星,例如卫星160-1、160-2卫星和卫星160-3。卫星160-1至160-3可以独立地或共同地确定上述信息。卫星定位系统160可以通过无线连接将上述信息发送给网络120或用户终端140。
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和/或软件组件的示意图,在该计算设备上可以实现处理引擎112。如图2所示,计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210(例如,逻辑电路)可以根据这里描述的技术执行计算机指令(例如,程序代码)并且来执行处理引擎112的功能。例如,处理器210可以包括其中的接口电路210-a和处理电路210-b。接口电路可以被配置为接收来自总线(图2中未示出)的电子信号,其中,电子信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算,然后将结论、结果和/或指令编码确定为电信号。然后,接口电路可以经由总线从处理电路发出电信号。
所述计算机指令可以包括例如执行在此描述的特定功能的常规、程序、对象、组件、数据结构、过程、模块和功能。例如,处理器210可以基于图像的像素的饱和度值和亮度值,确定图像中的反光区。在一些实施例中,处理器210可以包括一个或多个硬件处理器,诸如微控制器、微处理器、精简一组指令计算机(RISC)、特定应用集成电路(ASIC)、特定应用一组指令处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、高阶RISC机器(ARM)、可程序逻辑装置(PLD)、能够执行一个或多个功能的任何电路或处理器等,或其任何组合。
仅仅为了说明,在计算设备200中仅描述了一个处理器。然而,应该注意的是,本申请中的计算设备200还可以包括多个处理器,由此执行的操作和/或方法步骤如本申请中所描述的一个处理器也可以由多个处理器联合地或单独地执行。例如,如果在本申请中,计算设备200的处理器执行步骤A和步骤B,应当理解的是,步骤A和步骤B也可以由计算设备200的两个或以上不同的处理器共同地或独立地执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一和第二处理器共同地执行步骤A和步骤B)。
存储器220可以存储从用户终端140、存储设备150和/或图像处理系统100的任何其他组件获取的数据/信息。在一些实施例中,存储器220可以包括大容量存储器、可移动存储器、易失性读取和写入存储器和只读存储器(ROM)等,或其任意组合。例如,大容量存储器可以包括一磁盘、光盘、固态硬盘等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储器220可以储存服务器用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。例如,存储器220可以存储可由处理引擎112执行的程序,用于确定图像中的反光区。
I/O 230可以输入和/或输出信号、数据、信息等。在一些实施例中,I/O230可以使用户与处理引擎112交互。例如,图像处理系统100的用户可以通过I/O 230输入预设参数。在一些实施例中,I/O 230可以包括输入设备和输出设备。输入设备的示例可以包括键盘、鼠标、触摸屏、麦克风等,或其组合。输出设备的示例可包括显示装置、扬声器、打印机、投影仪等,或其组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等,或其任意组合。
通信端口240可以连接到网络(例如,网络120)以促进数据通信。通信端口240可以在处理引擎112、用户终端140、定位系统160或存储设备150之间建立连接。连接可以是有线连接、无线连接、可以启用数据传输和/或接收的任何其他通信连接,和/或这些连接的任何组合。有线连接可以包括例如电缆、光缆、电话线等,或其任意组合。无线连接可以包括例如蓝牙TM链路、无线保真TM链路、全球互通微波访问TM链路、无限局域网链路、紫蜂链路、移动网络链路(例如3G、4G、5G等)等,或其组合。在一些实施例中,通信端口240可以是和/或包括标准化通信端口,诸如RS232、RS485等。
图3是根据本申请的一些实施例的可以在其上实现用户终端140的移动设备的示例性硬件和/或软件组件的示意图。如图3所示,移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、内存360和存储器390。在一些实施例中,任何其他合适的组件包括但不限于系统总线或控制器(未示出),也可包括在移动设备300内。在一些实施例中,操作系统370(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用380可从存储器390下载至内存360以及由CPU 340执行。应用380可以包括浏览器或任何其他合适的移动应用,用于接收及呈现与图像处理相关的信息或处理引擎112中的其他信息。用户与信息流的交互可以通过I/O 350实现,并通过网络120提供给处理引擎112和/或图像处理系统100的其他组件。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若程控得当,计算机亦可用作服务器。
本领域普通技术人员将理解,当图像处理系统100的元件执行时,该元件可以通过电信号和/或电磁信号执行。例如,当处理引擎112处理诸如做出确定或识别信息的任务时,处理引擎112可以在其处理器中操作逻辑电路以处理这样的任务。当处理引擎112从用户终端140接收数据(例如,图像)时,处理引擎112的处理器可以接收包括数据的电信号。处理引擎112的处理器可以通过输入端口接收电信号。如果用户终端140经由有线网络与处理引擎112通信,则输入端口可以物理地连接到电缆。如果用户终端140经由无线网络与处理引擎112通信,则处理引擎112的输入端口可以是一个或以上天线,其可以将电信号转换为电磁信号。在诸如用户终端140和/或服务器110的电子设备内,当其处理器处理指令,发出指令和/或执行动作时,指令和/或动作通过电信号进行。例如,当处理器从存储介质(例如,存储器160)检索或保存数据时,它可以将电信号发送到存储介质的读/写设备,其可以在存储介质中读取或写入结构化数据。该结构化数据可以电信号的形式经由电子设备的总线传输至处理器。此处,电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图4是根据本申请的一些实施例所示的示例性处理引擎的示意框图。处理引擎112可包括图像获取模块410、数值确定模块420、二值图像生成模块430、初始区域确定模块440和最终区域确定模块450。
图像获取模块410可以被配置为获取包括至少两个像素的原始图像(例如,图8中所示的图像)。在一些实施例中,图像获取模块410可以经由网络120从用户终端140和/或存储设备150获取原始图像。
数值确定模块420可以被配置为确定原始图像的至少两个像素的饱和度值和亮度值。
在一些实施例中,所获取的原始图像可以与三原色(RGB)模型相关联。对于三原色模型,原始图像中像素的颜色可以用红色值、绿色值和蓝色值表示。例如,黑色可以由(0,0,0)表示。又例如,白色可以用(255,255,255)表示。为了确定原始图像的至少两个像素的饱和度值和亮度值,数值确定模块420可以基于三原色模型,确定与原始图像相关联的色相-饱和度-明度(HSV)模型或色相-饱和度-亮度(HSL)模型。对于HSV模型或HSL模型,原始图像中像素的颜色可以由色相值、饱和度值和亮度值表示。例如,对于HSV模型,黑色可以表示为(0°,0%,0%)。又例如,对于HSV模型,白色可以表示为(0°,0%,100%)。
在一些实施例中,可以对三原色模型的红色、绿色、蓝色值执行归一化,确定HSV或HSL模型。例如,红色、绿色和蓝色值可以除以255,将范围从0至255改变为0至1。归一化的RGB值可以应用于转换公式中,确定HSV或HSL模型。
二值图像生成模块430可以被配置为基于原始图像的至少两个像素的饱和度值和亮度值,将至少两个像素划分为第一类别和第二类别。在一些实施例中,二值图像生成模块430可以基于反光区中像素的亮度值可以比非反光区中的亮度值相对较大的原理,以及像素的亮度值越大,像素的饱和度值越小的原理,划分至少两个像素。在一些实施例中,二值图像生成模块430可以将具有相对大的亮度值并且相对小的饱和度值的像素放入第一类别中,并将具有相对小的亮度值并且相对大的饱和度值的像素放入第二类别中。划分至少两个像素的更多描述可以在本申请的其他地方找到(例如,图6及其描述)。
二值图像生成模块430可以被配置为基于第一类别和第二类别,生成二值图像(例如,图9中所示的二值图像)。二值图像的每个像素可以是两种可能颜色中的一种,例如黑色或白色。
在一些实施例中,二值图像生成模块430可以对第一类别的每个像素设置第一组数值(例如,红色、绿色、蓝色值或色相、饱和度、亮度值),并对第二类别的每个像素设置第二组数值。例如,二值图像生成模块430可以对第一类别的每个像素设置第一灰度值(例如,第一类别的每个像素的红色、绿色、蓝色值等于第一灰度值),并对第二类别的每个像素设置第二灰度值(例如,第二类别的每个像素的红色、绿色、蓝色值等于第二灰度值)。二值图像生成模块430可以基于第一灰度值和第二灰度值,生成二值图像。仅作为示例,二值图像生成模块430可以对饱和度值相对较小且亮度值相对较大的第一类别的像素设置第一灰度值255,以使得第一类别的像素呈现白色,并对饱和度值相对较大且亮度值相对较小的第二类别的像素设置第二灰度值0,以使得第二类别的像素呈现黑色。
初始区域确定模块440可以被配置为基于二值图像,确定原始图像中的初始反光区(例如,图10中所示的1010)。
在一些实施例中,初始区域确定模块440可以确定二值图像中包括第一类别的像素的第一区域(例如,白色区域)的轮廓和/或包括第二类别的像素的第二区域的轮廓(例如,黑色区域)。在一些实施例中,白色区域可以包括在黑色区域中,因此,第一区域的轮廓可以是第二区域的轮廓的一部分。初始区域确定模块440可以将第一区域的轮廓和/或第二区域的轮廓映射到原始图像,并且将原始图像划分成分别对应于第一区域和第二区域的两个部分(例如,图10中所示的1010和1020)。基于反光区中像素的亮度值可能相对较大的原理,初始区域确定模块440可以将对应第一区域(例如,白色区域)的部分确定为初始反光区,对应第一区域的部分可以包括具有相对较大的亮度值并且具有相对较小的饱和度值的像素。
在一些实施例中,在确定二值图像中的第一区域的轮廓和/或第二区域的轮廓之前,初始区域确定模块440可以对二值图像执行预处理。二值图像中的第一区域(例如,白色区域)可以包括彼此隔离的至少两个子区域(例如,图9中所示的910和920)。初始区域确定模块440可以将尺寸(例如,半径、直径、长度、宽度、高度、面积和周长)小于预设阈值的子区域的颜色改变为二进制图像的另一种颜色。例如,对于具有黑色和白色的二值图像,初始区域确定模块440可以将尺寸小于预设阈值的白色子区域改变为黑色子区域。
最终区域确定模块450可以被配置为基于由初始反光区的中心向四周辐射的像素的饱和度值和亮度值的变化,确定原始图像中的最终反光区。
在一些实施例中,具有相对大的亮度值的初始反光区可能不是真正的反光区。例如,初始反光区即使具有相对大的亮度值,也可能涉及白色物体,例如白色衬衫。最终区域确定模块450可以基于以下原理验证初始反光区是否是真正的反光区(即,不是白色衬衫),即由真正的反光区的中心向四周辐射的像素的饱和度值增加并且亮度值减少。验证初始反光区的更多描述可以在本申请的其他地方找到(例如,图7及其描述)。
处理引擎112中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等,或其任意组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通讯(NFC)等,或其任意组合。两个或以上模块可以合并成一个模块,以及任意一个模块可以被拆分成两个或以上单元。例如,初始区域确定模块440可以集成在最终区域确定模块450中作为单个模块,其可以确定初始反光区和最终反光区。又例如,二值图像生成模块430可以在两个单独的单元上实现以执行不同的功能。第一单元可以被配置为将原始图像的像素分成两个类别。第二单元可以被配置为基于这两个类别,生成二值图像。
关于处理引擎112的上述应当注意描述是出于说明的目的而提供的,并非旨在限制本申请的范围。本领域技术人员能够理解,本申请所披露的内容可以出现多种变型和改进。但是,那些变化与修改不会脱离本申请的范围。在一些实施例中,处理引擎112可包括一个或以上其他模块。例如,处理引擎112可以包括存储模块,用于存储由处理引擎112中的模块生成的数据。在一些实施例中,任何两个模块可以组合为单个模块,并且任何一个模块可以在两个或以上单元上实现以执行不同的功能。
图5是根据本申请的一些实施例所示的用于确定图像中的反光区的示例性过程的流程图。在一些实施例中,过程500可以在图1中所示的图像处理系统100中实现。例如,过程500可以作为指令的形式存储在存储设备150(例如,存储设备150或处理引擎112的存储器220)中,并且由服务器110调用和/或执行(例如,服务器110的处理引擎112、处理引擎112的处理器210、或图4所示的处理引擎112中的一个或以上模块)。以下呈现的所示过程500的操作旨在是说明性的。在一些实施例中,过程500在实施时可以添加一个或以上本申请未描述的额外操作,和/或删减一个或以上此处所描述的操作。另外,如图5所示和下面描述的过程500的操作的顺序不是限制性的。
根据本申请,以包括至少两个像素的二维(2D)图像为例进行说明。应当注意2D图像仅用于说明的目的,并不旨在限制本申请的范围。在一些实施例中,本申请可以应用于包括至少两个体素的三维(3D)图像。
在510中,图像获取模块410(或处理引擎112和/或接口电路210-a)可以获取包括至少两个像素的原始图像(例如,图8中所示的图像)。在一些实施例中,图像获取模块410可以经由网络120从用户终端140和/或存储设备150获取原始图像。
在520中,数值确定模块420(或处理引擎112,和/或处理电路210-b)可以确定所述原始图像的至少两个像素的饱和度值和亮度值。
在一些实施例中,所获取的原始图像可以与三原色(RGB)模型相关联。对于三原色模型,原始图像中像素的颜色可以用红色值、绿色值和蓝色值表示。例如,黑色可以由(0,0,0)表示。又例如,白色可以用(255,255,255)表示。为了确定原始图像的至少两个像素的饱和度值和亮度值,数值确定模块420可以基于三原色模型,确定与原始图像相关联的色相-饱和度-明度(HSV)模型或色相-饱和度-亮度(HSL)模型。对于HSV模型或HSL模型,原始图像中像素的颜色可以由色相值、饱和度值和亮度值表示。例如,对于HSV模型,黑色可以表示为(0°,0%,0%)。又例如,对于HSV模型,白色可以表示为(0°,0%,100%)。
在一些实施例中,可以对三原色模型的红色、绿色、蓝色值执行归一化,确定HSV或HSL模型。例如,红色、绿色和蓝色值可以除以255,将范围从0至255改变为0至1。归一化的RGB值可以应用于转换公式中,确定HSV或HSL模型。
在530中,二值图像生成模块430(或处理引擎112,和/或处理电路210-b)可以基于所述原始图像的至少两个像素的饱和度值和亮度值,将所述至少两个像素划分为第一类别和第二类别。在一些实施例中,二值图像生成模块430可以基于反光区中像素的亮度值可以比非反光区中的亮度值相对较大的原理,以及像素的亮度值越大,像素的饱和度值越小的原理,划分所述至少两个像素。在一些实施例中,二值图像生成模块430可以将具有相对大的亮度值并且具有相对小的饱和度值的像素放入第一类别中,并将具有相对小的亮度值并且具有相对大的饱和度值的像素放入第二类别中。划分所述至少两个像素的更多描述可以在本申请的其他地方找到(例如,图6及其描述)。
在540中,二值图像生成模块430(或处理引擎112,和/或处理电路210-b)可以基于第一类别和第二类别,生成二值图像(例如,图9中所示的二值图像)。二值图像的每个像素可以是两种可能颜色中的一种,例如黑色或白色。
在一些实施例中,二值图像生成模块430可以对第一类别的每个像素设置第一组数值(例如,红色、绿色、蓝色值或色相、饱和度、亮度值),并对第二类别的每个像素设置第二组数值。例如,二值图像生成模块430可以对第一类别的每个像素设置第一灰度值(例如,第一类别的每个像素的红色、绿色、蓝色值等于第一灰度值),并对第二类别的每个像素设置第二灰度值(例如,第二类别的每个像素的红色、绿色、蓝色值等于第二灰度值)。二值图像生成模块430可以基于第一灰度值和第二灰度值,生成二值图像。仅作为示例,二值图像生成模块430可以对饱和度值相对较小且亮度值相对较大的第一类别的像素设置第一灰度值255,以使得第一类别的像素呈现白色,并对饱和度值相对较大且亮度值相对较小的第二类别像素设置第二灰度值0,以使得第二类别的像素呈现黑色。
在550中,初始区域确定模块440(或处理引擎112,和/或处理电路210-b)可以基于二值图像,确定原始图像中的初始反光区(例如,图10中所示的1010)。
在一些实施例中,初始区域确定模块440可以确定二值图像中包括第一类别的像素的第一区域(例如,白色区域)的轮廓和/或包括第二类别的像素的第二区域的轮廓(例如,黑色区域)。在一些实施例中,白色区域可以包括在黑色区域中,因此,第一区域的轮廓可以是第二区域的轮廓的一部分。初始区域确定模块440可以将第一区域的轮廓和/或第二区域的轮廓映射到原始图像,并且将原始图像划分成分别对应于第一区域和第二区域的两个部分(例如,图10中所示的1010和1020)。基于反光区中像素的亮度值可能相对较大的原理,初始区域确定模块440可以将对应第一区域(例如,白色区域)的部分确定为初始反光区,所述对应第一区域的部分可以包括具有相对较大的亮度值并且具有相对较小的饱和度值的像素。
在一些实施例中,在确定二值图像中的第一区域的轮廓和/或第二区域的轮廓之前,初始区域确定模块440可以对二值图像执行预处理。二值图像中的第一区域(例如,白色区域)可以包括彼此分离的至少两个子区域(例如,图9中所示的910和920)。初始区域确定模块440可以将尺寸(例如,半径、直径、长度、宽度、高度、面积和周长)小于预设阈值的子区域的颜色改变为二值图像的另一种颜色。例如,对于具有黑色和白色的二值图像,初始区域确定模块440可以将尺寸小于预设阈值的白色子区域改变为黑色子区域。
在560中,最终区域确定模块450(或处理引擎112和/或处理电路210-b)可以基于由初始反光区的中心向四周辐射的像素的饱和度值和亮度值的变化,确定原始图像中的最终反光区。
在一些实施例中,具有相对大的亮度值的初始反光区可能不是真正的反光区。例如,初始反光区即使具有相对大的亮度值,也可能涉及白色物体,例如白色衬衫。最终区域确定模块450可以基于以下原理验证初始反光区是否是真实反光区(即,不是白色衬衫),即由真实反光区的中心向四周辐射的像素的饱和度值增加并且亮度值减少。验证初始反光区的更多描述可以在本申请的其他地方找到(例如,图7及其描述)。
在一些实施例中,用于确定图像中的反光区的过程500可以应用于室内导航系统的应用场景。在室内导航系统中,用户可以使用用户终端(例如,智能手机)的相机捕获至少两个室内图像。用户终端可以将至少两个室内图像传输到室内导航系统的服务器。服务器可以处理至少两个室内图像以确定用户终端的室内定位信息,并将室内定位信息传输到用户终端。由用户终端捕获的室内图像可以包括一个或以上反光区,所述反光区可能会降低确定室内定位信息的准确度。服务器可以检测用户终端捕获的室内图像中的反光区,并处理反光区以消除或减弱反光区中的反光强度。在该应用场景中,本申请中的过程500可以用于检测用户终端捕获的室内图像中的反光区。
在一些实施例中,用于确定图像中的反光区的过程500可以应用于图像验证的应用场景。在许多应用中,用户可以使用用户终端(例如,智能手机)将图像上传到服务器以执行验证操作。例如,在呼叫出租车的应用软件中,司机可以将他/她的身份证(ID)的图像上传到服务器以验证他/她的身份,并将车辆图像上传到服务器以验证他/她的车辆。又例如,在第二手车交易的应用软件中,卖方可以将车辆图像上传到服务器以验证他/她的车辆。用户上传的图像中的反光区可能影响上传图像中的有用信息的识别,并导致验证困难。服务器可以检测用户上传的图像中的反光区,并且在确定上传的图像包括反光区时通知用户发送新的图像。在该应用场景中,本申请中的过程500可以用于检测用户上传的图像中的反光区。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本申请的教导可以做出多种变化和修改。然而,变化和修改不会背离本申请的范围。例如,可以在示例性过程500中的其他地方添加一个或以上其他可选操作(例如,存储步骤)。在存储步骤中,处理引擎112可以将与图像相关联的信息和/或数据存储在存储介质(例如,存储器150)中,其在本申请的其他地方公开。
图6是根据本申请的一些实施例所示的用于将原始图像的至少两个像素划分为第一类别和第二类别的示例性过程的流程图。在一些实施例中,过程600可以在图1中所示的图像处理系统100中实现。例如,过程600可以作为指令的形式存储在存储设备150(例如,存储设备150或处理引擎112的存储器220)中,并且由服务器110调用和/或执行(例如,服务器110的处理引擎112、处理引擎112的处理器210、或图4所示的处理引擎112中的一个或以上模块)。以下呈现的所示过程600的操作旨在是说明性的。在一些实施例中,过程600在实现时可以添加一个或以上未描述的额外操作,和/或删减一个或以上此处所描述的操作。另外,如图6所示和下面描述的过程600的操作的顺序不是限制性的。在一些实施例中,可以根据过程600来执行图5中所示的操作530。
在610中,对于原始图像的至少两个像素中的每一个,二值图像生成模块430(或处理引擎112,和/或处理电路210-b)可以确定原始图像的至少两个像素的每一个的亮度值是否大于第一阈值,并且原始图像的至少两个像素中的每一个的饱和度值是否小于第二阈值。在一些实施例中,二值图像生成模块430可以基于以下等式(1)执行610:
Figure BDA0002304759390000251
其中,(i,j)指的是原始图像中的像素;i指的是与原始图像相关的坐标系下像素的水平坐标;j指的是与原始图像相关的坐标系下像素的垂直坐标;V(i,j)是指像素的亮度值;以及S(i,j)表示像素的饱和度值。
在620中,二值图像生成模块430(或处理引擎112,和/或处理电路210-b)可以确定亮度值大于第一阈值并且饱和度值小于第二阈值的像素属于第一类别。
在630中,二值图像生成模块430(或处理引擎112,和/或处理电路210-b)可以确定亮度值小于或等于第一阈值并且饱和度值大于或等于第二阈值的像素属于第二类别。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本申请的教导可以做出多种变化和修改。然而,变化和修改不会背离本申请的范围。例如,可以同时执行操作620和630。又例如,可以在操作630之后执行操作620。
图7是根据本申请的一些实施例所示的用于确定最终反光区的示例性过程的流程图。在一些实施例中,过程700可以在图1中所示的图像处理系统100中实现。例如,过程700可以作为指令的形式存储在存储设备150(例如,存储设备150或处理引擎112的存储器220)中,并且由服务器110调用和/或执行(例如,服务器110的处理引擎112、处理引擎112的处理器210、或图4所示的处理引擎112中的一个或以上模块)。以下呈现的所示过程700的操作旨在是说明性的。在一些实施例中,过程700在实施时可以添加一个或以上本申请未描述的额外操作,和/或删减一个或以上此处所描述的操作。另外,如图7所示和下面描述的过程700的操作的顺序不是限制性的。在一些实施例中,可以根据过程700来执行图5中所示的操作560。
在710中,最终区域确定模块450(或处理引擎112,和/或处理电路210-b)可以确定由初始反光区的中心向四周辐射的像素的饱和度值是否增加。
在720中,最终区域确定模块450(或处理引擎112和/或处理电路210-b)可以确定由初始反光区的中心向四周辐射的像素的亮度值是否减少。
在一些实施例中,最终区域确定模块450可以确定穿过初始反光区中的中心点(例如,图11中所示的1104)的线(例如,图11中所示的1102)。最终区域确定模块450可以在初始反光区中选择等分所述线的一个或以上像素(例如,图11中所示的1106至1120)。例如,穿过初始反光区的中心点的所述线可以被所述中心点划分成第一部分和第二部分,并且所述线的第一部分和第二部分中的每一个可以被所选择的一个或多个像素等分为一定数量的部分(例如,5个部分)。最终区域确定模块450可以确定所选择的一个或以上像素的饱和度值是否随着所选择的一个或以上像素由初始反光区的中心点向四周辐射而增加。最终区域确定模块450可以确定所选择的一个或以上像素的亮度值是否随着所选择的一个或以上像素由初始反光区的中心向四周辐射而减少。例如,如图11所示,最终区域确定模块450可以沿着该线以1106、1108、1110和1112的顺序,确定亮度值是否减少以及饱和度值是否增加。最终区域确定模块450可以沿着该线以1114、1116、1118和1120的顺序,确定亮度值是否减少以及饱和度值是否增加。
可替代地或另外地,对于初始反光区中的至少一个像素,最终区域确定模块450可以确定初始反光区中的至少一个像素的饱和度值和亮度值之间的比率。最终区域确定模块450可以基于由初始反光区的中心向四周辐射的像素的所述比率的变化,确定原始图像中的最终反光区。例如,最终区域确定模块450可以确定初始反光区中的至少一个像素的饱和度值与亮度值的第一比率。最终区域确定模块450可以确定由初始反光区的中心向四周辐射的像素的第一比率是否增加。又例如,最终区域确定模块450可以确定初始反光区中的至少一个像素的亮度值与饱和度值的第二比率。最终区域确定模块450可以确定由初始反光区的中心向四周辐射的像素的第二比率是否减少。
在730中,当由初始反光区的中心向四周辐射的像素的饱和度值增加和亮度值减少时,最终区域确定模块450(或处理引擎112,和/或处理电路210-b)可以确定初始反光区是原始图像中的最终反光区(例如,真实反光区)。
在一些实施例中,操作560和过程700可以应用于初始反光区是单个区域的实施例。在初始反光区包括彼此分离的至少两个子区域的实施例中,最终区域确定模块450可以基于操作560和/或过程700,验证初始反光区中的至少两个子区域中的每一个。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本申请的教导可以做出多种变化和修改。然而,变化和修改不会背离本申请的范围。例如,可以同时执行操作710和720。又例如,可以在操作720之后执行操作710。
图8是根据本申请的一些实施例所示的示例性原始图像的示意图。如图8所示,原始图像中有反光区。
图9是根据本申请的一些实施例所示的示例性二值图像的示意图。如图9所示,二值图像具有黑色区域和白色区域,其中,白色区域对应于图8所示的原始图像中的反光区。白色区域包括彼此分离的至少两个子区域,例如910和920。
图10是根据本申请的一些实施例所示的基于二值图像被分成两部分的示例性原始图像的示意图。如图10所示,原始图像被分成两部分,例如1010和1020。
图11是根据本申请的一些实施例所示的用于确定最终反光区的示例性过程的示意图。如图10所示,最终区域确定模块450可以确定穿过初始反光区1010的中心点1104的线1102。最终区域确定模块450可以在线1102上选择像素1106至1120。线1102被中心点1104划分成包括像素1106、1108、1110和1112的第一部分,以及包括像素1114、1116、1118和1120的第二部分,第一部分和第二部分分别被像素1106至1120等分为5个部分。如果按照1106、1108、1110和1112的顺序,亮度值减少且饱和度值增加,并且按照1114、1116、1118和1120的顺序,亮度值减少且饱和度值增加,则初始反光区1010可以被确定为最终反光区。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中,计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF等,或任何上述介质的组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python或类似的常规程序编程语言,如“C”编程语言,Visual Basic、Fortran2003、Perl、COBOL 2002、PHP、ABAP、动态编程语言如Python、Ruby和Groovy或其它编程语言。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (31)

1.一种确定图像中反光区的系统,包括:
至少一个存储介质,包括一组指令;
至少一个处理器与所述至少一个存储介质通信,其特征在于,当执行所述一组指令时,所述至少一个处理器用于使所述系统:
获取包括至少两个像素的原始图像;
确定所述原始图像的所述至少两个像素的饱和度值和亮度值;
基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别;
基于所述第一类别和所述第二类别,生成二值图像;
基于所述二值图像,确定所述原始图像中的初始反光区;以及
基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
2.根据权利要求1所述的系统,其特征在于,基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为所述第一类别和所述第二类别,所述至少一个处理器用于使所述系统:
对于所述原始图像的所述至少两个像素中的每一个,确定所述原始图像的所述至少两个像素的每一个的所述饱和度值是否大于第一阈值,以及所述原始图像的所述至少两个像素的每一个的所述亮度值是否小于第二阈值;
确定所述亮度值大于所述第一阈值和所述饱和度值小于所述第二阈值的所述像素属于所述第一类别;以及
确定所述亮度值小于或等于所述第一阈值和所述饱和度值大于或等于所述第二阈值的所述像素属于所述第二类别。
3.根据权利要求1至2中任一项所述的系统,其特征在于,基于所述第一类别和所述第二类别,生成所述二值图像,所述至少一个处理器用于使所述系统:
为所述第一类别的所述像素设置第一灰度值;
为所述第二类别的所述像素设置第二灰度值;以及
基于所述第一灰度值和所述第二灰度值,生成所述二值图像。
4.根据权利要求1至3中任一项所述的系统,其特征在于,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的所述最终反光区:
确定自所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值是否增加;
确定自所述初始反光区的所述中心向四周辐射的所述像素的所述亮度值是否减少;以及
当自所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值增加以及所述亮度值减少时,确定所述初始反光区是所述原始图像中的所述最终反光区。
5.根据权利要求1至4中任一项所述的系统,其特征在于,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的所述最终反光区,所述至少一个处理器用于使所述系统:
确定穿过所述初始反光区中的中心点的线;
在所述初始反光区中选择一个或以上等分所述线的像素;以及
基于所述所选择的一个或以上像素的所述饱和度值和所述亮度值,确定所述原始图像中的所述最终反光区。
6.根据权利要求5所述的系统,其特征在于,穿过所述初始反光区所述中心点的所述线被所述中心点划分成第一部分和第二部分,以及所述线的所述第一部分和所述第二部分中的每一个被所述所选择的一个或以上像素等分为五个部分。
7.根据权利要求1至6中任一项所述的系统,其特征在于,所述原始图像是经由网络从用户终端获取的。
8.根据权利要求7所述的系统,其特征在于,当执行所述一组指令时,所述至少一个处理器还用于使所述系统:
向所述用户终端传输信号,通知所述用户终端的用户发送新图像。
9.根据权利要求1至7中任一项所述的系统,其特征在于,当执行所述一组指令时,所述至少一个处理器还用于使所述系统:
处理所述原始图像中的所述最终反光区,以消除或减弱所述原始图像中的反光强度。
10.根据权利要求1至9中任一项所述的系统,其特征在于,所述原始图像与三原色模型相关联;以及
其中,为了确定所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,所述至少一个处理器用于使所述系统:
基于所述三原色模型,确定与所述原始图像相关联的色相-饱和度-明度模型或色相-饱和度-亮度模型;以及
基于所述色相-饱和度-明度模型或所述色相-饱和度-亮度模型,确定所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值。
11.一种在计算设备上实现的用于确定图像中的反光区的方法,所述计算设备包括一个或以上处理器和一个或以上存储设备,所述方法包括:
获取包括至少两个像素的原始图像;
确定所述原始图像的所述至少两个像素的饱和度值和亮度值;
基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别;
基于所述第一类别和所述第二类别,生成二值图像;
基于所述二值图像,确定所述原始图像中的初始反光区;以及
基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
12.根据权利要求11所述的方法,其特征在于,基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为所述第一类别和所述第二类别包括:
对于所述原始图像的所述至少两个像素中的每一个,确定所述原始图像的所述至少两个像素的每一个的所述饱和度值是否大于第一阈值,以及所述原始图像的所述至少两个像素的每一个的所述亮度值是否小于第二阈值;
确定所述亮度值大于所述第一阈值和所述饱和度值小于所述第二阈值的所述像素属于所述第一类别;以及
确定所述亮度值小于或等于所述第一阈值和所述饱和度值大于或等于所述第二阈值的所述像素属于所述第二类别。
13.根据权利要求11至12中任一项所述的方法,其特征在于,基于所述第一类别和所述第二类别,生成所述二值图像包括:
为所述第一类别的所述像素设置第一灰度值;
为所述第二类别的所述像素设置第二灰度值;以及
基于所述第一灰度值和所述第二灰度值,生成所述二值图像。
14.根据权利要求11至13中任一项所述的方法,其特征在于,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的所述变化,所述确定所述原始图像中的所述最终反光区包括:
确定自所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值是否增加;
确定自所述初始反光区的所述中心向四周辐射的所述像素的所述亮度值是否减少;以及
当由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值增加以及所述亮度值减少时,确定所述初始反光区是所述原始图像中的所述最终反光区。
15.根据权利要求11至14中任一项所述的方法,其特征在于,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的所述变化,所述确定所述原始图像中的所述最终反光区包括:
确定穿过所述初始反光区中的中心点的线;
在所述初始反光区中选择一个或以上等分所述线的像素;以及
基于所述所选择的一个或以上像素的所述饱和度值和所述亮度值,确定所述原始图像中的所述最终反光区。
16.根据权利要求15所述的方法,其特征在于,穿过所述初始反光中的所述中心点的所述线被所述中心点划分成第一部分和第二部分,以及所述线的所述第一部分和所述第二部分中的每一个被所述所选择的一个或以上像素等分为五个部分。
17.根据权利要求11至16中任一项所述的方法,其特征在于,所述原始图像是经由网络从用户终端获取的。
18.根据权利要求17所述的方法,其特征在于,所述方法还包括:
向所述用户终端传输信号,通知所述用户终端的用户发送新图像。
19.根据权利要求11至17中任一项所述的方法,其特征在于,所述方法还包括:
处理所述原始图像中的所述最终反光区,以消除或减弱所述原始图像中的反光强度。
20.根据权利要求11至19中任一项所述的方法,其特征在于,所述原始图像与三原色模型相关联;以及
其中,所述确定所述原始图像的所述至少两个像素的所述亮度值包括:
基于所述三原色模型,确定与所述原始图像相关联的色相-饱和度-明度模型或色相-饱和度-亮度模型;以及
基于所述色相-饱和度-明度模型或所述色相-饱和度-亮度模型,确定所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值。
21.一种用于确定图像中的反光区的系统,包括:
图像获取模块被配置为获取包括至少两个像素的原始图像;
数值确定模块被配置为确定所述原始图像的所述至少两个像素的饱和度值和亮度值;
二值图像生成模块被配置为
基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别;以及
基于所述第一类别和所述第二类别,生成二值图像;
初始区域确定模块被配置为基于所述二值图像,确定所述原始图像中的初始反光区;以及
最终区域确定模块被配置为基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
22.根据权利要求21所述的系统,其特征在于,基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为所述第一类别和所述第二类别包括:
对于所述原始图像的所述至少两个像素中的每一个,确定所述原始图像的所述至少两个像素的每一个的所述饱和度值是否大于第一阈值,以及所述原始图像的所述至少两个像素的每一个的所述亮度值是否小于第二阈值;
确定所述亮度值大于所述第一阈值和所述饱和度值小于所述第二阈值的所述像素属于所述第一类别;以及
确定所述亮度值小于或等于所述第一阈值和所述饱和度值大于或等于所述第二阈值的所述像素属于所述第二类别。
23.根据权利要求21至22中任一项所述的系统,其特征在于,基于所述第一类别和所述第二类别,生成所述二值图像包括:
为所述第一类别的所述像素设置第一灰度值;
为所述第二类别的所述像素设置第二灰度值;以及
基于所述第一灰度值和所述第二灰度值,生成所述二值图像。
24.根据权利要求21至23中任一项所述的系统,其特征在于,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的所述变化,所述确定所述原始图像中的所述最终反光区包括:
确定自所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值是否增加;
确定自所述初始反光区的所述中心向四周辐射的所述像素的所述亮度值是否减少;以及
当由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值增加以及所述亮度值减少时,确定所述初始反光区是所述原始图像的所述最终反光区。
25.根据权利要求21至24中任一项所述的系统,其特征在于,基于由所述初始反光区的所述中心向四周辐射的所述像素的所述饱和度值和所述亮度值的所述变化,所述确定所述原始图像中的所述最终反光区包括:
确定穿过所述初始反光区中的中心点的线;
在所述初始反光区中选择一个或以上等分所述线的像素;以及
基于所述所选择的一个或以上像素的所述饱和度值和所述亮度值,确定所述原始图像中的所述最终反光区。
26.根据权利要求25所述的系统,其特征在于,穿过所述初始反光中的所述中心点的所述线被所述中心点划分成第一部分和第二部分,以及所述线的所述第一部分和所述第二部分中的每一个被所述所选择的一个或以上像素等分为五个部分。
27.根据权利要求21至26中任一项所述的系统,其特征在于,所述原始图像是经由网络从用户终端获取的。
28.根据权利要求27所述的系统,其特征在于,所述方法还包括:
向所述用户终端传输信号,通知所述用户终端的用户发送新图像。
29.根据权利要求21至27中任一项所述的系统,其特征在于,所述方法还包括:
处理所述原始图像中的所述最终反光区,以消除或减弱所述原始图像中的反光强度。
30.根据权利要求21至29中任一项所述的系统,其特征在于,所述原始图像与三原色模型相关联;以及
其中,所述确定所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值包括:
基于所述三原色模型,确定与所述原始图像相关联的色相-饱和度-明度模型或色相-饱和度-亮度模型;以及
基于所述色相-饱和度-明度模型或所述色相-饱和度-亮度模型,确定所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值。
31.一种非暂时性计算机可读介质,包括至少一个用于确定图像中反光区的一组指令,其特征在于,当由计算设备的一个或以上处理器执行时,所述至少一组指令使所述计算设备执行一种方法,所述方法包括:
获取包括至少两个像素的原始图像;
确定所述原始图像的所述至少两个像素的饱和度值和亮度值;
基于所述原始图像的所述至少两个像素的所述饱和度值和所述亮度值,将所述至少两个像素划分为第一类别和第二类别;
基于所述第一类别和所述第二类别,生成二值图像;
基于所述二值图像,确定所述原始图像中的初始反光区;以及
基于由所述初始反光区的中心向四周辐射的所述像素的所述饱和度值和所述亮度值的变化,确定所述原始图像中的最终反光区。
CN201880037555.XA 2018-04-25 2018-04-25 用于确定图像中的反光区的系统和方法 Withdrawn CN110741410A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/084415 WO2019205008A1 (en) 2018-04-25 2018-04-25 Systems and methods for determining a reflective area in an image

Publications (1)

Publication Number Publication Date
CN110741410A true CN110741410A (zh) 2020-01-31

Family

ID=68293384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880037555.XA Withdrawn CN110741410A (zh) 2018-04-25 2018-04-25 用于确定图像中的反光区的系统和方法

Country Status (2)

Country Link
CN (1) CN110741410A (zh)
WO (1) WO2019205008A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464745A (zh) * 2020-04-14 2020-07-28 维沃移动通信有限公司 一种图像处理方法及电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG10202005118QA (en) * 2020-06-01 2021-08-30 Alipay Labs Singapore Pte Ltd Authentication method and system

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012177542A1 (en) * 2011-06-18 2012-12-27 Identix Incorporated Systems and methods for detecting a specular reflection pattern for biometric analysis
CN104700363A (zh) * 2013-12-06 2015-06-10 富士通株式会社 舌象反射区域的去除方法和去除装置
CN105957042B (zh) * 2016-06-07 2019-02-15 北京理工大学 内镜图像的高光区域消除方法
CN107146229B (zh) * 2017-04-05 2019-08-13 西安电子科技大学 基于元胞自动机模型的结肠息肉图像分割方法
CN107369145B (zh) * 2017-06-16 2020-07-10 Oppo广东移动通信有限公司 图像处理方法、装置及终端设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464745A (zh) * 2020-04-14 2020-07-28 维沃移动通信有限公司 一种图像处理方法及电子设备
CN111464745B (zh) * 2020-04-14 2022-08-19 维沃移动通信有限公司 一种图像处理方法及电子设备

Also Published As

Publication number Publication date
WO2019205008A1 (en) 2019-10-31

Similar Documents

Publication Publication Date Title
US10643364B1 (en) Ground plane detection for placement of augmented reality objects
KR102624635B1 (ko) 메시징 시스템에서의 3d 데이터 생성
US20220122326A1 (en) Detecting object surfaces in extended reality environments
KR20220167323A (ko) 메시징 시스템 내의 3d 데이터를 포함하는 증강 현실 콘텐츠 생성기들
KR20230079177A (ko) 증강 현실 콘텐츠 생성기들을 절차적으로 생성함
US11600039B2 (en) Mechanism for improved light estimation
WO2019138597A1 (en) System and method for assigning semantic label to three-dimensional point of point cloud
CN110363061A (zh) 计算机可读介质、训练对象检测算法的方法及显示装置
JP2021519984A (ja) オブジェクション検出のためのaiシステムおよび方法
KR20220154816A (ko) 대규모 증강 현실을 위한 위치 매핑
CN108764139A (zh) 一种人脸检测方法、移动终端及计算机可读存储介质
US20230033319A1 (en) Method, apparatus and device for processing shadow texture, computer-readable storage medium, and program product
KR20210063223A (ko) 멀티태스크 융합 신경망 아키텍처
CN110741410A (zh) 用于确定图像中的反光区的系统和方法
CN115019060A (zh) 目标识别方法、目标识别模型的训练方法及装置
US20240037788A1 (en) 3d pose estimation in robotics
KR20230079264A (ko) 증강 현실 콘텐츠 생성기들에 대한 수집 파이프라인
US20230351555A1 (en) Using intrinsic functions for shadow denoising in ray tracing applications
CN115082690B (zh) 目标识别方法、目标识别模型训练方法及装置
CN113065521B (zh) 物体识别方法、装置、设备及介质
CN116883770A (zh) 深度估计模型的训练方法、装置、电子设备及存储介质
WO2022251619A1 (en) Hybrid differentiable rendering for light transport simulation systems and applications
CN114245907A (zh) 自动曝光的光线追踪
JP2019159503A (ja) 情報処理装置及びプログラム
US20230095621A1 (en) Keypoint detection and feature descriptor computation

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200131

WW01 Invention patent application withdrawn after publication