CN113177935A - 一种近红外光强均匀性检测方法、装置及计算机设备 - Google Patents

一种近红外光强均匀性检测方法、装置及计算机设备 Download PDF

Info

Publication number
CN113177935A
CN113177935A CN202110560067.0A CN202110560067A CN113177935A CN 113177935 A CN113177935 A CN 113177935A CN 202110560067 A CN202110560067 A CN 202110560067A CN 113177935 A CN113177935 A CN 113177935A
Authority
CN
China
Prior art keywords
gray
image
infrared light
light intensity
block
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
Application number
CN202110560067.0A
Other languages
English (en)
Inventor
何坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Lifeng Hengxin Biotechnology Development Co ltd
Original Assignee
Shaanxi Lifeng Hengxin Biotechnology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Lifeng Hengxin Biotechnology Development Co ltd filed Critical Shaanxi Lifeng Hengxin Biotechnology Development Co ltd
Priority to CN202110560067.0A priority Critical patent/CN113177935A/zh
Publication of CN113177935A publication Critical patent/CN113177935A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及生物识别的领域，具体涉及一种近红外光强均匀性检测方法、装置及计算机设备，其中，近红外光强均匀性检测方法包括：获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；将所述灰度图像划分为多个区块；计算每个区块的灰度平均值；比较不同区块的灰度平均值之间的大小，得到比较结果；根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。本发明能够解决现有技术中对用于静脉识别的近红外光均匀性检测的方式检测结果不准确或者检测成本高的问题。

Description

一种近红外光强均匀性检测方法、装置及计算机设备
技术领域
本发明涉及生物识别的领域，具体涉及一种近红外光强均匀性检测方法、装置及计算机设备。
背景技术
在静脉识别技术中，人们利用近红外光易被人体血液血色素吸收的特性，使用静脉传感器进行血管图像的拍摄。为了保障拍摄图像的质量，会设计一组近红外光源集中照射到特定大小的区域(比如手指或手掌)，要求近红外光源的发光强度适中且照射到指定区域内的光强基本均匀。
为了评价照射到指定区域内的近红外光的光强的均匀程度，人们通常会使用各类测量光强的设备，而现有的光强测量设备主要由普通型与专业型两种，其中普通型测量光强的设备光波长的测量范围局限于0-720nm，同时无法测量很小区域的变化；而专业型近红外光辐射强度测量系统不仅价格昂贵，而且只能测量850nm-940nm近红外光发射器的角度分布或辐射强度。
现有技术中对近红外光光强的均匀性判断中，无论是采用普通型测量光强的设备还是专业型近红外光辐射强度测量系统，均需要采用设备来进行检测，这种检测方式受到设备本身的性能影响，一方面存在检测结果不准确的问题，另一方面则造成检测成本过高。
发明内容
因此，本发明要解决现有技术中对用于静脉识别的近红外光均匀性检测的方式检测结果不准确或者检测成本高的问题，从而提供一种近红外光强均匀性检测方法。
根据本发明的一方面，提供了一种近红外光强均匀性检测方法，包括如下步骤：获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；将所述灰度图像划分为多个区块；计算每个区块的灰度平均值；比较不同区块的灰度平均值之间的大小，得到比较结果；根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。
可选的，所述将所述灰度图像划分为多个区块，包括：以所述灰度图像的中心像素点为圆心，将所述灰度图像划分为若干不同半径的同心圆环区域，将每个同心圆区域作为一个区块。
可选的，在将所述灰度图像划分为若干不同半径的同心圆环区域之后，还包括：将所有同心圆区域均划分为若干扇环区域；其中，所述方法还包括：计算每一扇环区域的灰度平均值，比较同一同心圆区域内的不同扇环区域的灰度平均值之间的大小。
可选的，所述比较不同区块的灰度平均值之间的大小，包括：统计每一区块的所有灰度值，形成每个区块对应的灰度直方图；通过比较每个区块对应的灰度直方图来比较不同区块的灰度平均值之间的大小。
可选的，所述计算每个区块的灰度平均值，包括：将每一区块内的所有灰度值求和，并除以对应区块内像素点的数量，得到该区块的灰度平均值。
根据本发明的另一方面，提供了一种近红外光强均匀性检测装置，包括：获取模块，用于获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；转化模块，用于将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；划分模块，用于将所述灰度图像划分为多个区块；计算模块，用于计算每个区块的灰度平均值；比较模块，用于比较不同区块的灰度平均值之间的大小，得到比较结果；确定模块，用于根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。
一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行所述的近红外光强均匀性检测方法。
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指令，所述计算机指令用于使所述计算机执行所述的近红外光强均匀性检测方法。
本发明技术方案，具有如下优点：
本发明提供的一种近红外光强均匀性检测方法，包括如下步骤：获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；将所述灰度图像划分为多个区块；计算每个区块的灰度平均值；比较不同区块的灰度平均值之间的大小，得到比较结果；根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。当操作人员需要进行均匀性检测时，将参照面置于静脉传感器的捕获范围内，利用静脉传感器在参照面上拍出待处理图像，参照面为白色平面能够使近红外光均匀反射，从而有助于提高待处理图像的质量，而后操作人员将待处理图像转化为灰度图像，从而得到每一个像素点的灰度值，再将灰度图像划分为多个区块，计算出每个区块的会灰度平均值，比较各个区块的灰度平均值，根据比较结果确定静脉传感器的近红外光强的均匀性。上述操作无需使用特殊的装备，利用静脉传感器拍摄到的待处理图像进行计算处理，可以准确地检测近红外光强的均匀性，以便于针对性改善静脉传感器的近红外光源的设计。
2.本发明提供的一种近红外光强均匀性检测方法，所述将所述灰度图像划分为多个区块，包括：以所述灰度图像的中心像素点为圆心，将所述灰度图像划分为若干不同半径的同心圆环区域，将每个同心圆区域作为一个区块。操作人员将灰度图像划分为多个区块的步骤中，将灰度图像划分为若干个不同半径的同心圆环区域而非其他形状的原因在于：静脉传感器的近红外光源分布在摄像头的周围，并且呈圆周分布。因此将灰度图像划分为若干个不同半径的同心圆环能够更加准确地检测近红外光强的均匀性。
3.本发明提供的一种近红外光强均匀性检测方法，在将所述灰度图像划分为若干不同半径的同心圆环区域之后，还包括：将所有同心圆区域均划分为若干扇环区域；其中，所述方法还包括：计算每一扇环区域的灰度平均值，比较同一同心圆区域内的不同扇环区域的灰度平均值之间的大小。为了进一步分析同一同心圆内不同区域的近红外光强的变化，操作人员在将灰度图像划分为若干个不同的同心圆区域之后，再将同心圆区域划分为若干个不同的扇环区域，计算每一扇环区域的灰度平均值，对同一同心圆区域内的不同扇环区域的灰度平均值进行比较，根据比较结果进一步分析静脉传感器的近红外光强的均匀性。
4.本发明提供的一种近红外光强均匀性检测方法，所述比较不同区块的灰度平均值之间的大小，包括：统计每一区块的所有灰度值，形成每个区块对应的灰度直方图；通过比较每个区块对应的灰度直方图来比较不同区块的灰度平均值之间的大小。当操作人员需要比较不同区块的灰度平均值之间的大小时，统计每一区块的所有灰度值，依据不同灰度值出现的频次形成灰度直方图，而后通过比较每个区块对应的灰度直方图来比较不同区块的灰度平均值之间的大小。灰度直方图能够更加直观地展现出不同区块之间灰度平均值之间的差异，更加准确地检测近红外光强的均匀性。
5.本发明提供的一种近红外光强均匀性检测方法，所述计算每个区块的灰度平均值，包括：将每一区块内的所有灰度值求和，并除以对应区块内像素点的数量，得到该区块的灰度平均值。当操作人员需要计算每个区块的灰度平均值时，计算方法如下，将每一区块内的所有灰度值求和，并除以对应区块内像素点的数量，得到该区块的灰度平均值。上述方法能够使操作人员快速便捷的得到每个区块的灰度平均值。
6.本发明提供的一种近红外光强均匀性检测装置，包括：获取模块，用于获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；转化模块，用于将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；划分模块，用于将所述灰度图像划分为多个区块；计算模块，用于计算每个区块的灰度平均值；比较模块，用于比较不同区块的灰度平均值之间的大小，得到比较结果；确定模块，用于根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。当操作人员需要进行均匀性检测时，将参照面置于静脉传感器的捕获范围内，利用静脉传感器在参照面上拍出待处理图像，参照面为白色平面能够使近红外光完全反射，从而有助于提高待处理图像的质量，而后操作人员将待处理图像转化为灰度图像，从而得到每一个像素点的灰度值，再将灰度图像划分为多个区块，计算出每个区块的会灰度平均值，比较各个区块的灰度平均值，根据比较结果确定静脉传感器的近红外光强的均匀性。上述操作无需使用特殊的装备，利用静脉传感器拍摄到的待处理图像进行计算处理，可以准确地检测近红外光强的均匀性，以便于针对性改善静脉传感器的近红外光源的设计。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例1中一种近红外光强均匀性检测方法的流程图；
图2为本发明实施例1中一种计算灰度平均值的流程图；
图3为本发明实施例2中一种近红外光强均匀性检测装置的原理框图；
图4为本发明实施例3中计算机设备的示意图。
附图标记说明：301、获取模块；302、转化模块；303、划分模块；304、计算模块；405、比较模块；406、确定模块；3031、第一子模块；3032、第二子模块；3041、第三子模块；3042、第四子模块；3051、第五子模块；3052、第六子模块；401、处理器；402、存储器；403、总线。
具体实施方式
下面将结合附图对本发明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做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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本申请提供的一种近红外光强均匀性检测方法，该方法主要应用于对静脉传感器的近红外光强均匀性检测，具体地，需要借助具有白色平面的参照物，通过静脉传感器捕获照射到该白色平面上的近红外图像，然后利用计算机设备来执行本发明实施例的检测方法，以通过该图像来识别静脉传感器的近红外光强的均匀性。具体地，本发明实施例的检测方法如图1-2所示，包括如下步骤：
S100，获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面。
具体的，参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面，并且参照面应当放置于静脉传感器的捕获范围之内，对于参照面的选择，操作人员可使用专业打印白纸，例如Colotech+，还可以使用幕布或者白板等。在实际使用过程中，应该避免外界其他光源的干扰，避免外界其他光源干扰的方法主要包括以下方面：一方面在较暗的环境下使用静脉传感器在参照面上进行拍照，另一方面在静脉传感器与参照面的外围盖上由挡光材料制成的外壳。
参照面应置于静脉传感器所发出近红外光的光路上，并且能够使近红外光完全照射在参照面上。
S200，将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值。
具体的，待处理图像与灰度图像的分辨率为M*N，灰度图像中某个像素点的坐标表示为gray[y，x]，其中x∈{0，1，2…(M-1)}、y∈{0，1，2…(N-1)}。
而灰度值是指将灰度图像转换为RGB时，每个像素点的颜色值。把白色与黑色之间按对数关系分成若干级，称为“灰度等级”，在计算机领域中，灰度图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色深度。
RGB是一种颜色标准，R指的是红色Red，G指的是绿色Green，B指的是蓝色Blue，这三种颜色按照不同的比例叠加起来可以得到各式各样的颜色，不同的比例对应不同的灰度值，常见的灰度值∈[0，255]，白色为255，黑色为0。
例如灰度图像中坐标为[100，100]的像素点的灰度值为150，即可表示为gray[100，100]＝150。
S300，将所述灰度图像划分为多个区块。
具体的，将灰度图像分为若干不同的区块，划分方法为任意划分，例如将灰度图像划分为网格状或者条状等。
应当注意的是，静脉传感器的近红外光源分布在摄像头的周围，并且呈圆周分布，因此，为了能够更准确地描述和检测出圆周分布的近红外光的均匀性，本发明实施例步骤S300可以采用一种可选实施方式，具体包括：
S310，以所述灰度图像的中心像素点为圆心，将所述灰度图像划分为若干不同半径的同心圆环区域，将每个同心圆区域作为一个区块。
具体的，灰度图像的中心像素点坐标为(X＝(M–1)/2，Y＝(M–1)/2)，同心圆环的外圆半径为R，内圆半径为r，其中0≤r<R≤0.5*[(M–1)2+(N–1)2]0.5，理论上可将灰度图像划分为无数个同心圆环，但在实际操作过程中，可将灰度图像划分为预设数量的同心圆环，划分的同心圆环的数量越多，对近红外光强均匀性的检测则更加准确，值得注意的是，最小的一个同心圆环的内圆半径r＝0，即最小的一个同心圆环为半径为R的圆。
S320，将所有同心圆区域均划分为若干扇环区域。
具体的，步骤S320在步骤S310之后执行。以中心像素点为原点，向外作若干射线，若干射线即可将同心圆区域划分为若干个扇环区域。理论上可将同心圆区域划分为无限个扇环区域，但在实际操作过程中，可将同心圆区域划分为预设数量的扇环区域，将每个扇环区域作为一个区块，划分的扇环区域的数量越多，对近红外光强均匀性的检测则更加准确。其中，预设数量可以同构角度来进行划分，例如以30°作为间隔，以中心像素点为原点，向外作12条射线，将每个同心圆区域划分为12个扇环区域。
S400，计算每个区块的灰度平均值。
具体的，将每一区块内的所有灰度值求和，并除以对应区块内像素点的数量，得到该区块的灰度平均值。
其中，步骤S400包括子步骤S410与S420：
S410，计算每个同心圆区域的灰度平均值。
具体的，某个像素点的坐标为(x,y)，该像素点距中心像素点坐标的距离为d，其中d＝[(x–(M-1)/2)2+(y–(N–1))2]0.5，当r≤d<R时，该像素点位于外圆半径为R，内圆半圆为r的同心圆区域内。其中，具体的计算方法如下(以640*480分辨率的灰度图像为例)：
Figure BDA0003078684370000111
该区域内灰度的平均值：s＝sum/i
操作人员依次带入不同同心圆区域的外圆半径为R内圆半径为r，从而计算出每一同心圆区域的灰度平均值。
应当注意的是，该步骤s410对应步骤s310，并且s410在s310之后执行。
S420，计算每一扇环区域的灰度平均值。
具体的，将每一扇环区域内的所有像素点的灰度值求和并除以对应扇环区域内的像素点的数量，从而得到每一扇环区域内的灰度平均值。
S500，比较不同区块的灰度平均值之间的大小，得到比较结果。
具体的，对于不同区块的灰度平均值，两两之间进行比较，得到多个比较子结果，例如，划分的区块包括Q1、Q2、Q3，在进行比较时，将Q1与Q2进行比较，得到比较子结果B1；将Q1与Q3进行比较，得到比较子结果B2；将Q2与Q3进行比较，得到比较子结果B3。将比较子结果汇总，形成集合，得到比较结果。上述所述的比较子结果，可以是将二者进行做差，或者做除法，相应的，比较子结果则为差值或者比值。
当然，本发明实施例中，还可以采用不同区块的灰度平均值进行整体判断，例如，对每个区块生成相应的灰度直方图，或者计算所有区块的灰度平均值的方差，通过整体判断出不同区块之间的近红外光强均匀性。
一种可选实施方式中，步骤S500包括：
S510，统计每一区块的所有灰度值，形成每个区块对应的灰度直方图；
通过比较每个区块对应的灰度直方图来比较不同区块的灰度平均值之间的大小。
具体的，依据区块内相同灰度值出现的频次即可得到每个区块对应的灰度直方图。应当注意的是，在不同区块对应的灰度直方图进行比较时，一方面是不同的同心圆区域之间进行对比，另一方面是同一同心圆区域内，不同的扇环区域进行对比。
上述比较方法具备的优点为直观，通过灰度直方图，操作人员可方便快捷地将不同区块的灰度平均值进行比较，缺点是没有准确的数据作为支撑。
上述步骤S500，还可以包括：
S520，计算灰度图像灰度平均值的方差。
具体的，将灰度图像中的所有扇环区域的灰度平均值作为计算对象，依据方差计算公式计算出该灰度图像的灰度平均值的方差，该方差记为均匀性参数A。
上述比较方法具备的优点为准确，通过均匀性参数A，操作人员可准确地判断出近红外光强分布是否均匀，缺点是不够直观。
因此步骤S510与步骤S520均应当执行，从而更加准确直观地比较不同区块的灰度平均值的大小，并得到比较结果，记为均匀性参数A。
S600，根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。
具体的，将均匀性参数A与预设阈值C进行比较，当A小于C时，判定近红外光强分布均匀，当A大于等于C时，判定近红外光强分布不均匀。当近红外光强分布不均匀时，操作人员调整近红外光的强度或者修改导光结构，从而使近红外光强分布均匀。
本申请实施例提供的一种近红外光强均匀性检测方法，其原理如下：当操作人员需要进行均匀性检测时，将参照面置于静脉传感器的捕获范围内，利用静脉传感器在参照面上拍出待处理图像，参照面为白色平面能够使近红外光均匀反射，从而有助于提高待处理图像的质量，而后操作人员将待处理图像转化为灰度图像，从而得到每一个像素点的灰度值，再将灰度图像划分为多个区块，计算出每个区块的会灰度平均值，比较各个区块的灰度平均值，根据比较结果确定静脉传感器的近红外光强的均匀性。上述操作无需使用特殊的装备，利用静脉传感器拍摄到的待处理图像进行计算处理，可以准确地检测近红外光强的均匀性，改善静脉传感器的近红外光源的设计。
实施例2
本申请实施例提供的一种近红外光强均匀性检测装置，该检测装置可以用于执行实施例1(图1所示的)的检测方法，具体地，如图3所示，包括：
获取模块301，用于获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；
转化模块302，用于将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；
划分模块303，用于将所述灰度图像划分为多个区块；
具体的，划分模块包括第一子模块3031与第二子模块3032：
第一子模块3031，用于将所述灰度图像划分为若干个同心圆区域，其中，所有同心圆的圆心为灰度图像的中心像素点；
第二子模块3032，用于将所述同心圆区域划分为若干个扇环区域；
计算模块304，用于计算每个区块的灰度平均值；
具体的，计算模块包括第三子模块3041与第四子模块3042：
第三子模块3041，用于计算每个同心圆区域的灰度平均值；
第四子模块3042，用于计算每个扇环区域的灰度平均值；
比较模块305，用于比较不同区块的灰度平均值之间的大小，得到比较结果；
具体的，比较模块包括第五子模块3051与第六子模块3052：
第五子模块3051，用于统计每一区块的所有灰度值，形成每个区块对应的灰度直方图；
第六子模块3052，用于计算灰度图像灰度平均值的方差。
确定模块306，用于根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。
具体描述参见上述方法实施例，这里不再赘述。
本申请实施例提供的一种近红外光强均匀性检测装置，其原理如下：当操作人员需要进行均匀性检测时，将参照面置于静脉传感器的捕获范围内，利用静脉传感器在参照面上拍出待处理图像，参照面为白色平面能够使近红外光均匀反射，从而有助于提高待处理图像的质量，而后操作人员将待处理图像转化为灰度图像，从而得到每一个像素点的灰度值，再将灰度图像划分为多个区块，计算出每个区块的会灰度平均值，比较各个区块的灰度平均值，根据比较结果确定静脉传感器的近红外光强的均匀性。上述操作无需使用特殊的装备，利用静脉传感器拍摄到的待处理图像进行计算处理，可以准确地检测近红外光强的均匀性，以便于针对性改善静脉传感器的近红外光源的设计。
实施例3
本发明实施例还提供了一种计算机设备，如图4所示，该设备包括处理器401和存储器402，其中处理器401和存储器402可以通过总线403或者其他方式连接，图4中以通过总线403连接为例。
处理器401可以为中央处理器(Central Processing Unit，CPU)。处理器401还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、图形处理器(Graphics Processing Unit，GPU)、嵌入式神经网络处理器(Neural-network ProcessingUnit，NPU)或者其他专用的深度学习协处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器402作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，处理器401通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器401的各种功能应用以及数据处理，即实现上述方法实施例中的近红外光强均匀性检测方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器402可选包括相对于处理器远程设置的存储器402，这些远程存储器402可以通过网络连接至处理器401。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。
上述计算机设备具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的广告投放方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种近红外光强均匀性检测方法，其特征在于，包括如下步骤：
获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；
将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；
将所述灰度图像划分为多个区块；
计算每个区块的灰度平均值；
比较不同区块的灰度平均值之间的大小，得到比较结果；
根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。
2.根据权利要求1所述的一种近红外光强均匀性检测方法，其特征在于，所述将所述灰度图像划分为多个区块，包括：
以所述灰度图像的中心像素点为圆心，将所述灰度图像划分为若干不同半径的同心圆环区域，将每个同心圆区域作为一个区块。
3.根据权利要求1所述的一种近红外光强均匀性检测方法，其特征在于，在将所述灰度图像划分为若干不同半径的同心圆环区域之后，还包括：
将所有同心圆区域均划分为若干扇环区域；
其中，所述方法还包括：计算每一扇环区域的灰度平均值，比较同一同心圆区域内的不同扇环区域的灰度平均值之间的大小。
4.根据权利要求1-3任一项所述的一种近红外光强均匀性检测方法，其特征在于，所述比较不同区块的灰度平均值之间的大小，包括：
统计每一区块的所有灰度值，形成每个区块对应的灰度直方图；
通过比较每个区块对应的灰度直方图来比较不同区块的灰度平均值之间的大小。
5.根据权利要求1-3任一项所述的一种近红外光强均匀性检测方法，其特征在于，所述计算每个区块的灰度平均值，包括：
将每一区块内的所有灰度值求和，并除以对应区块内像素点的数量，得到该区块的灰度平均值。
6.一种近红外光强均匀性检测装置，其特征在于，包括：
获取模块(301)，用于获取待处理图像，其中，所述待处理图像为静脉传感器对捕获范围内的参照面拍摄的图像，所述参照面为能够覆盖所述静脉传感器近红外光照射范围的参照物上的白色平面；
转化模块(302)，用于将所述待处理图像转化为灰度图像，得到每一个像素点的灰度值；
划分模块(303)，用于将所述灰度图像划分为多个区块；
计算模块(304)，用于计算每个区块的灰度平均值；
比较模块(305)，用于比较不同区块的灰度平均值之间的大小，得到比较结果；
确定模块(306)，用于根据所述比较结果确定所述静脉传感器的近红外光强的均匀性。
7.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-5中任一项所述的近红外光强均匀性检测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的近红外光强均匀性检测方法。
CN202110560067.0A 2021-05-21 2021-05-21 一种近红外光强均匀性检测方法、装置及计算机设备 Pending CN113177935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110560067.0A CN113177935A (zh) 2021-05-21 2021-05-21 一种近红外光强均匀性检测方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110560067.0A CN113177935A (zh) 2021-05-21 2021-05-21 一种近红外光强均匀性检测方法、装置及计算机设备

Publications (1)

Publication Number Publication Date
CN113177935A true CN113177935A (zh) 2021-07-27

Family

ID=76929729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110560067.0A Pending CN113177935A (zh) 2021-05-21 2021-05-21 一种近红外光强均匀性检测方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN113177935A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112729168A (zh) * 2020-12-23 2021-04-30 中国计量大学 一种用于微小角度测量的f-p标准具干涉成像质量评价方法
CN114862758A (zh) * 2022-03-28 2022-08-05 歌尔股份有限公司 圆环灯光检测方法、系统、设备及计算机可读存储介质
CN117197143A (zh) * 2023-11-08 2023-12-08 深圳市聪讯智能科技有限公司 基于图像特征的环境亮度智能检测方法
CN117495860A (zh) * 2024-01-02 2024-02-02 江苏圣点世纪科技有限公司 一种静脉设备摄像头模组异常检测的方法和系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112729168A (zh) * 2020-12-23 2021-04-30 中国计量大学 一种用于微小角度测量的f-p标准具干涉成像质量评价方法
CN112729168B (zh) * 2020-12-23 2022-11-22 中国计量大学 一种用于微小角度测量的f-p标准具干涉成像质量评价方法
CN114862758A (zh) * 2022-03-28 2022-08-05 歌尔股份有限公司 圆环灯光检测方法、系统、设备及计算机可读存储介质
CN114862758B (zh) * 2022-03-28 2024-04-30 歌尔股份有限公司 圆环灯光检测方法、系统、设备及计算机可读存储介质
CN117197143A (zh) * 2023-11-08 2023-12-08 深圳市聪讯智能科技有限公司 基于图像特征的环境亮度智能检测方法
CN117197143B (zh) * 2023-11-08 2024-02-02 深圳市聪讯智能科技有限公司 基于图像特征的环境亮度智能检测方法
CN117495860A (zh) * 2024-01-02 2024-02-02 江苏圣点世纪科技有限公司 一种静脉设备摄像头模组异常检测的方法和系统
CN117495860B (zh) * 2024-01-02 2024-04-12 江苏圣点世纪科技有限公司 一种静脉设备摄像头模组异常检测的方法和系统

Similar Documents

Publication Publication Date Title
CN113177935A (zh) 一种近红外光强均匀性检测方法、装置及计算机设备
Liu et al. A detection and recognition system of pointer meters in substations based on computer vision
CN109212510B (zh) 用于测量多线激光雷达的角分辨率的方法和装置
CN102525381B (zh) 图像处理装置、图像处理方法及计算机可读取的记录装置
CN111339951A (zh) 体温测量方法、装置及系统
CN109152535B (zh) 皮肤诊断装置和皮肤诊断方法
CN102542564B (zh) 图像处理装置以及图像处理方法
US8285039B2 (en) Image processor
CN112041906B (zh) 读取系统、读取方法、程序以及存储介质
CN104812288A (zh) 图像处理装置、图像处理方法和图像处理程序
CN112001917A (zh) 一种基于机器视觉的圆形有孔零件形位公差检测方法
CN113962306A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN114066857A (zh) 红外图像质量评价方法、装置、电子设备及可读存储介质
CN110879131B (zh) 目视光学系统的成像质量测试方法、成像质量测试装置和电子设备
KR20140058373A (ko) 테스트 차트 및 그 사용 방법
CN114913109A (zh) 图像异常检测方法、装置、测试图卡和终端设备
JP4242796B2 (ja) 画像認識方法及び画像認識装置
JP2020024741A (ja) 読取システム、読取方法、プログラム、及び記憶媒体
CN109583330B (zh) 一种用于人脸照片的毛孔检测方法
CN111738984B (zh) 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
CN115423804B (zh) 影像标定方法及装置、影像处理方法
CN113554688B (zh) 一种基于单目视觉的o型密封圈尺寸测量方法
CN115018735A (zh) 基于霍夫变换校正二维码图像的裂缝宽度识别方法及系统
WO2020107196A1 (zh) 一种对拍摄装置的拍摄质量评测方法、装置及终端设备
JP2018166308A (ja) カメラ校正装置

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