CN111985273B - 一种智能家电的图像处理方法及智能家电 - Google Patents
一种智能家电的图像处理方法及智能家电 Download PDFInfo
- Publication number
- CN111985273B CN111985273B CN201910432198.3A CN201910432198A CN111985273B CN 111985273 B CN111985273 B CN 111985273B CN 201910432198 A CN201910432198 A CN 201910432198A CN 111985273 B CN111985273 B CN 111985273B
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- fuzzy
- determining
- state
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 28
- 239000000463 material Substances 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能家电的图像处理方法及智能家电,其中,该智能家电的图像处理方法包括:获取待识别的目标图像;对目标图像的模糊状态进行评估;在目标图像的模糊状态为第一预设状态时,确定并替换目标图像的模糊区域。本发明公开的智能家电的图像处理方法及智能家电,通过确定食材的部分模糊区域,进行替换处理,可以确保输出清晰的图像。
Description
技术领域
本文涉及智能家电领域,尤指一种智能家电的图像处理方法及智能家电。
背景技术
随着智能化趋势发展,图像及视频识别技术在家电领域广泛应用。目前,大量的摄像头应用于智能家电及监控上,使得图像质量评估尤其重要。然而,若摄像头一旦出现问题,采集不到清晰的图像,使得相关视觉应用失效,从而影响识别或检测等智能应用。
发明内容
第一方面,本申请提供了一种智能家电的图像处理方法,包括:
获取待识别的目标图像;
对所述目标图像的模糊状态进行评估;
在所述目标图像的模糊状态为第一预设状态时,确定并替换所述目标图像的模糊区域。
第二方面,本申请提供了一种智能家电,包括:
获取模块,用于获取待识别的目标图像;
评估模块,用于对所述目标图像的模糊状态进行评估;
处理模块,用于在所述目标图像的模糊状态为第一预设状态时,确定并替换所述目标图像的模糊区域。
本申请至少一个实施例提供的智能家电的图像处理方法及智能家电,通过对目标图像的模糊状态进行评估,确定并替换目标图像的模糊区域,可以确保输出清晰的图像。
另外,在对目标图像的模糊状态进行评估时,通过采用模糊指数对目标图像的模糊状态进行评估,通过量化图像的模糊指数来标定图像的清晰度,提高图像质量评估结果。
本发明实施例的一些实施方式中,采用Lab空间的目标分割算法对智能烤箱内的食材进行分割,还可以达到以下效果:1、对智能家电内的食材进行分割,可以实现食材与背景分离;2、基于目标分割的结果进行评估,可有效防止误判。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书、权利要求书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本发明实施例一提供的智能家电的图像处理方法的流程图;
图2为本发明实施例提供的对目标图像的模糊状态进行评估的流程图;
图3为本发明实施例提供的图像的模糊指数与模糊等级的对应关系示意图;
图4为本发明实施例提供的采用Lab空间的目标分割算法对智能家电内食材进行分割的流程图;
图5为本发明实施例提供的目标分割的效果图;
图6为本发明实施例二提供的智能家电的图像处理方法的流程图;
图7为本发明实施例提供的智能家电的结构示意图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
本发明实施例提供一种智能家电的图像处理方案,主要通过量化图像的模糊指数来标定图像的清晰度,进一步通过模糊指数确定食材的部分模糊区域,进行替换处理;同时采用Lab空间的目标分割算法来实现食材的分割。
图1为本发明实施例一提供的智能家电的图像处理方法的流程图,如图1所示,本发明实施例提供的智能家电的图像处理方法,包括:
S101:获取待识别的目标图像。
本实施例中,待识别的目标图像主要来源于智能家电摄像头采集的智能家电中存储或放置的图像。本实施例中的智能家电可以包括智能烤箱、智能冰箱或智能微波炉等,本实施例主要以智能烤箱为对象,进行图像处理方案的阐述,其余智能家电的图像处理方案的实现原理与之相同,本实施例不再一一赘述。
本实施例中待识别的目标图像的获取可以通过以下两种实现方式:
第一种实现方式:采集待识别的图像,将待识别的图像直接确定为目标图像。本实现方式中,直接将摄像头采集的智能烤箱中的图像作为目标图像,可直接基于摄像头获取的图像进行评估。
第二种实现方式:采集待识别的图像,并将待识别的图像转换到Lab空间进行图像分割,将分割后的食材图像确定为目标图像。本实现方式中,采用Lab空间的目标分割算法对智能烤箱内的食材进行分割,一是可以实现食材与背景分离,二是基于目标分割的结果进行评估,可有效防止误判。其图像具体分割的实现方案详见下述实施例的描述,本实施例在此不进行赘述。
S102:对目标图像的模糊状态进行评估。
在实际应用中,由于图像会出现局部区域的模糊现象,且在局部模糊指数不高的情况下,不影响采集的图像的应用,本实施例将对提取的目标图像进行评估。
本实施例中,可以采用模糊指数对目标图像的模糊状态进行评估,通过量化图像的模糊指数来标定图像的清晰度。
S103:在目标图像的模糊状态为第一预设状态时,确定并替换目标图像的模糊区域。
其中,第一预设状态可以包括模糊状态评估为图像清晰或图像模糊指数(模糊度)小于预设值。
本实施例中,在目标图像的模糊状态为第一预设状态时,即在图像比较清晰或图像有一些模糊时,通过模糊指数确定食材的部分模糊区域,进行替换处理。本实施例在将目标图像的模糊区域替换处理后,再进行图像的输出,可以确保输出清晰的图像。
本发明实施例提供的智能家电的图像处理方法,通过对目标图像的模糊状态进行评估,在目标图像的模糊状态为第一预设状态时,确定并替换目标图像的模糊区域,可以确保输出清晰的图像。
另外,本实施例提供的智能家电的图像处理方法,在对目标图像的模糊状态进行评估时,通过采用模糊指数对目标图像的模糊状态进行评估,通过量化图像的模糊指数来标定图像的清晰度,提高图像质量评估结果。
进一步地,在上述实施例中,对目标图像的模糊状态进行评估时,本发明实施例提供的智能家电的图像处理方法,还可以包括:在目标图像的模糊状态为第二预设状态时,删除目标图像。
其中,第二预设状态可以包括模糊状态评估为图像模糊指数(模糊度)大于预设值。
本实施例中,在目标图像的模糊状态为第二预设状态时,即在图像过于模糊时,直接删除该目标图像,可以避免输出过于模糊而无法使用的图像。
进一步地,在上述实施例中,图2为本发明实施例提供的对目标图像的模糊状态进行评估的流程图,如图2所示,对目标图像的模糊状态进行评估,可以包括:
S201:将目标图像分割成M*N个子块区域,并计算各个子块区域的模糊指数。
其中,M和N为大于1的正整数。
本实施例中,对提取的目标图像进行子块的划分,将目标图像分割成M*N个子块,然后对各个子区域进行模糊指数的计算,得到一个数组imgQs={imgQ0,0,imgQ0,1,...,imgQM,N},可以存储各子块的模糊指数情况。
本实施例中,对图像的模糊指数进行评估时,可以采用纹理特征为计算原型,其具体可以但并不仅限于采用灰度共生矩阵的纹理特征提取方法。其中,纹理不同于灰度或颜色等图像特征,其通过像素及其周围空间邻域的灰度分布来表现,即:局部纹理信息。
可选的,采用灰度共生矩阵的纹理特征提取方法计算各个子块区域的模糊指数,其具体可以包括:
对第一子块区域进行灰度处理,得到一个灰度图像Gray;其中,第一子块区域为M*N个子块区域中的任一个子块区域;计算灰度图像Gray的灰度共生矩阵G,G的大小为P*P;采用公式imgQ=Param1/(Param2+1)-λ计算第一子块区域的模糊指数imgQ。
其中,i=1,2……P,j=1,2……P,λ为预设初始值,P为大于1的正整数。
可选的,G的大小可以为256*256。
本实施例中,通过量化图像的模糊指数来标定清晰图像和一系列不同模糊等级的模糊图像。具体的,使用上述的图像模糊指数计算方法计算可以得到图3,其中,图3为本发明实施例提供的图像的模糊指数与模糊等级的对应关系示意图,如图3所示,随着模糊等级增加,模糊指数也在不断增加。
S202:统计所有模糊指数分别在Q个预设区间的分布情况,根据分布情况对目标图像的模糊状态进行评估。
其中,Q为大于1的正整数。
本实施例中,通过统计各个子区域的模糊指数的分布情况,以对目标图像的模糊状态进行评估。
可选的,统计所有模糊指数分别在Q个预设区间的分布情况,根据分布情况对目标图像的模糊状态进行评估,可以包括:统计模糊指数分别在Q个预设区间的分布情况,得到Q个统计数值Num;根据Q个统计数值Num确定目标图像的模糊状态。
本实施例中,对imgQs进行数据统计,统计模糊指数分别在Q个预设区间的分布情况,分别得到相应数值Num。
可选的,本实施例中,Q个预设区间可以包括:0~1,1~2,2~3,3~其他这四个区间,对imgQs进行数据统计,统计模糊指数分别在0~1,1~2,2~3,3~其他这四个区间的分布情况,分别得到相应数值Num1,Num2,Num3,Num4。
本实施例中,在根据Q个统计数值Num确定目标图像的模糊状态时,可以直接采用数值Num进行评估,也可以将数值Num量化后,采用量化后的占比数值进行评估。本实施例以量化后的占比数值进行评估为例进行阐述,直接采用数值Num进行评估的实现原理与之相同,本实施例在此不进行赘述。
可选的,根据Q个统计数值Num确定目标图像的模糊状态,可以包括:
对Q个统计数值Num进行量化,得到Q个占比数值Rate;在至少一个占比数值Rate大于第一预设值T1时,确定目标图像的模糊状态为第一预设状态;在A个占比数值Rate之和小于第二预设值T2时,确定目标图像的模糊状态为第一预设状态;在B个占比数值Rate之和大于第三预设值T3时,确定目标图像的模糊状态为第二预设状态。其中,A和B均为大于1且小于Q的正整数。
本实施例中,对imgQs数据统计的结果进行判断,以具体确定目标图像的模糊状态。
举例来说,以Q个预设区间可以包括:0~1、1~2、2~3和3~其他这四个区间为例,在得到数值Num1,Num2,Num3,Num4后,进一步进行量化,得到子区域在四个模糊区间的占比情况Rate1,Rate2,Rate3,Rate4。在确定目标图像的模糊状态时,可以得到以下几种情况:
情况1:在Rate3+Rate4>T3时,确定图像过于模糊,无法使用;
情况2:在Rate1>T1时,确定图像清晰;
情况3:在Rate2+Rate3+Rate4<T2时,确定图像有一些模糊,替换处理后使用。
本实施例中,情况2和3为目标图像的模糊状态为第一预设状态,情况1为目标图像的模糊状态为第二预设状态。其中,T1的取值可以为0.8~1,T2的取值可以为0.01~0.1,T3的取值可以为0.5~0.7。
进一步地,在上述实施例中,确定并替换目标图像的模糊区域,可以包括:
将M*N个子块区域中模糊指数大于或等于预设模糊值的子块区域确定为模糊区域,并采用预设替换规则替换模糊区域。
本实施例中,对于目标图像的模糊状态为第一预设状态,如上述情况2和3,确定并替换目标图像的模糊区域时,将根据对应子区域的模糊指数来确定该子区域是否需要进行替换处理。替换规则可以采用相邻区域的灰度信息来完成替换计算。其中,相邻区域的灰度信息替换计算的实现原理与现有技术相同,本实施例在此不进行赘述。
进一步地,在上述实施例中,基于目标分割的结果进行评估时,将待识别的图像转换到Lab空间进行图像分割,将分割后的食材图像确定为目标图像,可以包括:
将待识别的图像归一化处理后,转换到Lab空间,得到一Lab图像;计算Lab图像a分量的均值meana和b分量的均值meanb;根据meana和meanb确定选择a分量或b分量进行二值化处理;将二值化处理后的图像确定为目标图像。
在实际应用中,摄像头采集的图像为RGB图像,本实施例将采集的RGB图像转换到Lab空间,采用Lab空间的目标分割算法来实现食材的分割,对分离出来的食材进行清晰度检测,可有效防止误判。
本实施例中,采集的RGB像素灰度值范围是0-255,本实施例将其转换成浮点数,并归一化到0-1之间。将归一化的RGB图像,转换到Lab颜色空间,得到一幅Lab图像。对Lab图像进行颜色评估,即计算Lab的a、b分量的均值meana和meanb。
本实施例中,由于归一化后计算出来的Lab图像的ab分量的取值范围均在-127~128之间,本实施例可以根据meana和meanb确定选择a分量或b分量进行二值化处理。可选的,根据meana和meanb确定选择a分量或b分量进行二值化处理,可以包括:将meana和meanb进行比较,在meana<meanb时,确定偏黄蓝色,选择b分量来做二值化处理;在meana>meanb时,确定偏红绿色,选择a分量来做二值化处理。本实施例根据meana和meanb确定选择a分量或b分量进行二值化处理,可以有效的提取出相应目标图像,将烤箱内的食材进行分割,实现食材与背景分离。
具体的,图4为本发明实施例提供的采用Lab空间的目标分割算法对智能家电内食材进行分割的流程图,如图4所示,采用Lab空间的目标分割算法对智能家电内食材进行分割,可以包括:
S401:采集RGB图像。
本实施例中,可以通过智能家电的摄像头采集RGB图像,采集的RGB图像即为待识别的图像。
S402:滤波。
本实施例中,对采集的彩色图像进行滤波处理,去除干扰的噪声,同时为了防止后期的图像分割把部分食材丢失。
S403:归一化。
本实施例中,RGB像素灰度值范围是0-255,此处将其转换成浮点数,并归一化到0-1之间。
S404:转换到Lab空间。
本实施例中,将归一化的RGB图像,转换到Lab颜色空间,得到一幅Lab图像。
S405:颜色评估。
本实施例中,对Lab图像进行颜色评估,即计算Lab的a、b分量的均值meana和meanb。
S406:判断颜色偏向。在颜色偏红绿时,执行S407;在颜色偏蓝黄时,执行S408。
本实施例中,由于归一化后计算出来的Lab图像的ab分量的取值范围均在-127~128之间,于是设定如下判断条件:
meana<meanb 偏黄蓝色
meana>meanb 偏红绿色
S407:a分量做二值化。
本实施例中,当图像偏红绿色时,选择a分量来做二值化处理,此方式可以有效的提取出相应目标。
S408:b分量做二值化。
本实施例中,当图像偏黄蓝色时,将选择b分量来做二值化处理,此方式可以有效的提取出相应目标。
S409:膨胀腐蚀运算。
本实施例中,二值化的结果,会多少出现毛刺、孔洞或孤立点等现象,本实施例可以采用膨胀腐蚀算子来处理。其中,本实施例采用膨胀腐蚀算子处理图像的实现原理与现有技术相同,本实施例在此不进行赘述。
S410:邻域搜索,检测区域。
本实施例中,图5为本发明实施例提供的目标分割的效果图,如图5所示,对处理的二值化图像,进行邻域区域搜索,遍历整幅图像,来标记连通区域,形成一系列的区域坐标序,并计算出区域的最小外接矩形。
S411:区域规则筛选。
本实施例中,由于烤制或存储,通常食材放置于智能家电的居中位置。按这一先验知识,然后结合区域的大小信息,来筛选食材区域,最终输出食材的区域以及掩码区域,用于图像的模糊状态的评估。
S412:输出食材区域。
本实施例中,对分离出来的食材进行输出,将输出的食材区域作为目标图像进行清晰度检测,可有效防止误判。
本实施例助攻,当目标分割模块未成功输出有效区域,则说明出现异常现象。在实际应用中,异常现象会有三种:
(1)摄像头被物体遮挡;(2)油污过多,导致拍摄的食材完全看不清;(3)用户未放入食材,智能家电在空运行。
对于第一个现象,可以使用图像亮度信息直接判断,确定摄像头是否被物体遮挡,并进行相应提示预警;对于现象二和三,需要采用上述实施例的评估方法对图像的模糊状态(清晰度指标)进行评估,才能判断预警。
具体的,图6为本发明实施例二提供的智能家电的图像处理方法的流程图,如图6所示,本发明实施例提供的智能家电的图像处理方法,可以包括:
S601:图像采集。
本实施例中,可以通过智能家电的摄像头进行图像采集。
S602:目标分割。
本实施例中,目标分割可参见上述采用Lab空间的目标分割算法对智能烤箱内的食材进行分割,本实施例在此不进行赘述。
S603:判断是否输出有效区域。若是,则执行S605;否则,执行S604。
S604:确定异常信号。在为空运行或油污导致的异常时,执行S605。
S605:模糊指数量化。
本实施例中,模糊指数量化可参见上述实施例,本实施例在此不进行赘述。
S606:区域模糊指数统计。在满足T1条件时,执行S608;在满足T2条件时,执行S607;在满足T3条件时,执行S601。
本实施例中,模糊指数满足T1、T2或T3条件可参见上述情况1-3,本实施例在此不进行赘述。
S607:模糊区域去除。
本实施例中,模糊区域去除可参见上述实施例,本实施例在此不进行赘述。
S608:输出图像。
图7为本发明实施例提供的智能家电的结构示意图,如图7所述,本实施例提供的智能家电,包括:获取模块71、评估模块72和处理模块73。
获取模块71,用于获取待识别的目标图像;
评估模块72,用于对所述目标图像的模糊状态进行评估;
处理模块73,用于在所述目标图像的模糊状态为第一预设状态时,确定并替换所述目标图像的模糊区域。
本发明实施例提供的智能家电用于执行图1所示方法实施例的技术方案,其实现原理和实现效果类似,此处不再赘述。
进一步地,在上述实施例中,处理模块73,还用于在所述目标图像的模糊状态为第二预设状态时,删除所述目标图像。
进一步地,在上述实施例中,评估模块72对所述目标图像的模糊状态进行评估,可以包括:
将所述目标图像分割成M*N个子块区域,并计算各个子块区域的模糊指数;统计所有模糊指数分别在Q个预设区间的分布情况,根据分布情况对所述目标图像的模糊状态进行评估;其中,M和N为大于1的正整数,Q为大于1的正整数。
进一步地,在上述实施例中,评估模块72统计所有模糊指数分别在Q个预设区间的分布情况,根据分布情况对所述目标图像的模糊状态进行评估,可以包括:
统计模糊指数分别在Q个预设区间的分布情况,得到Q个统计数值Num;根据Q个统计数值Num确定所述目标图像的模糊状态。
进一步地,在上述实施例中,评估模块72根据Q个统计数值Num确定所述目标图像的模糊状态,可以包括:
对Q个统计数值Num进行量化,得到Q个占比数值Rate;在至少一个占比数值Rate大于第一预设值T1时,确定所述目标图像的模糊状态为第一预设状态;在A个占比数值Rate之和小于第二预设值T2时,确定所述目标图像的模糊状态为第一预设状态;在B个占比数值Rate之和大于第三预设值T3时,确定所述目标图像的模糊状态为第二预设状态;其中,A和B均为大于1且小于Q的正整数。
进一步地,在上述实施例中,处理模块73确定并替换所述目标图像的模糊区域,可以包括:
将M*N个子块区域中模糊指数大于或等于预设模糊值的子块区域确定为模糊区域,并采用预设替换规则替换所述模糊区域。
进一步地,在上述实施例中,评估模块72计算各个子块区域的模糊指数,可以包括:
对第一子块区域进行灰度处理,得到一个灰度图像Gray;其中,第一子块区域为M*N个子块区域中的任一个子块区域;计算所述灰度图像Gray的灰度共生矩阵G,G的大小为P*P;采用公式imgQ=Param1/(Param2+1)-λ计算所述第一子块区域的模糊指数imgQ;
其中,i=1,2……P,j=1,2……P,λ为预设初始值,P为大于1的正整数。
进一步地,在上述实施例中,获取模块71获取待识别的目标图像,包括:
采集待识别的图像,并将待识别的图像转换到Lab空间进行图像分割,将分割后的食材图像确定为所述目标图像;
或者;
采集待识别的图像,将待识别的图像直接确定为所述目标图像。
其中,本发明实施例提供的智能家电,还可以包括摄像头,用于采集待识别的图像,获取模块用于获取摄像头采集的图像,并确定目标图像。
进一步地,在上述实施例中,获取模块71将待识别的图像转换到Lab空间进行图像分割,将分割后的食材图像确定为所述目标图像,可以包括:
将待识别的图像归一化处理后,转换到Lab空间,得到一Lab图像;计算Lab图像a分量的均值meana和b分量的均值meanb;根据meana和meanb确定选择a分量或b分量进行二值化处理;将二值化处理后的图像确定为所述目标图像。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (7)
1.一种智能家电的图像处理方法,其特征在于,包括:
获取待识别的目标图像;
将所述目标图像分割成M*N个子块区域,并计算各个子块区域的模糊指数;
计算各个子块区域的模糊指数,包括:对第一子块区域进行灰度处理,得到一个灰度图像Gray,其中,第一子块区域为M*N个子块区域中的任一个子块区域,计算所述灰度图像Gray的灰度共生矩阵G,G的大小为P*P,采用公式imgQ=Param1/(Param2+1)-λ计算所述第一子块区域的模糊指数imgQ,其中, λ为预设初始值,P为大于1的正整数;
统计所有模糊指数分别在Q个预设区间的分布情况,根据分布情况对所述目标图像的模糊状态进行评估;
在所述目标图像的模糊状态为第一预设状态时,确定并替换所述目标图像的模糊区域,根据对应子块区域的模糊指数来确定该子块区域是否需要进行替换处理;
在所述目标图像的模糊状态为第二预设状态时,删除所述目标图像。
2.根据权利要求1所述的方法,其特征在于,所述统计所有模糊指数分别在Q个预设区间的分布情况,根据分布情况对所述目标图像的模糊状态进行评估,包括:
统计模糊指数分别在Q个预设区间的分布情况,得到Q个统计数值Num;
根据Q个统计数值Num确定所述目标图像的模糊状态。
3.根据权利要求2所述的方法,其特征在于,根据Q个统计数值Num确定所述目标图像的模糊状态,包括:
Q个预设区间至少包括0~1、1~2、2~3、3~其他这四个区间,Q个统计数值至少包括数值Num1、Num2、Num3、Num4,对Q个统计数值Num进行量化,得到Q个占比数值Rate,至少包括Rate1、Rate2、Rate3、Rate4;
在Rate1大于第一预设值T1时,确定图像清晰,确定所述目标图像的模糊状态为第一预设状态;
在Rate2、Rate3、Rate4三者之和小于第二预设值T2时,确定图像有一些模糊,替换处理后使用,确定所述目标图像的模糊状态为第一预设状态;
在Rate3、Rate4两者之和大于第三预设值T3时,确定图像过于模糊,无法使用,确定所述目标图像的模糊状态为第二预设状态;
其中,T1的取值为0.8~1,T2的取值为0.01~0.1,T3的取值为0.5~0.7。
4.根据权利要求1所述的方法,其特征在于,所述确定并替换所述目标图像的模糊区域,包括:
将M*N个子块区域中模糊指数大于或等于预设模糊值的子块区域确定为模糊区域,并采用预设替换规则替换所述模糊区域。
5.根据权利要求1所述的方法,其特征在于,所述获取待识别的目标图像,包括:
采集待识别的图像,并将待识别的图像转换到Lab空间进行图像分割,将分割后的食材图像确定为所述目标图像;
或者;
采集待识别的图像,将待识别的图像直接确定为所述目标图像。
6.根据权利要求5所述的方法,其特征在于,所述将待识别的图像转换到Lab空间进行图像分割,将分割后的食材图像确定为所述目标图像,包括:
将待识别的图像归一化处理后,转换到Lab空间,得到一Lab图像;
计算Lab图像a分量的均值meana和b分量的均值meanb;
根据meana和meanb确定选择a分量或b分量进行二值化处理;
将二值化处理后的图像确定为所述目标图像。
7.一种智能家电,其特征在于,用于执行权利要求1-6任一所述的方法,包括:
获取模块,用于获取待识别的目标图像;
评估模块,用于对所述目标图像的模糊状态进行评估;
处理模块,用于在所述目标图像的模糊状态为第一预设状态时,确定并替换所述目标图像的模糊区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432198.3A CN111985273B (zh) | 2019-05-23 | 2019-05-23 | 一种智能家电的图像处理方法及智能家电 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432198.3A CN111985273B (zh) | 2019-05-23 | 2019-05-23 | 一种智能家电的图像处理方法及智能家电 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985273A CN111985273A (zh) | 2020-11-24 |
CN111985273B true CN111985273B (zh) | 2024-03-15 |
Family
ID=73436409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910432198.3A Active CN111985273B (zh) | 2019-05-23 | 2019-05-23 | 一种智能家电的图像处理方法及智能家电 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985273B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1474345A (zh) * | 2003-05-22 | 2004-02-11 | 上海交通大学 | 虹膜识别系统的图像质量评价方法 |
CN105139438A (zh) * | 2014-09-19 | 2015-12-09 | 电子科技大学 | 视频人脸卡通动画生成方法 |
CN106469435A (zh) * | 2015-08-13 | 2017-03-01 | 株式会社理光 | 图像处理方法、装置及设备 |
CN107316012A (zh) * | 2017-06-14 | 2017-11-03 | 华南理工大学 | 小型无人直升机的火灾检测与跟踪方法 |
CN107451959A (zh) * | 2016-05-31 | 2017-12-08 | 宇龙计算机通信科技(深圳)有限公司 | 图片处理方法及系统 |
CN108664915A (zh) * | 2018-05-07 | 2018-10-16 | 深圳辉烨通讯技术有限公司 | 身份识别方法、装置、设备及存储介质 |
-
2019
- 2019-05-23 CN CN201910432198.3A patent/CN111985273B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1474345A (zh) * | 2003-05-22 | 2004-02-11 | 上海交通大学 | 虹膜识别系统的图像质量评价方法 |
CN105139438A (zh) * | 2014-09-19 | 2015-12-09 | 电子科技大学 | 视频人脸卡通动画生成方法 |
CN106469435A (zh) * | 2015-08-13 | 2017-03-01 | 株式会社理光 | 图像处理方法、装置及设备 |
CN107451959A (zh) * | 2016-05-31 | 2017-12-08 | 宇龙计算机通信科技(深圳)有限公司 | 图片处理方法及系统 |
CN107316012A (zh) * | 2017-06-14 | 2017-11-03 | 华南理工大学 | 小型无人直升机的火灾检测与跟踪方法 |
CN108664915A (zh) * | 2018-05-07 | 2018-10-16 | 深圳辉烨通讯技术有限公司 | 身份识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111985273A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6819796B2 (en) | Method of and apparatus for segmenting a pixellated image | |
US8331642B2 (en) | Method and device for determining a contour and a center of an object | |
EP1233374B1 (en) | Apparatus and method for extracting objects based on feature matching between segmented regions in images | |
US8437054B2 (en) | Methods and systems for identifying regions of substantially uniform color in a digital image | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN102103751B (zh) | 前景图像提取方法及装置 | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
KR101763336B1 (ko) | 프로퍼게이션 맵을 사용한 워터마크 검출 | |
US20110096993A1 (en) | Methods and Systems for Segmenting a Digital Image into Regions | |
US9798951B2 (en) | Apparatus, method, and processor for measuring change in distance between a camera and an object | |
CN112132852B (zh) | 基于多背景色统计的自动抠图方法及装置 | |
US10769478B2 (en) | Convolutional neutral network identification efficiency increasing method and related convolutional neutral network identification efficiency increasing device | |
CN113724257A (zh) | 一种碳板灰色污点检测方法、计算机设备及存储介质 | |
CN109948393A (zh) | 一种一维条码的定位方法及装置 | |
CN112927247A (zh) | 基于目标检测的切图方法、切图装置和存储介质 | |
CN111182294B (zh) | 一种提升图像质量的智能家电控制方法及智能家电 | |
CN111401290A (zh) | 一种人脸检测方法及系统、计算机可读存储介质 | |
CN111985273B (zh) | 一种智能家电的图像处理方法及智能家电 | |
CN117036346A (zh) | 基于计算机视觉的硅胶污水处理智能监测方法 | |
CN112037137A (zh) | 一种红外图像中绝缘子盘面边缘模糊区域消除方法及装置 | |
CN113628169B (zh) | 一种基于伪色的红外图像自动聚焦评价方法、系统及介质 | |
KR101881795B1 (ko) | 퍼지 이론에 기초한 컬러 이미지의 에지 검출 방법 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
CN110378907B (zh) | 智能冰箱内图像的处理方法及计算机设备、存储介质 | |
Van Duong et al. | Robust Light Field Depth Estimation With Occlusion Based On Spatial And Spectral Entropies Data Costs |
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 |