CN111353994B - 一种面向目标检测的图像无参考亮度质量检测方法 - Google Patents

Abstract

本发明公开了一种面向目标检测的图像无参考亮度质量检测方法，包括如下步骤：图像信息获取，并从图像中获取灰度图信息；图像典型区域划分，用Scharr算子求得待检测图像的梯度图后滤波，投影得到在水平方向和垂直方向上的梯度序列，并各自计算若干峰值点，由水平方向和垂直方向上的峰值点交叉得到若干交点和图像典型区域；检测判断，在获得的图像典型区域进行图像亮度和梯度的检测，并对大量相似的图像进行同样的典型区域划分和典型区域图像亮度和梯度的检测，通过阈值设定对图片质量进行判断。与现有技术相比，本发明具有较高的过曝欠曝识别准确度，能对目标检测的图像质量有较高的评判精确度。

Description

一种面向目标检测的图像无参考亮度质量检测方法

技术领域

本发明属于图像处理领域，尤其涉及一种面向目标检测的图像无参考亮度质量检测方法。

背景技术

随着计算机及其相关技术的迅速发展，机器视觉技术在工业自动化生产等领域的应用越来越为广泛。工业等领域的广泛应用极大提高了工业产品生产过程中的效率和质量，给社会带来了巨大的经济效益和社会效益。

如今越来越多的行业开始使用深度学习、人工智能的方法提取目标特征值来进行学习，达到能够自主判断目标，检测目标的目的，但是在目标检测的图像中，若是图像存在曝光度不足或是过度曝光的情况下，目标检测会出现大量的漏检和误检，严重影响目标对象的检测识别，在漏检和误检中由于曝光度不足导致的图片模糊占绝大多数。一般的目标检测的监控图像中存在以下缺陷：

1、在过暗、亮度不够或是在过亮、亮度过高的环境下进行拍摄导致的曝光度不足、过度曝光影响了图像质量导致检测不到目标或误检目标；

2、图像对比度较小导致图片整体偏暗或者偏亮影响图像质量导致检测不到目标或误检目标。

其中，图像梯度图是衡量模糊的主要方法，利用梯度图对图像进行划分检测，可以实现对监控图像中显示的目标更加准确，更加快速地定位和识别。

发明内容

发明目的：针对现有技术中存在的问题，本发明公开了一种面向目标检测的图像无参考亮度质量检测方法，具备较高的环境适应性和检测准确率，能大幅提升目标检测地准确率，更加智能地进行自动目标检测。

技术方案：本发明采用如下技术方案：一种面向目标检测的图像无参考亮度质量检测方法，其特征在于，包括如下步骤：

步骤A、图像信息获取

采集含有特定目标的图像，并从图像中获取灰度图信息；

步骤B、图像典型区域划分

用Scharr算子求得待检测图像灰度图的梯度图，并对梯度图进行滤波，在滤波后的梯度图上投影得到水平方向和垂直方向上的梯度序列，并各自计算水平方向和垂直方向上的若干峰值点，由水平方向和垂直方向上的峰值点交叉得到若干交点，以交点为中心得到若干典型区域；

步骤C、亮度检测与判断

计算待检测图像中典型区域的亮度均值以及梯度均值，大量类似图像的典型区域的亮度均值、亮度方差、梯度均值和梯度方差，设定阈值，根据待检测图像中典型区域的亮度均值、梯度均值和阈值的关系，来判断该图像的亮度质量。

优选的，所述步骤B具体包括：

步骤B1、利用Scharr梯度算子计算出待检测图像的水平梯度分量和垂直梯度分量，接着将分量转回uint8类型，并将水平梯度分量和垂直梯度分量进行整合，从而得到图像的梯度图；

步骤B2、对获取的梯度图进行滤波，在滤波后的梯度图上投影得到水平方向和垂直方向上的梯度序列，在水平方向和垂直方向的梯度序列中分别获取若干峰值点，以峰值点交叉得到的交点为中心得到若干典型区域。

优选的，所述步骤B2具体包括：

步骤B21、通过待预测图像的梯度图，首先对梯度图进行二维滤波，然后将其在水平方向和垂直方向上进行投影得到水平投影梯度序列和垂直投影梯度序列；

步骤B22、在水平投影梯度序列和垂直投影梯度序列中计算找到各自最大值，作为各自的第一个最大峰值点；设置阈值半径，在水平投影梯度序列和垂直投影梯度序列中挖去第一个峰值点阈值半径范围内的像素点，再次计算获取第二个最大峰值点；重复上述过程直至求得水平方向和垂直方向上的若干峰值点；

步骤B23、将水平方向上的最大峰值点和垂直方向上的最大峰值点进行交叉得到若干交点，以交点为中心得到若干典型区域。

优选的，所述步骤B22中，阈值半径为63个像素点。

优选的，所述步骤B23中，典型区域以交点为中心，面积为25*25个像素点。

优选的，所述步骤C具体包括：

步骤C1、计算待检测图像中典型区域的亮度均值和梯度均值；

步骤C2、根据步骤A和步骤B，在与待检测图像类似的大量图像中同样划分出典型区域，并计算每幅图像中典型区域的亮度均值、梯度均值，获得图像集整体的亮度均值、亮度方差和梯度均值、梯度方差的统计值；

步骤C3、根据步骤C2中的计算值设置阈值，根据待检测图像中典型区域的亮度均值和梯度均值与该阈值的关系，来判断该图像的亮度。

优选的，所述步骤C3中，待检测图像典型区域的亮度均值为yMean，梯度均值为gMean，相似图像集整体的亮度均值为YMean，亮度方差为YVar，相似图像集整体的梯度均值为GMean，梯度方差为GVar，判断方法具体为：

若yMean≤YMean-YVar*0.5，则该待检测图像为疑似偏暗；

若yMean≥YMean+YVar*1.6，则该待检测图像为疑似偏亮；

若(GMean-GVar*2.1)≤gMean＜(GMean-GVar*1.6)，则该待检测图像为疑似模糊；

若图像同时为疑似偏暗和疑似模糊或是yMean≤YMean-YVar*1.9，则该待检测图像为暗模糊；

若图像同时为疑似偏亮和疑似模糊或是yMean≥YMean+YVar*3.2，则该待检测图像为亮模糊。

有益效果：本发明具有如下有益效果：

本发明的面向目标检测的图像无参考亮度质量检测方法，具备较高的环境适应性和检测准确率，具有较高的过曝欠曝识别准确度，能大幅提升目标检测的评判精确度，更加智能地进行自动目标检测。

附图说明

图1为本发明的方法流程图；

图2为本发明中水平方向上的叠加梯度图，并标记出第一个峰值点；

图3为在图2的叠加梯度图中减去第一个峰值点及其阈值半径内的像素点后的叠加梯度图，并标记出第二个峰值点；

图4为在图3的叠加梯度图中减去第二个峰值点及其阈值半径内的像素点后的叠加梯度图，并标记出第三个峰值点。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明公开了一种面向目标检测的图像无参考亮度质量检测方法，如图1所示，包括如下步骤：

步骤A、图像信息获取

采集含有特定目标的图像，例如通过监控设备拍摄图像，并通过Opencv从图像中获取灰度图。

步骤B、图像典型区域划分

在对待检测图像的质量进行检测之前，首先要对图像的典型区域和非典型区域进行区分，得到图像典型区域，具体步骤如下。

步骤B1、首先利用Opencv中的Scharr梯度算子，计算出待检测图像灰度图的水平梯度分量x和垂直梯度分量y，接着利用convertSAbs函数将分量x和分量y转回uint8类型，利用addWeighted函数将水平梯度分量x和垂直梯度分量y进行整合，从而得到图像的梯度图。

步骤B2、为了让二维梯度图更加平滑，对获取的梯度图进行二维滤波，在滤波后的梯度图上投影得到水平方向和垂直方向上的梯度序列，在水平方向和垂直方向的梯度序列中分别获取峰值点，以峰值点交叉得到的交点为中心得到若干典型区域，具体步骤如下。

步骤B21、对步骤B1获取的图像的梯度图进行二维滤波，将滤波后的梯度图在水平方向和垂直方向上进行投影叠加得到水平投影梯度序列Gx和垂直投影梯度序列Gy。

步骤B22、在水平投影梯度序列Gx中计算找到其最大值，作为水平方向上梯度的第一个最大峰值点x1，如图2所示；

然后为了避免两个峰值点过近，根据经验，设置阈值半径为63个像素点，在水平投影梯度序列Gx中挖去峰值点x1半径63范围的像素点，再次计算获取第二个最大峰值点x2，如图3所示；

接着再次挖去峰值点x2半径63范围的像素点，再次计算获取第三个最大峰值点x3，如图4所示。

同样的，在垂直投影梯度序列Gy上也进行相同的操作，得到三个最大峰值点分别记为y1、y2和y3。

步骤B23、将水平方向上的最大峰值点x1、x2、x3和垂直方向上的最大峰值点y1、y2、y3进行交叉得到9个坐标点P[9]，以坐标点P[9]为中心得到9个典型区域，区域面积为25*25个像素点。

步骤C、亮度检测与判断

在待检测图像的典型区域进行图像亮度和梯度的检测，通过阈值设定对图像质量进行判断，具体步骤如下。

步骤C1、计算待检测图像中9个典型区域的亮度均值和梯度均值；

步骤C2、根据步骤A和步骤B，在与待检测图像类似的大量图像中同样划分出典型区域，并计算每幅图像中典型区域的亮度均值和亮度方差、梯度均值和梯度方差，进而获得图像集整体的典型区域的亮度均值和亮度方差、梯度均值和梯度方差；

步骤C3、待检测图像典型区域的亮度均值为yMean，梯度均值为gMean，相似图像集整体的亮度均值为YMean，亮度方差为YVar，相似图像集整体的梯度均值为GMean，梯度方差为GVar，根据正态分布以及参数的逐步优化：

若待检测图像9个典型区域的亮度均值小于等于整体亮度均值减去亮度方差的0.5倍，即yMean≤YMean-YVar*0.5，则该待检测图像为疑似偏暗；

若待检测图像9个典型区域的亮度均值大于等于整体亮度均值加上亮度方差的1.6倍，即yMean≥YMean+YVar*1.6，则该待检测图像为疑似偏亮；

若待检测图像9个典型区域的梯度均值大于等于整体梯度均值减去梯度方差的2.1倍且梯度均值小于整体梯度均值减去梯度方差的1.6倍，即(GMean-GVar*2.1)≤gMean＜(GMean-GVar*1.6)，则该待检测图像为疑似模糊；

若待检测图像9个典型区域既是疑似偏暗又是疑似模糊或者亮度均值小于等于整体亮度均值减去亮度方差的1.9倍，即同时为疑似偏暗和疑似模糊或是yMean≤YMean-YVar*1.9，则该待检测图像为暗模糊；

同理，若待检测图像9个典型区域既是疑似偏亮又是疑似模糊或者亮度均值大于等于整体亮度均值加上亮度方差的3.2倍，即图像同时为疑似偏亮和疑似模糊或是yMean≥YMean+YVar*3.2，则该待检测图像为亮模糊。

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 (5)

1.一种面向目标检测的图像无参考亮度质量检测方法，其特征在于，包括如下步骤：

步骤A、图像信息获取：

采集含有特定目标的图像，并从图像中获取灰度图信息；

步骤B、图像典型区域划分：

用Scharr算子求得待检测图像灰度图的梯度图，并对梯度图进行滤波，在滤波后的梯度图上投影得到水平方向和垂直方向上的梯度序列，并各自计算水平方向和垂直方向上的若干峰值点，由水平方向和垂直方向上的峰值点交叉得到若干交点，以交点为中心得到若干典型区域；

步骤C、亮度检测与判断：

计算待检测图像中典型区域的亮度均值以及梯度均值，大量类似图像的典型区域的亮度均值、亮度方差、梯度均值和梯度方差，设定阈值，根据待检测图像中典型区域的亮度均值、梯度均值和阈值的关系，来判断该图像的亮度质量；

所述步骤C具体包括：

步骤C1、计算待检测图像中典型区域的亮度均值和梯度均值；

步骤C2、根据步骤A和步骤B，在与待检测图像类似的大量图像中同样划分出典型区域，并计算每幅图像中典型区域的亮度均值、梯度均值，获得图像集整体的亮度均值、亮度方差和梯度均值、梯度方差的统计值；

步骤C3、根据步骤C2中的计算值设置阈值，根据待检测图像中典型区域的亮度均值和梯度均值与该阈值的关系，来判断该图像的亮度；

所述步骤C3中，待检测图像典型区域的亮度均值为yMean，梯度均值为gMean，相似图像集整体的亮度均值为YMean，亮度方差为YVar，相似图像集整体的梯度均值为GMean，梯度方差为GVar，判断方法具体为：

若yMean≤YMean-YVar*0.5，则该待检测图像为疑似偏暗；

若yMean≥YMean+YVar*1.6，则该待检测图像为疑似偏亮；

若(GMean-GVar*2.1)≤gMean＜(GMean-GVar*1.6)，则该待检测图像为疑似模糊；

若图像同时为疑似偏暗和疑似模糊或是yMean≤YMean-YVar*1.9，则该待检测图像为暗模糊；

若图像同时为疑似偏亮和疑似模糊或是yMean≥YMean+YVar*3.2，则该待检测图像为亮模糊。

2.根据权利要求1所述的一种面向目标检测的图像无参考亮度质量检测方法，其特征在于，所述步骤B具体包括：

步骤B1、利用Scharr梯度算子计算出待检测图像的水平梯度分量和垂直梯度分量，接着将分量转回uint8类型，并将水平梯度分量和垂直梯度分量进行整合，从而得到图像的梯度图；

步骤B2、对获取的梯度图进行滤波，在滤波后的梯度图上投影得到水平方向和垂直方向上的梯度序列，在水平方向和垂直方向的梯度序列中分别获取若干峰值点，以峰值点交叉得到的交点为中心得到若干典型区域。

3.根据权利要求2所述的一种面向目标检测的图像无参考亮度质量检测方法，其特征在于，所述步骤B2具体包括：

步骤B21、通过待预测图像的梯度图，首先对梯度图进行二维滤波，然后将其在水平方向和垂直方向上进行投影得到水平投影梯度序列和垂直投影梯度序列；

步骤B22、在水平投影梯度序列和垂直投影梯度序列中计算找到各自最大值，作为各自的第一个最大峰值点；设置阈值半径，在水平投影梯度序列和垂直投影梯度序列中挖去第一个峰值点阈值半径范围内的像素点，再次计算获取第二个最大峰值点；重复上述过程直至求得水平方向和垂直方向上的若干峰值点；

步骤B23、将水平方向上的最大峰值点和垂直方向上的最大峰值点进行交叉得到若干交点，以交点为中心得到若干典型区域。

4.根据权利要求3所述的一种面向目标检测的图像无参考亮度质量检测方法，其特征在于，所述步骤B22中，阈值半径为63个像素点。

5.根据权利要求3所述的一种面向目标检测的图像无参考亮度质量检测方法，其特征在于，所述步骤B23中，典型区域以交点为中心，面积为25*25个像素点。

Images