CN111815648B - 基于图像的水痕判定方法、装置、计算机设备及存储介质 - Google Patents
基于图像的水痕判定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111815648B CN111815648B CN202010620940.6A CN202010620940A CN111815648B CN 111815648 B CN111815648 B CN 111815648B CN 202010620940 A CN202010620940 A CN 202010620940A CN 111815648 B CN111815648 B CN 111815648B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- frequency domain
- pixel
- value
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims 1
- 210000003462 vein Anatomy 0.000 abstract description 24
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及图像处理技术领域,提供一种基于图像的水痕判定方法、装置、计算机设备及存储介质,该判定方法包括:获取镜面图像;对镜面图像进行中值滤波处理,得到滤波图像;将滤波图像划分为多张相同像素大小的区块图像;分别对多张区块图像进行傅里叶变换,得到区块图像中各个像素的频域信息;按照预设规则对频域信息进行处理,得到每张区块图像的均值;将每张区块图像的均值与预设阈值进行对比,得到镜面图像的判定结果。通过本发明的实施,能够解决现有技术中的指静脉图像识别存在水痕影响静脉识别精准度的问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图像的水痕判定方法、装置、计算机设备及存储介质。
背景技术
近些年,随着深度学习方法的深入研究和进步,生物识别技术已经在众多领域内得到广泛的应用。目前,生活中随处可见,越来越多的产品已经采用了不同的生物识别技术来取代了传统的密码,口令卡等方式进行身份认证以及通过语音等方式直接输入信息取代了传统的打字输入模式。而指静脉识别技术作为生物识别技术中的一种,是利用人体独一无二的生理或行为特征来自动识别个人身份,具有无需记忆密码、高度唯一性、难以被盗用等优点,同时操作简单、方便快捷,因而在近些年得到了广泛的研究,发展迅速。
由于门把手是暴露在室外环境中的,因此指静脉采集设备的采集镜面在遇到雷雨天气的雨水冲刷或者洗车行里洗车冲刷之后会留下残留的水渍,水痕,这样的情况下,在客户后面使用指静脉采集设备的时候就会造成很多不便,会发生拒识或者误识的现象,在识别过程中对识别率会大打折扣,用户的体验也会越来越差。
综上所述,现有技术中的指静脉图像识别存在水痕影响静脉识别精准度的问题。
发明内容
本发明提供一种基于图像的水痕判定方法、装置、计算机设备及存储介质,以解决现有技术中的基于图像的水痕判定方法存在的检测效率较低的问题。
本发明是这样的实现的,本发明第一实施例提供一种基于图像的水痕判定方法,包括:
获取镜面图像;
对镜面图像进行中值滤波处理,得到滤波图像;
将滤波图像划分为多张相同像素大小的区块图像;
分别对多张区块图像进行傅里叶变换,得到区块图像中各个像素的频域信息;
按照预设规则对频域信息进行处理,得到每张区块图像的均值;
将每张区块图像的均值与预设阈值进行对比,得到镜面图像的判定结果。
本发明第二实施例提供一种基于图像的水痕判定装置,包括:
镜面图像获取模块,用于获取镜面图像;
滤波图像获取模块,用于对镜面图像进行中值滤波处理,得到滤波图像;
区块获取模块,用于将滤波图像划分为多张相同像素大小的区块图像;
频域信息获取模块,用于分别对多张区块图像进行傅里叶变换,得到区块图像中各个像素的频域信息;
均值获取模块,用于按照预设规则对频域信息进行处理,得到每张区块图像的均值;
判定结果获取模块,用于将每张区块图像的均值与预设阈值进行对比,得到镜面图像的判定结果。
本发明第三实施例提供一种控制单元,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明第一实施例提供的一种基于图像的水痕判定方法的步骤。
本发明第四实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现本发明第一实施例提供的一种基于图像的水痕判定方法的步骤。
本发明提供一种基于图像的水痕判定方法、装置、计算机设备及存储介质,首先获取镜面图像,然后对镜面图像进行中值滤波处理,得到滤波图像,再,将滤波图像划分为多张相同像素大小的区块图像,再之,分别对多张区块图像进行傅里叶变换,得到区块图像中各个像素的频域信息,然后,按照预设规则对频域信息进行处理,得到每张区块图像的均值,最后将每张区块图像的均值与预设阈值进行对比,得到镜面图像的判定结果。通过本发明的实施,能够对镜面图像进行滤波处理,减少噪音,同时将滤波图像划分为多个区块,分别提取区块图像中的频域信息,并通过预设规则对频域信息进行处理,有效保留了图像中的边缘信息,根据每张区块图像的均值判定指静脉图像采集设备的镜面是否存在水痕,解决了现有技术中指静脉图像识别存在水痕影响静脉识别精准度的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的基于图像的水痕判定方法应用环境示意图;
图2是本发明第一实施例提供的基于图像的水痕判定方法的流程示意图;
图3是本发明第一实施例提供的基于图像的水痕判定方法中步骤14的流程示意图;
图4是本发明第一实施例提供的基于图像的水痕判定方法中步骤15的流程示意图;
图5是本发明第一实施例提供的基于图像的水痕判定方法中步骤16的流程示意图;
图6是本发明第一实施例提供的基于图像的水痕判定方法的又一流程示意图;
图7是本发明第二实施例提供的基于图像的水痕判定装置的模块示意图;
图8是本发明第三实施例提供的计算机设备的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本发明的第一实施例提供的基于图像的水痕判定方法,可应用于如图1所示的应用环境中,其中,采集设备与服务器之间进行通信。采集设备获取镜面图像,将镜面图像发送至服务器,服务器首先获取镜面图像,然后对镜面图像进行中值滤波处理,得到滤波图像,再,将滤波图像划分为多张相同像素大小的区块图像,再之,分别对多张区块图像进行傅里叶变换,得到区块图像中各个像素的频域信息,然后,按照预设规则对频域信息进行处理,得到每张区块图像的均值,最后将每张区块图像的均值与预设阈值进行对比,得到镜面图像的判定结果。其中,采集设备可以是具备摄像头的摄制设备。服务端可以是具备图像数据处理能力的设备,服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要注意的是,图1仅给出了本实施例的一种应用场景,采集设备还可以是从摄制装置获取包含有手指静脉纹路分布信息的图像的智能设备,此处不做具体限制。
在本发明实施例中,如图2所示,提供一种基于图像的水痕判定方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤11至步骤16。
步骤11:获取镜面图像。
其中,镜面图像为指静脉采集设备的镜头处采集的图像。需要注意的是,镜面图像可以是当手指按压在指静脉采集设备的镜头时形成的图像,还可以是当无手指按压在指静脉采集设备的镜头时形成的图像。
步骤12:对镜面图像进行中值滤波处理,得到滤波图像。
进一步地,作为本实施例的一种实施方式,在上述步骤12中,对镜面图像进行中值滤波处理,得到滤波图像包括:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (1)
其中,g(x,y)代表滤波图像中坐标为(x,y)的像素值,f(x,y)代表镜面图像中坐标为(x,y)的像素值,W代表二维模板,k代表与坐标(x,y)处在x轴方向上的距离,l代表与坐标(x,y)处在y轴方向上的距离。
其中,二维模板W可以是3×3的像素大小,当k、l属于范围[-1,1]时,二维模板中各个像素坐标的位置关系可以如下表(1)所示,以像素坐标(x,y)为中心点,在二维模板区域。需要注意的是,二维模板也可以是其他像素大小,k、l的取值范围也可以不仅局限于[-1,1],具体以实际应用为准。
f(x-1,y-1) | f(x-1,y) | f(x-1,y+1) |
f(x,y-1) | f(x,y) | f(x,y+1) |
f(x+1,y-1) | f(x+1,y) | f(x+1,y+1) |
表(1)
具体地,以上述二维模板为例,对其进行中值滤波处理,从该二维模板的像素值中取中值,二维模板经过中值滤波处理得到的结果g(x,y)的像素位置关系如下表(2)所示:
g(x,y) | ||
表(2)
在本实施例中,通过上述公式(1)的多次计算,对镜面图像中各个像素进行中值滤波处理,得到滤波图像,有效减少镜面图像的噪音,得到对应的滤波图像,提高后续识别的精确度。
步骤13:将滤波图像划分为多张相同像素大小的区块图像。
其中,具体是将滤波图像均等划分为多张区块图像。例如,滤波图像的分辨率大小为320×240时,可以将滤波图像均等划分为80张像素大小相等的区块图像,每张区块图像的分辨率大小为32×30。
步骤14:分别对多张区块图像进行傅里叶变换,得到区块图像中各个像素的频域信息。
其中,频域信息可以用于反映对应区块图像的边缘信息。
进一步地,作为本实施例的一种实施方式,如图3所示,上述步骤14还可以包括以下步骤141至步骤142:
步骤141:分别对区块图像中的各个像素进行傅里叶变换,得到每个像素的实部数值和虚部数值。
其中,具体可以通过以下公式(2)计算得到每个像素的实部数值和虚部数值:
其中,F(u,v)为傅里叶变换的结果,u代表实部数值,v代表虚部数值,f(x,y)代表区块图像,(x,y)代表区块图像中的像素坐标,j代表虚单为,M代表二维矩阵的长度,N代表二维矩阵的宽度。
需要注意的是,由于需要计算每个像素的实部数值和虚部数值,因此,上述公式(2)应当重复计算多次。
步骤142:计算每个像素的实部数值和虚部数值的平方和,再对平方和进行开方处理,得到区块图像中各个像素的频域信息。
其中,具体可以通过如下公式(3)计算得到像素的频域信息:
其中P代表频域信息,u代表实部数值,v代表虚部数值。
通过上述步骤141至步骤142的实施,能够计算得到每个区块图像中各个像素的频域信息,从而得知每个区块图像的边缘信息的丰富程度。
步骤15:按照预设规则对频域信息进行处理,得到每张区块图像的均值。
进一步地,作为本实施例的一种实施方式,如图4所示,上述步骤15具体可以包括以下步骤151至步骤154:
步骤151:分别对区块图像中各个像素的频域信息进行对数计算,得到与各个像素对应的频域值。
其中,频域信息具体是上述公式(3)计算得到的P,对频域信息P进行对数计算,得到与频域信息P对应的频域值。需要注意的是,在本实施例中,区块图像中边缘信息越多,与区块图像对应的频域值越大。
步骤152:分别计算每张区块图像中各个像素的频域值的平均数。
其中,具体是先分别计算每张区块图像中各个像素之和,再计算每张区块图像对应的平均数。
步骤153:将区块图像中各个像素的频域值与平均数进行比对,得到各张区块图像中大于平均数的频域值。
步骤154:对各张区块图像中大于平均数的频域值进行求平均值处理,得到每张区块图像的均值。
通过上述步骤151至步骤154的实施,能够保留各张区块图像中大于平均数的频域值,并对其进行求平均值计算,从而对较大的频域值进行保留,有效保存了各张区块图像中的边缘信息。
步骤16:将每张区块图像的均值与预设阈值进行对比,得到镜面图像的判定结果。
其中,判定结果可以是采集设备的镜面存在水痕,还可以是采集设备的镜面不存在水痕。
进一步地,作为本实施例的一种实施方式,上述步骤16还可以包括以下步骤161至步骤162:
步骤161:将每张区块图像的均值与预设阈值进行对比。
其中,具体是将每张区块图像的均值的大小与预设阈值的大小进行比对。
步骤162:当大于预设阈值的区块图像的均值的占比大于预设占比时,判定镜面图像中包含水痕,得到判定结果。
其中,预设占比可以根据样本测试得到。
通过上述步骤161至步骤162的实施,能够通过设置预设阈值和预设占比的方式判定镜面图像中是否有水痕。
通过上述步骤11至步骤16的实施,能够对镜面图像进行滤波处理,减少噪音,同时将滤波图像划分为多个区块,分别提取区块图像中的频域信息,并通过预设规则对频域信息进行处理,有效保留了图像中的边缘信息,根据每张区块图像的均值判定指静脉图像采集设备的镜面是否存在水痕,解决了现有技术中指静脉图像识别存在水痕影响静脉识别精准度的问题。
进一步地,在上述步骤16之后,还包括以下内容:
当判定结果为镜面图像中包含水痕时,发出警告信息。
其中,当判定结果表明镜面图像中包含水痕时,发出警告信息,使得及时清除指静脉图像采集设备的镜面存在的水痕。例如,当镜面图像是当手指按压在指静脉采集设备的镜头时形成的图像,提醒用户清除手指水滴和指静脉图像采集设备的镜面;当镜面图像是无手指按压在指静脉采集设备的镜头时形成的图像,提醒用户清除指静脉图像采集设备的镜面。
通过本实施例的实施,能够提醒用户对指静脉图像采集设备进行对应操作,以实现后续能够正常对指静脉图像进行识别。
步骤21:获取多张经过预先标注的样本镜面图像。
其中,对每张样本镜面图像应当预先标注为有水痕或者无水痕。
步骤22:分别对多张样本镜面图像进行中值滤波处理,得到多张样本滤波图像。
其中,由于本步骤中的“对多张样本镜面图像进行中值滤波处理”与上述步骤12中的“对镜面图像进行中值滤波处理”的工作方式类似,此处不再赘述。
步骤23:分别将每张样本滤波图像划分为多张相同像素大小的样本区块图像。
其中,由于本步骤中的“将每张样本滤波图像划分为多张相同像素大小的样本区块图像”与上述步骤13中的“将滤波图像划分为多张相同像素大小的区块图像”的工作方式类似,此处不再赘述。
步骤24:分别对多张样本区块图像进行傅里叶变换,得到样本区块图像中各个像素的样本频域信息。
其中,由于本步骤中的“分别对多张样本区块图像进行傅里叶变换”与上述步骤14中的“分别对多张区块图像进行傅里叶变换”的工作方式类似,此处不再赘述。
步骤25:按照预设规则对样本频域信息进行处理,得到每张样本区块图像的均值。
其中,由于本步骤中的“按照预设规则对样本频域信息进行处理”与上述步骤14中的“按照预设规则对频域信息进行处理”的工作方式类似,此处不再赘述。
步骤26:分别将每张样本区块图像的均值与原始阈值进行对比,得到样本镜面图像的样本判定结果。
步骤27:计算样本镜面图像的样本判定结果和样本图像的实际判定结果相同的概率,当概率未达到预设目标时,调整原始阈值,重新得到样本镜面图像的样本判定结果,直至概率达到预设目标,并将当前的原始阈值作为预设阈值。
通过上述步骤21至步骤27的实施,能够预先获得经过测试的预设阈值,有利于提高后续在步骤11至步骤16中的判定水痕的精确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
进一步地,如图7所示,该基于图像的水痕判定装置包括镜面图像获取模块41、滤波图像获取模块42、区块获取模块43、频域信息获取模块44、均值获取模块45和判定结果获取模块46。各功能模块详细说明如下:
镜面图像获取模块41,用于获取镜面图像;
滤波图像获取模块42,用于对镜面图像进行中值滤波处理,得到滤波图像;
区块获取模块43,用于将滤波图像划分为多张相同像素大小的区块图像;
频域信息获取模块44,用于分别对多张区块图像进行傅里叶变换,得到区块图像中各个像素的频域信息;
均值获取模块45,用于按照预设规则对频域信息进行处理,得到每张区块图像的均值;
判定结果获取模块46,用于将每张区块图像的均值与预设阈值进行对比,得到镜面图像的判定结果。
进一步地,作为本实施例的一种实施方式,在上述滤波图像获取模块42中,对镜面图像进行中值滤波处理,得到滤波图像包括:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (1)
其中,g(x,y)代表滤波图像中坐标为(x,y)的像素值,f(x,y)代表镜面图像中坐标为(x,y)的像素值,W代表二维模板,k代表与坐标(x,y)处在x轴方向上的距离,l代表与坐标(x,y)处在y轴方向上的距离。
进一步地,作为本实施例的一种实施方式,频域信息获取模块44包括数值获取单元和频域信息获取单元。各功能单元详细说明如下:
数值获取单元,用于分别对区块图像中的各个像素进行傅里叶变换,得到每个像素的实部数值和虚部数值;
频域信息获取单元,用于计算每个像素的实部数值和虚部数值的平方和,再对平方和进行开方处理,得到区块图像中各个像素的频域信息。
进一步地,作为本实施例的一种实施方式,均值获取模块45包括频域值获取单元、平均数获取单元、比对单元和均值获取单元。各功能单元详细说明如下:
频域值获取单元,用于分别对区块图像中各个像素的频域信息进行对数计算,得到与各个像素对应的频域值;
平均数获取单元,用于分别计算每张区块图像中各个像素的频域值的平均数;
比对单元,用于将区块图像中各个像素的频域值与平均数进行比对,得到各张区块图像中大于平均数的频域值;
均值获取单元,用于对各张区块图像中大于平均数的频域值进行求平均值处理,得到每张区块图像的均值。
进一步地,作为本实施例的一种实施方式,判定结果获取模块46包括对比单元和判定结果获取单元。各功能单元详细说明如下:
对比单元,用于将每张区块图像的均值与预设阈值进行对比;
判定结果获取单元,用于当大于预设阈值的区块图像的均值的占比大于预设占比时,判定镜面图像中包含水痕,得到判定结果。
进一步地,作为本实施例的一种实施方式,该基于图像的水痕判定装置还包括样本镜面图像获取模块、样本滤波图像获取模块、样本区块图像获取模块、频域信息获取模块、样本均值获取模块、样本判定结果获取模块和预设阈值获取模块。
样本镜面图像获取模块,用于获取多张经过预先标注的样本镜面图像;
样本滤波图像获取模块,用于分别对多张样本镜面图像进行中值滤波处理,得到多张样本滤波图像;
样本区块图像获取模块,用于分别将每张样本滤波图像划分为多张相同像素大小的样本区块图像;
频域信息获取模块,用于分别对多张样本区块图像进行傅里叶变换,得到样本区块图像中各个像素的样本频域信息;
样本均值获取模块,用于按照预设规则对样本频域信息进行处理,得到每张样本区块图像的均值;
样本判定结果获取模块,用于分别将每张样本区块图像的均值与原始阈值进行对比,得到样本镜面图像的样本判定结果;
预设阈值获取模块,用于计算样本镜面图像的样本判定结果和样本图像的实际判定结果相同的概率,当概率未达到预设目标时,调整原始阈值,重新得到样本镜面图像的样本判定结果,直至概率达到预设目标,并将当前的原始阈值作为预设阈值。
进一步地,作为本实施例的一种实施方式,该基于图像的水痕判定装置还包括警告模块,用于当判定结果为镜面图像中包含水痕时,发出警告信息。
本发明的第二实施例提供一种基于图像的水痕判定装置,该基于图像的水痕判定装置与上述提供的基于图像的水痕判定方法一一对应。
关于基于图像的水痕判定装置的具体限定可以参见上文中对于基于图像的水痕判定方法的限定,在此不再赘述。上述基于图像的水痕判定装置中的各个模块/单元可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明的第三实施例提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于图像的水痕判定方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
根据本申请的一个实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于图像的水痕判定方法的步骤,例如图2所示的步骤11至步骤16、如图3所示的步骤141至步骤142、如图4所示的步骤151至步骤154、如图5所示的步骤161至步骤162以及如图6所示的步骤21至步骤27。
本发明的第四实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明实施例提供的基于图像的水痕判定方法的步骤,例如图2所示的步骤11至步骤16、如图3所示的步骤141至步骤142、如图4所示的步骤151至步骤154、如图5所示的步骤161至步骤162以及如图6所示的步骤21至步骤27。或者,计算机程序被处理器执行时实现上述第一实施例提供的基于图像的水痕判定方法的各模块/单元的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像的水痕判定方法,其特征在于,包括:
获取镜面图像;
对所述镜面图像进行中值滤波处理,得到滤波图像;
将所述滤波图像划分为多张相同像素大小的区块图像;
分别对多张所述区块图像进行傅里叶变换,得到所述区块图像中各个像素的频域信息;
按照预设规则对所述频域信息进行处理,得到每张所述区块图像的均值;
将所述每张所述区块图像的均值与预设阈值进行对比,得到所述镜面图像的判定结果;
其中,所述按照预设规则对所述频域信息进行处理,得到每张所述区块图像的均值包括:
分别对所述区块图像中各个像素的频域信息进行对数计算,得到与各张所述像素对应的频域值;
分别计算每张所述区块图像中各张所述像素的频域值的平均数;
将所述区块图像中各个像素的频域值与所述平均数进行比对,得到各张所述区块图像中大于所述平均数的频域值;
对所述各张所述区块图像中大于所述平均数的频域值进行求平均值处理,得到每张所述区块图像的所述均值;
其中,所述将所述每张所述区块图像的均值与预设阈值进行对比,得到所述镜面图像的判定结果包括:
将所述每张所述区块图像的均值与所述预设阈值进行对比;
当大于所述预设阈值的所述区块图像的所述均值的占比大于预设占比时,判定所述镜面图像中包含水痕,得到所述判定结果。
2.根据权利要求1所述的基于图像的水痕判定方法,其特征在于,所述对所述镜面图像进行中值滤波处理,得到滤波图像包括:
其中,g(x,y)代表所述滤波图像中坐标为(x,y)的像素值,f(x,y)代表所述镜面图像中坐标为(x,y)的像素值,W代表二维模板,k代表与坐标(x,y)处在x轴方向上的距离, 代表与坐标(x,y)处在y轴方向上的距离。
3.根据权利要求1所述的基于图像的水痕判定方法,其特征在于,所述分别对多张所述区块图像进行傅里叶变换,得到所述区块图像中各个像素的频域信息包括:
分别对所述区块图像中的各个像素进行傅里叶变换,得到每个像素的实部数值和虚部数值;
计算每个像素的所述实部数值和所述虚部数值的平方和,再对所述平方和进行开方处理,得到所述区块图像中各个像素的频域信息。
4.根据权利要求1所述的基于图像的水痕判定方法,其特征在于,获得所述预设阈值包括:
获取多张经过预先标注的样本镜面图像;
分别对多张所述样本镜面图像进行中值滤波处理,得到多张样本滤波图像;
分别将每张所述样本滤波图像划分为多张相同像素大小的样本区块图像;
分别对多张所述样本区块图像进行傅里叶变换,得到所述样本区块图像中各个像素的样本频域信息;
按照预设规则对所述样本频域信息进行处理,得到每张所述样本区块图像的均值;
分别将所述每张所述样本区块图像的均值与原始阈值进行对比,得到所述样本镜面图像的样本判定结果;
计算所述样本镜面图像的样本判定结果和所述样本镜面图像的实际判定结果相同的概率,当所述概率未达到预设目标时,调整所述原始阈值,重新得到所述样本镜面图像的样本判定结果,直至所述概率达到预设目标,并将当前的所述原始阈值作为所述预设阈值。
5.根据权利要求1所述的基于图像的水痕判定方法,其特征在于,当所述判定结果为所述镜面图像中包含水痕时,发出警告信息。
6.一种基于图像的水痕判定装置,其特征在于,包括:
镜面图像获取模块,用于获取镜面图像;
滤波图像获取模块,用于对所述镜面图像进行中值滤波处理,得到滤波图像;
区块获取模块,用于将所述滤波图像划分为多张相同像素大小的区块图像;
频域信息获取模块,用于分别对多张所述区块图像进行傅里叶变换,得到所述区块图像中各个像素的频域信息;
均值获取模块,用于按照预设规则对所述频域信息进行处理,得到每张所述区块图像的均值;
判定结果获取模块,用于将所述每张所述区块图像的均值与预设阈值进行对比,得到所述镜面图像的判定结果;
其中,所述均值获取模块包括:
频域值获取单元,用于分别对所述区块图像中各个像素的频域信息进行对数计算,得到与各张所述像素对应的频域值;
平均数获取单元,用于分别计算每张所述区块图像中各张所述像素的频域值的平均数;
比对单元,用于将区块图像中各个像素的频域值与所述平均数进行比对,得到各张所述区块图像中大于所述平均数的频域值;
均值获取单元,用于对各张所述区块图像中大于所述平均数的频域值进行求平均值处理,得到每张所述区块图像的均值;
其中,所述判定结果获取模块包括:
对比单元,用于将所述每张所述区块图像的均值与所述预设阈值进行对比;
判定结果获取单元,用于当大于所述预设阈值的所述区块图像的均值占比大于预设占比时,判定所述镜面图像中包含水痕,得到所述判定结果。
7.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于图像的水痕判定方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于图像的水痕判定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620940.6A CN111815648B (zh) | 2020-07-01 | 2020-07-01 | 基于图像的水痕判定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620940.6A CN111815648B (zh) | 2020-07-01 | 2020-07-01 | 基于图像的水痕判定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815648A CN111815648A (zh) | 2020-10-23 |
CN111815648B true CN111815648B (zh) | 2023-07-28 |
Family
ID=72855757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010620940.6A Active CN111815648B (zh) | 2020-07-01 | 2020-07-01 | 基于图像的水痕判定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815648B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346149A (zh) * | 2018-03-02 | 2018-07-31 | 北京郁金香伙伴科技有限公司 | 图像检测、处理方法、装置及终端 |
CN109345528A (zh) * | 2018-09-28 | 2019-02-15 | 凌云光技术集团有限责任公司 | 一种基于人眼视觉特性的显示屏缺陷检测方法及装置 |
CN109685766A (zh) * | 2018-11-23 | 2019-04-26 | 江苏大学 | 一种基于区域融合特征的布匹瑕疵检测方法 |
CN110532876A (zh) * | 2019-07-26 | 2019-12-03 | 纵目科技(上海)股份有限公司 | 夜晚模式镜头付着物的检测方法、系统、终端和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6245875B2 (ja) * | 2013-07-26 | 2017-12-13 | クラリオン株式会社 | レンズ汚れ検出装置およびレンズ汚れ検出方法 |
-
2020
- 2020-07-01 CN CN202010620940.6A patent/CN111815648B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346149A (zh) * | 2018-03-02 | 2018-07-31 | 北京郁金香伙伴科技有限公司 | 图像检测、处理方法、装置及终端 |
CN109345528A (zh) * | 2018-09-28 | 2019-02-15 | 凌云光技术集团有限责任公司 | 一种基于人眼视觉特性的显示屏缺陷检测方法及装置 |
CN109685766A (zh) * | 2018-11-23 | 2019-04-26 | 江苏大学 | 一种基于区域融合特征的布匹瑕疵检测方法 |
CN110532876A (zh) * | 2019-07-26 | 2019-12-03 | 纵目科技(上海)股份有限公司 | 夜晚模式镜头付着物的检测方法、系统、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111815648A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN109859227B (zh) | 翻拍图像检测方法、装置、计算机设备及存储介质 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN109840524B (zh) | 文字的类型识别方法、装置、设备及存储介质 | |
CN110059700B (zh) | 图像摩尔纹识别方法、装置、计算机设备及存储介质 | |
CN111986183B (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN109492642B (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN110084238B (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
WO2017161636A1 (zh) | 一种基于指纹的终端支付方法及装置 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN111899246A (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
WO2021012647A1 (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN110751500B (zh) | 分享图片的处理方法、装置、计算机设备及存储介质 | |
CN113095156B (zh) | 一种基于逆灰度方式的双流网络签名鉴定方法及装置 | |
CN111178203B (zh) | 签名审核方法、装置、计算机设备和存储介质 | |
CN109784328B (zh) | 定位条码的方法、终端及计算机可读存储介质 | |
CN109035285B (zh) | 图像边界确定方法及装置、终端及存储介质 | |
CN111815648B (zh) | 基于图像的水痕判定方法、装置、计算机设备及存储介质 | |
CN111222366A (zh) | 一种指纹识别方法及装置、存储介质、终端 | |
CN109934870B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
CN113822841B (zh) | 一种污水杂质结块检测方法、装置及相关设备 | |
El-Hajj-Chehade et al. | Image segmentation for fingerprint recognition | |
CN113870223A (zh) | 设备屏幕漏液检测方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000 Patentee after: Wisdom Eye Technology Co.,Ltd. Country or region after: China Address before: 410000 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, high tech Development Zone, Changsha City, Hunan Province Patentee before: Wisdom Eye Technology Co.,Ltd. Country or region before: China |