CN111062331A - 图像的马赛克检测方法、装置、电子设备及存储介质 - Google Patents
图像的马赛克检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111062331A CN111062331A CN201911311566.5A CN201911311566A CN111062331A CN 111062331 A CN111062331 A CN 111062331A CN 201911311566 A CN201911311566 A CN 201911311566A CN 111062331 A CN111062331 A CN 111062331A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- map
- gradient map
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像的马赛克检测方法、装置、电子设备及存储介质,方法包括:对获取的待检测图像进行预处理,得到待检测图像的二值梯度图;根据二值梯度图的起始点将二值梯度图划分为若干个预设大小的网格;根据基准点对每个网格进行区域生长,然后合并网格;获取合并网格后的二值梯度图中的连通区域的轮廓图,并对轮廓图进行矩形拟合,得到矩形;当矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定待检测图像为马赛克图像。本发明实现了视频质量检测中的图像马赛克的自动检测,且整个检测过程简单,检测速度快,对图像内容的依赖性低,提高了图像马赛克检测的准确性,扩大了图像马赛克检测的适用范围。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种图像的马赛克检测方法、装置、电子设备及存储介质。
背景技术
现有技术中对图像的马赛克检测方法有以下三类:基于边缘和模板匹配的检测方法,基于区域分析的检测方法以及基于神经网络模型训练的检测方法。其中,基于边缘和模板匹配的检测方法先对图像进行边缘检测等预处理,然后从边缘找寻马赛克交叉点,最后进行模板匹配;基于区域分析的检测方法采用区域生长的方式,在图像中选择一个基准点,在该基准点的上下左右四个方向进行扩张,直到无法扩张;基于神经网络模型训练的检测方法利用标记出马赛克区域的图片作为训练样本,对神经网络模型进行训练,达到马赛克检测的目的。
但是,现有的基于边缘和模板匹配的检测方法检测速度慢,对模板的依赖性强,误检率和漏检率都比较高;基于区域分析的检测方法的难点是基准点的选择,基准点选择不好,对检测的准确率影响很大,算法的复杂度也会大大地增加;基于神经网络模型训练的检测方法的难点是训练样本的收集及训练模型的选择,样本收集不好,会影响检测的准确率,模型选择不好,会影响检测的速度。
因此,现有技术对模板和训练样本的依赖性太强,或者对基准点的选择要求过高,计算复杂度高,适用范围有限,时效性差。
发明内容
由于现有方法存在上述问题,本发明实施例提出一种图像的马赛克检测方法、装置、电子设备及存储介质。
第一方面,本发明实施例提出一种图像的马赛克检测方法,包括:
对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图;
根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格;
将每个网格的中心点作为基准点,根据所述基准点对每个网格进行区域生长,然后合并网格;
获取合并网格后的二值梯度图中的连通区域的轮廓图,并对所述轮廓图进行矩形拟合,得到矩形;
当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定所述待检测图像为马赛克图像。
可选地,所述对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图,具体包括:
对获取的待检测图像进行灰度化处理,得到灰度图;
计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图;
对所述最大梯度图进行二值化处理,得到所述待检测图像的二值梯度图。
可选地,所述计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图,具体包括:
使用索贝尔sobel算子计算所述灰度图的水平方向梯度图H和垂直方向梯度图V,公式如下:
其中,I是所述灰度图,*表示卷积运算;
使用水平方向梯度图H和垂直方向梯度图V相同像素点的两个像素值的最大值作为最大梯度图M对应像素点的像素值,公式如下:
M(i,j)=max(H(i,j),V(i,j))
其中,M(i,j)是最大梯度图像素点(i,j)的像素值,H(i,j)是水平方向梯度图像素点(i,j)的像素值,V(i,j)是垂直方向梯度图像素点(i,j)的像素值。
可选地,所述二值梯度图的起始点为所述二值梯度图中连续梯度剧变的第一个像素点;
其中,所述连续梯度剧变为所述二值梯度图中当前像素点的水平方向或垂直方向有连续预设数量的像素点的像素值均为预设值。
可选地,所述根据所述基准点对每个网格进行区域生长,具体包括:
以所述基准点创建初始矩形,依次将初始矩形向周围左上右下四个方向进行扩张;
若初始矩形在某个方向上所有相邻点的像素值与基准点的像素值差值小于预设阈值,则初始矩形可向此方向扩张一层;
继续将初始矩形向周围左上右下四个方向进行扩张,直到四个方向都不能扩张为止。
第二方面,本发明实施例还提出一种图像的马赛克检测装置,包括:
预处理模块,用于对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图;
网格划分模块,用于根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格;
网格合并模块,用于将每个网格的中心点作为基准点,根据所述基准点对每个网格进行区域生长,然后合并网格;
矩形拟合模块,用于获取合并网格后的二值梯度图中的连通区域的轮廓图,并对所述轮廓图进行矩形拟合,得到矩形;
马赛克检测模块,用于当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定所述待检测图像为马赛克图像。
可选地,所述预处理模块具体用于:
对获取的待检测图像进行灰度化处理,得到灰度图;
计算所述灰度图的水平方向梯度、,垂直方向梯度和最大梯度,得到最大梯度图;
对所述最大梯度图进行二值化处理,得到所述待检测图像的二值梯度图。
可选地,所述预处理模块具体用于:
使用索贝尔sobel算子计算所述灰度图的水平方向梯度图H和垂直方向梯度图V,公式如下:
其中,I是所述灰度图,*表示卷积运算;
使用水平方向梯度图H和垂直方向梯度图V相同像素点的两个像素值的最大值作为最大梯度图M对应像素点的像素值,公式如下:
M(i,j)=max(H(i,j),V(i,j))
其中,M(i,j)是最大梯度图像素点(i,j)的像素值,H(i,j)是水平方向梯度图像素点(i,j)的像素值,V(i,j)是垂直方向梯度图像素点(i,j)的像素值。
可选地,所述二值梯度图的起始点为所述二值梯度图中连续梯度剧变的第一个像素点;
其中,所述连续梯度剧变为所述二值梯度图中当前像素点的水平方向或垂直方向有连续预设数量的像素点的像素值均为预设值。
可选地,所述网格合并模块具体用于:
以所述基准点创建初始矩形,依次将初始矩形向周围左上右下四个方向进行扩张;
若初始矩形在某个方向上所有相邻点的像素值与基准点的像素值差值小于预设阈值,则初始矩形可向此方向扩张一层;
继续将初始矩形向周围左上右下四个方向进行扩张,直到四个方向都不能扩张为止。
第三方面,本发明实施例还提出一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述方法。
第四方面,本发明实施例还提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述方法。
由上述技术方案可知,本发明实现了视频质量检测中的图像马赛克的自动检测,且整个检测过程简单,检测速度快,对图像内容的依赖性低,提高了图像马赛克检测的准确性,扩大了图像马赛克检测的适用范围。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种图像的马赛克检测方法的流程示意图;
图2为本发明一实施例提供的一种待进行马赛克检测的图像;
图3为本发明一实施例提供的一种待检测图像的二值梯度图;
图4为本发明一实施例提供的一种待检测图像的将网格的中心点作为基准点,对网格进行区域生长的流程示意图;
图5为本发明一实施例提供的一种待检测图像的马赛克检测结果;
图6为本发明另一实施例提供的一种图像的马赛克检测方法的流程示意图;
图7为本发明一实施例提供的一种图像的马赛克检测装置的结构示意图;
图8为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种图像的马赛克检测方法的流程示意图,包括:
S101、对获取的待检测图像进行预处理,得到所述待检测图像对应的二值梯度图。
所述预处理为对所述待检测图像进行灰度化、梯度计算、二值化等处理,以方便后续直接对二值梯度图进行处理。
所述二值梯度图为对所述待检测图像的灰度图的最大梯度图进行二值化处理后得到的图像。
S102、根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格。
所述起始点为所述二值梯度图中连续梯度剧变的第一个像素点。
具体地,若判断所述二值梯度图中当前像素点的水平方向或垂直方向有连续预设数量的像素点的像素值均为预设值,则确定所述当前像素点为起始点。
S103、将每个网格的中心点作为基准点,根据所述基准点对每个网格进行区域生长,然后合并网格。
其中,所述区域生长是以所述基准点创建初始矩形,依次将初始矩形向周围左上右下四个方向进行扩张,如果初始矩形在某个方向上所有相邻点的像素值与基准点的像素值差值小于某个预设阈值,那么初始矩形可向此方向扩张一层。不断循环该过程,直到四个方向都不能扩张为止。
S104、获取合并网格后的二值梯度图中的连通区域的轮廓图,并对所述轮廓图进行矩形拟合,得到矩形。
具体地,找寻合并网格后的二值梯度图中的连通区域的轮廓图,对所述轮廓图进行矩形拟合,若判断拟合区域是矩形且根据预设条件能区分是马赛克还是非马赛克,统计这些确定的马赛克数量以方便后续进行判断。
S105、当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定所述待检测图像为马赛克图像。
其中,所述预设条件为矩形拟合成功的条件及区分马赛克与非马赛克的条件。
所述预设阈值是判断待检测图像是否含有马赛克的阈值。
本实施例实现了视频质量检测中的图像马赛克的自动检测,且整个检测过程简单,检测速度快,对图像内容的依赖性低,提高了图像马赛克检测的准确性,扩大了图像马赛克检测的适用范围。
进一步地,在上述方法实施例的基础上,S101具体包括:
对获取的待检测图像进行灰度化处理,得到灰度图;
计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图;
对所述最大梯度图进行二值化处理,得到所述待检测图像的二值梯度图。
具体来说,获取待检测的彩色图像,并对彩色图像进行灰度化处理,得到灰度图,如图2所示。灰度图中各像素点的像素值为:
gray=0.2989*R+0.5870*G+0.1140*B
其中,gray表示灰度图的像素值,R、G、B表示彩色图的红、绿、蓝三个颜色通道的像素值。
然后,分别计算灰度图的水平方向梯度,垂直方向梯度和最大梯度,得到最大梯度图,进一步对最大梯度图进行二值化处理,得到二值梯度图,如图3所示。
通过将待检测图像转换为二值梯度图,方便后续对二值梯度图进行网格划分,提高检测速度及准确性。
进一步地,在上述方法实施例的基础上,S101中所述计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图,具体包括:
使用索贝尔sobel算子计算所述灰度图的水平方向梯度图H和垂直方向梯度图V,公式如下:
其中,I是所述灰度图,*表示卷积运算;
使用水平方向梯度图H和垂直方向梯度图V相同像素点的两个像素值的最大值作为最大梯度图M对应像素点的像素值,公式如下:
M(i,j)=max(H(i,j),V(i,j))
其中,M(i,j)是最大梯度图像素点(i,j)的像素值,H(i,j)是水平方向梯度图像素点(i,j)的像素值,V(i,j)是垂直方向梯度图像素点(i,j)的像素值。
对最大梯度图进行二值化处理后,得到二值梯度图,二值梯度图中的每个像素点的像素值为:
其中,M(i,j)是最大梯度图像素点(i,j)的像素值,B(i,j)是二值梯度图像素点(i,j)的像素值。
具体地,在二值梯度图的连续梯度剧变处划分网格,以连续梯度剧变的第一个像素点作为网格划分的起始点,网格大小为16×16。例如:连续梯度剧变是在水平方向有连续的8个像素点的像素值都是255,或者在垂直方向有连续的8个像素点的像素值都是255。
进一步地,在上述方法实施例的基础上,S103中所述根据所述基准点对每个网格进行区域生长具体包括:
以所述基准点创建初始矩形,依次将初始矩形向周围左上右下四个方向进行扩张;
若初始矩形在某个方向上所有相邻点的像素值与基准点的像素值差值小于预设阈值,则初始矩形可向此方向扩张一层;
继续将初始矩形向周围左上右下四个方向进行扩张,直到四个方向都不能扩张为止。
具体地,以16×16网格的中心点作为基准点,对每个网格进行区域生长,区域生长的具体过程如下:
首先,以基准点创建初始矩形,此时矩形只包含基准点;其次,依次将初始矩形向周围左上右下四个方向进行扩张,如果初始矩形在某个方向上所有相邻点的像素值与基准点的像素值差值小于某个阈值,那么初始矩形可向此方向扩张一层。不断循环该过程,直到四个方向都不能扩张为止。如图4为一个基准点在四个方向成功扩张一次之后得到的初始矩形。
在每个网格的初始矩形都不能再扩张时,合并所有网格,然后找寻合并网格后的二值梯度图中的连通区域的轮廓图,对所述轮廓图进行矩形拟合,若判断拟合区域是矩形且根据预设条件能区分是马赛克还是非马赛克,统计这些确定的马赛克数量以方便后续进行判断;待获取所述二值梯度图中的马赛克数量,当判断所述马赛克数量大于预设阈值时,判定所述待检测图像为马赛克图像,如图5所示。
具体地,本实施例提供的图像的马赛克检测方法如图6所示,包括以下步骤:
A1、获取一张待检测图像;
A2、对所述待检测图像进行灰度化处理,得到灰度图;
A3、计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图;
A4、对最大梯度图进行二值化,得到二值梯度图;
A5、在二值梯度图的连续梯度剧变处划分网格,以连续梯度剧变的第一个像素点作为网格划分的起始点,网格大小为16×16;
A6、以16×16网格的中心点作为基准点,对每个网格进行区域生长,然后合并网格;
A7、找寻合并网格后的二值梯度图中的连通区域的轮廓图,对轮廓图进行矩形拟合,统计满足一定预设条件的矩形数量;
A8、统计的矩形数量就是马赛克数,如果马赛克数大于10,就判定待检测图像是马赛克图像,否则判定待检测图像不是马赛克图像。
本实施例提供的图像的马赛克检测方法采用了将二值梯度图进行网格划分,以网格的中心点作为基准点进行区域生长,合并网格,找寻连通区域的轮廓,并拟合矩形,根据预设条件统计马赛克数的方法,该方法检测速度快(一帧1920×1080图像在个人电脑上的CUP的检测时间约是40ms),算法复杂度低,误检率和漏检率都比较低,对样本的依赖性低,适用场景广泛,时效性好。
图7示出了本实施例提供的一种图像的马赛克检测装置的结构示意图,所述装置包括:预处理模块701、网格划分模块702、网格合并模块703、矩形拟合模块704和马赛克检测模块705,其中:
预处理模块701用于对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图;
网格划分模块702用于根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格;
网格合并模块703用于将每个网格的中心点作为基准点,根据所述基准点对每个网格进行区域生长,然后合并网格;
矩形拟合模块704用于获取合并网格后的二值梯度图中的连通区域的轮廓图,并对所述轮廓图进行矩形拟合,得到矩形;
马赛克检测模块705用于当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定所述待检测图像为马赛克图像。
具体地,预处理模块701对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图;网格划分模块702根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格;网格合并模块703将每个网格的中心点作为基准点,根据所述基准点对每个网格进行区域生长,然后合并网格;矩形拟合模块704获取合并网格后的二值梯度图中的连通区域的轮廓图,并对所述轮廓图进行矩形拟合,得到矩形;马赛克检测模块705当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定所述待检测图像为马赛克图像。
本实施例通过将二值梯度图进行网格划分,以网格的中心点作为基准点进行区域生长,合并网格,找寻连通区域的轮廓,并拟合矩形,根据预设条件统计马赛克数,实现了视频质量检测中的图像马赛克的自动检测,且整个检测过程简单,检测速度快,对图像内容的依赖性低,提高了图像马赛克检测的准确性,扩大了图像马赛克检测的适用范围。
进一步地,在上述装置实施例的基础上,所述预处理模块701具体用于:
对获取的待检测图像进行灰度化处理,得到灰度图;
计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图;
对所述最大梯度图进行二值化处理,得到所述待检测图像的二值梯度图。
进一步地,在上述装置实施例的基础上,所述预处理模块701具体用于:
使用索贝尔sobel算子计算所述灰度图的水平方向梯度图H和垂直方向梯度图V,公式如下:
其中,I是所述灰度图,*表示卷积运算;
使用水平方向梯度图H和垂直方向梯度图V相同像素点的两个像素值的最大值作为最大梯度图M对应像素点的像素值,公式如下:
M(i,j)=max(H(i,j),V(i,j))
其中,M(i,j)是最大梯度图像素点(i,j)的像素值,H(i,j)是水平方向梯度图像素点(i,j)的像素值,V(i,j)是垂直方向梯度图像素点(i,j)的像素值。
进一步地,在上述装置实施例的基础上,所述二值梯度图的起始点为所述二值梯度图中连续梯度剧变的第一个像素点;
其中,所述连续梯度剧变为所述二值梯度图中当前像素点的水平方向或垂直方向有连续预设数量的像素点的像素值均为预设值。
进一步地,在上述装置实施例的基础上,所述网格合并模块703具体用于:
以所述基准点创建初始矩形,依次将初始矩形向周围左上右下四个方向进行扩张;
若初始矩形在某个方向上所有相邻点的像素值与基准点的像素值差值小于预设阈值,则初始矩形可向此方向扩张一层;
继续将初始矩形向周围左上右下四个方向进行扩张,直到四个方向都不能扩张为止。
本实施例所述的图像的马赛克检测装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
参照图8,所述电子设备,包括:处理器(processor)801、存储器(memory)802和总线803;
其中,
所述处理器801和存储器802通过所述总线803完成相互间的通信;
所述处理器801用于调用所述存储器802中的程序指令,以执行上述各方法实施例所提供的方法。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态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,计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
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单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种图像的马赛克检测方法,其特征在于,包括:
对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图;
根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格;
将每个网格的中心点作为基准点,根据所述基准点对每个网格进行区域生长,然后合并网格;
获取合并网格后的二值梯度图中的连通区域的轮廓图,并对所述轮廓图进行矩形拟合,得到矩形;
当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定所述待检测图像为马赛克图像。
2.根据权利要求1所述的图像的马赛克检测方法,其特征在于,所述对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图,具体包括:
对获取的待检测图像进行灰度化处理,得到灰度图;
计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图;
对所述最大梯度图进行二值化处理,得到所述待检测图像的二值梯度图。
3.根据权利要求2所述的图像的马赛克检测方法,其特征在于,所述计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图,具体包括:
使用索贝尔sobel算子计算所述灰度图的水平方向梯度图H和垂直方向梯度图V,公式如下:
其中,I是所述灰度图,*表示卷积运算;
使用水平方向梯度图H和垂直方向梯度图V相同像素点的两个像素值的最大值作为最大梯度图M对应像素点的像素值,公式如下:
M(i,j)=max(H(i,j),V(i,j))
其中,M(i,j)是最大梯度图像素点(i,j)的像素值,H(i,j)是水平方向梯度图像素点(i,j)的像素值,V(i,j)是垂直方向梯度图像素点(i,j)的像素值。
4.根据权利要求1所述的图像的马赛克检测方法,其特征在于,所述二值梯度图的起始点为所述二值梯度图中连续梯度剧变的第一个像素点;
其中,所述连续梯度剧变为所述二值梯度图中当前像素点的水平方向或垂直方向有连续预设数量的像素点的像素值均为预设值。
5.根据权利要求1所述的图像的马赛克检测方法,其特征在于,所述根据所述基准点对每个网格进行区域生长,具体包括:
以所述基准点创建初始矩形,依次将初始矩形向周围左上右下四个方向进行扩张;
若初始矩形在某个方向上所有相邻点的像素值与基准点的像素值差值小于预设阈值,则初始矩形可向此方向扩张一层;
继续将初始矩形向周围左上右下四个方向进行扩张,直到四个方向都不能扩张为止。
6.一种图像的马赛克检测装置,其特征在于,包括:
预处理模块,用于对获取的待检测图像进行预处理,得到所述待检测图像的二值梯度图;
网格划分模块,用于根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格;
网格合并模块,用于将每个网格的中心点作为基准点,根据所述基准点对每个网格进行区域生长,然后合并网格;
矩形拟合模块,用于获取合并网格后的二值梯度图中的连通区域的轮廓图,并对所述轮廓图进行矩形拟合,得到矩形;
马赛克检测模块,用于当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时,判定所述待检测图像为马赛克图像。
7.根据权利要求6所述的图像的马赛克检测装置,其特征在于,所述预处理模块具体用于:
对获取的待检测图像进行灰度化处理,得到灰度图;
计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度,得到最大梯度图;
对所述最大梯度图进行二值化处理,得到所述待检测图像的二值梯度图。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一所述的图像的马赛克检测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一所述的图像的马赛克检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311566.5A CN111062331B (zh) | 2019-12-18 | 2019-12-18 | 图像的马赛克检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311566.5A CN111062331B (zh) | 2019-12-18 | 2019-12-18 | 图像的马赛克检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062331A true CN111062331A (zh) | 2020-04-24 |
CN111062331B CN111062331B (zh) | 2023-09-05 |
Family
ID=70301021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911311566.5A Active CN111062331B (zh) | 2019-12-18 | 2019-12-18 | 图像的马赛克检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062331B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034481A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 设备图像模糊检测方法及装置 |
CN113052922A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 裸土识别方法、系统、设备及介质 |
CN113542864A (zh) * | 2020-04-24 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 视频的花屏区域检测方法、装置、设备及可读存储介质 |
CN116132824A (zh) * | 2023-04-13 | 2023-05-16 | 四川新视创伟超高清科技有限公司 | 一种图像分区转换方法、系统、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100165157A1 (en) * | 2008-12-30 | 2010-07-01 | Ji Cheol Hyun | Apparatus for demosaicing colors and method thereof |
CN106447660A (zh) * | 2016-09-27 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 图片检测方法和装置 |
CN106780529A (zh) * | 2016-12-14 | 2017-05-31 | 贵州电网有限责任公司电力调度控制中心 | 基于外接矩形的会议视频马赛克检测方法 |
US20170161873A1 (en) * | 2015-12-02 | 2017-06-08 | Texas Instruments Incorporated | Universal and adaptive de-mosaicing (cfa) system |
CN108364282A (zh) * | 2018-01-15 | 2018-08-03 | 北京华兴宏视技术发展有限公司 | 图像马赛克检测方法、图像马赛克检测系统 |
CN110363766A (zh) * | 2019-07-24 | 2019-10-22 | 北京市博汇科技股份有限公司 | 马赛克检测方法、装置和电子设备 |
-
2019
- 2019-12-18 CN CN201911311566.5A patent/CN111062331B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100165157A1 (en) * | 2008-12-30 | 2010-07-01 | Ji Cheol Hyun | Apparatus for demosaicing colors and method thereof |
US20170161873A1 (en) * | 2015-12-02 | 2017-06-08 | Texas Instruments Incorporated | Universal and adaptive de-mosaicing (cfa) system |
CN106447660A (zh) * | 2016-09-27 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 图片检测方法和装置 |
CN106780529A (zh) * | 2016-12-14 | 2017-05-31 | 贵州电网有限责任公司电力调度控制中心 | 基于外接矩形的会议视频马赛克检测方法 |
CN108364282A (zh) * | 2018-01-15 | 2018-08-03 | 北京华兴宏视技术发展有限公司 | 图像马赛克检测方法、图像马赛克检测系统 |
CN110363766A (zh) * | 2019-07-24 | 2019-10-22 | 北京市博汇科技股份有限公司 | 马赛克检测方法、装置和电子设备 |
Non-Patent Citations (4)
Title |
---|
何滋鱼: "基于比例梯度的马赛克检测算法" * |
宁方美 等: "基于网格扩张的视频图像马赛克检测算法" * |
张丽红;张慧;王晓凯;: "边缘检测和区域生长相结合的图像ROI提取方法" * |
易宇晖 等: "基于彩色边缘与十字型加权模板的马赛克检测" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542864A (zh) * | 2020-04-24 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 视频的花屏区域检测方法、装置、设备及可读存储介质 |
CN113052922A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 裸土识别方法、系统、设备及介质 |
CN113034481A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 设备图像模糊检测方法及装置 |
CN116132824A (zh) * | 2023-04-13 | 2023-05-16 | 四川新视创伟超高清科技有限公司 | 一种图像分区转换方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111062331B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
EP3306562B1 (en) | Image processing method and device | |
CN109409366B (zh) | 基于角点检测的畸变图像校正方法及装置 | |
CN108171104B (zh) | 一种文字检测方法及装置 | |
CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
JP2014089626A (ja) | 画像検出装置及び制御プログラム並びに画像検出方法 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN112101113B (zh) | 一种轻量化的无人机图像小目标检测方法 | |
CN111915628A (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
CN106991753B (zh) | 一种图像二值化方法及装置 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
CN114219757B (zh) | 一种基于改进Mask R-CNN的车辆智能定损方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN112749713B (zh) | 一种基于人工智能的大数据图像识别系统及方法 | |
CN115909117A (zh) | 目标检测方法及系统 | |
CN111508045B (zh) | 一种图片合成的方法及装置 | |
JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 | |
CN110598697A (zh) | 一种基于粗细字符定位的集装箱箱号定位方法 | |
CN111383183A (zh) | 图像边缘增强方法、装置以及计算机存储介质 | |
CN116030367B (zh) | 一种无人机视角动目标检测方法及装置 | |
CN105869140A (zh) | 图像处理方法和装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231207 Address after: Room 151, Building 5, No. 17-1 Chuxin Road, Gongshu District, Hangzhou City, Zhejiang Province, 310015 Patentee after: Galaxy Internet Television (Zhejiang) Co.,Ltd. Address before: 100070 8th floor, building 7, District 18, 188 South 4th Ring Road West, Fengtai District, Beijing Patentee before: GALAXY INTERNET TV CO.,LTD. |