CN112785518B - 影像中圆形暗斑纠正方法和纠正系统 - Google Patents
影像中圆形暗斑纠正方法和纠正系统 Download PDFInfo
- Publication number
- CN112785518B CN112785518B CN202110030068.4A CN202110030068A CN112785518B CN 112785518 B CN112785518 B CN 112785518B CN 202110030068 A CN202110030068 A CN 202110030068A CN 112785518 B CN112785518 B CN 112785518B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- correction
- jth channel
- channel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims 1
- 239000000428 dust Substances 0.000 description 24
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种影像中圆形暗斑纠正方法,包括:1、确定影像中圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC;影像中圆形暗斑覆盖范围的像素构成集合SC,设SC内共有L个像素,其中第l像第j个通道的像素值为bl,j,l=1,2,…,L,j=1,…,CH;CH为影像色彩空间通道数;2、对集合SC内像素的每个通道采用N阶多项式模型均执行NR次预纠正,并计算每次预纠正过程中集合SC的内点数目、纠正参数、预纠正后SC与环形邻域SR内像素值的Z统计值;3、从NR次预纠正结果中选择出每个通道最优的纠正参数,对影像中圆形暗斑覆盖范围内的像素进行纠正。该方法能够在不依赖外来纠正模型和参数的情况下,自适应地将暗斑部分的像素值拉伸到与周围背景接近,减少影像细节损失。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种对因CCD/CMOS沾染灰尘造成的影像中的圆形暗斑进行纠正的方法和系统。
背景技术
在航空摄影测量中使用的光学相机的核心传感器以面阵的电荷耦合器件(Charge-coupled Device,CCD)或互补金属氧化物半导体(Complementary Metal OxideSemiconductor,CMOS)居多。即使在使用中再小心,CCD/CMOS沾染灰尘的可能性都不能完全消除。灰尘的来源主要有空气中的灰尘、相机腔内的灰尘或毛绒、油污、镜头接环上附着的灰尘等。航空摄影测量相机一般可以更换镜头,而更换镜头可能导致CCD/CMOS沾染吸附灰尘。虽然在拆出镜头后,CCD/CMOS会被快门帘、反光镜保护着,不过在更换镜头时空气中的灰尘仍可能粘在反光镜、镜头后组镜片上。当按下快门时,在反光镜、镜头后组镜片上的灰尘就可能随着反光镜带出的气流卷到CCD/CMOS上。此外,如果相机存放环境灰尘弥漫,则CCD/CMOS也可能沾染吸附灰尘。按灰尘形状分,CCD/CMOS表面灰尘的种类有点状、线状、水迹状等,其中点状灰尘最多。
CCD/CMOS对于灰尘非常敏感。灰尘会阻挡光线投射到部分感光二极管,降低进光量,因此在拍摄出的影像中,受影响像素的灰度值会低于没有灰尘时的值,具体低的幅度与灰尘数量和分布有关。在采用偏大或中等光圈的情况下,受点状灰尘影响的像素大概呈现为圆形,该圆形核心区域内的像素值基本一致,核心区域外的像素值沿径向向外呈增加的趋势。在本发明中,称影像中这些由点状灰尘导致的圆形低灰度值区域为圆形暗斑,如图1所示,圆形暗斑的中心位置为(CR,CC),覆盖半径为R,核心半径为RC。
如果无意中采用沾染点状灰尘的CCD/CMOS进行航空摄影测量外业影像数据采集,则获取的影像中在固定位置会有圆形暗斑。这些圆形暗斑对于后期的内业处理有严重的影响,除了影响影像产品的视觉效果外,还会影响连接点的计算,增大立体像对计算和空中三角网加密的难度。相机配套软件一般没有对这种圆形暗斑进行纠正的功能。用图像处理软件修图固然可以解决问题,但是对于动辄数千数万张原始影像,这种人工用图像处理软件一张一张处理的方法非常费时费力。鉴于这些存在圆形暗斑的影像还有一定的利用价值,为了最大化地利用它们,如何对含有圆形暗斑的大量影像进行自动化、批量化的暗斑纠正修复是内业处理中一个很实际的问题。
一种处理方法是从圆形暗斑周围截取部分来覆盖暗斑。该方法一来需要处理截取部分与四周接边的问题,二来适用范围有限,只能适用于圆形暗斑覆盖的地类特征不明显的情况。对于特征明显、有丰富线条的地物,这种方法生成的影像会存在特征中断、不一致的情况。使用机器学习,如卷积神经网络解决该问题的门槛较高。首先,需要准备大量(至少以万计)的训练样本,每个训练样本都要有暗斑部分和对应的纠正结果,样本的准备费时费力。其次,机器学习模型的构建、训练背后需要有经验的研发人员和强大的算力支持。因此,对有大量影像存在圆形暗斑的情况,最好采用简单、自适应的方法进行批量处理。
圆形暗斑内灰度值的变化不仅仅由点状灰尘导致,更可能由暗斑内地类或地物变化导致。因此在纠正中需要排除地类地物变化的影响。此外,如果相机有根据成像区域内的辐照度分布自动对成像进行动态调整的功能,如高动态范围(High Dynamic Range,HDR),则即使是同一个地物,在不同影像上的灰度值也可能不同。上述原因导致难用采用统一的系数对大量影像进行批量纠正。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种影像中圆形暗斑纠正方法,该方法能够在不依赖外来纠正模型和参数的情况下,自适应地将暗斑部分的像素值拉伸到与周围背景接近,减少影像细节损失。
技术方案:本发明一方面公开了一种影像中圆形暗斑纠正方法,包括:
S1、确定影像中圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC;
影像中圆形暗斑覆盖范围内的像素构成集合SC,设SC内共有L个像素,其中第l像第j个通道的像素值为bl,j,l=1,2,…,L,j=1,…,CH;CH为影像色彩空间通道数;
S2、对集合SC内像素的每个通道采用N阶多项式模型均执行NR次预纠正,并计算每次预纠正过程中集合SC的内点数目、纠正参数、预纠正后SC与环形邻域SR内像素值的Z统计值;
S3、从NR次预纠正结果中选择出每个通道最优的纠正参数,对影像中圆形暗斑覆盖范围内的像素进行纠正。
另一方面,本发明公开了实现上述方法的影像中圆形暗斑纠正系统,包括:
圆形暗斑覆盖范围确定模块,用于确定影像中圆形暗斑覆盖范围的位置属性,并将圆形暗斑覆盖范围内的像素构成集合SC;所述位置属性包括:影像中圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC;
预纠正模块,用于对集合SC内像素的每个通道采用N阶多项式模型均执行NR次预纠正,并计算每次预纠正过程中集合SC的内点数目、纠正参数、预纠正后SC与环形邻域SR内像素值的Z统计值;
最终纠正模块,用于从预纠正模块的NR个结果中选择出每个通道最优的纠正参数,对影像中圆形暗斑覆盖范围内的像素进行纠正。
有益效果:本发明公开影像中圆形暗斑纠正方法,能够在不依赖外来纠正模型和参数的情况下,自适应地将暗斑部分的像素值拉伸到与周围背景接近,减少影像细节损失,纠正过的区域和邻域过渡自然。
附图说明
图1为点状灰尘造成的影像中圆形暗斑示意图;
图2为本发明公开的圆形暗斑纠正方法的流程图;
图3为预纠正的流程图;
图4为本发明公开的圆形暗斑纠正系统的组成示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
本发明公开了一种影像中圆形暗斑纠正方法,如图1所示,包括:
S1、确定影像中圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC;其中CR为圆形暗斑圆心在影像中的像素点行号,CC为列号,CR、CC、R、RC均以像素为单位。
影像中圆形暗斑覆盖范围内的像素构成集合SC,设SC内共有L个像素,其中第l像第j个通道的像素值为bl,j,l=1,2,…,L,j=1,…,CH;CH为影像色彩空间通道数;对于灰度影像,其通道数CH为1,即每个像素用一个标量表示其灰度值;对于多通道的影像,如RGB色彩空间的影像,其每个像素用三个标量分别表示R、G、B通道的像素值,其通道数CH为3。
CCD或CMOS在短时间内(如24小时内)沾染的灰尘变化很小,这样短时间内同一相机拍摄的多幅影像中圆形暗斑的位置和大小基本固定。为了能够获取精确的纠正参数,对于相机短时间拍摄的多幅影像,选择其中圆形暗斑所处背景较为单纯的影像,如圆形暗斑位于水体、裸地等上,测量圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC。
S2、对集合SC内像素的每个通道采用N阶多项式模型均执行NR次预纠正,并计算每次预纠正过程中集合SC的内点数目、纠正参数、预纠正后SC与环形邻域SR内像素值的Z统计值;
如图3所示,对集合SC内像素第j个通道进行第nr次预纠正,计算内点数目NIj,nr、Z统计值Zj,nr,j=1,…,CH,nr=1,2…,NR,具体包括步骤S21-S24:
S21、从SC中随机选取M个像素构成集合SS,构建用于拟合像素值与像素到圆形暗斑中心位置距离之间的关系的N阶多项式模型;用集合SS中像素第j个通道的像素值计算所述N阶多项式模型的参数Wj,nr;其中2≤M≤L,1≤N<M;为了降低计算复杂度,M可以选择不超过10的数。
所述步骤S21包括如下步骤S211-S213:
采用N阶多项式模型,将bm,j表达为dm的函数:
其中在第nr次预纠正中,上式中的wn,j表示为wn,j,nr,其含义为对影像色彩空间第j个通道的像素值进行第nr次预纠正时建立的N阶多项式模型的中n次项系数;n=0,1,2,…,N;
多项式模型阶数N的范围为:1≤N<M,通常阶数越高,模型估计越不稳定,因此,优选限制N为1,2或3。
S212、对SS中所有的像素,有:
AWj,nr=Bj
其中,A为SS中像素到圆形暗斑中心距离构建的M×(N+1)矩阵,第m行第n+1列的元素为(dm)n(矩阵A左上角的元素为第1行第1列),Wj,nr为wn,j,nr构成的(N+1)维多项式系数向量,Bj为SS中像素第j个通道的像素值构成的M维向量:
Wj,nr=[w0,j,nr w1,j,nr … w(N-1),j,nr wN,j,nr]T
Bj=[b1,j b2,j … b(M-1),j bM,j]T
S213、如果M=N+1,则直接求解:Wj,nr=A-1Bj;
如果M>N+1,则计算最小二乘解:Wj,nr=(ATA)-1ATBj。
求解Wj,nr可以基于数值分析的方法或因式分解的方法。
S22、基于Wj,nr计算集合SC内每个像素的拟合误差;所述拟合误差为所述像素根据N阶多项式模型计算得到的第j个通道像素值与影像中所述像素的第j个通道像素值之差;
统计集合SC内拟合误差绝对值小于等于误差阈值的像素数目,记为内点数目NIj,nr;具体包括步骤S221和S222:
S221、计算Wj,nr对应的N阶多项式模型对SC内所有像素第j个通道的拟合误差向量Ej:Ej=FWj,nr-Gj
其中,F为SC中的像素到暗斑中心距离构建的L×(N+1)矩阵,其第l行第n+1列的元素为(dl)n(矩阵F左上角的元素为第1行第1列);Gj为SC中像素第j个通道的像素值构成的L维向量:
Gj=[b1,j b2,j … b(L-1),j bL,j]T
其中dl为SC中的第l个像素到暗斑中心的距离,bl,j为SC中第l个像素第j个通道的像素值,l=1,2,…,L,n=0,1,2,…,N;
S222、统计Ej中元素绝对值|el|小于等于误差阈值eth的数目,记为内点数目NIj,nr。eth为预设的误差阈值,为大于0的实数。
对于用一个字节作为存储像素灰度值的基本单位的影像,其值范围为[0,255]内的整数。在这种情况下,由于人眼区分灰度级能力有限,误差阈值eth可以限制在[2,5]内,一般取3就足够。
S23、根据参数Wj,nr计算集合SC内第l像素第j个通道的拉伸系数fl,j,nr,进行预纠正;具体包括步骤S231-S234:
S231、计算SC内第l像素第j个通道像素值的拉伸系数fl,j,nr:
如果SC中的第l个像素到暗斑中心的距离dl满足:RC≤dl≤R,则:
如果SC中的第l个像素到暗斑中心的距离dl满足:dl<RC,则:
S232、对拉伸系数进行约束:
如果fl,j,nr<1,则令fl,j,nr=1;如果fl,j,nr>fmax,则令fl,j,nr=fmax;
fmax为预设的最大拉伸系数;根据经验,fmax可以取[3,5]内的数值,主要取决于暗斑中心的灰度值和背景的差异;约束后的拉伸系数构成长度为L的向量,所述向量即为纠正参数;
S233、对SC内每个像素第j个通道像素值进行预纠正:bl,j′=fl,j,nrbl,j;
其中bl,j和bl,j′分别为为预纠正前后的SC内第l个像素第j个通道的像素值;
S234、对预纠正后的像素值进行约束:
如果bl,j′大于影像数据类型表示范围的最大值bmax,则令bl,j′=bmax;
如果bl,j′小于影像数据类型表示范围的最小值bmin,则令bl,j′=bmin;
对于用一个字节的无符号整型作为存储像素灰度值的基本单位的情况,其值范围为[0,255]内的整数,bmax为255,bmin为0;
计算SC内预纠正后像素第j个通道的像素值和集合SR内像素第j个通道的像素值构成的两个样本的Z统计值Zj,nr;具体包括步骤S241-S243:
其中bh,j为SR内第h个像素第j个通道的像素值,h=1,2,…,H,H为SR内像素的总数;
S243、计算SC和SR两个样本的Z统计值Zj,nr:
S3、从NR次预纠正结果中选择出每个通道最优的纠正参数,对影像中圆形暗斑覆盖范围内的像素进行纠正,具体步骤为:
选择对第j个通道所执行NR次预纠正中内点数目最大的前T个N阶多项式模型Qj,t,t=1,2,…,T;T的取值限制在[1,10]内;
选择T个N阶多项式模型Qj,t中Z统计值的绝对值最小的模型为第j个通道的最优模型,所述最优模型的纠正参数为第j个通道的最优纠正参数;
采用所述最优纠正参数对SC中每个像素第j个通道的像素值进行纠正:
实现上述圆形暗斑纠正方法的系统如图4所示,包括:
圆形暗斑覆盖范围确定模块1,用于根据步骤S1确定影像中圆形暗斑覆盖范围的位置属性,并将圆形暗斑覆盖范围的像素构成集合SC;所述位置属性包括:影像中圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC;
预纠正模块2,用于根据步骤S2对集合SC内像素的每个通道采用N阶多项式模型均执行NR次预纠正,并计算每次预纠正过程中集合SC的内点数目、预纠正后SC与环形邻域SR内像素值的Z统计值;
最终纠正模块3,用于根据步骤S3从预纠正模块的NR个结果中选择出每个通道最优的纠正参数,对影像中圆形暗斑覆盖范围内的像素进行纠正。
Claims (8)
1.影像中圆形暗斑纠正方法,其特征在于,包括步骤:
S1、确定影像中圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC;
影像中圆形暗斑覆盖范围内的像素构成集合SC,设SC内共有L个像素,其中第l个像素第j个通道的像素值为bl,j,l=1,2,…,L,j=1,…,CH;CH为影像色彩空间通道数;
S2、对集合SC内像素的每个通道采用N阶多项式模型均执行NR次预纠正,并计算每次预纠正过程中集合SC的内点数目、纠正参数、预纠正后SC与环形邻域覆盖的像素集合SR内像素值的Z统计值;所述环形邻域为以圆形暗斑中心位置(CR,CC)为圆心,内径为R,外径为RL的环形;
S3、从NR次预纠正结果中选择出每个通道最优的纠正参数,对影像中圆形暗斑覆盖范围内的像素进行纠正;
所述步骤S2中,对集合SC内像素第j个通道进行第nr次预纠正,计算内点数目NIj,nr、Z统计值Zj,nr,j=1,…,CH,nr=1,2…,NR,具体步骤为:
S21、从SC中随机选取M个像素构成集合SS,构建用于拟合像素值与像素到圆形暗斑中心位置距离之间的关系的N阶多项式模型;用集合SS中像素第j个通道的像素值计算所述N阶多项式模型的参数Wj,nr;其中2≤M≤L,1≤N<M;
S22、基于Wj,nr计算集合SC内每个像素的拟合误差;所述拟合误差为所述像素根据N阶多项式模型计算得到的第j个通道像素值与影像中所述像素的第j个通道像素值之差;
统计集合SC内拟合误差绝对值小于等于误差阈值的像素数目,记为内点数目NIj,nr;
S23、根据参数Wj,nr计算集合SC内每个像素第j个通道的纠正参数fl,j,nr,进行预纠正;
S24、计算SC内预纠正后像素第j个通道的像素值和集合SR内像素第j个通道的像素值构成的两个样本的Z统计值Zj,nr。
2.根据权利要求1所述的影像中圆形暗斑纠正方法,其特征在于,对于相机短时间拍摄的多幅影像,选择其中圆形暗斑背景单纯的影像测量圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC。
3.根据权利要求1所述的影像中圆形暗斑纠正方法,其特征在于,所述步骤S21具体为:
S211、设SS中第m个像素与圆形暗斑中心位置的距离为dSm,在第j个通道的像素值为bSm,j,m=1,2…,M;采用N阶多项式模型,将bSm,j表达为dSm的函数:
其中wn,j,nr为对影像色彩空间第j个通道的像素值进行第nr次预纠正时建立的N阶多项式模型的中n次项系数;n=0,1,2,…,N;
S212、对SS中所有的像素,有:
AWj,nr=Bj
其中,A为SS中像素到圆形暗斑中心距离构建的M×(N+1)矩阵,第m行第n+1列的元素为(dSm)n,wn,j,nr构成的(N+1)维多项式系数向量即为N阶多项式模型的参数Wj,nr,Bj为SS中像素第j个通道的像素值构成的M维向量:
Wj,nr=[w0,j,nr w1,j,nr…w(N-1),j,nr wN,j,nr]T
Bj=[bS1,j bS2,j…bS(M-1),j bSM,j]T
S213、如果M=N+1,则直接求解:Wj,nr=A-1Bj;
如果M>N+1,则计算最小二乘解:Wj,nr=(ATA)-1ATBj。
4.根据权利要求1所述的影像中圆形暗斑纠正方法,其特征在于,所述步骤S22具体为:
S221、计算Wj,nr对应的N阶多项式模型对SC内所有像素第j个通道的拟合误差向量Ej:Ej=FWj,nr-Gj;
其中,F为SC中的像素到暗斑中心距离构建的L×(N+1)矩阵,其第l行第n+1列的元素为(dl)n;Gj为SC中像素第j个通道的像素值构成的L维向量:
Gj=[b1,j b2,j…b(L-1),j bL,j]T
其中dl为SC中的第l个像素到暗斑中心的距离,bl,j为SC中第l个像素第j个通道的像素值,l=1,2,…,L,n=0,1,2,…,N;
S222、统计Ej中元素绝对值|el|小于等于误差阈值eth的数目,记为内点数目NIj,nr。
5.根据权利要求1所述的影像中圆形暗斑纠正方法,其特征在于,所述步骤S23具体包括:
S231、计算SC内每个像素第j个通道像素值的拉伸系数fl,j,nr:
如果SC中的第l个像素到暗斑中心的距离dl满足:RC≤dl≤R,则:
如果SC中的第l个像素到暗斑中心的距离dl满足:dl<RC,则:
Rn为覆盖半径R的n次方,(RC)n为核心半径RC的n次方;
S232、对拉伸系数进行约束:
如果fl,j,nr<1,则令fl,j,nr=1;如果fl,j,nr>fmax,则令fl,j,nr=fmax;
fmax为预设的最大拉伸系数;约束后的拉伸系数构成长度为L的向量,所述向量即为纠正参数;
S233、对SC内每个像素第j个通道像素值进行预纠正:bl,j′=fl,j,nrbl,j;
其中bl,j和bl,j′分别为预纠正前后的SC内第l个像素第j个通道的像素值;
S234、对预纠正后的像素值进行约束:
如果bl,j′大于影像数据类型表示范围的最大值bmax,则令bl,j′=bmax;
如果bl,j′小于影像数据类型表示范围的最小值bmin,则令bl,j′=bmin。
7.根据权利要求1所述的影像中圆形暗斑纠正方法,其特征在于,所述步骤S3中选择第j个通道最优纠正参数的步骤为:
选择对第j个通道所执行NR次预纠正中内点数目最大的前T个N阶多项式模型Qj,t,t=1,2,…,T;
选择T个N阶多项式模型Qj,t中Z统计值的绝对值最小的模型为第j个通道的最优模型,所述最优模型的纠正参数为第j个通道的最优纠正参数。
8.影像中圆形暗斑纠正系统,其特征在于,包括:
圆形暗斑覆盖范围确定模块,用于确定影像中圆形暗斑覆盖范围的位置属性,并将圆形暗斑覆盖范围的像素构成集合SC;所述位置属性包括:影像中圆形暗斑的中心位置(CR,CC)、覆盖半径R和核心半径RC;设SC内共有L个像素,其中第l像第j个通道的像素值为bl,j,l=1,2,…,L,j=1,…,CH;CH为影像色彩空间通道数;
预纠正模块,用于对集合SC内像素的每个通道采用N阶多项式模型均执行NR次预纠正,并计算每次预纠正过程中集合SC的内点数目、纠正参数、预纠正后SC与环形邻域覆盖的像素集合SR内像素值的Z统计值;所述环形邻域为以圆形暗斑中心位置(CR,CC)为圆心,内径为R,外径为RL的环形;
最终纠正模块,用于从预纠正模块的NR个结果中选择出每个通道最优的纠正参数,对影像中圆形暗斑覆盖范围内的像素进行纠正;
所述预纠正模块对集合SC内像素第j个通道进行第nr次预纠正,计算内点数目NIj,nr、Z统计值Zj,nr,nr=1,2…,NR,具体步骤为:
S21、从SC中随机选取M个像素构成集合SS,构建用于拟合像素值与像素到圆形暗斑中心位置距离之间的关系的N阶多项式模型;用集合SS中像素第j个通道的像素值计算所述N阶多项式模型的参数Wj,nr;其中2≤M≤L,1≤N<M;
S22、基于Wj,nr计算集合SC内每个像素的拟合误差;所述拟合误差为所述像素根据N阶多项式模型计算得到的第j个通道像素值与影像中所述像素的第j个通道像素值之差;
统计集合SC内拟合误差绝对值小于等于误差阈值的像素数目,记为内点数目NIj,nr;
S23、根据参数Wj,nr计算集合SC内每个像素第j个通道的纠正参数fl,j,nr,进行预纠正;
S24、计算SC内预纠正后像素第j个通道的像素值和集合SR内像素第j个通道的像素值构成的两个样本的Z统计值Zj,nr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110030068.4A CN112785518B (zh) | 2021-01-11 | 2021-01-11 | 影像中圆形暗斑纠正方法和纠正系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110030068.4A CN112785518B (zh) | 2021-01-11 | 2021-01-11 | 影像中圆形暗斑纠正方法和纠正系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785518A CN112785518A (zh) | 2021-05-11 |
CN112785518B true CN112785518B (zh) | 2022-08-30 |
Family
ID=75756431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110030068.4A Active CN112785518B (zh) | 2021-01-11 | 2021-01-11 | 影像中圆形暗斑纠正方法和纠正系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785518B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740809B (zh) * | 2023-06-05 | 2024-03-29 | 嘉兴米兰映像家具有限公司 | 一种基于用户姿态的智能沙发控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1143297A (zh) * | 1995-02-16 | 1997-02-19 | 三星电子株式会社 | 电视摄象机的白色暗斑校正方法及其装置 |
JP2004289400A (ja) * | 2003-03-20 | 2004-10-14 | Ricoh Co Ltd | 画像処理装置、画像形成装置、画像処理方法、コンピュータプログラム、プリンタドライバ及び記録媒体 |
CN102063718A (zh) * | 2010-12-24 | 2011-05-18 | 江南大学 | 一种点激光测量系统的现场标定和精密测量方法 |
CN107016647A (zh) * | 2017-04-26 | 2017-08-04 | 武汉大学 | 全景图像色调一致性纠正方法及系统 |
CN107292869A (zh) * | 2017-06-07 | 2017-10-24 | 西安电子科技大学 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
CN107462187A (zh) * | 2017-07-21 | 2017-12-12 | 浙江中科光电有限公司 | 陶瓷插芯同轴度检测时光斑圆心确定方法及装置 |
CN108320275A (zh) * | 2018-02-07 | 2018-07-24 | 深圳市恒晨电器有限公司 | 一种检测相机模组暗斑的方法 |
CN110728184A (zh) * | 2019-09-10 | 2020-01-24 | 苏州思源科安信息技术有限公司 | 一种可消除成像区域光影的多光源虹膜图像采集装置 |
CN111145280A (zh) * | 2019-12-06 | 2020-05-12 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种oct图像散斑抑制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7471820B2 (en) * | 2004-08-31 | 2008-12-30 | Aptina Imaging Corporation | Correction method for defects in imagers |
CN103702095B (zh) * | 2013-12-24 | 2016-01-20 | 北京淳中科技股份有限公司 | 图像融合处理的色域校正方法、装置及系统 |
CN110766620B (zh) * | 2019-09-27 | 2022-07-19 | 中国科学院苏州生物医学工程技术研究所 | 基于光纤探头的共聚焦内窥镜图像畸变校正方法 |
-
2021
- 2021-01-11 CN CN202110030068.4A patent/CN112785518B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1143297A (zh) * | 1995-02-16 | 1997-02-19 | 三星电子株式会社 | 电视摄象机的白色暗斑校正方法及其装置 |
JP2004289400A (ja) * | 2003-03-20 | 2004-10-14 | Ricoh Co Ltd | 画像処理装置、画像形成装置、画像処理方法、コンピュータプログラム、プリンタドライバ及び記録媒体 |
CN102063718A (zh) * | 2010-12-24 | 2011-05-18 | 江南大学 | 一种点激光测量系统的现场标定和精密测量方法 |
CN107016647A (zh) * | 2017-04-26 | 2017-08-04 | 武汉大学 | 全景图像色调一致性纠正方法及系统 |
CN107292869A (zh) * | 2017-06-07 | 2017-10-24 | 西安电子科技大学 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
CN107462187A (zh) * | 2017-07-21 | 2017-12-12 | 浙江中科光电有限公司 | 陶瓷插芯同轴度检测时光斑圆心确定方法及装置 |
CN108320275A (zh) * | 2018-02-07 | 2018-07-24 | 深圳市恒晨电器有限公司 | 一种检测相机模组暗斑的方法 |
CN110728184A (zh) * | 2019-09-10 | 2020-01-24 | 苏州思源科安信息技术有限公司 | 一种可消除成像区域光影的多光源虹膜图像采集装置 |
CN111145280A (zh) * | 2019-12-06 | 2020-05-12 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种oct图像散斑抑制方法 |
Non-Patent Citations (2)
Title |
---|
Improved blotch detection by postprocessing;J. Biemond 等;《1999 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings. ICASSP99 (Cat. No.99CH36258)》;20020806;全文 * |
面向眼底图像的杂光消除算法研究;李书楠;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20200831(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785518A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7016835B2 (ja) | 画像処理方法、画像処理装置、画像処理システム、学習済みウエイトの製造方法、および、プログラム | |
CN111182191B (zh) | 基于计算像差补偿的宽视场高分辨率摄像设备及方法 | |
RU2716843C1 (ru) | Цифровая коррекция аберраций оптической системы | |
WO2018037521A1 (ja) | 画像処理方法、画像処理装置、撮像装置、画像処理プログラム、記憶媒体 | |
KR20090021627A (ko) | 영상 왜곡 보정 방법 및 그 보정 방법을 채용한 영상처리장치 | |
CN108353125A (zh) | 彩色滤波阵列缩放器 | |
US20110193997A1 (en) | Image processing method, image processing apparatus, and image pickup apparatus | |
US20050007477A1 (en) | Correction of optical distortion by image processing | |
CN106780374B (zh) | 一种基于鱼眼成像模型的鱼眼图像畸变矫正方法 | |
JP6104010B2 (ja) | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 | |
JP2005509961A (ja) | 較正を導き出す方法および画像処理の方法 | |
KR20050107741A (ko) | 이미지 인해스먼트 기능을 가진 카메라 | |
US20110211752A1 (en) | Image Processing for Aberration Correction | |
CN109274948B (zh) | 图像色彩校正方法、装置、存储介质和计算机设备 | |
CN112785518B (zh) | 影像中圆形暗斑纠正方法和纠正系统 | |
CN110458901A (zh) | 一种基于计算成像的光电成像系统的全局性优化设计方法 | |
CN113432723B (zh) | 用于弱化杂散辐射的图像处理方法、系统及计算机系统 | |
JP2017139743A (ja) | ライトフィールドカメラによって取り込まれたイメージに生じる口径食効果を補正する方法及び装置 | |
WO2021168707A1 (zh) | 对焦方法、装置及设备 | |
JP2012156716A (ja) | 画像処理装置、撮像装置、画像処理方法およびプログラム。 | |
JP2020030569A (ja) | 画像処理方法、画像処理装置、撮像装置、レンズ装置、プログラム、および、記憶媒体 | |
JP2006010613A (ja) | 画像の歪み補正方法 | |
US11080832B2 (en) | Image processing method, image processing apparatus, imaging apparatus, and storage medium | |
KR100558330B1 (ko) | 영상 시스템의 비네팅 효과를 보상하기 위한 방법 및 이를이용한 영상 장치 | |
JP6552375B2 (ja) | 画像処理装置、撮像装置および画像処理プログラム |
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 |