CN111213372B - 成像设备的动态范围的评估 - Google Patents
成像设备的动态范围的评估 Download PDFInfo
- Publication number
- CN111213372B CN111213372B CN201780095351.7A CN201780095351A CN111213372B CN 111213372 B CN111213372 B CN 111213372B CN 201780095351 A CN201780095351 A CN 201780095351A CN 111213372 B CN111213372 B CN 111213372B
- Authority
- CN
- China
- Prior art keywords
- snr
- predefined
- dynamic range
- rois
- roi
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/741—Circuitry for compensating brightness variation in the scene by increasing the dynamic range of the image compared to the dynamic range of the electronic image sensors
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
在一个示例中,计算设备从由成像设备捕获的图像中提取第一预定义的感兴趣区域(ROI)、第二预定义的ROI和第三预定义的ROI。此外,分别针对第一、第二和第三预定义的ROI计算第一信噪比(SNR)、第二SNR和第三SNR。该计算设备计算第一SNR相对于第二SNR和第三SNR、第二SNR相对于第三SNR和第一SNR,以及第三SNR相对于第一SNR和第二SNR的方差。基于该方差,将预定义的权重与第一SNR、第二SNR和第三SNR相关联以获得加权的SNR值。基于加权的SNR值,计算设备评估成像设备的动态范围。
Description
背景技术
诸如相机、扫描仪或网络摄像机之类的成像设备的动态范围指示成像设备的灵敏度。成像设备的动态范围说明了成像设备可检测到的信号的最大强度和最小强度之间的差。
附图说明
以下详细描述参考附图,其中:
图1图示根据示例的用于评估成像设备的动态范围的计算设备;
图2A图示根据示例的用于评估成像设备的动态范围的计算设备;
图2B图示根据示例的用于评估成像设备的动态范围的目标图像;和
图3图示根据示例的实现用于评估成像设备的动态范围的非暂时性计算机可读介质的系统环境。
具体实施方式
通常,测量成像设备的动态范围以确定成像设备是否满足成像质量要求。与将成像设备作为系统的一部分进行测试时相比,当将成像设备作为独立单元进行测试时,对成像设备动态范围的测量提供了不同的结果。例如,当将成像设备安装在系统中时,由于位于成像设备之前的材料表面导致的光信号衰减,系统的外壳可能会增加热量和/ 或减少光透射。这可能会引入噪声,因此可能会使成像设备的动态范围降级。
通常在测试设施内评估动态范围。成像设备可以被安装在架子上,使得成像设备能够观看到目标。为了能够评估动态范围,成像设备最多捕获10次目标图像,并针对每个目标图像计算动态范围。此外,为了评估动态范围,将目标图像分割成不少于25个灰度图案以评估动态范围。结果,目标图像被设计为能够容纳25个灰度图案,从而目标图像的尺寸增大。具有增大尺寸的目标图像可能会增加测试设备的成本。此外,为了获得准确的结果,必须均匀照明目标图像。向目标图像提供均匀的照明可能会增加测试设施的成本。另外,对至少25个灰度图案的分析可能会使动态范围计算复杂且耗时,尤其是在必须执行至少10次计算时。
本主题描述了用于评估成像设备的动态范围的技术。本主题的技术有助于以更快和准确的方式评估成像设备(诸如相机或扫描仪)的动态范围。
根据一个方面,成像设备可以与多个基准相关联。基准可以是放置在成像设备的视场中并且出现在所产生的目标图像(以下称为图像)中以用作参考点的对象。由成像设备捕获的图像被处理以识别图像内的基准。基于该基准,从图像中提取第一,第二和第三预定义的感兴趣区域(ROI)。ROI可以是在图像内定义的特定灰度图案。此后,对于第一、第二和第三预定义的ROI,计算第一、第二和第三信噪比 (SNR)以计算方差。例如,关于第二SNR和第三SNR计算针对第一 SNR的方差,关于第三SNR和第一SNR针对第二SNR计算方差,并且关于第一SNR和第二SNR针对第三SNR计算方差。基于该方差,将预定义的权重与第一SNR,第二SNR和第三SNR相关联以获得加权的SNR值。预定义的权重可以是用于与第一SNR,第二SNR和第三SNR相关联的值。这些加权的SNR值用于执行线性回归以评估成像设备的动态范围。
将如此评估的动态范围与一组预定义的动态范围进行比较,以确定成像设备的动态范围是否满足成像质量要求。在一个示例中,如果如此计算出的动态范围不满足成像质量要求,则可以重复上述捕获图像的过程和计算多达三次,以确定成像设备的动态范围。通过将目标图像分割为较少数量的灰度图案,本主题进一步有助于评估成像设备的动态范围。结果,减少了动态范围评估中涉及的计算。因此,本主题的技术是成本有效的并且节省了计算时间。
参考附图进一步描述本主题。在任何可能的地方,在附图和以下描述中使用相同附图标记以指代相同或类似的部分。应当注意,描述和附图仅仅说明了本主题的原理。因此要理解的是,可以设想出包含本公开的原理的各种布置,即使它们没有在本文中明确地描述或示出。而且,本文中记载本公开的原理、方面和示例的所有陈述以及其具体示例意图涵盖其等同物。
图1图示根据示例的用于评估成像设备(未示出)的动态范围的计算设备100。在示例中,计算设备100可以包括膝上型计算机、智能电话、平板电脑、笔记本计算机等。此外,成像设备可以包括但不限于相机和扫描仪。成像设备可能能够捕获、存储和操纵图像。
在一个示例中,计算设备100可包括处理器和耦合到处理器的存储器。处理器可以包括微处理器、微计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于计算机可读指令来操纵信号和数据的任何其他设备。此外,可以通过使用专用硬件以及能够执行计算机可读指令的硬件来提供附图中所示的各种元素的功能,包括标记为″(一个或多个)处理器″的任何功能框。
通信地耦合到处理器的存储器可以包括本领域中已知的任何非暂时性的计算机可读介质,包括例如易失性存储器,诸如静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM),和/或非易失性存储器,诸如只读存储器(ROM)、可擦除可编程ROM、闪速存储器、硬盘、光盘和磁带。
计算设备100还可以包括(一个或多个)接口。(一个或多个) 接口可以包括各种接口,例如,用于用户的接口。(一个或多个)接口可以包括数据输出设备。(一个或多个)接口便于计算设备100与各种通信和计算设备以及各种通信网络(诸如,使用各种协议的网络,例如,实时流协议(RTSP),超文本传输协议(HTTP)实时流(HLS)和实时传输协议(RTP)的网络)的通信。
此外,计算设备100可以包括动态范围评估引擎102(在下文中称为评估引擎102)。评估引擎102尤其包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件和数据结构。评估引擎102 还可以被实现为(一个或多个)信号处理器、(一个或多个)状态机、逻辑电路和/或基于操作指令来操纵信号的任何其他设备或部件。此外,评估引擎102可以由硬件、由处理单元执行的计算机可读指令或由其组合来实现。在一个示例中,评估引擎102可以包括补充由计算设备100执行的应用或功能的程序或编码指令。
在示例中,计算设备100可以包括数据。该数据可以包括感兴趣区域(ROI)数据、方差数据、动态范围数据和其他数据。其他数据可以包括由评估引擎102生成和保存的用于实现计算设备100的各种功能的数据。
在示例中,评估引擎102接收由成像设备捕获的图像。评估引擎 102处理图像以从该图像中提取多个预定义的ROI。多个预定义的ROI 包括第一预定义的ROI、第二预定义的ROI和第三预定义的ROI。在示例中,在设计图像时定义多个ROI。例如,第一、第二和第三ROI被定义为使得第一ROI、第二ROI和第三ROI具有不同的光密度。尽管参考第一ROI、第二ROI和第三ROI解释了本主题,但是预定义的 ROI的数量可以基于图像的大小和成像质量要求而变化。
此外,成像设备可以与基准相关联,使得基准有助于确定第一、第二和第三预定义的ROI在图像中的位置。因此,为了提取第一预定义的ROI、第二预定义的ROI和第三预定义的ROI,评估引擎102首先识别图像中基准的位置。为此,评估引擎102基于阈值化方法将图像分割为多个黑色和白色像素。结合图2A和2B描述与阈值化方法有关的细节。基于阈值化方法的图像分割导致基准由图像中的黑色像素来表示。
此外,为了从分割的图像中去除任何噪声,评估引擎102可以在图像上执行噪声消除以以准确的方式识别表示基准的黑色像素。在识别出黑色像素之后,评估引擎102提取黑色像素的绝对坐标。例如,绝对坐标是从黑色像素的质心提取的。
基于黑色像素的绝对坐标,评估引擎102获得第一、第二和第三预定义的ROI的绝对坐标。在示例中,评估引擎102通过对黑色像素的绝对坐标执行梯形失真(keystone)校正技术的逆运算来获得第一、第二和第三预定义的ROI的绝对坐标。结合图2A描述与梯形失真校正技术的逆操作有关的细节。在示例中,为了获得绝对坐标,评估引擎102诸如从计算设备100的存储器获得第一、第二和第三预定义的 ROI的相对坐标。当第一ROI、第二ROI和第三ROI被预先定义时,对应于第一预定义的ROI、第二预定义的ROI和第三预定义的ROI 的相对坐标是已知的。之后,评估引擎102利用第一、第二和第三预定义的ROI的相对坐标以及代表基准的黑色像素的绝对坐标来获得第一、第二和第三预定义的ROI的绝对坐标。因此,评估引擎102从图像中提取第一、第二、第三预定义的ROI。
在提取第一、第二和第三预定义的ROI时,评估引擎102计算第一预定义的ROI的第一信噪比(SNR)、第二预定义的ROI的第二SNR、和第三预定义的ROI的第三SNR。在示例中,基于与第一预定义的 ROI、第二预定义的ROI和第三预定义的ROI相关联的亮度通道来计算第一SNR、第二SNR和第三SNR。例如,SNR被计算为:
其中,L*是与第一预定义的ROI相关的亮度通道
L*平均值是基于第一预定义的ROI的大小计算出的平均值L*,并且
L*stdev是第一预定义的ROI的L*的标准偏差。
第一SNR、第二SNR和第三SNR的计算基于但不限于图像的亮度。在示例中,评估引擎102还可以基于其他通道参数(诸如图像的红色、蓝色或绿色通道)来计算第一SNR、第二SNR和第三SNR。
此外,评估引擎102计算第一SNR相对于第二SNR和第三SNR、第二SNR相对于第三SNR和第一SNR,以及第三SNR相对于第一 SNR和第二SNR的方差。在示例中,评估引擎102执行第一SNR、第二SNR和第三SNR的线性回归以计算方差。在另一个示例中,评估引擎102通过计算第一SNR、第二SNR和第三SNR之间的链对距离来计算第一SNR、第二SNR和第三SNR之间的方差。在示例中,评估引擎102将与第一SNR、第二SNR和第三SNR的方差有关的数据作为方差数据存储在计算设备100的存储器中。
基于该方差,评估引擎102将预定义的权重与第一SNR、第二 SNR和第三SNR相关联,以获得针对第一、第二和第三预定义的ROI 的加权的SNR值。在示例中,预定义的权重可以是0或1。例如,当第一SNR的偏差大于第二SNR和第三SNR时,将权重0分配给第一 SNR。分配权重0指示将第一SNR视为噪声,并从进一步的计算中将其丢弃。具有较小方差的第二SNR和第三SNR与权重1相关联。尽管参考第一预定义的ROI、第二预定义的ROI和第三预定义的ROI 描述了本主题,但是预定义的ROI可以在数量上更多。
在示例中,评估引擎102对加权的SNR值执行线性回归。基于该线性回归,评估引擎102识别成像设备的动态范围。此后,评估引擎102将成像设备的动态范围与动态范围的预定义组进行比较。如果成像设备的动态范围落入动态范围的预定义组内,则评估引擎102生成针对成像设备的成功报告。该成功报告指示成像设备满足成像质量要求。如果成像设备的动态范围未落入动态范围的预定义组内,则评估引擎102生成针对成像设备的故障报告。该故障报告指示成像设备不满足成像质量要求。在示例中,评估引擎102将成像设备的动态范围和动态范围的预定义组作为动态范围数据存储在计算设备100的存储器中。
在示例中,可以针对三个目标图像重复上述评估过程,以确认成像设备的动态范围。因此,可以更快地执行计算。此外,由于本主题涉及对诸如第一预定义的ROI和第二预定义的ROI之类的较小的ROI 组执行计算,因此计算不太复杂。此外,用于本主题的测试设施涉及被分割成较少数量的灰度图案的目标图像,因此,本主题提供了一种用于评估成像设备的动态范围的具有成本效益的技术。
结合图2A和2B描述了以上方面和进一步的细节。根据示例,图 2A图示用于评估成像设备202的动态范围的计算设备200,而图2B 图示用于评估成像设备202的动态范围的目标图像204。为了简洁起见,一起描述图2A和2B。计算设备200包括用于捕获目标图像204(如图2B所示)(以下称为图像204)的成像设备202。计算设备 200还包括动态范围评估引擎206(以下称为评估引擎206)。计算设备200和评估引擎206与通过图1的描述分别描述的计算设备100和评估引擎102相同。
成像设备202可以包括但不限于相机、扫描仪和网络摄像机。尽管成像设备202被示出集成在计算设备200内,但是成像设备202也可以位于计算设备200外部。成像设备202可以通过通信链路耦合到计算设备200。通信链路可以是无线或有线通信链路。此外,成像设备202与基准208相关联。在示例中,基准208可以是成像设备202 上的标记,或者可以是放置在成像设备202的视场中的外部组件。
基准208有助于确定在图像204中捕获的多个预定义的感兴趣区域(ROI)210-1、210-2,…,210-N的位置。多个预定义的ROI被统称为预定义的ROI 210。该预定义的ROI 210是在图像204内定义的特定灰度图案。预定义的ROI 210可以包括第一预定义的ROI 210-1、第二预定义的ROI 210-2和第三预定义的ROI 210-3。在本主题的示例中,可以使用四个基准来确定预定义的ROI 210在图像204中的位置。基准208的数量可以基于图像204所需的准确度水平而增加或减少。在示例中,基准208可以用于确定如何精确地识别预定义的ROI的坐标。例如,两个基准可以提供x和y坐标,三个基准可以用于执行仿射变换,四个基准可以促进执行投影变换,或者更多基准促进镜头失真校正,等等。
在设计图像204时定义了多个预定义的ROI 210,并且标识了预定义的ROI 210的相对坐标。在示例中,图像204可以包括十二个预定义的ROI 210。评估引擎206处理图像204以提取十二个预定义的 ROI 210。基于一组光密度定义了十二个ROI。例如,为了选择十二个 ROI,在沿Y轴的光密度组和与来自沿X轴的光密度组的对应光密度相关联的SNR之间绘制了图。如果该图图示平滑曲线,则将与该组光学密度相对应的区域选为ROI。
另一方面,如果曲线不平滑,则从该组光密度中识别出位于曲线外部的光密度,并用更高或更低的光密度来替换。此后,再次绘制曲线以确认曲线的平滑衰减。在示例中,上述选择技术在一组成像设备上实现以获得无偏结果组。在接收到光密度相对于SNR的平滑曲线后,在图像204中定义ROI,所述ROI然后被用于评估动态范围。在示例中,评估引擎206将与预定义的ROI 210有关的数据(诸如ROI 的数量,ROI的相对坐标以及光密度)作为ROI数据存储在计算设备 200的存储器中。
为了从图像204提取预定义的ROI 210,评估引擎206首先提取与图像204相关联的基准208。如前所述,可以使用四个基准来确定预定义的ROI 210在图像204中的位置。在操作中,在接收到图像204 后,评估引擎206处理图像204以识别基准208。例如,通过阈值化方法来处理图像204,其中图像204被分割为多个像素。此后,基于像素的灰度值,用黑色像素或白色像素替换多个像素中的每一个。灰度值指示像素的亮度。例如,在8位灰度图像的情况下,每个灰度值的范围从0-255。为了用黑色像素和白色像素来替换多个像素,定义阈值128。如果像素的灰度值超过128,则用黑色像素替换它。如果像素的灰度值低于128,则将该像素替换为白色像素。
一旦所有像素都被白色和黑色像素替换,评估引擎206就会处理图像204,以从图像204中去除噪声,以识别代表基准208的黑色像素212。在示例中,评估引擎206在图像204上执行噪声去除技术。噪声去除技术可以包括但不限于膨胀、腐蚀和高斯模糊。在示例中,评估引擎206还可以考虑基准208的大小,以识别表示图像204中的基准208的黑色像素212。
在识别出黑色像素212后,评估引擎206提取黑色像素212的绝对坐标。在示例中,基准208可以在形状上是圆形的。因此,评估引擎206从黑色像素212的质心提取基准208的绝对坐标。尽管本主题将基准208描述为圆形,但是基准208也可以具有任何形状,诸如矩形、三角形和条形。在矩形的情况下,评估引擎206可以提取相对于黑色像素的角的基准208的绝对坐标。在提取黑色像素212的绝对坐标后,评估引擎206从计算设备200的存储器中检索预定义的ROI 210 的相对坐标。
评估引擎206利用预定义的ROI 210的相对坐标和黑色像素212 的绝对坐标来确定预定义的ROI 210的绝对坐标。在示例中,通过对黑色像素212的绝对坐标和预定义的ROI210的相对坐标执行梯形失真校正的逆运算来确定预定义的ROI 210的绝对坐标。在示例中,梯形失真校正是使图像倾斜以使图像成为矩形的功能。在逆梯形失真校正中,将矩形图像转换为梯形。逆梯形失真校正使得能够获得预定义的ROI 210相对于基准208的准确位置。在示例中,评估引擎206可以应用仿射变换来将预定义的ROI 210的相对坐标和黑色像素212的绝对坐标转换成预定义的ROI 210的绝对坐标。因此,评估引擎206 从图像204提取预定义的ROI 210。
在提取预定义的ROI 210后,评估引擎206计算第一预定义的ROI 210-1的第一SNR、第二预定义的ROI 210-2的第二SNR以及第三预定义的ROI 210-3的第三SNR。在示例中,分别基于第一预定义的ROI 210-1、第二预定义的ROI 210-2和第三预定义的ROI 210-3的亮度来计算第一SNR、第二SNR和第三SNR。在一个示例中,评估引擎206 将与第一预定义的ROI、第二预定义的ROI和第三预定义的ROI的 SNR有关的数据作为SNR 214存储在计算设备200的存储器中。
此外,评估引擎206采用SNR 214来计算第一SNR相对于第二SNR和第三SNR、第二SNR相对于第三SNR和第一SNR,以及第三 SNR相对于第一SNR和第二SNR的方差。方差的计算可以指示预定义的ROI 210的SNR对于动态范围的计算的有用性。在示例中,评估引擎206将与第一SNR、第二SNR和第三SNR的方差有关的数据作为方差216存储在计算设备200的存储器中。例如,评估引擎206对第一SNR、第二SNR和第三SNR执行线性回归以计算方差。因此,沿着第一SNR、第二SNR和第三SNR绘制了回归线。基于回归线,评估引擎206基于第一SNR、第二SNR和第三SNR距回归线的距离来确定针对第一预定义的ROI 210-1、第二预定义的ROI210-2和第三预定义的ROI的方差。
在另一个示例中,评估引擎206计算第一SNR、第二SNR和第三SNR之间的链对距离以计算方差。在这种情况下,评估引擎206 相对于彼此绘制第一SNR、第二SNR和第三SNR。此后,评估引擎 206计算第一SNR相对于第二SNR、第一SNR相对于第三SNR,以及第二SNR相对于第三SNR的距离。具有与其他ROI的SNR的距离最大的SNR的预定义的ROI被评估引擎206视为噪声。
基于该方差,评估引擎206将预定义的权重与第一SNR、第二 SNR和第三SNR相关联以获得加权的SNR值。在示例中,预定义的权重可以是0或1。例如,如果第一SNR指示与回归线的巨大差别,则评估引擎206将零权重与第一SNR相关联。基于加权的SNR值,评估引擎206评估成像设备202的动态范围。例如,评估引擎206对加权的SNR值执行线性回归以获得动态范围。在获得动态范围后,评估引擎206将成像设备202的动态范围与动态范围的预定义组进行比较。基于该比较,评估引擎206指示成像设备202是否满足成像质量要求。在示例中,评估引擎206将如此计算的动态范围作为动态范围218存储在计算设备200的存储器中。
可以重复用于评估动态范围的上述过程,以确认成像设备202的动态范围。在示例中,评估过程的三次重复提供了与动态范围有关的一致结果。此外,本主题促进评估成像设备(诸如成像设备202)的高动态范围(HDR)。即使在成像设备中关闭了HDR特征时,上述过程也增强了图像的图像对比度。
图3图示根据示例的实现用于评估动态范围的非暂时性计算机可读介质的系统环境300。该系统环境300包括通过通信链路306通信地耦合到非暂时性计算机可读介质304的处理器302。在示例中,处理器302可以是用于从非暂时性计算机可读介质304获取并执行计算机可读指令的计算设备的处理器。
非暂时性计算机可读介质304可以例如是内部存储器设备或外部存储器设备。在示例中,通信链路306可以是直接通信链路,诸如存储器读/写接口。在另一示例中,通信链路306可以是间接通信链路,诸如网络接口。在这种情况下,处理器302可以通过通信网络(未示出)访问非暂时性计算机可读介质304。
在示例中,非暂时性计算机可读介质304包括用于在打印介质上进行打印的一组计算机可读指令。该组计算机可读指令可以包括如结合图1-2B所解释的指令。处理器302可以通过通信链路306访问该组计算机可读指令,并且随后执行该组计算机可读指令以实行用于评估图像的动态范围的动作。
参照图3,在示例中,非暂时性计算机可读介质304可以包括提取与由成像设备捕获的图像相关联的基准的绝对坐标的指令308。图像可以包括第一预定义的感兴趣区域(ROI)、第二预定义的ROI和第三预定义的ROI。基准可以用作确定第一预定义的ROI、第二预定义的ROI和第三预定义的ROI的位置的参考点。在示例中,可以使用阈值方法来处理图像。结果,可以在图像中识别基准的位置。
非暂时性计算机可读介质304可以包括基于基准的绝对坐标来获得第一、第二和第三预定义的ROI的相对坐标的指令310。基准的相对坐标连同绝对坐标定义了图像的边界。此外,非暂时性介质304可以包括将第一、第二和第三预定义的ROI的相对坐标变换成第一、第二和第三预定义的ROI的绝对坐标以从图像中提取第一、第二和第三预定义的ROI的指令312。
非暂时性介质304可以进一步包括计算针对第一预定义的ROI的第一信噪比(SNR)、针对第二预定义的ROI的第二SNR以及针对第三预定义的ROI的第三SNR的指令314。此后,相对于第二SNR和第三SNR计算第一SNR的方差、相对于第三SNR和第一SNR计算第二SNR,并且相对于第一SNR和第二SNR计算第三SNR。另外,非暂时性介质304可以包括将预定义的权重与第一SNR、第二SNR和第三SNR相关联以获得加权的SNR值的指令316。在示例中,预定义的权重可以在0与1之间,并且可以基于第一SNR、第二SNR和第三SNR之间的变化。非暂时性介质304可以进一步包括对加权的 SNR值执行线性回归以评估成像设备的动态范围的指令318。尽管参考了第一预定义的ROI和第二预定义的ROI描述本图,但是预定义的 ROI的数量可以在数量上更多。
另外,非暂时性计算机可读介质304可以包括通过对基准的绝对坐标执行梯形失真校正的逆运算来获得第一、第二和第三预定义的 ROI的绝对坐标的指令。非暂时性计算机可读介质304还可包括使处理器将图像分割成第一、第二和第三预定义的ROI以使得第一、第二和第三预定义的ROI对应于不同的光密度的指令。
尽管已经以特定于方法和/或结构特征的语言描述了本公开的示例,但是应当理解,本公开并不局限于所描述的特定方法或特征。相反,方法和特定特征被公开和解释为本公开的示例。
Claims (15)
1.一种计算设备,包括:
动态范围评估引擎,用于:
从由成像设备捕获的图像中提取多个预定义的感兴趣区域(ROI),所述多个预定义的ROI包括第一预定义的ROI、第二预定义的ROI和第三预定义的ROI;
计算第一预定义的ROI的第一信噪比(SNR)、第二预定义的ROI的第二SNR和第三预定义的ROI的第三SNR;
计算第一SNR相对于第二SNR和第三SNR、第二SNR相对于第一SNR和第三SNR,以及第三SNR相对于第一SNR和第二SNR的方差;
基于所述方差,将预定义的权重与第一SNR、第二SNR和第三SNR相关联以获得加权的SNR值;和
对加权的SNR值执行线性回归以评估成像设备的动态范围。
2.根据权利要求1所述的计算设备,其中,所述动态范围评估引擎将:
将成像设备的动态范围与动态范围的预定义组进行比较;和
当成像设备的动态范围落入动态范围的预定义组时,生成成功报告。
3.根据权利要求1所述的计算设备,其中,为了提取所述多个预定义的ROI,所述动态范围评估引擎将:
识别与图像相关联的基准;
在识别出基准后,提取基准的绝对坐标;
基于基准的绝对坐标,获得多个预定义的ROI的绝对坐标。
4.根据权利要求3所述的计算设备,其中,为了识别所述基准,所述动态范围评估引擎将所述图像分割成多个像素。
5.根据权利要求3所述的计算设备,其中,为了获得所述多个预定义的ROI的绝对坐标,所述动态范围评估引擎将对所述基准的绝对坐标执行梯形失真校正的逆运算。
6.根据权利要求4所述的计算设备,其中,为了分割图像,动态范围评估引擎将图像划分为第一、第二和第三预定义的ROI,使得第一、第二和第三ROI预定义的ROI对应于不同的光密度。
7.一种计算设备,包括:
用于捕获目标图像的图像的成像设备,所述成像设备与基准相关联;
动态范围评估引擎,用于:
接收由成像设备捕获的图像;
获得基准的绝对坐标;
基于基准的绝对坐标,从图像中提取多个预定义的感兴趣区域(ROI),多个预定义的ROI包括第一预定义的ROI、第二预定义的ROI,以及第三预定义的ROI;
计算第一预定义的ROI的第一信噪比(SNR)、第二预定义的ROI的第二SNR和第三预定义的ROI的第三SNR,以计算第一SNR相对于第二SNR和第三SNR的方差、第二SNR相对于第三SNR和第一SNR的方差,以及第三SNR相对于第一SNR和第二SNR的方差;
基于所述方差,将预定义的权重与第一SNR、第二SNR和第三SNR相关联以获得加权的SNR值;和
基于加权的SNR值评估成像设备的动态范围。
8.根据权利要求7所述的计算设备,其中,所述动态范围评估引擎将:
基于所述基准的绝对坐标,获得所述多个预定义的ROI的绝对坐标,以提取所述多个预定义的ROI。
9.根据权利要求7所述的计算设备,其中,所述动态范围评估引擎将分别基于第一预定义的ROI、第二预定义的ROI和第三预定义的ROI的亮度来确定第一SNR、第二SNR和第三SNR。
10.根据权利要求7所述的计算设备,其中,所述动态范围评估引擎将执行线性回归以确定第一SNR相对于第二SNR和第三SNR、第二SNR相对于第三SNR和第一SNR,以及第三SNR相对于第一SNR和第二SNR的方差。
11.根据权利要求7所述的计算设备,其中,所述动态范围评估引擎将计算链对距离,以确定第一SNR相对于第二SNR和第三SNR、第二SNR相对于第三SNR和第一SNR,以及第三SNR相对于第一SNR和第二SNR的方差。
12.根据权利要求7所述的计算设备,其中,所述动态范围评估引擎将所述图像分割为第一、第二和第三预定义的ROI,使得第一、第二和第三预定义的ROI对应于不同的光密度。
13.一种包括计算机可读指令的非暂时性计算机可读介质,所述指令在由计算设备的处理器执行时使处理器:
提取与由成像设备捕获的图像相关联的基准的绝对坐标,其中,所述图像包括第一、第二和第三预定义的感兴趣区域(ROI);
基于所述基准的绝对坐标,获得第一、第二和第三预定义的ROI的绝对坐标,以从所述图像中提取第一、第二和第三预定义的ROI;
计算第一预定义的ROI的第一信噪比(SNR)、第二预定义的ROI的第二SNR和第三预定义的ROI的第三SNR,以计算第一SNR相对于第二SNR和第三SNR的方差、第二SNR相对于第三SNR和第一SNR的方差,以及第三SNR相对于第一SNR和第二SNR的方差;
基于所述方差,将预定义的权重与第一SNR、第二SNR和第三SNR相关联以获得加权的SNR值;和
对加权的SNR值执行线性回归以评估成像设备的动态范围。
14.根据权利要求13所述的非暂时性计算机可读介质,其中,所述指令在由所述处理器执行时使所述处理器通过对基准的绝对坐标执行梯形失真校正的逆运算来获得第一、第二和第三预定义的ROI的绝对坐标。
15.根据权利要求13所述的非暂时性计算机可读介质,其中,所述指令在由所述处理器执行时使所述处理器将所述图像分割为第一、第二和第三预定义的ROI,使得第一、第二和第三预定义的ROI对应于不同的光密度。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2017/043850 WO2019022728A1 (en) | 2017-07-26 | 2017-07-26 | EVALUATION OF DYNAMIC BEACHES OF IMAGING DEVICES |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111213372A CN111213372A (zh) | 2020-05-29 |
CN111213372B true CN111213372B (zh) | 2022-06-14 |
Family
ID=65039795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780095351.7A Active CN111213372B (zh) | 2017-07-26 | 2017-07-26 | 成像设备的动态范围的评估 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10958899B2 (zh) |
EP (1) | EP3659333A4 (zh) |
CN (1) | CN111213372B (zh) |
WO (1) | WO2019022728A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116744135B (zh) * | 2022-09-30 | 2024-05-14 | 荣耀终端有限公司 | 一种动态范围的测量方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5760829A (en) * | 1995-06-06 | 1998-06-02 | United Parcel Service Of America, Inc. | Method and apparatus for evaluating an imaging device |
CN101099317A (zh) * | 2004-11-16 | 2008-01-02 | 高通股份有限公司 | Tdd通信系统的开环速率控制 |
CN101915907A (zh) * | 2010-07-07 | 2010-12-15 | 重庆大学 | 脉冲雷达回波信号发生器及信号产生方法 |
US8780210B1 (en) * | 2013-02-01 | 2014-07-15 | Videoq, Inc. | Video quality analyzer |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996010237A1 (en) * | 1994-09-20 | 1996-04-04 | Neopath, Inc. | Biological specimen analysis system processing integrity checking apparatus |
US6066949A (en) * | 1997-11-19 | 2000-05-23 | The Board Of Trustees Of The Leland Stanford Junior University | Gradient characterization using fourier-transform |
US6579238B1 (en) * | 2000-04-24 | 2003-06-17 | Acuson Corporation | Medical ultrasonic imaging system with adaptive multi-dimensional back-end mapping |
US7623683B2 (en) * | 2006-04-13 | 2009-11-24 | Hewlett-Packard Development Company, L.P. | Combining multiple exposure images to increase dynamic range |
US20090002530A1 (en) * | 2007-06-27 | 2009-01-01 | Texas Instruments Incorporated | Apparatus and method for processing images |
US8073234B2 (en) * | 2007-08-27 | 2011-12-06 | Acushnet Company | Method and apparatus for inspecting objects using multiple images having varying optical properties |
US8934034B2 (en) * | 2008-03-28 | 2015-01-13 | The Trustees Of Columbia University In The City Of New York | Generalized assorted pixel camera systems and methods |
US8774559B2 (en) * | 2009-01-19 | 2014-07-08 | Sharp Laboratories Of America, Inc. | Stereoscopic dynamic range image sequence |
WO2013110062A1 (en) * | 2012-01-20 | 2013-07-25 | The General Hospital Corporation | System and method for field map estimation |
US8867782B2 (en) * | 2012-06-19 | 2014-10-21 | Eastman Kodak Company | Spectral edge marking for steganography or watermarking |
US9639915B2 (en) * | 2012-08-08 | 2017-05-02 | Samsung Electronics Co., Ltd. | Image processing method and apparatus |
EP3869797B1 (en) * | 2012-08-21 | 2023-07-19 | Adeia Imaging LLC | Method for depth detection in images captured using array cameras |
FR2996034B1 (fr) | 2012-09-24 | 2015-11-20 | Jacques Joffre | Procede pour creer des images a gamme dynamique etendue en imagerie fixe et video, et dispositif d'imagerie implementant le procede. |
JP2014194706A (ja) * | 2013-03-29 | 2014-10-09 | Sony Corp | 画像処理装置、画像処理方法、及び、プログラム |
US9674460B1 (en) * | 2015-11-19 | 2017-06-06 | Google Inc. | Generating high-dynamic range images using varying exposures |
US9639935B1 (en) * | 2016-05-25 | 2017-05-02 | Gopro, Inc. | Apparatus and methods for camera alignment model calibration |
-
2017
- 2017-07-26 CN CN201780095351.7A patent/CN111213372B/zh active Active
- 2017-07-26 EP EP17918930.3A patent/EP3659333A4/en not_active Withdrawn
- 2017-07-26 WO PCT/US2017/043850 patent/WO2019022728A1/en unknown
- 2017-07-26 US US16/634,106 patent/US10958899B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5760829A (en) * | 1995-06-06 | 1998-06-02 | United Parcel Service Of America, Inc. | Method and apparatus for evaluating an imaging device |
CN101099317A (zh) * | 2004-11-16 | 2008-01-02 | 高通股份有限公司 | Tdd通信系统的开环速率控制 |
CN101915907A (zh) * | 2010-07-07 | 2010-12-15 | 重庆大学 | 脉冲雷达回波信号发生器及信号产生方法 |
US8780210B1 (en) * | 2013-02-01 | 2014-07-15 | Videoq, Inc. | Video quality analyzer |
Also Published As
Publication number | Publication date |
---|---|
US10958899B2 (en) | 2021-03-23 |
CN111213372A (zh) | 2020-05-29 |
EP3659333A4 (en) | 2021-03-10 |
WO2019022728A1 (en) | 2019-01-31 |
EP3659333A1 (en) | 2020-06-03 |
US20200213582A1 (en) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
WO2017121018A1 (zh) | 二维码图像处理的方法和装置、终端、存储介质 | |
CN109997351B (zh) | 用于生成高动态范围图像的方法和装置 | |
CN110519585B (zh) | 一种应用于图像采集设备的成像校准方法及装置 | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
US10769478B2 (en) | Convolutional neutral network identification efficiency increasing method and related convolutional neutral network identification efficiency increasing device | |
CN111757014B (zh) | 网络摄像头的焦距调节方法、装置、设备和存储介质 | |
CN111065915B (zh) | 优化对目标物体外部检查的设备及其方法 | |
CN113469971B (zh) | 一种图像匹配方法及检测装置、存储介质 | |
US11113490B2 (en) | System and method for evaluating symbols | |
CN111583258B (zh) | 缺陷检测方法、装置、系统及存储介质 | |
CN110913210A (zh) | 一种基于标准数据采集的自动化主观像质评测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111213372B (zh) | 成像设备的动态范围的评估 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN110738656B (zh) | 一种证件照片的清晰度评估方法、存储介质及处理器 | |
WO2021195873A1 (zh) | 识别sfr测试卡图像中感兴趣区域的方法及装置、介质 | |
CN115254674B (zh) | 一种轴承缺陷分选方法 | |
CN112017163A (zh) | 图像模糊度检测的方法、装置、电子设备及存储介质 | |
Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
GB2440951A (en) | Edge detection for checking component position on a circuit board | |
CN113012121A (zh) | 裸片扫描结果的处理方法、装置、电子设备与存储介质 | |
CN113469171A (zh) | 识别sfr测试卡图像中感兴趣区域的方法及装置、介质 | |
CN115830431B (zh) | 一种基于光强分析的神经网络图像预处理方法 | |
CN109829859B (zh) | 图像处理方法及终端设备 |
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 |