CN111178118B - 图像采集处理方法、装置及计算机可读存储介质 - Google Patents
图像采集处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111178118B CN111178118B CN201811346445.XA CN201811346445A CN111178118B CN 111178118 B CN111178118 B CN 111178118B CN 201811346445 A CN201811346445 A CN 201811346445A CN 111178118 B CN111178118 B CN 111178118B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- image data
- processed
- weighting
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 101
- 238000011156 evaluation Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 10
- 238000013136 deep learning model Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种图像采集处理方法、装置及计算机可读存储介质，涉及图像采集技术领域。其中，所述方法包括：利用所述图像评估分类模型对获取的待处理图像数据进行处理，以获得所述待处理图像数据对应的环境光线参数及图像评估类型；根据所述图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子；根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理。避免图像细节的丢失，改善外界环境对后端进行智能化业务开展的影响。同时，利用对待处理图像数据的快速分类及自动匹配对应图像增强处理算子，加快处理效率，减少人工干预。
Description
技术领域
本发明涉及图像采集技术领域，具体而言，涉及一种图像采集处理方法、装置及计算机可读存储介质。
背景技术
随着互联网与图像技术的飞速发展，视频结构化业务变得越来越智能化。视频结构化业务首先涉及到图像采集环节，通常而言采集到的图像质量决定了后端业务开展的效果。以车辆中驾驶员检测及其身份识别为例，可以利用前端卡口抓拍车辆，传回后端设备，再由后端设备通过算法进行车辆属性提取，并定位驾驶室对应的图像区域，从而基于定位的图像区域开展人脸识别等后端业务。此时，利用前端卡口抓拍到的车辆图像效果将直接影响到人脸识别业务的开展。
然而，即使再高端的图像采集设备采集到的图像质量均会受到环境条件的影响，特别是采用前端卡口进行抓拍时，汽车挡风玻璃上的镀膜，在光照条件不能统一的情况下，会反光或者呈现不同颜色，导致前端卡口抓拍到的车辆图像质量不高，从而无法进行相关业务。针对这一问题，主要采用在前端卡口加装过滤设备(例如，偏正片或者滤波单元)。这种方法可能会在部分环境条件下出现图像细节丢失，图像质量下降，对后端业务的开展存在影响。
发明内容
本发明的目的在于提供一种图像采集处理方法、装置及计算机可读存储介质，用以改善上述问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种图像采集处理方法，应用于电子设备，所述电子设备内预先存储一图像评估分类模型，所述方法包括：利用所述图像评估分类模型对获取的待处理图像数据进行处理，以获得所述待处理图像数据对应的环境光线参数及图像评估类型；根据所述图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子；根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理。
第二方面，本发明实施例提供了一种图像采集处理装置，应用于电子设备，所述电子设备内预先存储一图像评估分类模型，所述装置包括：处理模块，用于利用所述图像评估分类模型对获取的待处理图像数据进行处理，以获得所述待处理图像数据对应的环境光线参数及图像评估类型；获取模块，用于根据所述图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子；图像增强模块，用于根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该些计算机指令被处理器执行时实现前述方法的步骤。
与现有技术的区别在于，本发明实施例提供的一种图像采集处理方法通过利用所述图像评估分类模型确定获得的待处理图像数据对应的环境光线参数及图像评估类型，再依据确定的图像评估类型，自动查找预设的与该图像评估类型对应的图像增强处理算子，并利用图像增强处理算子及对应的环境光线参数，对待处理图像数据进行图像增强处理，避免图像细节的丢失，改善外界环境对后端进行智能化业务开展的影响。同时，利用对待处理图像数据的快速分类及自动匹配对应图像增强处理算子，加快处理效率，减少人工干预。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的一种电子设备的机构示意图。
图2示出了本发明实施例提供的一种图像采集处理方法的步骤流程图。
图3为图2中步骤S103的子步骤流程图。
图4示出了本发明实施例提供的一种图像采集处理方法的步骤流程图的另一部分。
图5示出了本发明实施例提供的一种图像采集处理方法的一个应用示例图。
图6示出了本发明实施例提供的图像采集处理装置的功能模块示意图。
图标：100-电子设备；111-存储器；112-处理器；113-通信单元；200-图像采集处理装置；201-处理模块；202-获取模块；203-图像增强模块；204-采集模块；205-检测模块；206-获得模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参考图1，本发明实施例提供的一种电子设备100。上述电子设备100可以是图像采集设备、智能移动终端等。优选地，电子设备100为图像采集设备，例如，卡口摄像头。可选地，上述电子设备100包括图像采集处理装置200、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器111用于固化在电子设备100的操作系统(Operating System，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如，存储器111内存储的图像采集处理装置200的程序段，以实现本实施例中提供的图像采集处理方法。
其中，所述存储器111可以是，但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。可选地，该电子设备100的存储器111中可以预先存储训练好的图像评估分类模型及多类图像增强处理算子。例如，图像增强处理算子可以包括边缘响应较强的Sobel算子，噪声不敏感的Laplacian of Gassian算子，可增强对比度的伽马变换算子，增强局部对比度的Laplace算子等，由于上述算子启用时对系统资源占用量少，因此，可直接存储于前端采集类的电子设备100中。
所述通信单元113用于通过所述网络建立所述电子设备100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
第一实施例
请参考图2，图2示出本发明较佳实施例提供的图像采集处理方法。上述图像采集处理方法可以应用于图1示出的电子设备100中。可选地，所述方法包括：
步骤S101，利用图像评估分类模型对获取的待处理图像数据进行处理。
在本发明实施例中，上述图像评估分类模型可以由采用预先选择的深度学习模型训练而成。例如，可以是训练好的CNN深度学习模型。
作为一种实施方式，训练图像评估分类模型的方式包括：利用多个携带环境光线参数及图像评估类型标签的样本图像集，对预选的深度学习模型进行训练得到，以使训练得到的图像评估分类模型可以识别输入的任意图像数据的环境光线参数及所属的图像评估类型。可选地，上述图像评估类型可以包括成像清晰正常(图像数据直接满足后端业务对图像数据的要求，无需预先处理)、整体灰度值低于预设的第一标准值(图像数据被采集时光线暗)、图像通透性不符合预设标准(图像数据雾蒙蒙的)、存在彩色反光、存在局部亮斑(图像数据在采集时遇到闪爆或者阳光反射)、所述整体灰度值高于预设的第二标准值(图像数据在被采集时出现了光散射)，需要说明的是，第一标准值小于第二标准值。
当然上述图像评估类型的种类仅为举例，在其他实施例中，还可以根据电子设备100进行图像采集时可能遇到的影响后端业务开展的情况，设定更多类型。
可选地，上述待处理图像数据可以是由电子设备100自行采集的图像数据，也可以是由电子设备100自行采集的图像数据中选定的一处理区域，还可以是接收到外界输入的图像数据等，对此，不做限定。在本实施例中，该待处理图像数据优选为电子设备100自行采集的图像数据中选定的一处理区域。
进一步地，电子设备100在获得待处理图像数据后，利用图像评估分类模型对待处理图像数据进行识别处理，从而获得该待处理图像数据的环境光线参数及图像评估类型。
步骤S102，根据图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子。
在本发明实施例中，可以预先对每一类需要进行预处理的图像评估类型确定至少一有效的图像增强处理算子，并将图像评估类型与图像增强处理算子之间的对应关系进行存储，便于查找。例如，图像评估类型为所述整体灰度值低于预设的第一标准值时，对应的所述图像增强处理算子包括Sobel算子；图像评估类型为所述图像通透性不符合预设标准时，对应的所述图像增强处理算子包括Laplacian of Gassian算子；所述图像评估类型为所述存在彩色反光时，对应的所述图像增强处理算子包括伽马变换算子；所述图像评估类型为所述存在局部亮斑时，对应的所述图像增强处理算子包括Laplace算子；所述图像评估类型为所述整体灰度值高于预设的第二标准值时，对应的所述图像增强处理算子包括所述Sobel算子。
这样仅需得到待处理图像数据的图像评估类型，即可快速确定所对应的图像增强处理算子，时效性好，简单高效，减少人机交互性。
步骤S103，根据对应的图像增强处理算子及对应的环境光线参数，对待处理图像数据进行图像增强处理。
在本发明实施例中，利用确定的图像增强处理算子，结合该待处理图像数据的环境光线参数，对待处理图像数据进行图像增强处理。也就是，采用与待处理图像数据匹配的图像增强技术，将待处理图像数据的图像质量提高，并将其中的细节特征的保留及突出，便于后端业务开展。同时，还将结合该待处理图像数据的环境光线参数，改善不同的环境光线条件及被采集对象自身情况对后端业务的开展所产生的影响。
可选地，如图3所示，上述步骤S103可以包括以下子步骤：
子步骤S1031，依据对应的环境光线参数所属的环境光线区间，获取对应的所述加权模型。
在本发明实施例中，可以预先设置多类适合不同环境光线条件的加权模型。每一类加权模型对应一环境光线区间。例如，预设的加权模型可以包括线性加权模型、平均加权模型及高斯加权模型。
需要说明的是，属于线性加权模型对应的环境光线区间的环境光线参数值均大于属于平均加权模型对应的环境光线区间的环境光线参数值；属于平均加权模型对应的环境光线区间的环境光线参数值均大于属于高斯加权模型对应的环境光线区间的环境光线参数值。
子步骤S1032，利用加权模型，结合所述待处理图像数据，计算所述待处理图像数据的每一个像素点对应的加权参数值。
可选地，在确定的所述加权模型为所述线性加权模型时，上述子步骤S1032可以是：根据所述像素点与对应邻域内的邻域像素点之间的距离，利用公式：wi＝1/dist(i,p)，计算对应的所述加权参数值；其中，所述p为所述待处理图像数据上的一所述像素点；wi代表所述像素点p与该像素点p的第i个邻域像素点之间对应的所述加权参数值；dist(i,p)代表所述像素点p与对应的第i个邻域像素点之间的距离。需要说明的是，采用线性加权模型时，每一像素点对应的加权参数的个数，与预先设定的像素点对应的邻域像素点的数量相关，例如，设置的4邻域，即存在4个邻域像素点时，则每一个像素点对应的加权参数的个数为4。
在本发明实施例中，在确定的所述加权模型为所述平均加权模型时，上述子步骤S1032可以是：根据所述像素点与对应的所述邻域，利用公式：wi＝1/adj(p)，计算对应的所述加权参数值；其中，所述p为所述待处理图像数据上的一所述像素点；wi代表与所述像素点p对应的所述加权参数值；adj(p)代表所述像素点p对应的邻域数量。也就是，预设的每一个像素点的邻域为4邻域，则每一个像素点对应的加权参数值为1/4，预设的每一个像素点的邻域为8邻域，则每一个像素点对应的加权参数值为1/8。
在本发明实施例中，在确定的所述加权模型为所述高斯加权模型时，上述子步骤S1032可以是：根据所述像素点与对应邻域内的邻域像素点之间的距离，利用公式：计算对应的所述加权参数值；其中，所述p为所述待处理图像数据上的一所述像素点；wi代表与所述像素点p与第i个邻域像素点之间对应的所述加权参数值；dist(min,p)代表所述像素点p与对应的所述邻域像素点之间的距离中的最小值。
子步骤S1033，根据对应的加权参数值及对应的图像增强处理算子，依次对待处理图像数据的每一个像素点进行图像增强处理。
为了便于描述，下面以确定的图像增强处理算子为拉普拉斯算子为例，对子步骤S1033进行说明。需要说明的是，拉普拉斯算子是最简单的各项同性微分算子，它具有旋转不变性，图形学中表示顶点受邻域影响。图像处理中可表示像素点受邻域影响关系。其中，受邻域正影响可以使图像钝化，用于滤波，受领域邻域逆影响，可以使细节增强。
作为一种实施方式，根据对应的加权参数值及对应的拉普拉斯算子，利用公式：
P＝Solve(Wp)，
计算每一个像素点被拉普拉斯算子处理后得到的新的像素点，进而得到图像增强处理后的图像数据。其中，P代表被拉普拉斯算子处理后得到的新的像素点，代表p待处理图像数据中的一像素点，W代表子步骤S1032中得到的像素点p对应的加权参数值。
需要说明的是，在本发明实施例中，启用的图像评估分类模型及各类图像增强处理算子对系统资源的占用均不大，因此，即使电子设备100为前端的图像采集设备(例如，卡口相机)也不影响其运行。其原理简单，且处理速度快捷，即使是实时采集，也不影响其时效性。
进一步地，在电子设备100为前端的图像采集设备时，如图4所示，本发明实施例提供的图像采集处理方法还包括以下步骤：
步骤S201，按照预设的时间间隔进行图像抓拍，以获得抓拍图像数据帧。
步骤S202，检测抓拍图像数据帧中是否存在目标对象。
在本发明实施例中，可以是采用R-FCN深度学习模型检测抓拍图像数据帧中是否存在目标对象。上述目标对象可以是用户根据业务需求选定，以对车辆内驾驶人员身份识别业务为例，上述目标对象可以是车辆。利用R-FCN深度学习模型检测抓拍图像数据帧中是否有车辆的方式可以是先从抓拍图像数据帧中进行特征提取，并采用RPN网络确定出感兴趣区域(region of interest，ROI)，利用ROI pooling、提取到的特征数据对确定的确定出的ROI进行分类，进而确定出抓拍图像数据帧中是否出现车辆，若出现，将其对应的去向区域作为目标对象。
步骤S203，当存在所述目标对象时，从所述目标对象对应的图像区域获取所述待处理图像数据。
在本发明实施例中，可以是将目标对象对应的图像区域作为待处理图像数据。也可以是，从目标对象对应的图像区域再进一步定位后端业务所需的部分。以对应的后端业务为车辆内驾驶人员身份识别为例，可以再利用Adaboost配合CNN深度学习模型，从目标对象对应的图像区域中对车窗进行定点，并将定点后的车窗区域作为最终的待处理图像数据。具体地，先利用Adaboost对目标对象对应的图像区域进行车窗检测，依据检测结果采用CNN深度学习模型对车窗进行定点，最后，依据车窗在目标对象对应的图像区域中的定点，从其中获取待处理图像数据，并控制流程进入步骤S101。
为了更清楚的描述本发明实施例，下面以应用于采用卡口相机，配合后端开展驾驶人员面部识别业务为例，对本发明提供的图像采集处理方法进行描述。具体地，如图5所示，该图像采集处理方法包括：
S1，在利用R-FCN深度学习模型检测到卡口相机采集到一帧存在车辆的抓拍图像数据帧时，利用Adaboost配合CNN深度学习模型从该图像数据帧中出现的车辆上获取车窗区域的图像数据，以作为待处理图像数据。
S2，利用图像评估分类模型对待处理图像数据进行处理，以获得该待处理图像数据的环境光线参数及图像评估类型。
S3，根据图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子。
S4，依据环境光线参数，匹配采用的加权模型，并依次计算待处理图像数据对应的加权参数值。
S5，根据图像增强处理算子及对应的加权参数值，对所述待处理图像数据进行图像增强处理。
第二实施例
请参照图6，本发明实施例提供的一种图像采集处理装置200。该图像采集处理装置200应用于电子设备100中。可选地，如图6所示，该图像采集处理装置200包括：处理模块201、获取模块202、图像增强模块203、采集模块204、检测模块205及获得模块206。
处理模块201，用于利用所述图像评估分类模型对获取的待处理图像数据进行处理，以获得所述待处理图像数据对应的环境光线参数及图像评估类型。
在本发明实施例中，上述步骤S101可以由处理模块201执行。
获取模块202，用于根据所述图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子。
在本发明实施例中，上述步骤S102可以由获取模块202执行。
图像增强模块203，用于根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理。
在本发明实施例中，上述步骤S103可以由图像增强模块203执行。进一步地，上述电子设备100内预先存储多个加权模型，每一所述加权模型与一环境光线区间对应。优选地，上述图像增强模块203包括：
获取子模块，用于依据所述对应的环境光线参数所属的所述环境光线区间，获取对应的所述加权模型。
在本发明实施例中，上述子步骤S1031可以由获取子模块执行。
计算子模块，用于利用所述加权模型，结合所述待处理图像数据，计算所述待处理图像数据的每一个像素点对应的加权参数值。
在本发明实施例中，上述子步骤S1032可以由计算子模块执行。
处理子模块，用于根据所述对应的加权参数值及所述对应的图像增强处理算子，依次对所述待处理图像数据的每一个像素点进行图像增强处理。
在本发明实施例中，上述子步骤S1033可以由处理子模块执行。
采集模块204，用于按照预设的时间间隔进行图像抓拍，以获得抓拍图像数据帧。
在本发明实施例中，上述步骤S201可以由采集模块204执行。
检测模块205，用于检测所述抓拍图像数据帧中是否存在目标对象。
在本发明实施例中，上述步骤S202可以由检测模块205执行。
获得模块206，用于当存在所述目标对象时，从所述目标对象对应的图像区域获取所述待处理图像数据。3
在本发明实施例中，上述步骤S202可以由获得模块206执行。
本发明实施例还揭示了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器112执行时实现本发明前述实施例揭示的图像采集处理方法。
综上所述，本发明实施例提供了一种图像采集处理方法、装置及计算机可读存储介质。其中，上述图像采集处理方法、装置及计算机可读存储介质应用于电子设备。所述电子设备内预先存储一图像评估分类模型，所述方法包括：利用所述图像评估分类模型对获取的待处理图像数据进行处理，以获得所述待处理图像数据对应的环境光线参数及图像评估类型；根据所述图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子；根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理。避免图像细节的丢失，改善外界环境对后端进行智能化业务开展的影响。同时，利用对待处理图像数据的快速分类及自动匹配对应图像增强处理算子，加快处理效率，减少人工干预。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
Claims (7)
1.一种图像采集处理方法，应用于电子设备，其特征在于，所述电子设备内预先存储一图像评估分类模型，所述方法包括：
利用所述图像评估分类模型对获取的待处理图像数据进行处理，以获得所述待处理图像数据对应的环境光线参数及图像评估类型；
根据所述图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子；
根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理；
所述电子设备内预先存储多个加权模型，每一所述加权模型与一环境光线区间对应，所述根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理的步骤包括：
依据所述对应的环境光线参数所属的所述环境光线区间，获取对应的所述加权模型；
利用所述加权模型，结合所述待处理图像数据，计算所述待处理图像数据的每一个像素点对应的加权参数值；
根据所述对应的加权参数值及所述对应的图像增强处理算子，依次对所述待处理图像数据的每一个像素点进行图像增强处理；
所述加权模型包括线性加权模型、平均加权模型及高斯加权模型；
在确定的所述加权模型为所述线性加权模型时，所述利用所述加权模型，结合所述待处理图像数据，计算所述待处理图像数据的每一个像素点对应的加权参数值包括：根据所述像素点与对应邻域内的邻域像素点之间的距离，利用公式：wi＝1/dist(i,p)，计算对应的所述加权参数值；其中，p为所述待处理图像数据上的一所述像素点；wi代表像素点p与该像素点p的第i个邻域像素点之间对应的所述加权参数值；dist(i,p)代表所述像素点p与对应的第i个邻域像素点之间的距离；
在确定的所述加权模型为所述平均加权模型时，所述利用所述加权模型，结合所述待处理图像数据，计算所述待处理图像数据的每一个像素点对应的加权参数值包括：根据所述像素点与对应的所述邻域，利用公式：wi＝1/adj(p)，计算对应的所述加权参数值；其中，所述p为所述待处理图像数据上的一所述像素点；wi代表与所述像素点p对应的所述加权参数值；adj(p)代表所述像素点p对应的邻域数量；
在确定的所述加权模型为所述高斯加权模型时，所述利用所述加权模型，结合所述待处理图像数据，计算所述待处理图像数据的每一个像素点对应的加权参数值包括：根据所述像素点与对应邻域内的邻域像素点之间的距离，利用公式：wi＝exp(-(dist(i,p)-dist(min,p)2)/2u2)，计算对应的所述加权参数值；其中，所述p为所述待处理图像数据上的一所述像素点；wi代表与所述像素点p与第i个邻域像素点之间对应的所述加权参数值；dist(min,p)代表所述像素点p与对应的所述邻域像素点之间的距离中的最小值。
2.如权利要求1所述的方法，其特征在于，所述线性加权模型对应的所述环境光线区间的环境光线参数值均大于所述平均加权模型对应的所述环境光线区间的环境光线参数值；所述平均加权模型对应的所述环境光线区间的环境光线参数值均大于所述高斯加权模型对应的所述环境光线区间的环境光线参数值。
3.如权利要求1所述的方法，其特征在于，所述电子设备包括图像采集设备，所述方法还包括：
按照预设的时间间隔进行图像抓拍，以获得抓拍图像数据帧；
检测所述抓拍图像数据帧中是否存在目标对象；
当存在所述目标对象时，从所述目标对象对应的图像区域获取所述待处理图像数据。
4.如权利要求1所述的方法，其特征在于，所述图像评估类型包括成像清晰正常、整体灰度值低于预设的第一标准值、图像通透性不符合预设标准、存在彩色反光、存在局部亮斑、所述整体灰度值高于预设的第二标准值，所述第一标准值小于所述第二标准值；
所述图像评估类型为所述整体灰度值低于预设的第一标准值时，对应的所述图像增强处理算子包括Sobel算子；
所述图像评估类型为所述图像通透性不符合预设标准时，对应的所述图像增强处理算子包括Laplacian of Gassian算子；
所述图像评估类型为所述存在彩色反光时，对应的所述图像增强处理算子包括伽马变换算子；
所述图像评估类型为所述存在局部亮斑时，对应的所述图像增强处理算子包括Laplace算子；
所述图像评估类型为所述整体灰度值高于预设的第二标准值时，对应的所述图像增强处理算子包括所述Sobel算子。
5.一种图像采集处理装置，应用于电子设备，其特征在于，所述电子设备内预先存储一图像评估分类模型，所述装置包括：
处理模块，用于利用所述图像评估分类模型对获取的待处理图像数据进行处理，以获得所述待处理图像数据对应的环境光线参数及图像评估类型；
获取模块，用于根据所述图像评估类型，获取预设的与该图像评估类型对应的图像增强处理算子；
图像增强模块，用于根据所述对应的图像增强处理算子及对应的环境光线参数，对所述待处理图像数据进行图像增强处理；
其中，所述电子设备内预先存储多个加权模型，每一所述加权模型与一环境光线区间对应，所述图像增强模块包括：
获取子模块，用于依据所述对应的环境光线参数所属的所述环境光线区间，获取对应的所述加权模型；
计算子模块，用于利用所述加权模型，结合所述待处理图像数据，计算所述待处理图像数据的每一个像素点对应的加权参数值；
处理子模块，用于根据所述对应的加权参数值及所述对应的图像增强处理算子，依次对所述待处理图像数据的每一个像素点进行图像增强处理；
其中，所述加权模型包括线性加权模型、平均加权模型及高斯加权模型；
在确定的所述加权模型为所述线性加权模型时，所述计算子模块还用于：根据所述像素点与对应邻域内的邻域像素点之间的距离，利用公式：wi＝1/dist(i,p)，计算对应的所述加权参数值；其中，p为所述待处理图像数据上的一所述像素点；wi代表像素点p与该像素点p的第i个邻域像素点之间对应的所述加权参数值；dist(i,p)代表所述像素点p与对应的第i个邻域像素点之间的距离；
在确定的所述加权模型为所述平均加权模型时，所述计算子模块还用于：根据所述像素点与对应的所述邻域，利用公式：wi＝1/adj(p)，计算对应的所述加权参数值；其中，所述p为所述待处理图像数据上的一所述像素点；wi代表与所述像素点p对应的所述加权参数值；adj(p)代表所述像素点p对应的邻域数量；
在确定的所述加权模型为所述高斯加权模型时，所述计算子模块还用于：根据所述像素点与对应邻域内的邻域像素点之间的距离，利用公式：wi＝exp(-(dist(i,p)-dist(min,p)2)/2u2)，计算对应的所述加权参数值；其中，所述p为所述待处理图像数据上的一所述像素点；wi代表与所述像素点p与第i个邻域像素点之间对应的所述加权参数值；dist(min,p)代表所述像素点p与对应的所述邻域像素点之间的距离中的最小值。
6.如权利要求5所述的装置，其特征在于，所述电子设备包括图像采集设备，所述装置还包括：
采集模块，用于按照预设的时间间隔进行图像抓拍，以获得抓拍图像数据帧；
检测模块，用于检测所述抓拍图像数据帧中是否存在目标对象；
获得模块，用于当存在所述目标对象时，从所述目标对象对应的图像区域获取所述待处理图像数据。
7.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该些计算机指令被处理器执行时实现权利要求1至权利要求4中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811346445.XA CN111178118B (zh) | 2018-11-13 | 2018-11-13 | 图像采集处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811346445.XA CN111178118B (zh) | 2018-11-13 | 2018-11-13 | 图像采集处理方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111178118A CN111178118A (zh) | 2020-05-19 |
| CN111178118B true CN111178118B (zh) | 2023-07-21 |
Family
ID=70646184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811346445.XA Active CN111178118B (zh) | 2018-11-13 | 2018-11-13 | 图像采集处理方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178118B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667308B (zh) * | 2020-12-16 | 2022-09-20 | 浙江大华技术股份有限公司 | 特征信息的处理方法、装置和特征信息的处理系统 |
| CN113315995B (zh) * | 2021-05-06 | 2023-04-14 | 北京智通东方软件科技有限公司 | 提高视频质量的方法、装置、可读存储介质及电子设备 |
| TWI820889B (zh) * | 2022-09-01 | 2023-11-01 | 英屬維爾京群島商威爾德嘉德有限公司 | 圖像處理方法及其裝置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105306954A (zh) * | 2014-05-30 | 2016-02-03 | 西安电子科技大学 | 一种基于视差最小可察觉误差模型的感知立体视频编码 |
| CN105654436A (zh) * | 2015-12-24 | 2016-06-08 | 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 |
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| CN205720990U (zh) * | 2016-06-27 | 2016-11-23 | 北京京东方光电科技有限公司 | 一种3d显示装置 |
| JP2017117066A (ja) * | 2015-12-22 | 2017-06-29 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 画像処理方法、画像処理装置および画像処理プログラム |
| CN107292830A (zh) * | 2016-12-28 | 2017-10-24 | 首都师范大学 | 低照度图像增强及评价方法 |
| CN107633481A (zh) * | 2017-09-19 | 2018-01-26 | 北京奇虎科技有限公司 | 基于分层的图像处理方法、装置、计算设备及存储介质 |
| CN107633232A (zh) * | 2017-09-26 | 2018-01-26 | 四川长虹电器股份有限公司 | 一种基于深度学习的低维人脸模型训练方法 |
| CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学（威海） | 基于图像处理的微生物数量估算方法 |
| CN108419028A (zh) * | 2018-03-20 | 2018-08-17 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
| CN108600631A (zh) * | 2018-05-16 | 2018-09-28 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
| CN108717530A (zh) * | 2018-05-21 | 2018-10-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI272853B (en) * | 2005-09-21 | 2007-02-01 | Quanta Comp Inc | Image edge enhancement apparatus and method thereof |
| US20100054606A1 (en) * | 2008-08-29 | 2010-03-04 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method, and computer program product |
| JP5742267B2 (ja) * | 2011-02-08 | 2015-07-01 | 富士ゼロックス株式会社 | 画像処理プログラム及び画像処理装置 |
| US9826149B2 (en) * | 2015-03-27 | 2017-11-21 | Intel Corporation | Machine learning of real-time image capture parameters |
| IL239129A0 (en) * | 2015-06-01 | 2015-11-30 | Brightway Vision Ltd | Image improvements in car imaging systems |
| US9710892B2 (en) * | 2015-10-21 | 2017-07-18 | Chunghwa Picture Tubes, Ltd. | Image enhancement method and image processing apparatus thereof |
| JP6700840B2 (ja) * | 2016-02-18 | 2020-05-27 | キヤノン株式会社 | 画像処理装置、撮像装置、制御方法及びプログラム |
| CN107809559A (zh) * | 2017-09-21 | 2018-03-16 | 中国科学院长春光学精密机械与物理研究所 | 一种图像自学习增强方法和系统 |
-
2018
- 2018-11-13 CN CN201811346445.XA patent/CN111178118B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105306954A (zh) * | 2014-05-30 | 2016-02-03 | 西安电子科技大学 | 一种基于视差最小可察觉误差模型的感知立体视频编码 |
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| JP2017117066A (ja) * | 2015-12-22 | 2017-06-29 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 画像処理方法、画像処理装置および画像処理プログラム |
| CN105654436A (zh) * | 2015-12-24 | 2016-06-08 | 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 |
| CN205720990U (zh) * | 2016-06-27 | 2016-11-23 | 北京京东方光电科技有限公司 | 一种3d显示装置 |
| CN107292830A (zh) * | 2016-12-28 | 2017-10-24 | 首都师范大学 | 低照度图像增强及评价方法 |
| CN107633481A (zh) * | 2017-09-19 | 2018-01-26 | 北京奇虎科技有限公司 | 基于分层的图像处理方法、装置、计算设备及存储介质 |
| CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学（威海） | 基于图像处理的微生物数量估算方法 |
| CN107633232A (zh) * | 2017-09-26 | 2018-01-26 | 四川长虹电器股份有限公司 | 一种基于深度学习的低维人脸模型训练方法 |
| CN108419028A (zh) * | 2018-03-20 | 2018-08-17 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
| CN108600631A (zh) * | 2018-05-16 | 2018-09-28 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
| CN108717530A (zh) * | 2018-05-21 | 2018-10-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于动态场景估计的自适应图像增强算法;张超;杨晶晶;王盛;陈更生;;计算机工程(第05期);全文 * |
| 夜间视频图像处理技术在视频侦查中的应用研究;李博;刘雨杰;杨木;;信息系统工程(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111178118A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178118B (zh) | 图像采集处理方法、装置及计算机可读存储介质 | |
| Saleem et al. | Automatic license plate recognition using extracted features | |
| CN112200172B (zh) | 一种可行驶区域的检测方法及装置 | |
| CN108268867B (zh) | 一种车牌定位方法及装置 | |
| WO2020140610A1 (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
| CN111797653A (zh) | 基于高维图像的图像标注方法和装置 | |
| US20130170711A1 (en) | Edge detection image capture and recognition system | |
| CN111178272B (zh) | 一种识别驾驶员行为的方法、装置及设备 | |
| Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
| CN111507324B (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
| WO2020140611A1 (zh) | 一种基于图像处理的vin码识别方法、设备及介质 | |
| CN116562991B (zh) | 面向元宇宙电商平台的商品大数据信息识别方法及系统 | |
| Surekha et al. | AUTOMATIC LICENSE PLATE RECOGNITION USING IMAGE PROCESSING AND NEURAL NETWORK. | |
| CN110458144A (zh) | 物体区域入侵检测方法、系统、装置及可读存储介质 | |
| CN111627057A (zh) | 一种距离测量方法、装置及服务器 | |
| CN113850151A (zh) | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 | |
| CN112396060A (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
| KR20150146374A (ko) | 주변 환경 정보를 이용한 차선 인식 시스템 및 그 방법 | |
| CN114267076B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| CN112329572B (zh) | 一种基于边框和闪光点的快速静态活体检测方法及装置 | |
| CN113139526A (zh) | 一种基于OpenCV的停车泊位线识别方法 | |
| Kaur et al. | Automatic license plate recognition system | |
| Paunwala et al. | Multiple License Plate Extraction Based on Mathematical Morphology and Component Filtering in Indian Traffic Conditions | |
| CN116468973B (zh) | 用于低照度图像的目标检测模型的训练方法、装置 | |
| Jaiswal et al. | Object Boundary Based Denoising for Depth Images |
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 |