CN111260572A - 一种用于计算机图形图像处理的记录仪及图像处理方法 - Google Patents
一种用于计算机图形图像处理的记录仪及图像处理方法 Download PDFInfo
- Publication number
- CN111260572A CN111260572A CN202010029917.XA CN202010029917A CN111260572A CN 111260572 A CN111260572 A CN 111260572A CN 202010029917 A CN202010029917 A CN 202010029917A CN 111260572 A CN111260572 A CN 111260572A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- graphic
- dimensional
- graphic 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title claims description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 65
- 239000002245 particle Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 15
- 238000005260 corrosion Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 241000282326 Felis catus Species 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- GZPBVLUEICLBOA-UHFFFAOYSA-N 4-(dimethylamino)-3,5-dimethylphenol Chemical compound CN(C)C1=C(C)C=C(O)C=C1C GZPBVLUEICLBOA-UHFFFAOYSA-N 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 4
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001052 transient 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种用于计算机图形图像处理的记录仪;采用了图形图像扫描模块对计算机图像进行采集,图形图像去噪模块对采集的图像进行去噪,图形图像预处理模块对图像的轮廓尖锐度进行增强处理,图形图像对比度模块提高图像的清晰度,图形图像转换模块对扫描的二维图像转换为三维图像,传输模块对转换的图像传输给用户。本发明结构简单,通过对扫描图形图像进行去噪、滤波、预处理、增强对比度、转换的方式,使呈现的图形图像正确,结构清晰,便于用户识别及理解,极大的方便了用户,可推广使用。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种用于计算机图形图像处理的记录仪及图像处理方法。
背景技术
目前,最接近的现有技术:记录仪是以先进的CPU为核心,并辅以大规模集成电路、大容量FLASH存储、信号智能调理以及高分辨率图形液晶显示器的新型智能化无纸记录仪表,是将一个或多个变量随时间或另一变量变化的过程转换为可识别和读取的信号的仪器,它能保存所记录的信号变化以便分析处理,记录仪的最大特点是能自动记录周期性或非周期性多路信号的慢变化过程和瞬态电平变化过程。但目前的图像质量较差,并且不能够进行转化,且受输入图形图像质量的影响大。
综上所述,现有技术存在的问题是:目前记录仪处理的图像质量较差,不能够进行转化,且受输入图形图像质量的影响大。
发明内容
针对现有技术存在的问题,本发明提供了一种用于计算机图形图像处理的记录仪及图像处理方法。
本发明是这样实现的,一种用于计算机图形图像处理的记录仪图像处理方法,所述用于计算机图形图像处理的记录仪图像处理方法,包括:
步骤一,根据扫描位置的高度,支持模块利用可调节支架支撑并且可调节装置的高度,用以可扫描多种高度的显示图像;高度调整完成后,图形图像扫描模块利用扫描仪对计算机显示的图形图像进行扫描并进行图形图像记录;
步骤二,根据扫描到的图形图像数据信息,主控模块控制图形图像去噪模块利用滤波图像去燥方法对扫描的图形图像进行去噪,保证在有效滤除噪声的前提下,又能保持图像的细节;图形图像预处理模块利用拉普拉斯算子锐化方法对图形图像的轮廓尖锐度进行增强处理;
步骤三,主控模块控制图形图像对比度模块利用直方图处理法对图形图像对比度进行增强,提高图形图像的清晰度;图形图像转换模块利用卷积神经网络及匹配等方式对处理后的的图形图像进行转换为三维图像;
步骤四,根据处理完成的图像数据信息,主控模块对图像信息进行储存;显示模块利用显示屏及操作按钮,显示处理后的图像状态,并且可查看处理个过程中的图像对比;
步骤五,通过供电模块,为整个装置进行供电;并且传输模块通过USB插口、无线信号收发器等,将处理后的图像传输给用户;
所述步骤四中,主控模块对图像信息进行图像储存的方法,包括:
首先,将处理完成的图像按照相应的分割原则,使需要压缩的图像进行分解;
然后,利用相应的DCT变换进行二维变化;变换完成后,对DCT系数进行量化,编码和传输;
最后,通过对量化的DCT系数进行解码,并对图像块进行二维DCT反变换,拼接起来构成一幅完整的图像。
进一步,所述步骤二中,图形图像去噪模块的去燥方法,具体如下:
1)输入像素大小为W*H的图像x;定义零方阵的单位结构元素SE,其大小为m*m;利用所述单位结构元素SE定义均衡腐蚀运算:
fΘSE(i,j)=Median{f(i+h,j+k)-SE(h,k)};
{f(i+h,j+k)-SE(h,k)};
即把集合内灰度值的中值作为所述输入图像像素点(i,j)的灰度值;其中,i取值范围为[0,W-m],j取值范围为[0,H-m],h取值范围为[0,m-1],k取值范围为[0,m-1];
利用单位结构元素SE定义均衡膨胀运算:
{f(i-h,j-k)+SE(h,k)};
即把集合内灰度值的中值作为所述输入图像像素点(i,j)的灰度值;其中,i取值范围为[0,W+m-2],j取值范围为[0,H+m-2],h取值范围为[0,n-1],k取值范围为[0,n-1];
2)设定粒子数为n,空间维数为D,第i个粒子的位置用D维向量Xi=(Xi1,XiD)表示,第i个粒子的飞翔速度用D维向量Vi=(Vi1,ViD)表示;所述粒子的初始位置和初速度各为(0,1)之间的随机数;根据所述初始位置得到所述单位结构元素SE的大小,即得到m的初值;
3)用m为所述初值的单位结构元素SE对所述输入图像进行所述均衡腐蚀运算,得到大小为(W-m+1)*(H-m+1)的均衡腐蚀图像;
4)用m为所述初值的单位结构元素SE对所述均衡腐蚀图像进行所述均衡膨胀运算,得到大小为W*H的均衡膨胀图像,并计算所述均衡膨胀图像的峰值信噪比PSNR;
5)以所述峰值信噪比PSNR为代价函数,用粒子群优化技术更新所述粒子速度V与所述粒子位置X,得到全局最优的粒子位置;根据所述全局最优的粒子位置得到所述单位结构元素SE的大小,即得到n的最优值;
6)用n为所述最优值的单位结构元素SE对所述的输入图像依次进行所述均衡腐蚀运算、均衡膨胀运算,得到输出图像。
进一步,所述步骤二中,图形图像预处理模块的图像预处理方法,具体如下:
1)二维图像函数f(x,y)做拉普拉斯变换即是求各向同性的二阶倒数,定义表达式如下:
2)由于应用于图像处理,为便于计算,将二阶偏导数作简化处理,可以用二阶差分近似得到以下式子:
由此可得出拉普拉斯算子的差分算子为:
由上述可得到拉普拉斯算子变化增强图像的基本方法如下所示:
进一步,所述步骤三中,图形图像对比度模块的增强对比度的方法,具体如下:
1)计算原图直方图的方法如下:
其中N为原图像素总数,L为灰度级的最大值,rk表示第k个灰度级,nk表示图中k级灰度级出现的次数,P(rk)则表示灰度级出现的概率;
2)根据概率公式计算原图像的灰度累计分布函数Sk,再根据其计算出灰度变换表,公式如下:
从s到r的反变换为:
r=T-1(s),0≤s≤1
3)根据灰度变换的形式将原图像素的灰度级映射为新的灰度级来实现图像的清晰度。
进一步,所述步骤三中,图形图像转换模块的图像转换方法,具体如下:
1)对二维目标图像进行边缘检测,通过边缘检测确定二维目标图像中目标对象的边缘,然后进一步根据目标对象的边缘确定目标对象的位置;
2)采用卷积神经网络对二维目标图像进行特征提取,提取内容包含目标对象的属性信息及各目标对象之间的相对位置和大小;
3)根据目标对象的属性信息确定目标对象对应的目标三维图像。
进一步,所述三维图像的确定首先建立三维图像库,三维图像库中包括各类三维图像,比如人、猫、狗、自行车、花卉、云等对应的三维图像,具体实施中,采用三维建模工具中一些基本的几何元素,如立方体、球体等,通过一系列几何操作,如平移、旋转、拉伸以及布尔运算等来构建复杂的三维图像,三维建模工具包括DMAX、SoftImage、Maya、UG以及AutoCAD。
进一步,所述处理完成的图像进行分割的过程,如下:
将去噪完成后的图像,利用相应的算法设定一定的分割值进行分水岭分割变换;
根据分水岭分割变换完成的区域,建立相应的带权图集;根据带权图集,求带全图边界上的权值,完成相似度和对角矩阵的赋值;
根据赋值完成的分水岭分割相似度和对角矩阵方程,求出相应的特征值与特征向量;
根据求出的特征值,进行排序;利用第三个特征值对应的特征向量,对图中信息进行分割。
进一步,所述步骤四,主控模块对图像分类方法,包括:
在处理完成的图像中,提取相应的局部特征,并且对局部特征进行描述聚类;聚类完成的图像信息进行编码储存,建立相应的纹理模型库;
将处理完成需要分类的图像提取相应的局部特征,并且对局部特征进行描述;对描述完成的图像信息进行特征编码,建立相应的纹理模型;
根据建立的纹理模型库和纹理模型,利用分类器对相应的图像进行分类。
进一步,所述步骤五中,传输模块在进行传输图像的过程中,需要对图像数据信息进行追踪,具体过程如下:
对传输的图像信息进行初始化,在初始化过程中,确定传输图像的位置形状特征信息;
根据传输图像的位置形状特征信息,利用目标检测方法对传输的样本进行标记,并且实时追踪。
本发明提供的另一目的在于提供一种实施所述的用于计算机图形图像处理的记录仪图像处理方法的用于计算机图形图像处理的记录仪,所述用于计算机图形图像处理的记录仪包括:
图形图像扫描模块,与主控模块连接,包括扫描仪,用于利用扫描仪对计算机显示的图形图像进行扫描并进行图形图像记录;
图形图像去噪模块,与主控模块连接,利用滤波图像去燥方法对扫描的图形图像进行去噪,保证在有效滤除噪声的前提下,又能保持图像的细节;
图形图像预处理模块,与主控模块连接,利用拉普拉斯算子锐化方法对图形图像的轮廓尖锐度进行增强处理;
图形图像对比度模块,与主控模块连接,利用直方图处理法对图形图像对比度进行增强,提高图形图像的清晰度;
图形图像转换模块,与主控模块连接,利用卷积神经网络及匹配等方式对处理后的的图形图像进行转换为三维图像;对二维目标图像进行边缘检测,通过边缘检测确定二维目标图像中目标对象的边缘,然后进一步根据目标对象的边缘确定目标对象的位置;采用卷积神经网络对二维目标图像进行特征提取,提取内容包含目标对象的属性信息及各目标对象之间的相对位置和大小;根据目标对象的属性信息确定目标对象对应的目标三维图像;
支持模块,与主控模块连接,利用可调节支架支撑并且可调节装置的高度,用以可扫描多种高度的显示图像;
供电模块,与各模块连接,包括内置蓄电池及外接电源导线,用于对装置进行供电;
主控模块,与各模块连接,包括控制器,用于控制各模块的运行状态;
显示模块,与各模块连接,包括显示屏及操作按钮,用于显示处理后的图像状态,并且可查看处理个过程中的图像对比等;
传输模块,与主控模块连接,包括USB插口、无线信号收发器等,用于将处理后的图像传输给用户;传输模块在进行传输图像的过程中,需要对图像数据信息进行追踪,对传输的图像信息进行初始化,在初始化过程中,确定传输图像的位置形状特征信息;根据传输图像的位置形状特征信息,利用目标检测方法对传输的样本进行标记,并且实时追踪。
综上所述,本发明的优点及积极效果为:本发明结构简单,通过对扫描图形图像进行去噪、滤波、预处理、增强对比度、转换的方式,使呈现的图形图像正确,结构清晰,便于用户识别及理解,极大的方便了用户,可推广使用。
本发明中数据传输模块中对图像数据信息进行追踪,对传输的图像信息进行初始化,在初始化过程中,确定传输图像的位置形状特征信息;根据传输图像的位置形状特征信息,利用目标检测方法对传输的样本进行标记,并且实时追踪;可以精确实现传输图像中每帧视频图像中的位置,产生目标运动轨迹,得到目标在每帧中的图像区域。本发明中主控模块采用的对图像的分类方法,在有效降低储存空间的同时,可以有效避免出现失真的现象;通过设置有图形图像去噪模块,可以提高图像的清晰度。
附图说明
图1是本发明实施例提供的用于计算机图形图像处理的记录仪图像处理方法流程图。
图2是本发明实施例提供的用于计算机图形图像处理的记录仪结构示意图。
图中:1、图形图像扫描模块;2、图形图像去噪模块;3、图形图像预处理模块;4、图形图像对比度模块;5、图形图像转化模块;6、支持模块;7、供电模块;8、主控模块;9、显示模块;10、传输模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种用于计算机图形图像处理的记录仪,下面结合附图对本发明的技术方案作详细的描述。
如图1所示,本发明实施例提供的用于计算机图形图像处理的记录仪图像处理方法,包括:
S101:根据扫描位置的高度,支持模块利用可调节支架支撑并且可调节装置的高度,用以可扫描多种高度的显示图像;高度调整完成后,图形图像扫描模块利用扫描仪对计算机显示的图形图像进行扫描并进行图形图像记录。
S102:根据扫描到的图形图像数据信息,主控模块控制图形图像去噪模块利用滤波图像去燥方法对扫描的图形图像进行去噪,保证在有效滤除噪声的前提下,又能保持图像的细节;图形图像预处理模块利用拉普拉斯算子锐化方法对图形图像的轮廓尖锐度进行增强处理。
S103:主控模块控制图形图像对比度模块利用直方图处理法对图形图像对比度进行增强,提高图形图像的清晰度;图形图像转换模块利用卷积神经网络及匹配等方式对处理后的的图形图像进行转换为三维图像。
S104:显示模块利用显示屏及操作按钮,显示处理后的图像状态,并且可查看处理个过程中的图像对比。
S105:通过供电模块,为整个装置进行供电;并且传输模块通过USB插口、无线信号收发器等,将处理后的图像传输给用户。
如图2所示,所述用于计算机图形图像处理的记录仪,具体包括:
图形图像扫描模块1,与主控模块8连接,包括扫描仪,用于利用扫描仪对计算机显示的图形图像进行扫描并进行图形图像记录。
图形图像去噪模块2,与主控模块8连接,利用滤波图像去燥方法对扫描的图形图像进行去噪,保证在有效滤除噪声的前提下,又能保持图像的细节。
图形图像预处理模块3,与主控模块8连接,利用拉普拉斯算子锐化方法对图形图像的轮廓尖锐度进行增强处理。
图形图像对比度模块4,与主控模块8连接,利用直方图处理法对图形图像对比度进行增强,提高图形图像的清晰度。
图形图像转换模块5,与主控模块8连接,利用卷积神经网络及匹配等方式对处理后的的图形图像进行转换为三维图像。
支持模块6,与主控模块8连接,利用可调节支架支撑并且可调节装置的高度,用以可扫描多种高度的显示图像。
供电模块7,与各模块连接,包括内置蓄电池及外接电源导线,用于对装置进行供电。
主控模块8,与各模块连接,包括控制器,用于控制各模块的运行状态。
显示模块9,与各模块连接,包括显示屏及操作按钮,用于显示处理后的图像状态,并且可查看处理个过程中的图像对比等。
传输模块10,与主控模块连接,包括USB插口、无线信号收发器等,用于将处理后的图像传输给用户。
本发明提供的图形图像去噪模块2的去燥方法,具体如下:
1)输入像素大小为W*H的图像x;定义零方阵的单位结构元素SE,其大小为m*m;利用所述单位结构元素SE定义均衡腐蚀运算:
fΘSE(i,j)=Median{f(i+h,j+k)-SE(h,k)};
{f(i+h,j+k)-SE(h,k)};
即把集合内灰度值的中值作为所述输入图像像素点(i,j)的灰度值;其中,i取值范围为[0,W-m],j取值范围为[0,H-m],h取值范围为[0,m-1],k取值范围为[0,m-1];
利用单位结构元素SE定义均衡膨胀运算:
{f(i-h,j-k)+SE(h,k)};
即把集合内灰度值的中值作为所述输入图像像素点(i,j)的灰度值;其中,i取值范围为[0,W+m-2],j取值范围为[0,H+m-2],h取值范围为[0,n-1],k取值范围为[0,n-1];
2)设定粒子数为n,空间维数为D,第i个粒子的位置用D维向量Xi=(Xi1,XiD)表示,第i个粒子的飞翔速度用D维向量Vi=(Vi1,ViD)表示;所述粒子的初始位置和初速度各为(0,1)之间的随机数;根据所述初始位置得到所述单位结构元素SE的大小,即得到m的初值;
3)用m为所述初值的单位结构元素SE对所述输入图像进行所述均衡腐蚀运算,得到大小为(W-m+1)*(H-m+1)的均衡腐蚀图像;
4)用m为所述初值的单位结构元素SE对所述均衡腐蚀图像进行所述均衡膨胀运算,得到大小为W*H的均衡膨胀图像,并计算所述均衡膨胀图像的峰值信噪比PSNR;
5)以所述峰值信噪比PSNR为代价函数,用粒子群优化技术更新所述粒子速度V与所述粒子位置X,得到全局最优的粒子位置;根据所述全局最优的粒子位置得到所述单位结构元素SE的大小,即得到n的最优值;
6)用n为所述最优值的单位结构元素SE对所述的输入图像依次进行所述均衡腐蚀运算、均衡膨胀运算,得到输出图像。
本发明提供的图形图像预处理模块3的图像预处理方法,具体如下:
1)二维图像函数f(x,y)做拉普拉斯变换即是求各向同性的二阶倒数,定义表达式如下:
2)由于应用于图像处理,为便于计算,将二阶偏导数作简化处理,可以用二阶差分近似得到以下式子:
由此可得出拉普拉斯算子的差分算子为:
由上述可得到拉普拉斯算子变化增强图像的基本方法如下所示:
本发明提供的图形图像对比度模块4的增强对比度的方法,具体如下:
1)计算原图直方图的方法如下:
其中N为原图像素总数,L为灰度级的最大值,rk表示第k个灰度级,nk表示图中k级灰度级出现的次数,P(rk)则表示灰度级出现的概率;
2)根据概率公式计算原图像的灰度累计分布函数Sk,再根据其计算出灰度变换表,公式如下:
从s到r的反变换为:
r=T-1(s),0≤s≤1
3)根据灰度变换的形式将原图像素的灰度级映射为新的灰度级来实现图像的清晰度。
本发明提供的图形图像转换模块5的图像转换方法,具体如下:
1)对二维目标图像进行边缘检测,通过边缘检测确定二维目标图像中目标对象的边缘,然后进一步根据目标对象的边缘确定目标对象的位置;
2)采用卷积神经网络对二维目标图像进行特征提取,提取内容包含目标对象的属性信息及各目标对象之间的相对位置和大小;
3)根据目标对象的属性信息确定目标对象对应的目标三维图像。
目前三维图像的确定首先建立三维图像库,三维图像库中包括各类三维图像,比如人、猫、狗、自行车、花卉、云等对应的三维图像,具体实施中,采用三维建模工具中一些基本的几何元素,如立方体、球体等,通过一系列几何操作,如平移、旋转、拉伸以及布尔运算等来构建复杂的三维图像,三维建模工具包括DMAX、SoftImage、Maya、UG以及AutoCAD等等。
本发明提供的与各模块连接,包括控制器,用于控制各模块的运行状态的主控模块8对图像储存方法,包括:
首先,将处理完成的图像按照相应的分割原则,使需要压缩的图像进行分解;
然后,利用相应的DCT变换进行二维变化;变换完成后,对DCT系数进行量化,编码和传输;
最后,通过对量化的DCT系数进行解码,并对图像块进行二维DCT反变换,拼接起来构成一幅完整的图像。
所述处理完成的图像进行分割的过程,如下:
将去噪完成后的图像,利用相应的算法设定一定的分割值进行分水岭分割变换;
根据分水岭分割变换完成的区域,建立相应的带权图集;根据带权图集,求带全图边界上的权值,完成相似度和对角矩阵的赋值;
根据赋值完成的分水岭分割相似度和对角矩阵方程,求出相应的特征值与特征向量;
根据求出的特征值,进行排序;利用第三个特征值对应的特征向量,对图中信息进行分割。
本发明提供的与各模块连接,包括控制器,用于控制各模块的运行状态的主控模块8对图像分类方法,包括:
在处理完成的图像中,提取相应的局部特征,并且对局部特征进行描述聚类;聚类完成的图像信息进行编码储存,建立相应的纹理模型库;
将处理完成需要分类的图像提取相应的局部特征,并且对局部特征进行描述;对描述完成的图像信息进行特征编码,建立相应的纹理模型;
根据建立的纹理模型库和纹理模型,利用分类器对相应的图像进行分类。
本发明提供的与主控模块连接,包括USB插口、无线信号收发器等,用于将处理后的图像传输给用户的传输模块10,在进行传输图像的过程中,需要对图像数据信息进行追踪,具体过程如下:
对传输的图像信息进行初始化,在初始化过程中,确定传输图像的位置形状特征信息;
根据传输图像的位置形状特征信息,利用目标检测方法对传输的样本进行标记,并且实时追踪。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于计算机图形图像处理的记录仪图像处理方法,其特征在于,所述用于计算机图形图像处理的记录仪图像处理方法,包括:
步骤一,根据扫描位置的高度,支持模块利用可调节支架支撑并且可调节装置的高度,用以可扫描多种高度的显示图像;高度调整完成后,图形图像扫描模块利用扫描仪对计算机显示的图形图像进行扫描并进行图形图像记录;
步骤二,根据扫描到的图形图像数据信息,主控模块控制图形图像去噪模块利用滤波图像去燥方法对扫描的图形图像进行去噪,保证在有效滤除噪声的前提下,又能保持图像的细节;图形图像预处理模块利用拉普拉斯算子锐化方法对图形图像的轮廓尖锐度进行增强处理;
步骤三,主控模块控制图形图像对比度模块利用直方图处理法对图形图像对比度进行增强,提高图形图像的清晰度;图形图像转换模块利用卷积神经网络及匹配等方式对处理后的的图形图像进行转换为三维图像;
步骤四,根据处理完成的图像数据信息,主控模块对图像信息进行储存;显示模块利用显示屏及操作按钮,显示处理后的图像状态,并且可查看处理个过程中的图像对比;
步骤五,通过供电模块,为整个装置进行供电;并且传输模块通过USB插口、无线信号收发器等,将处理后的图像传输给用户;
所述步骤四中,主控模块对图像信息进行图像储存的方法,包括:
首先,将处理完成的图像按照相应的分割原则,使需要压缩的图像进行分解;
然后,利用相应的DCT变换进行二维变化;变换完成后,对DCT系数进行量化,编码和传输;
最后,通过对量化的DCT系数进行解码,并对图像块进行二维DCT反变换,拼接起来构成一幅完整的图像。
2.如权利要求1所述的用于计算机图形图像处理的记录仪图像处理方法,其特征在于,所述步骤二中,图形图像去噪模块的去燥方法,具体如下:
1)输入像素大小为W*H的图像x;定义零方阵的单位结构元素SE,其大小为m*m;利用所述单位结构元素SE定义均衡腐蚀运算:
fΘSE(i,j)=Median{f(i+h,j+k)-SE(h,k)};
{f(i+h,j+k)-SE(h,k)};
即把集合内灰度值的中值作为所述输入图像像素点(i,j)的灰度值;其中,i取值范围为[0,W-m],j取值范围为[0,H-m],h取值范围为[0,m-1],k取值范围为[0,m-1];
利用单位结构元素SE定义均衡膨胀运算:
{f(i-h,j-k)+SE(h,k)};
即把集合内灰度值的中值作为所述输入图像像素点(i,j)的灰度值;其中,i取值范围为[0,W+m-2],j取值范围为[0,H+m-2],h取值范围为[0,n-1],k取值范围为[0,n-1];
2)设定粒子数为n,空间维数为D,第i个粒子的位置用D维向量Xi=(Xi1,XiD)表示,第i个粒子的飞翔速度用D维向量Vi=(Vi1,ViD)表示;所述粒子的初始位置和初速度各为(0,1)之间的随机数;根据所述初始位置得到所述单位结构元素SE的大小,即得到m的初值;
3)用m为所述初值的单位结构元素SE对所述输入图像进行所述均衡腐蚀运算,得到大小为(W-m+1)*(H-m+1)的均衡腐蚀图像;
4)用m为所述初值的单位结构元素SE对所述均衡腐蚀图像进行所述均衡膨胀运算,得到大小为W*H的均衡膨胀图像,并计算所述均衡膨胀图像的峰值信噪比PSNR;
5)以所述峰值信噪比PSNR为代价函数,用粒子群优化技术更新所述粒子速度V与所述粒子位置X,得到全局最优的粒子位置;根据所述全局最优的粒子位置得到所述单位结构元素SE的大小,即得到n的最优值;
6)用n为所述最优值的单位结构元素SE对所述的输入图像依次进行所述均衡腐蚀运算、均衡膨胀运算,得到输出图像。
5.如权利要求1所述的用于计算机图形图像处理的记录仪图像处理方法,其特征在于,所述步骤三中,图形图像转换模块的图像转换方法,具体如下:
1)对二维目标图像进行边缘检测,通过边缘检测确定二维目标图像中目标对象的边缘,然后进一步根据目标对象的边缘确定目标对象的位置;
2)采用卷积神经网络对二维目标图像进行特征提取,提取内容包含目标对象的属性信息及各目标对象之间的相对位置和大小;
3)根据目标对象的属性信息确定目标对象对应的目标三维图像。
6.如权利要求5所述的用于计算机图形图像处理的记录仪图像处理方法,其特征在于,所述三维图像的确定首先建立三维图像库,三维图像库中包括各类三维图像,比如人、猫、狗、自行车、花卉、云等对应的三维图像,具体实施中,采用三维建模工具中一些基本的几何元素,如立方体、球体等,通过一系列几何操作,如平移、旋转、拉伸以及布尔运算等来构建复杂的三维图像,三维建模工具包括DMAX、SoftImage、Maya、UG以及AutoCAD。
7.如权利要求1所述的用于计算机图形图像处理的记录仪图像处理方法,其特征在于,所述处理完成的图像进行分割的过程,如下:
将去噪完成后的图像,利用相应的算法设定一定的分割值进行分水岭分割变换;
根据分水岭分割变换完成的区域,建立相应的带权图集;根据带权图集,求带全图边界上的权值,完成相似度和对角矩阵的赋值;
根据赋值完成的分水岭分割相似度和对角矩阵方程,求出相应的特征值与特征向量;
根据求出的特征值,进行排序;利用第三个特征值对应的特征向量,对图中信息进行分割。
8.如权利要求1所述的用于计算机图形图像处理的记录仪图像处理方法,其特征在于,所述步骤四,主控模块对图像分类方法,包括:
在处理完成的图像中,提取相应的局部特征,并且对局部特征进行描述聚类;聚类完成的图像信息进行编码储存,建立相应的纹理模型库;
将处理完成需要分类的图像提取相应的局部特征,并且对局部特征进行描述;对描述完成的图像信息进行特征编码,建立相应的纹理模型;
根据建立的纹理模型库和纹理模型,利用分类器对相应的图像进行分类。
9.如权利要求1所述的用于计算机图形图像处理的记录仪图像处理方法,其特征在于,所述步骤五中,传输模块在进行传输图像的过程中,需要对图像数据信息进行追踪,具体过程如下:
对传输的图像信息进行初始化,在初始化过程中,确定传输图像的位置形状特征信息;
根据传输图像的位置形状特征信息,利用目标检测方法对传输的样本进行标记,并且实时追踪。
10.一种实施如权利要求1-9所述的用于计算机图形图像处理的记录仪图像处理方法的用于计算机图形图像处理的记录仪,其特征在于,所述用于计算机图形图像处理的记录仪包括:
图形图像扫描模块,与主控模块连接,包括扫描仪,用于利用扫描仪对计算机显示的图形图像进行扫描并进行图形图像记录;
图形图像去噪模块,与主控模块连接,利用滤波图像去燥方法对扫描的图形图像进行去噪,保证在有效滤除噪声的前提下,又能保持图像的细节;
图形图像预处理模块,与主控模块连接,利用拉普拉斯算子锐化方法对图形图像的轮廓尖锐度进行增强处理;
图形图像对比度模块,与主控模块连接,利用直方图处理法对图形图像对比度进行增强,提高图形图像的清晰度;
图形图像转换模块,与主控模块连接,利用卷积神经网络及匹配等方式对处理后的的图形图像进行转换为三维图像;对二维目标图像进行边缘检测,通过边缘检测确定二维目标图像中目标对象的边缘,然后进一步根据目标对象的边缘确定目标对象的位置;采用卷积神经网络对二维目标图像进行特征提取,提取内容包含目标对象的属性信息及各目标对象之间的相对位置和大小;根据目标对象的属性信息确定目标对象对应的目标三维图像;
支持模块,与主控模块连接,利用可调节支架支撑并且可调节装置的高度,用以可扫描多种高度的显示图像;
供电模块,与各模块连接,包括内置蓄电池及外接电源导线,用于对装置进行供电;
主控模块,与各模块连接,包括控制器,用于控制各模块的运行状态;
显示模块,与各模块连接,包括显示屏及操作按钮,用于显示处理后的图像状态,并且可查看处理个过程中的图像对比等;
传输模块,与主控模块连接,包括USB插口、无线信号收发器等,用于将处理后的图像传输给用户;传输模块在进行传输图像的过程中,需要对图像数据信息进行追踪,对传输的图像信息进行初始化,在初始化过程中,确定传输图像的位置形状特征信息;根据传输图像的位置形状特征信息,利用目标检测方法对传输的样本进行标记,并且实时追踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010029917.XA CN111260572A (zh) | 2020-01-13 | 2020-01-13 | 一种用于计算机图形图像处理的记录仪及图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010029917.XA CN111260572A (zh) | 2020-01-13 | 2020-01-13 | 一种用于计算机图形图像处理的记录仪及图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111260572A true CN111260572A (zh) | 2020-06-09 |
Family
ID=70950428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010029917.XA Pending CN111260572A (zh) | 2020-01-13 | 2020-01-13 | 一种用于计算机图形图像处理的记录仪及图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260572A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178164A (zh) * | 2020-10-12 | 2021-07-27 | 浙江山泓科技有限公司 | 一种用于led显示屏的智能图像处理装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609925A (zh) * | 2012-04-18 | 2012-07-25 | 江苏技术师范学院 | 一种粒子群优化的均衡形态滤波图像去噪方法 |
CN102831592A (zh) * | 2012-08-10 | 2012-12-19 | 中国电子科技集团公司第四十一研究所 | 基于直方图分段变换的图像非线性增强方法 |
CN104102912A (zh) * | 2013-04-02 | 2014-10-15 | 秦海勇 | 一种基于视频图像识别的分项计量能耗数据采集装置及方法 |
CN104680500A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于直方图均衡化的图像增强算法 |
CN108961375A (zh) * | 2018-06-20 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 一种根据二维图像生成三维图像的方法及装置 |
-
2020
- 2020-01-13 CN CN202010029917.XA patent/CN111260572A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609925A (zh) * | 2012-04-18 | 2012-07-25 | 江苏技术师范学院 | 一种粒子群优化的均衡形态滤波图像去噪方法 |
CN102831592A (zh) * | 2012-08-10 | 2012-12-19 | 中国电子科技集团公司第四十一研究所 | 基于直方图分段变换的图像非线性增强方法 |
CN104102912A (zh) * | 2013-04-02 | 2014-10-15 | 秦海勇 | 一种基于视频图像识别的分项计量能耗数据采集装置及方法 |
CN104680500A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于直方图均衡化的图像增强算法 |
CN108961375A (zh) * | 2018-06-20 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 一种根据二维图像生成三维图像的方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178164A (zh) * | 2020-10-12 | 2021-07-27 | 浙江山泓科技有限公司 | 一种用于led显示屏的智能图像处理装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
CN110910437B (zh) | 一种复杂室内场景的深度预测方法 | |
CN111507357B (zh) | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 | |
CN111899295B (zh) | 一种基于深度学习的单目场景深度预测方法 | |
CN104751493A (zh) | 基于梯度纹理特征的稀疏跟踪方法 | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
Zhou et al. | YOLO-CIR: The network based on YOLO and ConvNeXt for infrared object detection | |
CN112215861A (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
Zhu et al. | Image super-resolution based on sparse representation via direction and edge dictionaries | |
CN113065506B (zh) | 一种人体姿态识别方法及系统 | |
CN111260572A (zh) | 一种用于计算机图形图像处理的记录仪及图像处理方法 | |
CN116934762B (zh) | 锂电池极片表面缺陷的检测系统及方法 | |
CN111724428A (zh) | 基于图上信号模型的深度图采样与重构方法 | |
CN110310269B (zh) | 基于极平面多尺度Gabor特征相似度的光场图像质量评价方法 | |
CN102324043A (zh) | 基于dct的特征描述算子及优化空间量化的图像匹配方法 | |
CN114375460A (zh) | 实例分割模型的数据增强方法、训练方法和相关装置 | |
CN112418227A (zh) | 基于双自注意力机制的监控视频卡车分割方法 | |
CN111914749A (zh) | 基于神经网络的车道线识别方法及其系统 | |
Zhang | Image enhancement method based on deep learning | |
CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
CN112270670B (zh) | 一种电网巡检中的全景目标检测方法 | |
CN112508007B (zh) | 基于图像分割Mask和神经渲染的空间目标6D姿态估计方法 | |
CN115272450A (zh) | 一种基于全景分割的目标定位方法 |
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 |