CN111080560B - 一种图像的处理与识别方法 - Google Patents

一种图像的处理与识别方法 Download PDF

Info

Publication number
CN111080560B
CN111080560B CN201911404218.2A CN201911404218A CN111080560B CN 111080560 B CN111080560 B CN 111080560B CN 201911404218 A CN201911404218 A CN 201911404218A CN 111080560 B CN111080560 B CN 111080560B
Authority
CN
China
Prior art keywords
image
layer
weight
pixel
points
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
Application number
CN201911404218.2A
Other languages
English (en)
Other versions
CN111080560A (zh
Inventor
丛二勇
朱莉
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.)
Harbin University
Original Assignee
Harbin University
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 Harbin University filed Critical Harbin University
Priority to CN201911404218.2A priority Critical patent/CN111080560B/zh
Publication of CN111080560A publication Critical patent/CN111080560A/zh
Application granted granted Critical
Publication of CN111080560B publication Critical patent/CN111080560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/50—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

一种图像的处理与识别方法，涉及图像处理领域，包括：步骤一、图像特征点的提取；步骤二、图像像质的增强；步骤三、图像的融合；步骤四、去噪。本发明的图像的处理与识别方法，主要通过图像特征点的提取、图像像质的增强、图像的融合、去噪实现图像处理和高精度识别。从图像中提取丰富的特征，通过图像像质增强对其进行增强，然后通过图像融合将增强结果融合在一起，再去除其中提取到的噪声，得到最后的增强图像。通过本发明的图像处理和识别方法实现低照度图像和真实图像之间的映射关系，有效提高了图像的对比度，去除了图像中的噪声，提高了图像的清晰度。通过本发明有效改善了图像质量，提高了图像识别效果，具有十分重要的应用价值。

Description

一种图像的处理与识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像的处理与识别方法。
背景技术
图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。在众多领域中，物体的三维图像识别是非常核心的重要环节。对物体的图像进行准确的处理和识别是实现目标跟踪和图像匹配等应用的重要前提。
低照度条件是指夜间或背光条件，在这种条件下所采集到的图像是模糊的，会出现阴影、模糊、对比度低、噪声等现象，难以识别，给后续处理带来难题。
目前，针对图像的处理方法主要有：第一种，直方图均衡化增强方法。其主要是将原始图像的灰度直方图从比较集中的某个灰度区间变成全部灰度范围内的均匀分布，对比度受限的直方图均衡化方法可以有效提高图像的对比度，但没有考虑图像频率以及细节信息，易出现色偏和过度增强。第二种，同态滤波增强方法。其主要是基于照明-反射模型，通过改变照度和反射率对像元灰度值的影响，来达到揭示阴影区域细节特征的目的。由于前提条件是假设光照均匀，所以对于存在高光区和暗区的夜间图像增强效果较差。
发明内容
本发明的目的是提供一种图像的处理与识别方法，以解决低照度条件下的图像处理与识别问题。
本发明为解决技术问题所采用的技术方案如下：
本发明的一种图像的处理与识别方法，包括以下步骤：
步骤一、图像特征点的提取；
步骤二、图像像质的增强；
步骤三、图像的融合；
步骤四、去噪。
进一步的，步骤一具体包以下步骤：
(1)获取原始图像；
(2)对原始图像进行归一化处理；
(3)对归一化图像进行区域划分，分成3列*3行；
(4)采用Harris角点算法确定归一化图像中的角点，并记录角点的坐标，通过角点坐标确定图像特征点。
进一步的，步骤(4)具体包以下步骤：
S401：将归一化图像转换为灰度图像；
S402：采用九宫格法对图像像素点进行筛选；
S403：利用加速分割测试特征算法去除其中的非特征点，获得初始图像像素点；
S404：计算初始图像像素点的局部均方差，确定各初始图像像素点所在区域的对比度；
S405：根据对比度，以初始图像像素点响应Harris函数执行非极大值抑制算法，保留局部角点响应函数最大值的像素点，以这些点为中心搜索角点簇，最后以容忍距离内保留一个特征点为原则确定图像特征点。
进一步的，步骤二具体包以下步骤：
(1)通过对图像特征点进行卷积处理获得图像的特征图；
(2)对特征图进行非线性映射操作，首次输入为步骤(1)得到的特征图，输出为第一层的卷积结果，公式为：
Figure GDA0002614600830000031
Figure GDA0002614600830000032
为激活函数，Qd1和b1分别为第一层卷积层的权值和偏置，E为步骤(1)得到的特征图，E1为第一层卷积结果；
然后输入第一层卷积结果E1，输出第二层卷积结果，公式为：
Figure GDA0002614600830000033
Figure GDA0002614600830000034
为激活函数，Qd2和b2分别为第二层卷积层的权值和偏置，E1为第一层卷积结果，E2为第二层卷积结果；
再输入第二层卷积结果E2，输出第三层卷积结果，公式为：
Figure GDA0002614600830000035
Figure GDA0002614600830000036
为激活函数，Qd3和b3分别为第三层卷积层的权值和偏置，E2为第二层卷积结果，E3为第三层卷积结果；
最后输入第三层卷积结果E3，输出第四层卷积结果，公式为：
Figure GDA0002614600830000037
Figure GDA0002614600830000038
为激活函数，Qd4和b4分别为第四层卷积层的权值和偏置，E3为第三层卷积结果，E4为第四层卷积结果；
(2)反卷积：a＝s(E4-1)+k-2c，其中，a为经过反卷积之后的输出图像的大小，E4为第四层卷积结果，k为卷积核大小，c为反卷积层填充padding参数，s为反卷积步长；通过反卷积操作实现图像像质增强。
进一步的，步骤三具体包以下步骤：
根据像质增强后的每张图像的亮度均值权重、饱和度权重和对比度权重计算得到每张图像的融合权重，根据每张图像的融合权重对应将多张不同图像加权融合，得到融合图像。
进一步的，所述亮度均值权重的计算公式为：
Figure GDA0002614600830000039
其中，Dm(i,j)为第m张图像的第i行第j列像素的亮度均值权重，Xn为第n张图像需增强区域亮度均值，ρ为调节系数，Hm(i,j)为第m张曝光图像的第i行第j列像素的亮度值。
进一步的，所述饱和度权重的计算公式为：
Figure GDA0002614600830000041
其中，Bm(i,j)为第m张曝光图像的第i行第j列像素的饱和度权重，Y(i,j)为原始图像的第i行第j列像素中的红色子像素的亮度值，Z(i,j)为原始图像的第i行第j列像素中的绿色子像素的亮度值，F(i,j)为原始图像的第i行第j列像素中的蓝色子像素的亮度值，W为原始图像的平均亮度值，
Figure GDA0002614600830000042
进一步的，步骤四中，采用中值滤波方法、非局部均值法、高斯滤波法或双边滤波法对融合图像进行去噪处理。
本发明的有益效果如下：
本发明的图像的处理与识别方法，主要通过图像特征点的提取、图像像质的增强、图像的融合、去噪实现图像处理和高精度识别。从图像中提取丰富的特征，通过图像像质增强对其进行增强，然后通过图像融合将增强结果融合在一起，再去除其中提取到的噪声，得到最后的增强图像。
通过本发明的图像处理和识别方法实现低照度图像和真实图像之间的映射关系，有效提高了图像的对比度，去除了图像中的噪声，提高了图像的清晰度。
通过本发明的图像处理和识别方法，有效改善了图像质量，提高了图像识别效果，具有十分重要的应用价值。
附图说明
图1为原始图像。
图2为经过本发明的图像的处理与识别方法处理后的增强图像。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明的一种图像的处理与识别方法，具体包括以下步骤：
步骤一、图像特征点的提取，具体包括以下步骤：
(1)获取原始图像，如图1所示；
(2)对原始图像进行归一化处理；
(3)对归一化图像进行区域划分，分成3列*3行；
(4)采用Harris角点算法确定归一化图像中的角点，并记录角点的坐标，通过角点坐标确定图像特征点；具体包以下步骤：
S401：将归一化图像转换为灰度图像；
S402：采用九宫格法对图像像素点进行筛选；
S403：利用加速分割测试特征算法去除其中的非特征点，获得初始图像像素点；
S404：计算初始图像像素点的局部均方差，确定各初始图像像素点所在区域的对比度；
S405：根据对比度，以初始图像像素点响应Harris函数执行非极大值抑制算法，保留局部角点响应函数最大值的像素点，以这些点为中心搜索角点簇，最后以容忍距离内保留一个特征点为原则确定图像特征点。
步骤二、图像像质的增强，具体包括以下步骤：
(1)通过对图像特征点进行卷积处理获得图像的特征图；
(2)对特征图进行非线性映射操作，首次输入为步骤(1)得到的特征图，输出为第一层的卷积结果，公式为：
Figure GDA0002614600830000051
Figure GDA0002614600830000052
为激活函数，Qd1和b1分别为第一层卷积层的权值和偏置，E为步骤(1)得到的特征图，E1为第一层卷积结果；
然后输入第一层卷积结果E1，输出第二层卷积结果，公式为：
Figure GDA0002614600830000053
Figure GDA0002614600830000054
为激活函数，Qd2和b2分别为第二层卷积层的权值和偏置，E1为第一层卷积结果，E2为第二层卷积结果；
再输入第二层卷积结果E2，输出第三层卷积结果，公式为：
Figure GDA0002614600830000061
Figure GDA0002614600830000062
为激活函数，Qd3和b3分别为第三层卷积层的权值和偏置，E2为第二层卷积结果，E3为第三层卷积结果；
最后输入第三层卷积结果E3，输出第四层卷积结果，公式为：
Figure GDA0002614600830000063
Figure GDA0002614600830000064
为激活函数，Qd4和b4分别为第四层卷积层的权值和偏置，E3为第三层卷积结果，E4为第四层卷积结果；
(2)反卷积：a＝s(E4-1)+k-2c，其中，a为经过反卷积之后的输出图像的大小，E4为第四层卷积结果，k为卷积核大小，c为反卷积层填充padding参数，s为反卷积步长；通过反卷积操作实现图像像质增强。
步骤三、图像的融合，具体包以下步骤：
根据像质增强后的每张图像的亮度均值权重、饱和度权重和对比度权重计算得到每张图像的融合权重，根据每张图像的融合权重对应将多张不同图像加权融合，得到融合图像。
亮度均值权重的计算公式为：
Figure GDA0002614600830000065
其中，Dm(i,j)为第m张图像的第i行第j列像素的亮度均值权重，Xn为第n张图像需增强区域亮度均值，ρ为调节系数，Hm(i,j)为第m张曝光图像的第i行第j列像素的亮度值。
饱和度权重的计算公式为：
Figure GDA0002614600830000066
其中，Bm(i,j)为第m张曝光图像的第i行第j列像素的饱和度权重，Y(i,j)为原始图像的第i行第j列像素中的红色子像素的亮度值，Z(i,j)为原始图像的第i行第j列像素中的绿色子像素的亮度值，F(i,j)为原始图像的第i行第j列像素中的蓝色子像素的亮度值，W为原始图像的平均亮度值，
Figure GDA0002614600830000071
步骤四、采用中值滤波方法、非局部均值法、高斯滤波法或双边滤波法对融合图像进行去噪处理，获得的高清晰、高对比度图像如图2所示。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种图像的处理与识别方法，其特征在于，包括以下步骤：
步骤一、图像特征点的提取；
(1)获取原始图像；
(2)对原始图像进行归一化处理；
(3)对归一化图像进行区域划分，分成3列*3行；
(4)采用Harris角点算法确定归一化图像中的角点，并记录角点的坐标，通过角点坐标确定图像特征点；
步骤(4)具体包以下步骤：
S401：将归一化图像转换为灰度图像；
S402：采用九宫格法对图像像素点进行筛选；
S403：利用加速分割测试特征算法去除其中的非特征点，获得初始图像像素点；
S404：计算初始图像像素点的局部均方差，确定各初始图像像素点所在区域的对比度；
S405：根据对比度，以初始图像像素点响应Harris函数执行非极大值抑制算法，保留局部角点响应函数最大值的像素点，以这些点为中心搜索角点簇，最后以容忍距离内保留一个特征点为原则确定图像特征点；
步骤二、图像像质的增强；
(1)通过对图像特征点进行卷积处理获得图像的特征图；
(2)对特征图进行非线性映射操作，首次输入为步骤(1)得到的特征图，输出为第一层的卷积结果，公式为：
Figure FDA0002614600820000011
Figure FDA0002614600820000012
为激活函数，Qd1和b1分别为第一层卷积层的权值和偏置，E为步骤(1)得到的特征图，E1为第一层卷积结果；
然后输入第一层卷积结果E1，输出第二层卷积结果，公式为：
Figure FDA0002614600820000021
Figure FDA0002614600820000022
为激活函数，Qd2和b2分别为第二层卷积层的权值和偏置，E1为第一层卷积结果，E2为第二层卷积结果；
再输入第二层卷积结果E2，输出第三层卷积结果，公式为：
Figure FDA0002614600820000023
Figure FDA0002614600820000024
为激活函数，Qd3和b3分别为第三层卷积层的权值和偏置，E2为第二层卷积结果，E3为第三层卷积结果；
最后输入第三层卷积结果E3，输出第四层卷积结果，公式为：
Figure FDA0002614600820000025
Figure FDA0002614600820000026
为激活函数，Qd4和b4分别为第四层卷积层的权值和偏置，E3为第三层卷积结果，E4为第四层卷积结果；
(3)反卷积：a＝s(E4-1)+k-2c，其中，a为经过反卷积之后的输出图像的大小，E4为第四层卷积结果，k为卷积核大小，c为反卷积层填充padding参数，s为反卷积步长；通过反卷积操作实现图像像质增强；
步骤三、图像的融合；
根据像质增强后的每张图像的亮度均值权重、饱和度权重和对比度权重计算得到每张图像的融合权重，根据每张图像的融合权重对应将多张不同图像加权融合，得到融合图像；
所述亮度均值权重的计算公式为：
Figure FDA0002614600820000027
其中，Dm(i,j)为第m张图像的第i行第j列像素的亮度均值权重，Xn为第n张图像需增强区域亮度均值，ρ为调节系数，Hm(i,j)为第m张曝光图像的第i行第j列像素的亮度值；
所述饱和度权重的计算公式为：
Figure FDA0002614600820000028
其中，Bm(i,j)为第m张曝光图像的第i行第j列像素的饱和度权重，Y(i,j)为原始图像的第i行第j列像素中的红色子像素的亮度值，Z(i,j)为原始图像的第i行第j列像素中的绿色子像素的亮度值，F(i,j)为原始图像的第i行第j列像素中的蓝色子像素的亮度值，W为原始图像的平均亮度值，
Figure FDA0002614600820000031
步骤四、去噪；
采用中值滤波方法、非局部均值法、高斯滤波法或双边滤波法对融合图像进行去噪处理。
CN201911404218.2A 2019-12-31 2019-12-31 一种图像的处理与识别方法 Active CN111080560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911404218.2A CN111080560B (zh) 2019-12-31 2019-12-31 一种图像的处理与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911404218.2A CN111080560B (zh) 2019-12-31 2019-12-31 一种图像的处理与识别方法

Publications (2)

Publication Number Publication Date
CN111080560A CN111080560A (zh) 2020-04-28
CN111080560B true CN111080560B (zh) 2020-09-29

Family

ID=70320203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911404218.2A Active CN111080560B (zh) 2019-12-31 2019-12-31 一种图像的处理与识别方法

Country Status (1)

Country Link
CN (1) CN111080560B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793247A (zh) * 2021-07-08 2021-12-14 福建榕基软件股份有限公司 一种首饰图像美化方法及终端

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778670A (zh) * 2015-04-17 2015-07-15 广西科技大学 一种基于多元统计模型的分形小波自适应图像去噪方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9299130B2 (en) * 2013-03-15 2016-03-29 Trustees Of Tufts College Methods and apparatus for image processing and analysis
US10785463B2 (en) * 2013-07-16 2020-09-22 Texas Instruments Incorporated Super-resolution in structured light imaging
CN105654436B (zh) * 2015-12-24 2018-10-23 广东迅通科技股份有限公司 一种基于前景背景分离的背光图像增强去噪方法
CN106056046B (zh) * 2016-05-20 2019-01-18 北京集创北方科技股份有限公司 从图像中提取特征的方法和装置
CN107154029A (zh) * 2017-05-08 2017-09-12 聚龙智瞳科技有限公司 用于低照度图像处理的方法及装置
CN107358576A (zh) * 2017-06-24 2017-11-17 天津大学 基于卷积神经网络的深度图超分辨率重建方法
CN108198211A (zh) * 2017-11-20 2018-06-22 海纳医信（北京）软件科技有限责任公司 眼底图像的处理方法及装置、存储介质、处理器
CN110087003B (zh) * 2019-04-30 2021-03-23 Tcl华星光电技术有限公司 多曝光图像融合方法
CN110519485B (zh) * 2019-09-09 2021-08-31 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778670A (zh) * 2015-04-17 2015-07-15 广西科技大学 一种基于多元统计模型的分形小波自适应图像去噪方法

Also Published As

Publication number Publication date
CN111080560A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN107767413B (zh) 一种基于卷积神经网络的图像深度估计方法
CN109754377B (zh) 一种多曝光图像融合方法
CN106204509B (zh) 基于区域特性的红外与可见光图像融合方法
CN108510451B (zh) 一种基于双层卷积神经网络的重建车牌的方法
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉系统
CN113129391B (zh) 基于多曝光图像特征分布权重的多曝光融合方法
CN110335221B (zh) 一种基于无监督学习的多曝光图像融合方法
CN111242026A (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN110930327A (zh) 基于级联深度残差网络的视频去噪方法
CN114627034A (zh) 一种图像增强方法、图像增强模型的训练方法及相关设备
CN111582074A (zh) 一种基于场景深度信息感知的监控视频树叶遮挡检测方法
KR100551826B1 (ko) 다수의 이미지 센서로부터의 이미지 융합 방법
Kumar et al. Enhancing scene perception using a multispectral fusion of visible–near‐infrared image pair
CN109635809B (zh) 一种面向视觉退化图像的超像素分割方法
Kwok et al. Design of unsharp masking filter kernel and gain using particle swarm optimization
CN111080560B (zh) 一种图像的处理与识别方法
CN114187189A (zh) 一种飞行器多光谱影像辐射一致性校正方法
CN114463196A (zh) 一种基于深度学习的图像校正方法
CN111563866B (zh) 一种多源遥感图像融合方法
Panetta et al. Novel multi-color transfer algorithms and quality measure
CN110827375B (zh) 一种基于微光图像的红外图像真彩着色方法及系统
CN110033408B (zh) 针对多云雨地区的sar与多光谱遥感数据的融合方法
CN116681606A (zh) 一种水下不均匀光照图像增强方法、系统、设备及介质
CN110930343A (zh) 基于sr-mdcnn的遥感图像融合方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Two Yong

Inventor after: Zhu Li

Inventor before: Zhu Li

Inventor before: Two Yong

GR01 Patent grant
GR01 Patent grant