CN110782405B - 一种基于梯度辨识的点目标和暗斑图像背景均衡方法 - Google Patents
一种基于梯度辨识的点目标和暗斑图像背景均衡方法 Download PDFInfo
- Publication number
- CN110782405B CN110782405B CN201910972740.4A CN201910972740A CN110782405B CN 110782405 B CN110782405 B CN 110782405B CN 201910972740 A CN201910972740 A CN 201910972740A CN 110782405 B CN110782405 B CN 110782405B
- Authority
- CN
- China
- Prior art keywords
- image
- dark spot
- weak
- calculating
- binary 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于梯度辨识的点目标和暗斑图像背景均衡方法,针对现有图像背景均衡方法对含点目标和暗斑图像均衡不彻底、背景估计易受目标和暗斑影响的问题,根据图像的梯度幅值,将图像分割为弱起伏区域和强起伏区域,进而完成背景估计和图像均衡。其有益效果在于:可克服点目标拉高和暗斑拉低其邻域背景的问题,达到更好的背景均衡效果,提升点目标的信噪比,并能同时对目标和暗斑进行辨识。
Description
技术领域
本发明属于图像处理领域,具体涉及一种图像背景均衡方法。
背景技术
许多情况需要对图像进行背景均衡处理,即将整幅图像调整为一个近似的平面,并且平面灰度为0左右。比如,天空中有飞行物体的图像,为了将飞行物体提取出来,天空本身的起伏就必须要进行均衡处理,从而利于飞行物体的进一步分割。
目前,人们提出了许多背景均衡方法,比如:二维移动窗口平均平滑滤波法,即用各像素周围像素的均值来估计背景;高通滤波法,即将图像通过一个高通滤波器,去除其低频成分,从而得到均衡图像;二维中值滤波法,即用各像素周围像素的中值来估计背景;曲面拟合法,即用多项式或高斯曲面拟合整幅图像作为背景;小波分解法,即将图像进行小波分解,将其低频部分作为背景,等等。
然而,上述方法都存在一定的缺陷,尤其是对含点目标和暗斑的图像而言,可能因为点目标和暗斑的影响,使背景均衡不够精确和彻底。比如前两种滤波方法,虽然可以均衡起伏背景,且整体均衡效果较好,但都可能在均衡后的点目标周围形成一个暗环或在暗斑周围形成一个亮环,从而影响后续提取;二维中值滤波法虽然可以克服暗环和亮环问题,但必须采用很大的移动窗口,导致计算量爆炸式增长,难以实时应用;曲面拟合法虽然不会造成暗环和亮环,但也有可能因点目标影响拉高附近背景的灰度或因暗斑影响拉低附近背景的灰度,造成其邻域均衡不彻底,并且无法适应较复杂的起伏背景;小波分解法虽然能更好的应对复杂起伏背景,但对点目标和暗斑也有同样的问题,并且算法复杂,计算量大,不便于实际应用,等等。另外,上述方法在背景均衡时不能区分点目标和暗斑,不利于后续进一步的处理。因此,亟待一种能在背景均衡同时对目标和暗斑进行辨识的图像背景均衡方法。
发明内容
本发明要解决的技术问题:针对现有图像背景均衡方法对含点目标和暗斑图像均衡不彻底、背景估计易受目标和暗斑影响的问题,提供一种基于梯度辨识的点目标和暗斑图像背景均衡方法,可以用较小的计算代价达到更好的背景均衡效果,并能同时对目标和暗斑进行辨识。
本发明的技术方案为:一种基于梯度辨识的点目标和暗斑图像背景均衡方法,首先根据图像的梯度幅值,将图像分割为弱起伏区域和强起伏区域,并提供一种自动最优分割方法;再用弱起伏区域对强起伏区域进行预测填充,进而完成背景估计和图像均衡;最后用均衡图像和强起伏区域,对目标或暗斑进行辨识。具体实现步骤如下:
步骤(1)、计算原始图像的梯度幅值;
步骤(2)、利将原始图像的梯度幅值进行阈值分割,计算弱起伏区域二值图和强起伏区域二值图;
步骤(3)、用弱起伏区域像素对强起伏区域进行预测填充,得到一幅弱起伏图像;
步骤(4)、对弱起伏图像进行平滑滤波,得到估计背景图像,再用原始图像减去估计背景图像,得到均衡图像;
步骤(5)、若有需要,则用均衡图像和强起伏区域二值图,计算目标二值图或暗斑二值图。
本发明与现有技术相比的有益效果在于:
利用本发明方法,可以在对图像进行背景均衡处理时,克服点目标拉高和暗斑拉低其邻域背景的问题,达到更好的背景均衡效果,提升点目标的信噪比,并能同时对目标和暗斑进行辨识,进而提取目标和屏蔽暗斑。
附图说明
图1是本发明方法的流程图;
图2是实施例中的原始图像;
图3是实施例中原始图像的梯度幅值图;
图4是实施例中弱起伏区域分割阈值3次循环计算的直方图;
图5是实施例中初步分割的弱起伏区域二值图;
图6是实施例中除噪后的弱起伏区域二值图;
图7是实施例中扩充后的弱起伏区域二值图;
图8是实施例中的强起伏区域二值图;
图9是实施例中的弱起伏图像;
图10是实施例中的估计背景图像;
图11是实施例中的均衡图像;
图12是实施例中按公式算得的目标二值图;
图13是实施例中除噪后的目标二值图;
图14是实施例中按公式算得的暗斑二值图;
图15是实施例中除噪后的暗斑二值图;
图16是实施例中屏蔽暗斑后的均衡图像。
具体实施方式
以下是本发明的具体实施办法。但以下的实施例仅限于解释本发明,本发明的保护范围应包括权利要求的全部内容,而且通过以下实施例对该领域的技术人员即可以实现本发明权利要求的全部内容。
如图1所示,本发明一种基于梯度辨识的点目标和暗斑图像背景均衡方法,包括如下步骤:
步骤(1)、计算原始图像的梯度幅值。
原始图像的梯度幅值可用边缘检测算子计算,在本实施例中选择sobel边缘检测算子。由于该计算方法为公知技术,此处不再赘述。假设原始图像I用表示,原始图像的梯度幅值用G表示,本实施例中的原始图像及其梯度幅值分别如图2和图3所示。
步骤(2)、利将原始图像的梯度幅值进行阈值分割,计算弱起伏区域二值图和强起伏区域二值图。
强起伏区域二值图实际上就是弱起伏区域二值图的补集,因此只需计算弱起伏区域二值图即可。假设弱起伏区域二值图用Bw表示,强起伏区域二值图用Bs表示,则Bw的计算公式为:
Bw=G<t (1)
式中t是弱起伏区域分割阈值。本发明中提供一种弱起伏区域分割阈值的自动计算方法,具体如下:
1)计算原始图像梯度幅值G的最大值(用g表示);
2)计算归一化梯度幅值(用U表示),即U=G/g,如果U中存在大于1的值,则直接将其设为1;
3)对U进行直方图统计(直方图统计横、纵坐标分别用X和Y表示);
4)排除直方图统计中最后一个数据(即X=1),并计算Y的最大值(用y表示);
5)找到Y中最后一个大于(k·y)的索引(用i表示),其中k是预设的直方图分割阈值;
6)将g更新为[g·X(i+1)];
7)如果直方图分辨率不足,则重新执行2)~7)步,否则将新的g作为弱起伏区域分割阈值,即t=g。
本实施例中,取k=0.03经过3次循环后得到了弱起伏区域分割阈值,其中3次直方图统计结果如图4所示。用t初步分割得到的弱起伏区域二值图如图5所示。但是图5中还存在大量噪点,因此进一步用形态学滤波除噪,得到如图6所示的弱起伏区域二值图。为了避免边界影响,再对图6进行一次扩充,最后得到的弱起伏区域二值图如图7所示。将弱起伏区域二值图取非,则可得强起伏区域二值图,如图8所示。
步骤(3)、用弱起伏区域像素对强起伏区域进行预测填充,得到一幅弱起伏图像。
即搜索图像强起伏区域中的各个像素周围邻近的弱起伏区域像素,再用双线性插值法预测强起伏区域像素并替换,从而将强起伏区域全部填补为近似的弱起伏区域,得到一幅弱起伏图像。本实施例得到的弱起伏图像如图9所示。
步骤(4)、对弱起伏图像进行平滑滤波,得到估计背景图像,再用原始图像减去估计背景图像,得到均衡图像(用J表示)。
本步骤计算方法为公知技术,此处不再赘述。本实施例得到的估计背景图像如图10所示,均衡图像如图11所示。
步骤(5)、若有需要,则用均衡图像和强起伏区域二值图,计算目标二值图或暗斑二值图。
该步骤可计算出目标二值图或暗斑二值图用于后续处理,比如提取目标或者屏蔽暗斑。目标二值图(用Bo表示)的计算公式为:
Bo=Bs&(J>0) (2)
式中,&表示“与运算”。如果按公式算得的目标二值图存在较多噪点,则可用形态学滤波进行一次除噪。本实施例按公式算得的目标二值图如图12所示,除噪后的目标二值图如图13所示。
类似的,暗斑二值图(用Bd表示)的计算公式为:
Bd=Bs&(J<0) (3)
如果按公式算得的暗斑二值图存在较多噪点,也可用形态学滤波进行一次除噪。本实施例按公式算得的暗斑二值图如图14所示,除噪后的暗斑二值图如图15所示。
如果需要屏蔽暗斑,则将图像中的暗斑区域进行填补即可。本实施例屏蔽暗斑后的均衡图像如图16所示,可见图中只剩余目标,且背景得到很好的均衡。
Claims (2)
1.一种基于梯度辨识的点目标和暗斑图像背景均衡方法,其特征在于,实现步骤如下:
步骤(1)、计算原始图像的梯度幅值;
步骤(2)、将原始图像的梯度幅值进行阈值分割,计算弱起伏区域二值图和强起伏区域二值图;
步骤(3)、用弱起伏区域像素对强起伏区域进行预测填充,得到一幅弱起伏图像;
步骤(4)、对弱起伏图像进行平滑滤波,得到估计背景图像,再用原始图像减去估计背景图像,得到均衡图像;
步骤(5)、若有需要,则用均衡图像和强起伏区域二值图,计算目标二值图或暗斑二值图;
其中,所述步骤(2)中弱起伏区域分割阈值的计算方法为:
1)计算原始图像梯度幅值G的最大值g;
2)计算归一化梯度幅值U,即U=G/g,如果U中存在大于1的值,则直接将其设为1;
3)对U进行直方图统计,直方图统计横、纵坐标分别用X和Y表示;
4)排除直方图统计中最后一个数据,即X=1,并计算Y的最大值y;
5)找到Y中最后一个大于(k·y)的索引i,其中k是预设的直方图分割阈值;
6)将g更新为[g·X(i+1)];
7)如果直方图分辨率不足,则重新执行2)~7)步,否则将新的g作为弱起伏区域分割阈值。
2.根据权利要求1所述的一种基于梯度辨识的点目标和暗斑图像背景均衡方法,其特征在于:所述步骤(5)中目标二值图Bo和暗斑二值图Bd的计算公式分别为:
Bo=Bs&(J>0)
和
Bd=Bs&(J<0)
式中,Bs表示强起伏区域二值图,J表示均衡图像,&表示“与运算”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972740.4A CN110782405B (zh) | 2019-10-14 | 2019-10-14 | 一种基于梯度辨识的点目标和暗斑图像背景均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972740.4A CN110782405B (zh) | 2019-10-14 | 2019-10-14 | 一种基于梯度辨识的点目标和暗斑图像背景均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782405A CN110782405A (zh) | 2020-02-11 |
CN110782405B true CN110782405B (zh) | 2022-10-18 |
Family
ID=69385348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910972740.4A Active CN110782405B (zh) | 2019-10-14 | 2019-10-14 | 一种基于梯度辨识的点目标和暗斑图像背景均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782405B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106508046B (zh) * | 2011-12-28 | 2014-11-05 | 上海机电工程研究所 | 一种基于多尺度双边最优化的弱小目标检测方法 |
CN109410147A (zh) * | 2018-11-06 | 2019-03-01 | 哈尔滨工程大学 | 一种超空泡图像增强方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1256697C (zh) * | 2004-05-13 | 2006-05-17 | 上海交通大学 | 对空成像起伏背景条件下红外弱小目标的检测方法 |
CN102800107B (zh) * | 2012-07-06 | 2015-04-22 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN103218785B (zh) * | 2013-04-19 | 2015-10-28 | 中国科学院深圳先进技术研究院 | 图像修复方法和装置 |
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
CN108205798A (zh) * | 2017-03-22 | 2018-06-26 | 哈尔滨理工大学 | 鲁棒的显微镜图像光照补偿方法 |
CN109345472B (zh) * | 2018-09-11 | 2021-07-06 | 重庆大学 | 一种复杂场景的红外运动小目标检测方法 |
-
2019
- 2019-10-14 CN CN201910972740.4A patent/CN110782405B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106508046B (zh) * | 2011-12-28 | 2014-11-05 | 上海机电工程研究所 | 一种基于多尺度双边最优化的弱小目标检测方法 |
CN109410147A (zh) * | 2018-11-06 | 2019-03-01 | 哈尔滨工程大学 | 一种超空泡图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110782405A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN102446352B (zh) | 视频图像处理方法及装置 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN111833366A (zh) | 一种基于Canny算法的边缘检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN107633253B (zh) | 基于含噪图像中矩形包围框的精确提取和定位方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN109961416B (zh) | 一种基于形态学梯度多尺度融合的营业执照信息提取方法 | |
CN111369570B (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN115797872A (zh) | 基于机器视觉的包装缺陷识别方法、系统、设备及介质 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
CN113393482A (zh) | 一种基于融合算法的遗留物品检测方法和装置 | |
CN113296095A (zh) | 一种用于脉冲探地雷达的目标双曲线边缘提取方法 | |
Zhu et al. | Optimization of image processing in video-based traffic monitoring | |
CN110782405B (zh) | 一种基于梯度辨识的点目标和暗斑图像背景均衡方法 | |
CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN114820718A (zh) | 一种视觉动态定位跟踪算法 | |
CN114187195A (zh) | 一种2d前视声呐图像去噪方法 | |
CN108537807A (zh) | 一种基于高分四号卫星影像改进的边缘增强检测方法 |
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 |