CN111833341A - 确定图像中条纹噪声的方法及装置 - Google Patents
确定图像中条纹噪声的方法及装置 Download PDFInfo
- Publication number
- CN111833341A CN111833341A CN202010712349.3A CN202010712349A CN111833341A CN 111833341 A CN111833341 A CN 111833341A CN 202010712349 A CN202010712349 A CN 202010712349A CN 111833341 A CN111833341 A CN 111833341A
- Authority
- CN
- China
- Prior art keywords
- target
- determining
- texture map
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013024 troubleshooting Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 241000283070 Equus zebra Species 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30168—Image quality 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种确定图像中条纹噪声的方法及装置,包括:确定目标纹理图中的目标像素点为锚点,其中,目标像素点的像素值大于第一预设阈值,且在预设区域范围内目标像素点的像素值为最大值;根据锚点确定目标纹理图中的条纹噪声。通过本发明,解决了人为排查监控设备效率低的问题,进而达到了提高排查监控设备效率的效果。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种确定图像中条纹噪声的方法及装置、存储介质及电子装置。
背景技术
随着计算机硬件设备的普及信息技术的发展,视频监控在日常生活中得到了广泛的应用。并且由于视频监控长期处于工作状态、并且易受到外界因素和信号传输的影响,造成监控的视频输出质量较差,难以起到监控的作用。
由于设备老化和传输影响,视频输出中存在条纹噪声,条纹噪声是指视频图像中出现大量闪烁的、较细的条纹,针对监控设备中出现条纹噪声的现象,现有技术中需要人为排查。而监控设备一般布控范围极大,人为排查需要对海量的监控设备进行处理,其工作繁琐且低效。
针对相关技术中,人为排查监控设备效率低的问题,目前尚未存在有效的解决方案。
发明内容
本发明实施例提供了一种确定图像中条纹噪声的方法及装置,以至少解决相关技术中人为排查监控设备效率低的问题。
根据本发明的一个实施例,提供了一种确定图像中条纹噪声的方法,包括:确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;根据所述锚点确定所述目标纹理图中的条纹噪声。
可选地,所述确定目标纹理图中的目标像素点为锚点,包括:确定所述目标纹理图中像素值大于所述第一预设阈值的像素点为第一像素点;以所述第一像素点为圆心预设值为半径确定所述预设区域;确定所述预设区域内像素值最大的像素点为所述目标像素点。
可选地,所述目标纹理图包括N个所述锚点,所述N为大于1的整数,其中,所述根据所述锚点确定所述目标纹理图中的条纹噪声,包括:将N个所述锚点连接成M条线段,所述M为大于或等于1的整数;确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声。
可选地,所述将N个所述锚点连接成M条线段,包括:将所述目标纹理图包括的N个所述锚点划分成M个锚点集合,其中,所述M个锚点集合中的每个锚点集合中的锚点满足以下条件:相邻锚点之间的角度值差值小于第二预设阈值,且相邻锚点之间的幅值差值小于第三预设阈值;分别依次连接每个锚点集合中的锚点得到M条折线;使用最小二乘法对M条折线中的每条折线进行拟合,得到所述M条线段。
可选地,所述确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声,包括:根据所述M条线段中每条线段的线段长度,在所述M条线段中确定出S条第一线段,其中,所述S条第一线段中的每条线段的长度大于或等于第四预设阈值;根据所述S条第一线段中每条线段与相邻线段之间的像素值,确定所述S条第一线段中相邻线段之间的像素值差值小于或等于第五预设阈值的线段为所述目标线段;确定所述目标线段为所述目标纹理图中的条纹噪声。
可选地,在所述确定目标纹理图中目标像素点为锚点之前,所述方法还包括:将获取到的由目标图像采集设备拍摄的原始图像转化为灰度图;通过Sobel算子将所述灰度图转化为所述目标纹理图。
可选地,所述方法还包括:统计所述原始图像中所述条纹噪声的数量;根据所述条纹噪声的数量确定所述目标图像采集设备输出的条纹噪声程度。
根据本发明的另一个实施例,提供了一种确定图像中条纹噪声的装置,包括:第一确定模块,用于确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;第二确定模块,用于根据所述锚点确定所述目标纹理图中的条纹噪声。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于通过确定目标纹理图中的目标像素点为锚点,目标像素点的像素值大于第一预设阈值,且在预设区域范围内目标像素点的像素值为最大值;根据锚点确定目标纹理图中的条纹噪声。以此达到通过后端自动实时对监控画面进行排查,检测其是否出现条纹现象。因此,可以解决人为排查监控设备效率低问题,达到提高排查监控设备效率的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种确定图像中条纹噪声的方法的移动终端的硬件结构框图;
图2是根据本发明实施例的确定图像中条纹噪声的方法的流程图;
图3所示为本发明可选实施例的原始图像的目标纹理图及其对应的计算可视化结果示意图;
图4所示为本发明可选实施例的步骤流程图;
图5是根据本发明实施例的确定图像中条纹噪声的装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种确定图像中条纹噪声的方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的确定图像中条纹噪声的方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端的确定图像中条纹噪声的方法,图2是根据本发明实施例的确定图像中条纹噪声的的流程图,如图2所示,该流程包括如下步骤:
步骤S202,确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;
步骤S204,根据所述锚点确定所述目标纹理图中的条纹噪声。
通过上述步骤,由于确定目标纹理图中的目标像素点为锚点,目标像素点的像素值大于第一预设阈值,且在预设区域范围内目标像素点的像素值为最大值;根据锚点确定目标纹理图中的条纹噪声。以此达到通过后端自动实时对监控画面进行排查,检测其是否出现条纹现象。因此,可以解决人为排查监控设备效率低问题,达到提高排查监控设备效率的效果。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
可选地,所述确定目标纹理图中的目标像素点为锚点,包括:确定所述目标纹理图中像素值大于所述第一预设阈值的像素点为第一像素点;以所述第一像素点为圆心预设值为半径确定所述预设区域;确定所述预设区域内像素值最大的像素点为所述目标像素点。
作为一个可选的实施方式,对图像采集设备采集到的原始图像进行灰度化后得到灰度图像,可以通过sobel算子将灰度图像转化为目标纹理图。通过锚点计算方法提取出目标纹理图中的锚点,具体的可以包括如下步骤:
步骤S1,将由图像采集设备拍摄得到的原始图像灰度化,得到灰度图像Ig;然后使用sobel算子对Ig处理得到目标纹理图Is:
Is=sobel(Ig)
步骤S2,使用搜索半径r对Is进行处理,通过锚点计算方法提取图像锚点:
An=anchor(Is,r)
其中An为图像Is的n个锚点,anchor为锚点计算方法,包括:对每个像素点在半径为预设值r的范围内进行搜索,如果该点大于指定第一预设阈值且为搜索范围内的最大值,则该点为锚点。r和可以根据实际情况选取,例如r可以设置为9、可以设置为50。图3所示为本发明可选实施例的原始图像的目标纹理图及其对应的计算可视化结果示意图。
作为一个可选的实施方式,半径为预设值r的预设区域可以通过如下方式确定:确定出目标纹理图中像素值大于所述第一预设阈值的像素点,以该像素点为圆心,预设值r为半径的区域为与预设区域。以该预设区域内像素值最大的像素点为锚点。
可选地,所述目标纹理图包括N个所述锚点,所述N为大于1的整数,其中,所述根据所述锚点确定所述目标纹理图中的条纹噪声,包括:将N个所述锚点连接成M条线段,所述M为大于或等于1的整数;确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声。
可选地,所述将N个所述锚点连接成M条线段,包括:将所述目标纹理图包括的N个所述锚点划分成M个锚点集合,其中,所述M个锚点集合中的每个锚点集合中的锚点满足以下条件:相邻锚点之间的角度值差值小于第二预设阈值,且相邻锚点之间的幅值差值小于第三预设阈值;分别依次连接每个锚点集合中的锚点得到M条折线;使用最小二乘法对M条折线中的每条折线进行拟合,得到所述M条线段。
作为一个可选的实施方式,根据所有锚点An的梯度极值和方向信息,将所有锚点进行连接,得到图像中的梯度轮廓信息,然后利用最小二乘拟合,将轮廓拟合为直线。锚点的连接可以通过锚点连接算法实现,锚点连接算法具体可以为
锚点连接算法中,为第i个锚点的角度和幅值,为与第i个锚点Ai相邻锚点的角度值和幅值,Lj为第j条折线,λθ为第二预设阈值,λa为第三预设阈值,第二预设阈值和第三预设阈值可以根据实际情况而定,例如,第二预设阈值可以是0.1、0.3,0.5,1度等,第三预设阈值可以是0.2厘米,0.5厘米,1厘米等。通过上述的锚点连接算法,能够将n个锚点An,连接为M条折线。使用最小二乘拟合对折线Lj进行拟合,得到M条直线:SLj=Γ(Lj),其中,Γ()为最小二乘法,SLj为第j条直线。
可选地,所述确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声,包括:根据所述M条线段中每条线段的线段长度,在所述M条线段中确定出S条第一线段,其中,所述S条第一线段中的每条线段的长度大于或等于第四预设阈值;根据所述S条第一线段中每条线段与相邻线段之间的像素值,确定所述S条第一线段中相邻线段之间的像素值差值小于或等于第五预设阈值的线段为所述目标线段;确定所述目标线段为所述目标纹理图中的条纹噪声。
作为一个可选的实施方式,由于视频中的条纹具有长度较长且方向唯一的特点,使用长度和角度对直线SLj进行过滤。首先去除SLj较短的线段,可以设定线段长度阈值,例如可以是选取出长度大于或等于第四预设阈值的线段,第四预设阈值可以根据实际情况而定,例如可以是3厘米、4厘米、3.5厘米等。然后统计所有线段的角度,得到在某个角度上最多的线段SL′j,该角度线段SL′j为条纹线段。
作为一个可选的实施方式,由于图像中的背景会对条纹噪声的检测产生影响,例如斑马线和楼房背景与条纹直线较为相似,会造成误检。
可以通过将使用像素对称过滤的方法去除相似背景干扰,其方法如下:
其中,SL″为过滤后的直线,为直线SLj′上一行像素,为直线SLj′下一行像素。若是条纹噪声,其条纹直线为叠加到当前背景上,且直线较细,直线的相邻行的像素较为相似;若为斑马线其直线边缘为斑马线一侧,直线相邻行的像素相差较大,因此通过判断当前直线的相邻像素差是否小于第五预设阈值阈值可以根据实际情况设置,例如可以是5、10等,以此能够对斑马线等场景进行过滤。
可选地,在所述确定目标纹理图中目标像素点为锚点之前,所述方法还包括:将获取到的由目标图像采集设备拍摄的原始图像转化为灰度图;通过Sobel算子将所述灰度图转化为所述目标纹理图。
可选地,所述方法还包括:统计所述原始图像中所述条纹噪声的数量;根据所述条纹噪声的数量确定所述目标图像采集设备输出的条纹噪声程度。
作为一个可选的实施方式,对条纹直线SL″进行量化:
其中,num()为条纹直线SL″的数量,value为条纹噪声的程度,其值能够根据条纹直线SL″的数量进行设置,如果条纹直线SL″的数量大于阈值ε,则说明视频中出现了条纹噪声,ε可以根据实际情况而定,例如可以是5条,10条等,且SL″数量越多,说明噪声程度越大。
作为一个可选的实施方式,条纹噪声主要是由于监控设备老化或者视频信号传输影响,造成视频画面中出现大量同一方向的细小细线。本申请主要从条纹噪声的特点出发,有效的提取视频图像中的条纹信息,并且针对易误检的背景进行处理,有效的提高检测准确率。本实施例中依次对视频中的每一帧图像进行处理,首先将输入的图像转换为灰度图;然后使用sobel算子得到图像梯度图,并求取梯度图的局部极大值作为图像的锚点;其次将得到的锚点连接、拟合,提取图像中的直线;最后使用直线验证对直线方向进行过滤,得到同一方向的直线,并且通过条纹噪声选取,过滤斑马线、楼房等易干扰场景。图4所示为本发明可选实施例的步骤流程图。本申请使用基于梯度的直线检测方法,条纹检测速度较快。利用局部极值锚点的思想确定边缘直线位置,具有较强的鲁棒性。使用像素对称过滤的方法减少正常场景的误检,提升算法检测精度。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种确定图像中条纹噪声的装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的确定图像中条纹噪声的装置的结构框图,如图5所示,该装置包括:第一确定模块52,用于确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;第二确定模块54,用于根据所述锚点确定所述目标纹理图中的条纹噪声。
可选地,上述装置用于通过如下方式实现所述确定目标纹理图中的目标像素点为锚点:确定所述目标纹理图中像素值大于所述第一预设阈值的像素点为第一像素点;以所述第一像素点为圆心预设值为半径确定所述预设区域;确定所述预设区域内像素值最大的像素点为所述目标像素点。
可选地,所述目标纹理图包括N个所述锚点,所述N为大于1的整数,上述装置还用于通过如下方式实现所述根据所述锚点确定所述目标纹理图中的条纹噪声,包括:将N个所述锚点连接成M条线段,所述M为大于或等于1的整数;确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声。
可选地,上述装置还用于通过如下方式实现所述将N个所述锚点连接成M条线段:将所述目标纹理图包括的N个所述锚点划分成M个锚点集合,其中,所述M个锚点集合中的每个锚点集合中的锚点满足以下条件:相邻锚点之间的角度值差值小于第二预设阈值,且相邻锚点之间的幅值差值小于第三预设阈值;分别依次连接每个锚点集合中的锚点得到M条折线;使用最小二乘法对M条折线中的每条折线进行拟合,得到所述M条线段。
可选地,上述装置还用于通过如下方式实现所述确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声:根据所述M条线段中每条线段的线段长度,在所述M条线段中确定出S条第一线段,其中,所述S条第一线段中的每条线段的长度大于或等于第四预设阈值;根据所述S条第一线段中每条线段与相邻线段之间的像素值,确定所述S条第一线段中相邻线段之间的像素值差值小于或等于第五预设阈值的线段为所述目标线段;确定所述目标线段为所述目标纹理图中的条纹噪声。
可选地,上述装置还用于在所述确定目标纹理图中目标像素点为锚点之前,将获取到的由目标图像采集设备拍摄的原始图像转化为灰度图;通过Sobel算子将所述灰度图转化为所述目标纹理图。
可选地,上述装置还用于统计所述原始图像中所述条纹噪声的数量;根据所述条纹噪声的数量确定所述目标图像采集设备输出的条纹噪声程度。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;
S2,根据所述锚点确定所述目标纹理图中的条纹噪声。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;
S2,根据所述锚点确定所述目标纹理图中的条纹噪声。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种确定图像中条纹噪声的方法,其特征在于,包括:
确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;
根据所述锚点确定所述目标纹理图中的条纹噪声。
2.根据权利要求1所述的方法,其特征在于,所述确定目标纹理图中的目标像素点为锚点,包括:
确定所述目标纹理图中像素值大于所述第一预设阈值的像素点为第一像素点;
以所述第一像素点为圆心预设值为半径确定所述预设区域;
确定所述预设区域内像素值最大的像素点为所述目标像素点。
3.根据权利要求1所述的方法,其特征在于,所述目标纹理图包括N个所述锚点,N为大于1的整数,其中,所述根据所述锚点确定所述目标纹理图中的条纹噪声,包括:
将N个所述锚点连接成M条线段,M为大于或等于1的整数;
确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声。
4.根据权利要求3所述的方法,其特征在于,所述将N个所述锚点连接成M条线段,包括:
将所述目标纹理图包括的N个所述锚点划分成M个锚点集合,其中,所述M个锚点集合中的每个锚点集合中的锚点满足以下条件:相邻锚点之间的角度值差值小于第二预设阈值,且相邻锚点之间的幅值差值小于第三预设阈值;
分别依次连接每个锚点集合中的锚点得到M条折线;
使用最小二乘法对M条折线中的每条折线进行拟合,得到所述M条线段。
5.根据权利要求3所述的方法,其特征在于,所述确定所述M条线段中的目标线段为所述目标纹理图中的条纹噪声,包括:
根据所述M条线段中每条线段的线段长度,在所述M条线段中确定出S条第一线段,其中,所述S条第一线段中的每条线段的长度大于或等于第四预设阈值;
根据所述S条第一线段中每条线段与相邻线段之间的像素值,确定所述S条第一线段中相邻线段之间的像素值差值小于或等于第五预设阈值的线段为所述目标线段;
确定所述目标线段为所述目标纹理图中的条纹噪声。
6.根据权利要求1至5中任一项所述的方法,其特征在于,在所述确定目标纹理图中目标像素点为锚点之前,所述方法还包括:
将获取到的由目标图像采集设备拍摄的原始图像转化为灰度图;
通过Sobel算子将所述灰度图转化为所述目标纹理图。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
统计所述原始图像中所述条纹噪声的数量;
根据所述条纹噪声的数量确定所述目标图像采集设备输出的条纹噪声程度。
8.一种确定图像中条纹噪声的装置,其特征在于,包括:
第一确定模块,用于确定目标纹理图中的目标像素点为锚点,其中,所述目标像素点的像素值大于第一预设阈值,且在预设区域范围内所述目标像素点的像素值为最大值;
第二确定模块,用于根据所述锚点确定所述目标纹理图中的条纹噪声。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述程序可被终端设备或计算机运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712349.3A CN111833341A (zh) | 2020-07-22 | 2020-07-22 | 确定图像中条纹噪声的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712349.3A CN111833341A (zh) | 2020-07-22 | 2020-07-22 | 确定图像中条纹噪声的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833341A true CN111833341A (zh) | 2020-10-27 |
Family
ID=72926033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010712349.3A Pending CN111833341A (zh) | 2020-07-22 | 2020-07-22 | 确定图像中条纹噪声的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833341A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112752093A (zh) * | 2020-12-25 | 2021-05-04 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN113592801A (zh) * | 2021-07-23 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频图像的条纹干扰检测方法及其装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140355877A1 (en) * | 2013-05-31 | 2014-12-04 | Fujitsu Limited | Method and apparatus for processing a gray image |
CN104469345A (zh) * | 2014-12-10 | 2015-03-25 | 北京理工大学 | 一种基于图像处理的视频故障诊断方法 |
CN109993747A (zh) * | 2019-03-22 | 2019-07-09 | 上海理工大学 | 融合点线特征的快速图像匹配方法 |
CN111260708A (zh) * | 2020-01-14 | 2020-06-09 | 华中科技大学鄂州工业技术研究院 | 一种线结构光中心提取方法及系统 |
CN111415365A (zh) * | 2019-01-04 | 2020-07-14 | 宁波舜宇光电信息有限公司 | 图像检测方法及装置 |
-
2020
- 2020-07-22 CN CN202010712349.3A patent/CN111833341A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140355877A1 (en) * | 2013-05-31 | 2014-12-04 | Fujitsu Limited | Method and apparatus for processing a gray image |
CN104469345A (zh) * | 2014-12-10 | 2015-03-25 | 北京理工大学 | 一种基于图像处理的视频故障诊断方法 |
CN111415365A (zh) * | 2019-01-04 | 2020-07-14 | 宁波舜宇光电信息有限公司 | 图像检测方法及装置 |
CN109993747A (zh) * | 2019-03-22 | 2019-07-09 | 上海理工大学 | 融合点线特征的快速图像匹配方法 |
CN111260708A (zh) * | 2020-01-14 | 2020-06-09 | 华中科技大学鄂州工业技术研究院 | 一种线结构光中心提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
李世雄等: ""基于锚点的边缘检测优化算法研究"", 《电子测量与仪器学报》, vol. 32, no. 11, 30 November 2018 (2018-11-30), pages 1 - 8 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112752093A (zh) * | 2020-12-25 | 2021-05-04 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN112752093B (zh) * | 2020-12-25 | 2022-08-16 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN113592801A (zh) * | 2021-07-23 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频图像的条纹干扰检测方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473242B (zh) | 一种纹理特征提取方法、纹理特征提取装置及终端设备 | |
CN112752093B (zh) | 视频条纹检测方法、装置、存储介质及电子装置 | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN111310727B (zh) | 对象检测方法及装置、存储介质、电子装置 | |
CN109901754B (zh) | 数据自校准方法及相关装置 | |
CN111144337B (zh) | 火灾检测方法、装置及终端设备 | |
CN111402301B (zh) | 积水检测方法及装置、存储介质及电子装置 | |
CN111833341A (zh) | 确定图像中条纹噪声的方法及装置 | |
CN112164086A (zh) | 一种精细化的图像边缘信息确定方法、系统及电子设备 | |
CN113420871B (zh) | 图像质量的评估方法、装置、存储介质及电子装置 | |
CN112330618B (zh) | 图像偏移检测方法、设备及存储介质 | |
CN115409839B (zh) | 基于像素分析模型的道路声屏障隐患识别方法及装置 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN110555858A (zh) | 一种电控板热熔胶位置检测的方法及设备 | |
CN111986245A (zh) | 深度信息评估方法、装置、电子设备及存储介质 | |
CN115861443A (zh) | 一种多相机内参标定方法、装置、电子设备及存储介质 | |
CN112561992A (zh) | 位置的确定方法及装置、存储介质和电子装置 | |
CN115393247A (zh) | 一种图像处理方法、基站馈线检测方法及相关装置 | |
CN112639868A (zh) | 图像处理方法、装置及可移动平台 | |
CN113139563A (zh) | 一种图像分类模型的优化方法及装置 | |
CN114707560B (zh) | 数据信号的处理方法及装置、存储介质、电子装置 | |
CN111985497B (zh) | 架空输电线路下吊车作业识别方法及系统 | |
CN110782459B (zh) | 一种图像处理方法及装置 | |
CN111144312B (zh) | 图像处理方法、装置、设备和介质 | |
CN114359209A (zh) | 图像处理方法及装置、存储介质、电子装置 |
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 |