CN111383216A - 图像间变化的检测方法及装置 - Google Patents
图像间变化的检测方法及装置 Download PDFInfo
- Publication number
- CN111383216A CN111383216A CN202010162967.5A CN202010162967A CN111383216A CN 111383216 A CN111383216 A CN 111383216A CN 202010162967 A CN202010162967 A CN 202010162967A CN 111383216 A CN111383216 A CN 111383216A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- difference
- filtering
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008859 change Effects 0.000 title claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 145
- 230000004927 fusion Effects 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 70
- 230000000877 morphologic effect Effects 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 48
- 238000003860 storage Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 abstract description 37
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005286 illumination Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T5/50—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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种图像间变化的检测方法及装置，涉及图像处理技术领域，其目的在于低照度情况下监测区域未发生变化时图像间变化的检测易因传感器噪声影响所干扰，影响检测结果的准确性。该方法包括：对图像集合中的目标图像执行形态学滤波操作，得到滤波图像；利用压缩对数比算子和均值比算子分别对图像集合中的目标图像进行处理，得到每个目标图像的差异图，并对多个目标图像的差异图进行等权融合操作，得到融合差异图；通过预设处理函数对融合差异图像进行压缩得到归一化融合差异图，并对归一化融合差异图进行中值滤波操作得到最终差异图；通过预设聚类算法对最终差异图进行聚类，并根据聚类结果确定图像间变化。本发明适用于检测图像间变化。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像间变化的检测方法及装置。
背景技术
伴随着社会经济和计算机视觉的发展，视频监控凭借其直观、准确、实时等特性得到了广泛的应用。在进行监控过程中，往往都是基于图像间变化来确定被监控区域是否有人或物体经过。其中，常用的图像间变化的检测方式是两时相图像变化检测法，此方法是一种在未知目标先验知识的情况下，通过对比某一场景下在两个不同时刻所拍摄的图像，从场景中检测出差异区域来确定图像间的变化。
目前，现有的对图像间变化进行检测时，往往是基于多时相图像间存在一定的变化进行检测的，即其检测过程时假定有物体经过时进行图像检测，这就使得当面对多时相图像之间没有真实变化时，即被监控区域没有发生物体移动或经过人物时，现有的检测方式对于两个时相采集到的图像检测时，由于图像之间并没有较大的变化，尤其是当照度较低时，图像之间的差异会受到传感器噪声所影响而加重。例如，两个图像之间由于传感器噪声差异使得两个没有变化的图像之间因噪声差异使得检测过程中误判断出存在差异区域而使检测结果的准确性受到影响。因此，在对于监控场景中没有变化发生时，现有的图像间变化的检测结果往往会由于多时相监控图像间传感器噪声的差异的显著性提高，导致传感器噪声的差异对两幅图像的变化检测干扰更加严重，影响检测结果的准确性。
发明内容
鉴于上述问题，本发明提供一种图像间变化的检测方法及装置，主要目的在于在图像间变化的检测的过程中，解决图像间变化的检测结果准确性较低的问题。
为解决上述技术问题，第一方面，本发明提供了一种图像间变化的检测方法，该方法包括：
对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，所述图像集合中包含有至少两个用于检测图像变化的目标图像；
利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图；
通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图；
通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
可选的，对图像集合中的目标图像执行形态学滤波操作，得到滤波图像包括：
通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
可选的，所述通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像包括：
通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
利用预设多方向加权串联结构滤波公式对所述多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
可选的，所述预设处理函数包括sigmoid函数。
可选的，所述通过预设聚类算法对所述最终差异图进行聚类包括：
通过K-means算法对所述最终差异图进行聚类。
第二方面，本发明还提供了一种图像间变化的检测装置，该装置包括：
滤波单元，用于对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，所述图像集合中包含有至少两个用于检测图像变化的目标图像；
融合单元，用于利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图；
处理单元，用于通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图；
确定单元，用于通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
可选的，所述滤波单元具体用于通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
可选的，所述滤波单元包括：
滤波模块，用于通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
处理模块，用于利用预设多方向加权串联结构滤波公式对所述多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
可选的，所述预设处理函数包括sigmoid函数。
可选的，所述确定单元包括：
聚类模块，用于通过K-means算法对所述最终差异图进行聚类。
为了实现上述目的，根据本发明的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的图像间变化的检测方法。
为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，所述电子设备包括一个或多个处理器及存储器，其中存储器用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个实现如上述所述的图像间变化的检测方法。
借由上述技术方案，本发明提供的图像间变化的检测方法及装置，对于现有技术在进行图像间变化的检测时，面对低照度情况下监测区域未发生变化时易因传感器噪声影响干扰检测结果，从而影响图像间变化的检测准确性的问题，本发明通过对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，再利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图，之后通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图，最后通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，从而实现图像间变化的检测。确保了在图像间变化的检测过程中，能够对图像集合中的目标图像执行形态学滤波操作来去除图像中的随机噪声，排除了随机噪声对图像间变化检测的干扰。同时，利用利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图，可以在一定程度上去除了两幅图像中的相干噪声对图像间变化检测的影响。此外，通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图能够有效的抑制目标图像间传感器噪声的差异，提高了后续聚类的效果，并通过中值滤波操作去除归一化差异图中孤立的噪声，有效的保留了变化区域的边缘，从而确保了后续聚类结果的准确性，继而提高了图像间变化的检测结果的准确性性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种图像间变化的检测方法流程图；
图2示出了本发明实施例提供的另一种图像间变化的检测方法流程图；
图3示出了本发明实施例提供的一种图像间变化的检测装置的组成框图；
图4示出了本发明实施例提供的另一种图像间变化的检测装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了提高图像间变化的检测结果的准确性，本发明实施例提供了一种图像间变化的检测方法，如图1所示，该方法包括：
101、对图像集合中的目标图像执行形态学滤波操作，得到滤波图像。
其中，所述图像集合中包含有至少两个用于检测图像变化的目标图像。
在本发明实施例中，所采用的图像间变化的检测方法是通过对图像之间的变化差异区域进行检测实现的，也就是说执行本发明实施例所述的方法时，首先需要两张需要进行对比的图像。即本发明实施例中所述的图像集合，该集合中至少包含两张在同一位置不同时刻采集到的图像。具体的该图像的数量、种类、形式的选取可以根据实际需要进行选取，在此不做限定。因此当确定了需要进行检测的图像集合后，则可以对该集合中的目标图像按照本步骤所述的方法进行形态学滤波操作。其中，形态学本来是生物中的一个概念，但是对于图像处理来说，形态学指的是数学方面的形态学滤波，特别是对图像的滤波处理。它的本质和其他滤波器一样，都能够对图像进行去噪、增强等作用。具体的，在形态学滤波操作的过程中包括的运算很多，最基本的两个形态学滤波操作是腐蚀和膨胀，其他的形态学滤波操作都是基于这两个基本的形态学滤波操作进行的，例如开运算、闭运算、形态学梯度、顶帽、黑帽等。
在本步骤中，所采取的形态学滤波操作可以包括膨胀、腐蚀、开运算以及闭运算。其中，膨胀操作是将图像中像素点较近的像素连通在一起，可以有效填补图像中的空洞；而腐蚀操作的作用则是消除物体的边界点，把小于结构元素的物体去除。同时，在实施膨胀和腐蚀过程可以得到开运算和闭运算，开运算通常用于去除比结构元素小的亮的细节，闭运算通常用于去除比结构元素小的暗的细节。另外，开操作、闭操作也可用于去除噪声小的成分。这样，通过对所述目标图像进行形态学滤波操作，可以基于形态学滤波操作中的膨胀、腐蚀、开运算以及闭运算对图像中的随机噪声进行去除，从而为后续的差异区域的识别的准确性奠定基础，确保了本实施例所述的图像间变化检测结果的准确性。
102、利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图。
当前述步骤中得到了滤波后的图像后，则可以在本步骤中利用压缩对比算子及均值比算子分别对上述图像进行处理，从而得到目标图像涉及的多个图像(一般为两个图像)在基于每种算子处理后的差异图，然后将差异图之间进行等权融合操作，从而得到融合后的差异图。例如，当滤波后的目标图像为图像A和图像B时，则可以对该图像A和图像B进行压缩对数比算子处理，得到图像A及图像B之间基于压缩对数比算子处理下的差异图a，即所述对数比算子差异图，然后同时利用均值比算子对该图像A及图像B进行处理，得到图像A及图像B之间基于均值比算子处理下的差异图b，即所述均值比算子差异图，最后将处理后的这个两个差异图a及b进行等权融合，得到融合后差异图A。
103、通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图。
当前述步骤得到了融合差异图后，则可以按照本步骤的方式对该图像进行进一步的压缩处理至归一化融合差异图，由于归一化处理能够将图像中的位深压缩至(0，1)之间，这样，能够确保图像数据明显压缩的同时，还能够减少亮度分布不均对后续图像处理时的影响，并提高了收敛效果。另外，在进行归一化处理的过程中，所选用的预设处理函数可以为多种压缩算法中的任意一种公式，例如sigmoid函数，当然，在此不做限定，可以根据实际需要选取。同时，在得到归一化共和差异图后，还需要对该图像进行中值滤波，该操作的目的是将图像的每个像素用邻域像素的中值代替，从而使图像更为平滑。
104、通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化。
其中，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
当得到中值滤波后的图像后，则可以通过预设的聚类算法来对图像进行聚类操作，从而通过聚类后的结果来确定图像之间是否存在差异区域，从而确定图像之间的变化结果。其中，该聚类算法可以为K-means算法或Mean Shift算法。其中K-means，需要提前设定好聚类数，即K值；而Mean Shift算法，虽然能自动确定聚类数，但涉及到核函数及其中参数的选择，因此，在实际应用中可根据具体场景选取适合的聚类算法。这样，通过预设聚类算法对所述最终差异图进行聚类，能够得到聚类后的结果，使图像间的差异性明显的表征出来(差异区域及非差异区域)，从而确保了确定图像间变化的准确性。
借由上述方案，本发明实施例提供了一种图像间变化的检测方法，对于现有技术在进行图像间变化的检测时，面对低照度情况下监测区域未发生变化时易因传感器噪声影响干扰检测结果，从而影响图像间变化的检测准确性的问题，本发明通过对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，再利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图，之后通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图，最后通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，从而实现图像间变化的检测。确保了在图像间变化的检测过程中，能够对图像集合中的目标图像执行形态学滤波操作来去除图像中的随机噪声，排除了随机噪声对图像间变化检测的干扰。同时，利用利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图，可以在一定程度上去除了两幅图像中的相干噪声对图像间变化检测的影响。此外，通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图能够有效的抑制目标图像间传感器噪声的差异，提高了后续聚类的效果，并通过中值滤波操作去除归一化差异图中孤立的噪声，有效的保留了变化区域的边缘，从而确保了后续聚类结果的准确性，继而提高了图像间变化的检测结果的准确性性。
进一步的，作为对图1所示实施例的细化及扩展，本发明实施例还提供了另一种图像间变化的检测方法，如图2所示，其具体步骤包括：
201、对图像集合中的目标图像执行形态学滤波操作，得到滤波图像。
其中，所述图像集合中包含有至少两个用于检测图像变化的目标图像。
在本发明实施例中，所述形态学滤波操作时所采用的方式包括膨胀、腐蚀、开运算及闭运算。所述形态学滤波、膨胀、腐蚀、开运算及闭运算等操作的目的及方式皆与前述实施例中步骤101中一致，在此不再赘述。
具体的，本步骤具体在执行滤波操作时，可以通过下述方式进行：通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
具体的，通过多方向加权多尺寸串联形态学滤波操作的过程可以包括：
首先，通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
然后，利用预设多方向加权串联结构滤波公式对所述多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
例如，为了去除低照度条件下监控图像中的随机噪声，我们使用先开后闭的形态学结构滤波器对输入图像进多方向加权多尺度串联的结构滤波。选用线形元素作为结构元素SE的结构体，定义长度为a，b，角度分别为0，45，90，135的两种尺寸四种角度的结构体；将相同角度不同尺寸的结构体作为一类，共有四类结构体组分别表示为SE1，SE2，SE3，SE4。使用各类中不同尺寸的结构体组对输入图像进行串联滤波，得到四张滤波后的图像，将得到的四张图像加权求和得到去除随机噪声后的平滑图像。
假设目标图像为X＝{X(i,j)|1<i<h,1<j<w}，其中h为图像的高度w为图像的宽度。因此输入灰度图像X经过多方向加权串联结构滤波得到的平滑图像公式Y如下所示：
Y＝X1×W1+X2×W2+X3×W3+X4×W4
其中，X1、X2、X3、X4分别为输入灰度图像X经过四类结构体组中结构体SE1、SE2、SE3、SE4滤波后得到的新图像；W1、W2、W3、W4分别为四类结构体组SE1，SE2，SE3，SE4插入图像的次数除以总次数的值。
202、利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图。
203、通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图。
其中，所述预设处理函数包括sigmoid函数。sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的激活函数，将变量映射到0,1之间。sigmoid函数也叫Logistic函数，可以用于隐层神经元输出，取值范围为(0,1)，即可以将一个实数映射到(0,1)的区间，因此可以用来做二分类使用。sigmoid作为激活函数具有平滑、易于求导的优点。在本发明实施例中，采用sigmoid函数对所述融合差异图像进行压缩得到归一化融合差异图，可以使得在归一化操作的过程更易计算，提高了处理效率。同时，能够基于该操作使传感器在采集同时位置不同时刻的两个图像时，能够有效抑制传感器带来的噪声差异的问题。
204、通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化。
其中，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
具体的，本步骤在执行聚类操作时可以通过K-means算法对所述最终差异图进行聚类。其中，K-means算法又叫k均值聚类算法(k-means clustering algorithm，简称K-means)是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件,终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。其中，采用K-means算法进行聚类操作具有下述优点：1、原理比较简单，实现也是很容易，收敛速度快。2、当结果簇是密集的，而簇与簇之间区别明显时,它的效果较好。3、主要需要调参的参数仅仅是簇数k。因此，在本发明实施例采用k-means算法的执行图像的聚类操作，可以使得聚类操作构成较为快捷，从而提高了处理效率。从而整体上提高了图像间变化检测的检测效率。
进一步的，作为对上述图1、2所示方法的实现，本发明实施例还提供了一种图像间变化的检测装置，用于对上述所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图3所示，其中包括：
滤波单元31，可以用于对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，所述图像集合中包含有至少两个用于检测图像变化的目标图像；
融合单元32，可以用于利用压缩对数比算子和均值比算子分别对所述滤波单元31滤波后的图像集合中的目标图像进行处理，得到每个目标图像的差异图，并对多个所述目标图像的差异图进行等权融合操作，得到融合差异图；
处理单元33，可以用于通过预设处理函数对所述融合单元32得到的融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图；
确定单元34，可以用于通过预设聚类算法对所述处理单元33得到的最终差异图进行聚类，并根据聚类结果确定图像间变化，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
进一步的，如图4所示，所述装置还包括：
所述滤波单元31，可以具体用于通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
进一步的，如图4所示，所述滤波单元31包括：
滤波模块311，可以用于通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
处理模块312，可以用于利用预设多方向加权串联结构滤波公式对所述滤波模块311得到的多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
进一步的，如图4所示，所述预设处理函数包括sigmoid函数。
进一步的，如图4所示，所述确定单元34包括：
聚类模块341，可以用于通过K-means算法对所述最终差异图进行聚类。
借由上述技术方案，本发明实施例提供一种图像间变化的检测方法及装置。对于现有技术在进行图像间变化的检测时，面对低照度情况下监测区域未发生变化时易因传感器噪声影响干扰检测结果，从而影响图像间变化的检测准确性的问题，本发明通过对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，再利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图，之后通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图，最后通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，从而实现图像间变化的检测。确保了在图像间变化的检测过程中，能够对图像集合中的目标图像执行形态学滤波操作来去除图像中的随机噪声，排除了随机噪声对图像间变化检测的干扰。同时，利用利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图，可以在一定程度上去除了两幅图像中的相干噪声对图像间变化检测的影响。此外，通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图能够有效的抑制目标图像间传感器噪声的差异，提高了后续聚类的效果，并通过中值滤波操作去除归一化差异图中孤立的噪声，有效的保留了变化区域的边缘，从而确保了后续聚类结果的准确性，继而提高了图像间变化的检测结果的准确性性。
所述的图像间变化的检测装置包括处理器和存储器，上述滤波单元、融合单元、处理单元以及确定单元等作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高图像间变化的检测的准确性。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述图像间变化的检测方法。
本发明实施例提供了一种电子设备，所述电子设备包括一个或多个处理器及存储器，其中存储器用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个实现如上述所述的图像间变化的检测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述图像间变化的检测方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，所述图像集合中包含有至少两个用于检测图像变化的目标图像；
利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图；
通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图；
通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
进一步的，对图像集合中的目标图像执行形态学滤波操作，得到滤波图像包括：
通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
进一步的，所述通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像包括：
通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
利用预设多方向加权串联结构滤波公式对所述多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
进一步的，所述预设处理函数包括sigmoid函数。
进一步的，所述通过预设聚类算法对所述最终差异图进行聚类包括：
通过K-means算法对所述最终差异图进行聚类。
本发明实施例中的设备可以是服务器、PC、PAD、手机等。
本发明实施例还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，所述图像集合中包含有至少两个用于检测图像变化的目标图像；
利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图；
通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图；
通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
进一步的，对图像集合中的目标图像执行形态学滤波操作，得到滤波图像包括：
通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
进一步的，所述通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像包括：
通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
利用预设多方向加权串联结构滤波公式对所述多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
进一步的，所述预设处理函数包括sigmoid函数。
进一步的，所述通过预设聚类算法对所述最终差异图进行聚类包括：
通过K-means算法对所述最终差异图进行聚类。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种图像间变化的检测方法，其特征在于，包括：
对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，所述图像集合中包含有至少两个用于检测图像变化的目标图像；
利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图；
通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图；
通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
2.根据权利要求1所述的方法，其特征在于，对图像集合中的目标图像执行形态学滤波操作，得到滤波图像包括：
通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
3.根据权利要求2所述的方法，其特征在于，所述通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像包括：
通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
利用预设多方向加权串联结构滤波公式对所述多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
4.根据权利要求1所述的方法，其特征在于，所述预设处理函数包括sigmoid函数。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述通过预设聚类算法对所述最终差异图进行聚类包括：
通过K-means算法对所述最终差异图进行聚类。
6.一种图像间变化的检测装置，其特征在于，包括：
滤波单元，用于对图像集合中的目标图像执行形态学滤波操作，得到滤波图像，所述图像集合中包含有至少两个用于检测图像变化的目标图像；
融合单元，用于利用压缩对数比算子对所述图像集合中的目标图像进行处理得到对数比算子差异图，同时利用均值比算子对所述图像集合中的目标图像进行处理得到均值比算子差异图，并对所述对数比算子差异图及均值比算子差异图进行等权融合操作，得到融合差异图；
处理单元，用于通过预设处理函数对所述融合差异图像进行压缩得到归一化融合差异图，并对所述归一化融合差异图进行中值滤波操作得到最终差异图；
确定单元，用于通过预设聚类算法对所述最终差异图进行聚类，并根据聚类结果确定图像间变化，所述聚类结果包括所述图像集合中多个目标图像间的差异区域及非差异区域。
7.根据权利要求6所述的装置，其特征在于，
所述滤波单元，具体用于通过多方向加权多尺度串联形态滤波操作去除目标图像集合中的图像的随机噪声，得到所述滤波图像。
8.根据权利要求6所述的装置，其特征在于，所述滤波单元包括：
滤波模块，用于通过预设数量的多个预设结构体分别对目标图像进行滤波操作，得到对应每个预设结构体的结构体滤波图像；
处理模块，用于利用预设多方向加权串联结构滤波公式对所述多个结构体滤波图像进行加权求和，得到所述滤波图像；
所述预设多方向加权串联结构滤波公式为：
Y＝X1×W1+X2×W2+…+Xn×Wn
其中，X1、X2…Xn分别为目标图像X经过n个结构体滤波后得到的结构体滤波图像，W1、W2…Wn分别为n个结构体中每个结构体插入图像的次数除以总次数的值。
9.根据权利要求6所述的装置，其特征在于，所述预设处理函数包括sigmoid函数。
10.根据权利要求6-9中任一项所述的装置，其特征在于，所述确定单元包括：
聚类模块，用于通过K-means算法对所述最终差异图进行聚类。
11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求5中任意一项所述的图像间变化的检测方法。
12.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个实现如权利要求1至权利要求5中任意一项所述的图像间变化的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010162967.5A CN111383216B (zh) | 2020-03-10 | 2020-03-10 | 图像间变化的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010162967.5A CN111383216B (zh) | 2020-03-10 | 2020-03-10 | 图像间变化的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111383216A true CN111383216A (zh) | 2020-07-07 |
| CN111383216B CN111383216B (zh) | 2022-04-05 |
Family
ID=71219922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010162967.5A Active CN111383216B (zh) | 2020-03-10 | 2020-03-10 | 图像间变化的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383216B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329741A (zh) * | 2020-12-04 | 2021-02-05 | 广微(中山)智能科技有限公司 | 一种基于小波变换和形态学滤波的电敏感区信号去噪方法 |
| CN112926484A (zh) * | 2021-03-11 | 2021-06-08 | 新疆大学 | 基于自动判别策略的低照度图像变化检测方法及装置 |
| CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060039586A1 (en) * | 2004-07-01 | 2006-02-23 | Sony Corporation | Information-processing apparatus, information-processing methods, and programs |
| CN102629378A (zh) * | 2012-03-01 | 2012-08-08 | 西安电子科技大学 | 基于多特征融合的遥感图像变化检测方法 |
| CN107316296A (zh) * | 2017-06-29 | 2017-11-03 | 新疆大学 | 一种基于对数变换的遥感图像变化检测方法及装置 |
| CN108830828A (zh) * | 2018-04-28 | 2018-11-16 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
-
2020
- 2020-03-10 CN CN202010162967.5A patent/CN111383216B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060039586A1 (en) * | 2004-07-01 | 2006-02-23 | Sony Corporation | Information-processing apparatus, information-processing methods, and programs |
| CN102629378A (zh) * | 2012-03-01 | 2012-08-08 | 西安电子科技大学 | 基于多特征融合的遥感图像变化检测方法 |
| CN107316296A (zh) * | 2017-06-29 | 2017-11-03 | 新疆大学 | 一种基于对数变换的遥感图像变化检测方法及装置 |
| CN108830828A (zh) * | 2018-04-28 | 2018-11-16 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| ZHOU WENYAN 等: "SAR image change detection based on equal weight image fusion and adaptive threshold in the NSST domain", 《EUROPEAN JOURNAL OF REMOTE SENSING》 * |
| 张一晨 等: "基于ＮＳＣＴ域图像融合改进算法的ＳＡＲ图像无监督变化检测", 《光电子·激光》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329741A (zh) * | 2020-12-04 | 2021-02-05 | 广微(中山)智能科技有限公司 | 一种基于小波变换和形态学滤波的电敏感区信号去噪方法 |
| CN112926484A (zh) * | 2021-03-11 | 2021-06-08 | 新疆大学 | 基于自动判别策略的低照度图像变化检测方法及装置 |
| CN112926484B (zh) * | 2021-03-11 | 2022-07-01 | 新疆大学 | 基于自动判别策略的低照度图像变化检测方法及装置 |
| CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111383216B (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111383216B (zh) | 图像间变化的检测方法及装置 | |
| US10614736B2 (en) | Foreground and background detection method | |
| CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
| CN109784259B (zh) | 基于图像识别的水体透明度智能识别方法及塞氏盘组件 | |
| CN110428450A (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
| CN108830828B (zh) | 一种遥感图像变化检测方法及装置 | |
| CN113128554B (zh) | 一种基于模板匹配的目标定位方法、系统、装置及介质 | |
| CN111681198A (zh) | 一种形态学属性滤波多模融合成像方法、系统及介质 | |
| CN107316296B (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
| CN117474918B (zh) | 异常检测方法和装置、电子设备以及存储介质 | |
| CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
| CN112734747A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
| CN109949337A (zh) | 基于高斯混合背景模型的运动目标检测方法及装置 | |
| CN110580706A (zh) | 一种视频背景模型的提取方法及装置 | |
| CN114994098A (zh) | 一种异物检测的方法及设备 | |
| CN113727095A (zh) | 摄像头移动的检测方法、装置、设备、系统及存储介质 | |
| CN114581433A (zh) | 一种获取金属球腔内表面形貌检测图像的方法及系统 | |
| CN111932515A (zh) | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 | |
| CN109558878B (zh) | 图像识别方法和装置 | |
| CN115661125B (zh) | 基于格雷码结构光的类镜面结构表面缺陷检测方法及系统 | |
| CN110738665B (zh) | 一种基于深度图像信息的物体接触识别方法 | |
| CN114845041B (zh) | 一种用于纳米颗粒成像的对焦方法、装置及存储介质 | |
| CN110517274B (zh) | 一种图像阈值分割方法、终端设备及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231102 Address after: 830002 No.3-43, 3rd Floor, Baihua Village, No. 141 Zhongshan Road, Tianshan District, Urumqi, Xinjiang Uygur Autonomous Region Patentee after: XINJIANG QIANKUN INFORMATION TECHNOLOGY Co.,Ltd. Address before: 830000 Xinjiang University, No. 14 Shengli Road, Tianshan District, Urumqi City, Xinjiang Uygur Autonomous Region Patentee before: XINJIANG University |
|
| TR01 | Transfer of patent right |