CN112215765A - 农业自然光环境下机器人视觉色彩校正方法及装置 - Google Patents
农业自然光环境下机器人视觉色彩校正方法及装置 Download PDFInfo
- Publication number
- CN112215765A CN112215765A CN202010936313.3A CN202010936313A CN112215765A CN 112215765 A CN112215765 A CN 112215765A CN 202010936313 A CN202010936313 A CN 202010936313A CN 112215765 A CN112215765 A CN 112215765A
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- radiation intensity
- pixel point
- radiation
- 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 59
- 238000012937 correction Methods 0.000 title claims abstract description 43
- 230000005855 radiation Effects 0.000 claims abstract description 174
- 230000004044 response Effects 0.000 claims abstract description 49
- 230000000007 visual effect Effects 0.000 claims abstract description 26
- 239000003086 colorant Substances 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005316 response function Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例提供一种农业自然光环境下机器人视觉色彩校正方法及装置,该方法包括:根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点辐射强度;根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度进行拟合得到。该方法可快速准确确定视场内所有区域像素的辐射强度,对视场全局进行校正。克服了摄像机无法精确呈现农业自然光照下目标色彩而形成的曝光失真问题,提高了机器人获取视觉信息的准确性,为农业智能化作业和装备研究提供了必要支撑。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种农业自然光环境下机器人视觉色彩校正方法及装置。
背景技术
在农业生产领域,智能作业机械的应用将会越来越广泛。其中,作业对象的视觉信息获取是支撑智能化生产作业的核心技术之一。视觉信息是作业区域光照条件与作业对象反射特性综合作用的感观体现。然而农业环境下,自然光照波动和复杂背景干扰是影响视觉信息稳定成像的关键因素,表现为光照时空动态变化、视场多元目标辐射特性各异。
农业环境下下不同目标的辐射特性各不相同,其中近端植物植株与远端天空辐射亮度差异巨大,同时一天当中太阳光照强度也在较大范围内动态变化。然而摄像机成像芯片呈现视场内辐射波动的范围是有限的,在特定曝光强度下会形成图像区域过度曝光和曝光不足,从而导致目标色彩信息失真。
目前的图像色彩校正方法,主要面向小视场特定目标区域,且目标不存在曝光失真情况,对于农业开放环境等大视场内目标辐射差异巨大的复杂场景、目标存在曝光失真的情况,适应性差,难以对视场全局进行色彩校正,造成局部区域色彩信息缺失。
发明内容
本发明实施例提供一种农业自然光环境下机器人视觉色彩校正方法及装置,用以解决现有技术中的缺陷。
本发明实施例提供一种农业自然光环境下机器人视觉色彩校正方法,包括:根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
根据本发明一个实施例的农业自然光环境下机器人视觉色彩校正方法,所述根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度之前,还包括:获取同一场景下,不同曝光时长的若干图像,并选取预设数量的标定像素点;根据每一图像的所有标定像素点的亮度和图像曝光时长,确定所有标定像素点的辐射强度;根据每一图像的标定像素点的亮度、图像曝光时长和每一标定像素点的辐射强度,拟合得到所述辐射响应曲线。
根据本发明一个实施例的农业自然光环境下机器人视觉色彩校正方法,所述根据每一图像的所有标定像素点的亮度和图像曝光时长,确定所有标定像素点的辐射强度,包括:基于相机辐射响应函数g(Y'ij)=lnEi+lntj、P幅图像的曝光时长和N个标定像素点在P幅图像中的亮度,确定N个标定像素点的辐射强度;其中,Ei为像素点i对应视场目标点的辐射强度,tj为图像j的曝光时长,Y'ij为图像j中像素点i的亮度;N×P≥亮度值总数+N。
根据本发明一个实施例的农业自然光环境下机器人视觉色彩校正方法,所述根据每一图像的标定像素点的亮度、图像曝光时长和每一标定像素点的辐射强度,拟合得到辐射响应曲线,包括:以辐射强度和曝光时长的对数和作为自变量,图像像素点亮度作为因变量,拟合得到指数形式的辐射响应曲线。
根据本发明一个实施例的农业自然光环境下机器人视觉色彩校正方法,得到每一像素点的校正后亮度之后,还包括:将每一像素点从含有亮度的XYZ颜色空间转换至RGB颜色空间,得到校正后的RGB图像。
根据本发明一个实施例的农业自然光环境下机器人视觉色彩校正方法,所述选取预设数量的标定像素点,包括:根据作业环境的物体类别,将图像的灰度数据,按亮度区间分为多个等级;从每个等级中选取若干像素点,得到预设数量的标定像素点。
根据本发明一个实施例的农业自然光环境下机器人视觉色彩校正方法,根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度,包括:确定多个不同曝光时长的待校正图像,根据每个图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,分别确定多个图像的像素点辐射强度;对每个像素点,基于不同曝光时长的多个待校正图像,求取平均值,得到每一像素点的辐射强度。
本发明实施例还提供一种农业自然光环境下机器人视觉色彩校正装置,包括:辐射确定模块,用于根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;亮度生成模块,用于根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述农业自然光环境下机器人视觉色彩校正方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述农业自然光环境下机器人视觉色彩校正方法的步骤。
本发明实施例提供的农业自然光环境下机器人视觉色彩校正方法及装置,基于预设的辐射响应曲线,确定每一像素点的辐射强度,从而可快速准确的确定视场内所有区域像素的辐射强度,能够对视场全局进行色彩校正。克服了摄像机无法精确呈现农业自然光照下目标色彩而形成的曝光失真问题,提高了机器人获取视觉信息的准确性,为农业智能化作业技术和装备研究提供了必要支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的农业自然光环境下机器人视觉色彩校正方法的流程示意图;
图2是本发明实施例提供的辐射响应曲线的示意图;
图3是本发明实施例提供的农业自然光环境下机器人视觉色彩校正装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
目前的基于亮度的图像校正方法,均是针对特定目标的图像色彩进行补偿矫正,无法精确解析摄像机视场内不同目标的辐射强度特征,对于大视场、背景复杂、辐射强度差异巨大的农业生产对象图像采集缺乏通用性。
单一全局曝光控制容易导致前景与背景物体图像色彩失真,是摄像机获取自然光条件下植株图像面临的客观限制。鉴于此,融合多曝光度图像信息以恢复视场不同区域辐射强度,是校正图像区域曝光失真的有效途径。
本发明提出一种基于机器人视场全局辐射估计的农业自然光环境下机器人视觉色彩校正方法,用于克服视场巨大辐射差异导致摄像机成像失真的问题,提高机器人视觉信息感知能力。
下面结合图1-图4描述本发明实施例的农业自然光环境下机器人视觉色彩校正方法及装置。图1是本发明实施例提供的农业自然光环境下机器人视觉色彩校正方法的流程示意图,如图1所示,本发明实施例提供一种农业自然光环境下机器人视觉色彩校正方法,包括:
101、根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度。
摄像机的辐射响应模型,表示图像亮度与相机感光芯片接受目标辐射能量总和的对应关系。标定摄像机辐射响应模型,是基于图像数据恢复视场辐射强度信息的必要前提。
辐射响应曲线,就是表示亮度值、曝光时长和辐射强度的映射关系,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。假设对同一场景连续采集P幅不同曝光度的标定图像,将摄像机辐射响应函数f(Y'ij)=Ei×tj表示为其函数对数形式:
g(Y'ij)=lnEi+lntj
其中,i为像素点序号,j为图像序号,Ei为像素点i对应视场目标点的辐射强度,tj为图像j的曝光时长,Y'ij为图像j中像素点i的亮度。
通过满足预设数量的像素点,在亮度值、曝光时长和辐射强度均已得到的情况下,进行拟合得到该预设的辐射响应曲线。对于待校正图像,像素点的亮度值和曝光时长确定后,便可得到校正后的辐射强度。
102、根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度。
图像信息的视场辐射强度数据是更加准确、宽泛描述场景亮度的图像数据,但需要通过映射将其压缩到小范围进行显示和处理,以便于和亮度值相对应。以亮度区间0-255为例,辐射强度线性映射到亮度区间后的校正后亮度为:
其中Eimax、Eimin分别为像素点辐射强度的最大值和最小值。
本发明实施例的农业自然光环境下机器人视觉色彩校正方法,基于预设的辐射响应曲线,确定每一像素点的辐射强度,从而可快速准确的确定视场内所有区域像素的辐射强度,能够对视场全局进行色彩校正。克服了摄像机无法精确呈现农业自然光照下目标色彩而形成的曝光失真问题,提高了机器人获取视觉信息的准确性,为农业智能化作业技术和装备研究提供了必要支撑。
基于上述实施例的内容,作为一种可选实施例,根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度之前,还包括:
获取同一场景下,不同曝光时长的若干图像,并选取预设数量的标定像素点;根据每一图像的所有标定像素点的亮度和图像曝光时长,确定所有标定像素点的辐射强度;根据每一图像的标定像素点的亮度、图像曝光时长和每一标定像素点的辐射强度,拟合得到辐射响应曲线。
具体可参见101中的说明,还是对同一场景连续采集P幅不同曝光度的图像,如曝光时长分别为0.01、0.05、0.08、0.10ms,则P为4。对每幅图像提取相同坐标的N个像素点,总共得到N×P个像素点,作为标定像素点。在亮度和曝光时长已知的情况下,待求取的为辐射强度值。基于公式g(Y'ij)=lnEi+lntj,N×P个像素点得到N×P个非齐次线性方程组,未知数为N个像素点的辐射强度Ei。在得到Ei后,拟合关系曲线,得到辐射响应曲线。
基于上述实施例的内容,作为一种可选实施例,所述根据每一图像的所有标定像素点的亮度和图像曝光时长,确定所有标定像素点的辐射强度,包括:
基于相机辐射响应函数g(Y'ij)=lnEi+lntj、P幅图像的曝光时长和N个标定像素点在P幅图像中的亮度,确定N个标定像素点的辐射强度;其中,Ei为像素点i对应视场目标点的辐射强度,tj为图像j的曝光时长,Y'ij为图像j中像素点i的亮度;N×P≥亮度值总数+N。
以下通过矩阵求解的形式进行说明,若上述公式对于P幅中N个像素点均成立,则存在方程式:
Mx=[A B]x=b;
其中x为维数256+N的列向量:
xT=[g(0) g(1) … g(255) lnE1 lnE2 … lnEN]
b为维数N×P列向量,bT=[lnt1 lnt2 … lntP]
A为N×P行、256列矩阵,每行仅一个非零元素1,该元素列序号为Y'ij
B为N×P行、N列矩阵,每行仅一个非零元素-1,该元素列序号为i
上式共有N×P个非齐次线性方程,256+N个未知变量分别为g(Y'ij)和Ei。为了保证方程组有解,需满足N×P≥256(以亮度值总数为256为例)+N。
基于上述实施例的内容,作为一种可选实施例,所述根据每一图像的标定像素点的亮度、图像曝光时长和每一标定像素点的辐射强度,拟合得到辐射响应曲线,包括:以辐射强度和曝光时长的对数和作为自变量,图像像素点亮度作为因变量,拟合得到指数形式的辐射响应曲线。
图2是本发明实施例提供的辐射响应曲线的示意图,标定的摄像机辐射响应曲线如图2所示。横坐标为辐射强度和曝光时长的对数和,纵坐标为图像像素点亮度。
基于上述实施例的内容,作为一种可选实施例,得到每一像素点的校正后亮度之后,还包括:将每一像素点从含有亮度的XYZ颜色空间转换至RGB颜色空间,得到校正后的RGB图像。
得到校正后的图像每一像素点亮度后,将校正后的精细亮度数据Yi d融入彩色图像中,以实现曝光失真图像的色彩重构。鉴于序列采样图像中高曝光图像存在亮度饱和、色度缺失情况,选择采样图像中的低曝光图像作为色彩重构参考图像,可根据如下公式进行转换:
提取参考图像亮度Y和色度X、Z后,保持色度数据不变,将Y替换为Yi d,以更新图像XYZ空间的色彩数据,由上式逆运算获得RGB色彩模式图像,则实现对参考图像的亮度矫正和色彩重构。
基于上述实施例的内容,作为一种可选实施例,所述选取预设数量的标定像素点,包括:根据作业环境的物体类别,将图像的灰度数据,按亮度区间分为多个等级;从每个等级中选取若干像素点,得到预设数量的标定像素点。
例如,鉴于农业生产环境主要包含植株茎杆、叶片、果实、土壤、天空等约10类不同物体,为了使采样点覆盖视场内的各类物体,根据低曝光图像灰度直方图数据,将其图像亮度区间分为10个等级。对于每个灰度等级从图像中选定10个像素点,即每幅图像取100个点,以作为摄像机辐射响应标定采样点,从而得到系数矩阵M为400行、356列的稀疏矩阵。
本发明实施例的农业自然光环境下机器人视觉色彩校正方法,根据作业环境的物体类别,将亮度区间分为多个等级,可覆盖待校正的所有物体,从而提高校正后亮度的准确性。
基于上述实施例的内容,作为一种可选实施例,根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度,包括:确定多个不同曝光时长的待校正图像,根据每个图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,分别确定多个图像的像素点辐射强度;对每个像素点,基于不同曝光时长的多个待校正图像,求取平均值,得到每一像素点的辐射强度。
优选的,待校正图像的多个不同曝光时长j,与标定图像的多个不同曝光时长一致。如上述举例中提到的,待校正图像曝光时长和标定图像均为0.01、0.05、0.08、0.10ms。
在获得摄像机辐射响应函数g(Y')基础上,可根据图像像素亮度Y'ij和图像曝光时长tj,估计视场内任意点在感光芯片对应点i形成的辐射强度Ei。对不同曝光强度图像获得的辐射强度取平均值,以提高校正的准确度,得到视场中任意未饱和像素对应的辐射强度估计值如下:
其中,公式参数可参见上述实施例。
下面对本发明实施例提供的农业自然光环境下机器人视觉色彩校正装置进行描述,下文描述的农业自然光环境下机器人视觉色彩校正装置与上文描述的农业自然光环境下机器人视觉色彩校正方法可相互对应参照。
图3是本发明实施例提供的农业自然光环境下机器人视觉色彩校正装置的结构示意图,如图3所示,该农业自然光环境下机器人视觉色彩校正装置包括:辐射确定模块301亮度生成模块302。其中,辐射确定模块301用于根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;亮度生成模块302用于根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的农业自然光环境下机器人视觉色彩校正装置,基于预设的辐射响应曲线,确定每一像素点的辐射强度,从而可快速准确的确定视场内所有区域像素的辐射强度,能够对视场全局进行色彩校正。克服了摄像机无法精确呈现农业自然光照下目标色彩而形成的曝光失真问题,提高了机器人获取视觉信息的准确性,为农业智能化作业技术和装备研究提供了必要支撑。
图4是本发明实施例提供的一种电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行农业自然光环境下机器人视觉色彩校正方法,该方法包括:根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的农业自然光环境下机器人视觉色彩校正方法,该方法包括:根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的农业自然光环境下机器人视觉色彩校正方法,该方法包括:根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (10)
1.一种农业自然光环境下机器人视觉色彩校正方法,其特征在于,包括:
根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;
根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;
其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
2.根据权利要求1所述的农业自然光环境下机器人视觉色彩校正方法,其特征在于,所述根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度之前,还包括:
获取同一场景下,不同曝光时长的若干图像,并选取预设数量的标定像素点;
根据每一图像的所有标定像素点的亮度和图像曝光时长,确定所有标定像素点的辐射强度;
根据每一图像的标定像素点的亮度、图像曝光时长和每一标定像素点的辐射强度,拟合得到所述辐射响应曲线。
3.根据权利要求2所述的农业自然光环境下机器人视觉色彩校正方法,其特征在于,所述根据每一图像的所有标定像素点的亮度和图像曝光时长,确定所有标定像素点的辐射强度,包括:
基于相机辐射响应函数g(Y′ij)=lnEi+lntj、P幅图像的曝光时长和N个标定像素点在P幅图像中的亮度,确定N个标定像素点的辐射强度;
其中,Ei为像素点i对应视场目标点的辐射强度,tj为图像j的曝光时长,Y′ij为图像j中像素点i的亮度;N×P≥亮度值总数+N。
4.根据权利要求3所述的农业自然光环境下机器人视觉色彩校正方法,其特征在于,所述根据每一图像的标定像素点的亮度、图像曝光时长和每一标定像素点的辐射强度,拟合得到所述辐射响应曲线,包括:
以辐射强度和曝光时长的对数和作为自变量,图像像素点亮度作为因变量,拟合得到指数形式的辐射响应曲线。
5.根据权利要求1所述的农业自然光环境下机器人视觉色彩校正方法,其特征在于,得到每一像素点的校正后亮度之后,还包括:
将每一像素点从含有亮度的XYZ颜色空间转换至RGB颜色空间,得到校正后的RGB图像。
6.根据权利要求2所述的农业自然光环境下机器人视觉色彩校正方法,其特征在于,所述选取预设数量的标定像素点,包括:
根据作业环境的物体类别,将图像的灰度数据,按亮度区间分为多个等级;
从每个等级中选取若干像素点,得到预设数量的标定像素点。
7.根据权利要求1所述的农业自然光环境下机器人视觉色彩校正方法,其特征在于,根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度,包括:
确定多个不同曝光时长的待校正图像,根据每个图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,分别确定多个图像的像素点辐射强度;
对每个像素点,基于不同曝光时长的多个待校正图像,求取平均值,得到每一像素点的辐射强度。
8.一种农业自然光环境下机器人视觉色彩校正装置,其特征在于,包括:
辐射确定模块,用于根据待校正图像所有像素点的亮度值和曝光时长,基于预设的辐射响应曲线,确定每一像素点的辐射强度;
亮度生成模块,用于根据待校正图像的辐射强度最大的像素点和辐射强度最小的像素点,将每一像素点的辐射强度线性映射到亮度区间,得到每一像素点的校正后亮度;
其中,所述辐射响应曲线,基于标定图像预设数量像素点的已知亮度值、曝光时长和辐射强度,进行拟合得到。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至7任一项所述农业自然光环境下机器人视觉色彩校正方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述农业自然光环境下机器人视觉色彩校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936313.3A CN112215765B (zh) | 2020-09-08 | 2020-09-08 | 农业自然光环境下机器人视觉色彩校正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936313.3A CN112215765B (zh) | 2020-09-08 | 2020-09-08 | 农业自然光环境下机器人视觉色彩校正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215765A true CN112215765A (zh) | 2021-01-12 |
CN112215765B CN112215765B (zh) | 2024-06-11 |
Family
ID=74049126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010936313.3A Active CN112215765B (zh) | 2020-09-08 | 2020-09-08 | 农业自然光环境下机器人视觉色彩校正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215765B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992039A (zh) * | 2021-03-27 | 2021-06-18 | 惠仁康宁(苏州)健康科技有限公司 | 一种显示屏光辐射视觉健康信息实时获取方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008067922A1 (de) * | 2006-12-05 | 2008-06-12 | Carl Zeiss Meditec Ag | Verfahren zur erzeugung hochqualitativer aufnahmen der vorderen und/oder hinteren augenabschnitte |
WO2010123171A1 (ko) * | 2009-04-22 | 2010-10-28 | 이화대학교 산학협력단 | 카메라 색상 특성 곡선을 이용한 영상 밝기 변화에 따른 색 보정 방법 |
KR20110059486A (ko) * | 2009-11-27 | 2011-06-02 | 한국전기연구원 | 비선형 응답특성을 가지는 디지털 방사선 검출 이미지의 밸런스 보정 방법 및 장치 |
CN104394311A (zh) * | 2014-09-15 | 2015-03-04 | 沈洪泉 | 用于移动终端的虹膜识别成像模组及图像获取方法 |
CN105760870A (zh) * | 2016-01-29 | 2016-07-13 | 北京农业信息技术研究中心 | 一种作物冠层半球图像处理方法及装置 |
US20180018759A1 (en) * | 2016-07-15 | 2018-01-18 | Samsung Electronics Co., Ltd. | Image artifact detection and correction in scenes obtained from multiple visual images |
CN107730471A (zh) * | 2017-10-26 | 2018-02-23 | 北京农业智能装备技术研究中心 | 一种针对秧苗长势监测的叶片图像色彩矫正方法和装置 |
CN109974854A (zh) * | 2019-03-18 | 2019-07-05 | 石河子大学 | 一种框幅式fpi高光谱图像的辐射校正方法 |
CN110702228A (zh) * | 2019-09-25 | 2020-01-17 | 华东师范大学 | 一种航空高光谱影像的边缘辐射校正方法 |
CN111578837A (zh) * | 2020-04-30 | 2020-08-25 | 北京农业智能装备技术研究中心 | 面向农业机器人作业的植物形态视觉跟踪测量方法 |
-
2020
- 2020-09-08 CN CN202010936313.3A patent/CN112215765B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008067922A1 (de) * | 2006-12-05 | 2008-06-12 | Carl Zeiss Meditec Ag | Verfahren zur erzeugung hochqualitativer aufnahmen der vorderen und/oder hinteren augenabschnitte |
WO2010123171A1 (ko) * | 2009-04-22 | 2010-10-28 | 이화대학교 산학협력단 | 카메라 색상 특성 곡선을 이용한 영상 밝기 변화에 따른 색 보정 방법 |
KR20110059486A (ko) * | 2009-11-27 | 2011-06-02 | 한국전기연구원 | 비선형 응답특성을 가지는 디지털 방사선 검출 이미지의 밸런스 보정 방법 및 장치 |
CN104394311A (zh) * | 2014-09-15 | 2015-03-04 | 沈洪泉 | 用于移动终端的虹膜识别成像模组及图像获取方法 |
WO2016041437A1 (zh) * | 2014-09-15 | 2016-03-24 | 苏州思源科安信息技术有限公司 | 用于移动终端的虹膜识别成像模组及图像获取方法 |
CN105760870A (zh) * | 2016-01-29 | 2016-07-13 | 北京农业信息技术研究中心 | 一种作物冠层半球图像处理方法及装置 |
US20180018759A1 (en) * | 2016-07-15 | 2018-01-18 | Samsung Electronics Co., Ltd. | Image artifact detection and correction in scenes obtained from multiple visual images |
CN107730471A (zh) * | 2017-10-26 | 2018-02-23 | 北京农业智能装备技术研究中心 | 一种针对秧苗长势监测的叶片图像色彩矫正方法和装置 |
CN109974854A (zh) * | 2019-03-18 | 2019-07-05 | 石河子大学 | 一种框幅式fpi高光谱图像的辐射校正方法 |
CN110702228A (zh) * | 2019-09-25 | 2020-01-17 | 华东师范大学 | 一种航空高光谱影像的边缘辐射校正方法 |
CN111578837A (zh) * | 2020-04-30 | 2020-08-25 | 北京农业智能装备技术研究中心 | 面向农业机器人作业的植物形态视觉跟踪测量方法 |
Non-Patent Citations (6)
Title |
---|
ZHAO CHUNJIANG: "Image Recognition Method Based on an Improved Convolutional Neural Network to Detect Impurities in Wheat", IEEE ACCESS, 31 December 2019 (2019-12-31) * |
修吉宏;黄浦;李军;李友一;: "大面阵彩色CCD航测相机成像非均匀性校正", 光学学报, no. 07, 10 July 2013 (2013-07-10) * |
修吉宏;黄浦;李军;李友一;: "大面阵彩色CCD航测相机的辐射定标", 光学精密工程, no. 06, 15 June 2012 (2012-06-15) * |
吴梦添;王庆康;: "消费级相机可见光光谱仪及应用", 实验室研究与探索, no. 03, 15 March 2019 (2019-03-15) * |
吴炜;骆剑承;李均力;杨海平;沈占锋;: "面向遥感影像镶嵌的SVR色彩一致性处理", 中国图象图形学报, no. 12, 16 December 2012 (2012-12-16) * |
赵春江: "苹果糖度高光谱图像可视化预测的光强度校正方法", 农业机械学报, 31 July 2015 (2015-07-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992039A (zh) * | 2021-03-27 | 2021-06-18 | 惠仁康宁(苏州)健康科技有限公司 | 一种显示屏光辐射视觉健康信息实时获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112215765B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112752023B (zh) | 一种图像调整方法、装置、电子设备及存储介质 | |
CN109785240B (zh) | 一种低照度图像增强方法、装置及图像处理设备 | |
CN108353125A (zh) | 彩色滤波阵列缩放器 | |
CN107820069B (zh) | 一种视频监控设备isp调试方法 | |
CN111064904A (zh) | 一种暗光图像增强方法 | |
WO2022000397A1 (zh) | 低照度图像增强方法、装置及计算机设备 | |
CN112669758B (zh) | 显示屏校正方法、装置、系统和计算机可读存储介质 | |
CN107895350B (zh) | 一种基于自适应双伽玛变换的hdr图像生成方法 | |
CN110930341A (zh) | 一种基于图像融合的低光照图像增强方法 | |
US20180225845A1 (en) | System and method for light field correction of colored surfaces in an image | |
CN114862722B (zh) | 一种图像亮度增强实现方法及处理终端 | |
CN116681606A (zh) | 一种水下不均匀光照图像增强方法、系统、设备及介质 | |
CN108629738B (zh) | 一种图像处理方法及装置 | |
CN103458194B (zh) | 分析数码影像曝光程度的方法、装置和一种数字成像系统 | |
CN112215765B (zh) | 农业自然光环境下机器人视觉色彩校正方法及装置 | |
US11640654B2 (en) | Image processing method and apparatus | |
CN109451292A (zh) | 图像色温校正方法及装置 | |
CN110246086A (zh) | 彩色图像增强的图像处理方法及其图像处理系统 | |
KR20220060966A (ko) | 센서를 통한 자동 화이트 밸런스를 위한 데이터 사전-처리 | |
Choi et al. | Contrast enhancement for the captured image by estimating local illumination | |
CN114638764B (zh) | 基于人工智能的多曝光图像融合方法及系统 | |
CN115170420A (zh) | 一种图像对比度的处理方法及系统 | |
CN114549386A (zh) | 一种基于自适应光照一致性的多曝光图像融合方法 | |
CN116957948A (zh) | 图像处理方法、电子产品和存储介质 | |
CN110086997B (zh) | 人脸图像曝光亮度补偿方法及装置 |
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 |