CN113239944A - 一种图像特征提取方法、装置、电子设备及介质 - Google Patents
一种图像特征提取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113239944A CN113239944A CN202110636777.7A CN202110636777A CN113239944A CN 113239944 A CN113239944 A CN 113239944A CN 202110636777 A CN202110636777 A CN 202110636777A CN 113239944 A CN113239944 A CN 113239944A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- grid image
- grid
- pixel
- 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
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图像特征提取方法、装置、电子设备及介质,该方法包括:通过采集设备采集目标物体在激光网格的照射下的实际网格图像;提取实际网格图像在目标颜色通道下的目标网格图像;根据目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从目标网格图像包括的多个第一像素点中确定核心像素点;提取核心像素点在目标网格图像中的位置,作为实际网格图像的图像特征;本方法聚类速度快且能够有效处理噪声点,能够发现任意形状的空间聚类,聚类质量高,提取的特征点更准确。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像特征提取方法、装置、电子设备及介质。
背景技术
图像的特征提取是指提取能够反映图像内容本质属性的特征的过程,如点、线、边缘、纹理等。在图像的特征提取中,显著点是图像中能引起视觉注意的感兴趣区域的一些相对稳定而突出的点。
以资源型为发展途径的企业,例如火电厂、钢铁场、粮仓等,物料的盘存管理步骤是评估企业效益的重要环节,直接影响企业的生产成本。为了提高企业的经济效益,需要精确且快速地测量生产过程中或是盘存所需的固态物料堆的体积。
在测量时,获取物料堆表面图像特征是其中的重要一环,现有技术采用人眼视觉对物料堆面特征进行识别,精确度低。尤其是在昏暗的环境下,人眼视觉对物料堆面特征进行识别的操作性差。
发明内容
有鉴于此,本申请的目的在于提供一种图像特征提取方法、装置、电子设备及存储介质,通过计算样本区域的信息熵,提高了聚类效果,提取的特征点更准确。
第一方面,本申请实施例提供了一种图像特征提取方法,所述方法包括:
通过采集设备采集目标物体在激光网格的照射下的实际网格图像;
提取所述实际网格图像在目标颜色通道下的目标网格图像;其中,所述目标网格图像中所述目标物体与所述激光网格的对比度大于等于预设对比度阈值;
根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点;
提取所述核心像素点在所述目标网格图像中的位置,作为所述实际网格图像的图像特征。
在本申请较佳的技术方案中,上述目标颜色通道通过如下方法确定:
获取所述激光网格的网格颜色,所述网格颜色与所述目标物体的物体颜色不同;
根据所述激光网格的网格颜色和所述目标物体的物体颜色,确定所述目标颜色通道;其中,所述实际网格图像在所述目标颜色通道下的目标网格图像中,所述目标物体与所述激光网格的对比度大于等于预设对比度阈值。
在本申请较佳的技术方案中,上述提取所述实际网格图像在目标颜色通道下的目标网格图像,包括:
提取所述实际网格图像分别在红R、绿G、蓝B三个通道下的候选网格图像;
根据每一个所述候选网格图像中所述目标物体与所述激光网格的对比度,选取对应的所述对比度大于等于预设对比度阈值的候选网格图像,作为所述目标网格图像。
在本申请较佳的技术方案中,上述根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点,包括:
根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从所述目标网格图像包括的多个第一像素点中确定核心像素点。
在本申请较佳的技术方案中,上述根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从所述目标网格图像包括的多个第一像素点中确定核心像素点,包括:
针对所述目标网格图像中的每一个第一像素点,确定该第一像素点所在样本区域的第二像素点的数量;其中,所述样本区域是所述目标网格图像中以该第一像素点为中心,以目标长度为半径的区域;
若所述样本区域内第二像素点的数量大于等于第一预设阈值,则计算该样本区域的信息熵;若该样本区域的信息熵小于第二预设阈值且该样本区域的第一像素点的像素值大于等于第三预设阈值,则确定该第一像素点为核心像素点。
在本申请较佳的技术方案中,上述目标长度和第一预设阈值通过如下方法确定:
若在初始设置的预设长度和初始设置的数量阈值下,所述目标网格图像中第一样本区域的数量大于等于第四阈值,和/或,第二样本区域的数量大于等于第五阈值,则调整所述目标长度和第一预设阈值,直至所述第一样本区域的数量小于第四阈值,和,第二样本区域的数量小于第五阈值,得到所述目标长度和所述第一预设阈值;其中,所述第一样本区域为对应的第一像素点的数量小于所述第一预设阈值的样本区域;所述第二样本区域为对应的信息熵大于第二预设阈值的样本区域。
在本申请较佳的技术方案中,上述信息熵通过如下方式计算,包括:
计算样本区域内像素点个数和每个像素点对应的像素值;
计算各个像素值在该样本区域内出现的概率的数学期望,作为该样本区域的信息熵;所述信息熵表征该样本区域内第一像素点和第二像素点出现概率的数学期望。
第二方面,本申请实施例提供了一种图像特征提取装置,所述装置包括:
采集模块,用于采集目标物体在激光网格的照射下的实际网格图像;
第一提取模块,用于提取所述实际网格图像在目标颜色通道下的目标网格图像;其中,所述目标网格图像中所述目标物体与所述激光网格的对比度大于等于预设对比度阈值;
确定模块,用于根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点;
第二提取模块,用于提取所述核心像素点在所述目标网格图像中的位置,作为所述实际网格图像的图像特征。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的图像特征提取方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的图像特征提取方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
通过采集设备采集目标物体在激光网格的照射下的实际网格图像;提取实际网格图像在目标颜色通道下的目标网格图像;根据目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从目标网格图像包括的多个第一像素点中确定核心像素点;提取核心像素点在目标网格图像中的位置,作为实际网格图像的图像特征;本方法聚类速度快且能够有效处理噪声点,能够发现任意形状的空间聚类,聚类质量高,提取的特征点更准确。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种图像特征提取方法的流程示意图;
图2示出了本申请实施例所提供的现有技术图像特征提取示意图;
图3示出了本申请实施例所提供的图像特征提取示意图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,图像特征提取方法主要霍夫变换等。霍夫变换是图像处理中的一种特征提取技术,它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。经典霍夫变换用来检测图像中的直线、圆和椭圆等。霍夫变换运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值,从而把检测任意形状的问题转化为统计峰值问题。然而,霍夫变换需占用大量内存空间,耗时久、实时性差;另外,现实中的图像一般都受到外界噪声的干扰,信噪比较低,此时常规霍夫变换的性能将急剧下降,进行参数空间极大值的搜索时由于合适的阈值难以确定,往往出现“虚峰”和“漏检”的问题。霍夫变换方法提取的效果如图2所示。
基于此,本申请实施例提供了一种图像特征提取方法、装置、电子设备及存储介质,下面通过实施例进行描述。
图1示出了本申请实施例所提供的一种图像特征提取方法的流程示意图,其中,该方法包括步骤S101-S104;具体的:
步骤S101、通过采集设备采集目标物体在激光网格的照射下的实际网格图像;
步骤S102、提取实际网格图像在目标颜色通道下的目标网格图像;其中,目标网格图像中目标物体与激光网格的对比度大于等于预设对比度阈值;
步骤S103、根据目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从目标网格图像包括的多个第一像素点中确定核心像素点;
步骤S104、提取核心像素点在目标网格图像中的位置,作为实际网格图像的图像特征。
本申请本方法聚类速度快且能够有效处理噪声点,能够发现任意形状的空间聚类,通过计算样本区域的信息熵,提高了聚类效果,提取的特征点更准确。通过本方法提取的图像特征如图3所示,与图2相比提取的特征点更准确。
下面对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
步骤S101、通过采集设备采集目标物体在激光网格的照射下的实际网格图像。
在执行方法之前,需要先搭建一个特征提取系统,特征提取系统包括激光发射器、采集设备、计算机;激光发射器用于朝向物料堆发射激光网格,采集设备用于采集物料堆的网格图像,计算机用于根据提取的图像特征进行物料三维重建。
在对物体图像特征提取时,需要拍摄物体的图像。当物体的颜色与背景颜色接近、物体背景复杂、物体处于昏暗环境时,拍摄的物体的图像与背景难以区分,很难通过图像处理将目标提取。
这里我们采用激光网格照射在目标物体表面,使得激光网格线与复杂背景对比明显。目标物体可以是规则物体,也可以是不规则物体。例如高炉里的炉料堆、港口所堆放的物料、储存粮仓的粮食、发电厂的煤堆、矿山的矿石岩石等。
具体的,通过相机等设备目标拍摄物体在激光网格照射下的实际网格图像,实际网格图像包括有目标物体和标记物体的激光网格。
步骤S102、提取实际网格图像在目标颜色通道下的目标网格图像;其中,目标网格图像中目标物体与激光网格的对比度大于等于预设对比度阈值。
采集到的实际网格图像中包含了激光网格图像,本申请中采用的激光网格为红色的激光网格。也就是说本申请采集到的实际网格图像为彩色图像。彩色图像自身携带更多信息,在彩色图像与灰度图像的区别在于彩色图像像素点矢量描述。为了方便提取,本申请不直接处理彩色图像,而是选择实际网格图像在目标颜色通道下的目标网格图像。
实际网格图像基于RGB彩色空间,以红,绿,蓝三基色组合。RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色。为了更加提高特征提取精度、便于区分,避免图像中颜色干扰,我们从实际网格图像中选择目标物体与激光网格的对比度大于等于预设对比度阈值的目标网格图像。
对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,差异范围越大代表对比越大,差异范围越小代表对比越小。预设对比度阈值是人眼能够明确区分的,目标物体与激光网格的对比度大于等于预设对比度阈值就是人眼就可以明确区分出目标物体和激光网格。
在从实际网格图像中选择目标物体与激光网格的对比度大于等于预设对比度阈值的目标网格图像时,有两种方案从红、绿、蓝三个通道中确定目标颜色通道,从目标颜色通道中直接提取目标网格图像或者分别从红、绿、蓝三个通道提取对应的候选网格图像中选择确定网格目标图像。
本申请通过如下方法确定目标颜色通道:
获取激光网格的网格颜色,网格颜色与目标物体的物体颜色不同;
根据激光网格的网格颜色和目标物体的物体颜色,确定目标颜色通道;其中,实际网格图像在目标颜色通道下的目标网格图像中,目标物体与激光网格的对比度大于等于预设对比度阈值。
本申请在目标颜色通道,根据激光网格的网格颜色和目标物体的物体颜色确定。例如本申请使用的是红色激光网格,物体时在昏暗的环境下,拍摄出来的实际网格图像为红色网格和黑色物体,为了便于区分,我们选用红色通道为目标颜色通道。
本申请通过如下方法确定目标网格图像,包括:
提取实际网格图像分别在红R、绿G、蓝B三个通道下的候选网格图像;
根据每一个候选网格图像中目标物体与激光网格的对比度,选取对应的对比度大于等于预设对比度阈值的候选网格图像,作为目标网格图像。
本申请的实际网格图像为彩色图像,分别采集实际网格图像在RGB三个通道下的候选网格图像,从三个候选网格图像中选择出最能够区分目标物体和激光网格的候选网格图像为目标网格图像。
例如本申请使用的是红色激光网格,物体时在昏暗的环境下,拍摄出来的实际网格图像R通道候选网格图像、G通道候选网格图像、B通道候选网格图像。通过观察,人眼能够明确区分R通道候选网格图像中的目标物体和激光网格。所以,选择R通道候选网格图像为目标网格图像。
步骤S103、根据目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从目标网格图像包括的多个第一像素点中确定核心像素点。
在目标网格图像中,给任意一个第一像素点分配一个样本区域,根据该样本区域内像素点的密集程度,判断该第一像素点是否为核心像素点。
具体的,计算样本区域内除第一像素点外,其他第二像素点的数量。根据第二像素点的数量计算该样本区域的信息熵,根据第二像素点的数量和该样本区域对应的信息熵,判断该第一像素点是否为核心像素点。核心像素点为表征物体表面轮廓的点。
在具体提取的过程中,还需要考虑第一像素点的像素值是否满足要求,所以根据目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从目标网格图像包括的多个第一像素点中确定核心像素点,包括:
根据目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从目标网格图像包括的多个第一像素点中确定核心像素点。
例如,第一像素点需要满足条件:像素值大于200。若该第一像素点所在的样本区域第二像素点的数量和该样本区域的信息熵都满足要求,而该第一像素点的像素值为180,则该点不是核心像素点。
本申请中,根据目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从目标网格图像包括的多个第一像素点中确定核心像素点,包括:
针对目标网格图像中的每一个第一像素点,确定该第一像素点所在样本区域的第二像素点的数量;其中,样本区域是目标网格图像中以该第一像素点为中心,以目标长度为半径的区域;
若样本区域内第二像素点的数量大于等于第一预设阈值,则计算该样本区域的信息熵;若该样本区域的信息熵小于第二预设阈值且该样本区域的第一像素点的像素值大于等于第三预设阈值,则确定该第一像素点为核心像素点。
例如,本申请中,第一预设阈值为5,第二预设阈值为0.2,第三预设阈值为200。若第一像素点所在样本区域内第二像素点的数量为4,则该第一像素点不是核心像素点。若第一像素点所在样本区域内第二像素点的数量为6,该第一像素点对应的样本区域的信息熵为0.1,则该第一像素点不是核心像素点。若第一像素点所在样本区域内第二像素点的数量为7,该第一像素点对应的样本区域的信息熵为0.5,且该第一像素点对应的像素值为210,则该第一像素点是核心像素点。
本申请在具体实施时,根据网格的大小确定一个初始设置的预设长度和初始设置的数量阈值。若在初始设置的预设长度和初始设置的数量阈值下,未能确定足够数量的核心像素点时,通过如下方法确定目标长度和第一预设阈值:
若在初始设置的预设长度和初始设置的数量阈值下,目标网格图像中第一样本区域的数量大于等于第四阈值,和/或,第二样本区域的数量大于等于第五阈值,则调整目标长度和第一预设阈值,直至第一样本区域的数量小于第四阈值,和,第二样本区域的数量小于第五阈值,得到目标长度和第一预设阈值;其中,第一样本区域为对应的第一像素点的数量小于第一预设阈值的样本区域;第二样本区域为对应的信息熵大于第二预设阈值的样本区域。
若初始设置的预设长度和初始设置的数量阈值未能确定核心像素点时,也就是说初始设置的预设长度和初始设置的数量阈值不合适,此时,需要重新设置目标长度和第一预设阈值。
本申请中信息熵通过如下方式计算,包括:
计算样本区域内像素点个数和每个像素点对应的像素值;
计算各个像素值在该样本区域内出现的概率的数学期望,作为该样本区域的信息熵;信息熵表征该样本区域内第一像素点和第二像素点出现概率的数学期望。
信息嫡,嫡的值越大,包含的信息越大,反之嫡值越小,所包含的信息越少。考察信源的概率空间是衡量不确定的方法,一个离散随机变量X,其值域记为D,对于D中所有的状态值x∈D,其概率分布的函数为p(x),保证X的状态概率和为1。状态越多,X的概率与所包含的信息量与不确定呈反比。
H(x)表示不确定度,一般表示为:
信息的不确定度决定信息本身包含的信息量。随机事件X发生的概率p(x),则随机事件的自信息量定义为:
I(xi)=-log(pi)
信息嫡是随机变量自信息量(x,)的数学期望,用E(X)表示,则嫡的计算为:
步骤S104、提取核心像素点在目标网格图像中的位置,作为实际网格图像的图像特征。
核心像素点在目标网格图像中矩阵中的位置,即为实际网格图像中激光网格图像的位置。根据提取的图像特征通过计算机,即可对物体进行三维重建。
本申请实施例所提供的一种图像特征提取装置,所述装置包括:
采集模块,用于采集目标物体在激光网格的照射下的实际网格图像;
第一提取模块,用于提取所述实际网格图像在目标颜色通道下的目标网格图像;其中,所述目标网格图像中所述目标物体与所述激光网格的对比度大于等于预设对比度阈值;
确定模块,用于根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点;
第二提取模块,用于提取所述核心像素点在所述目标网格图像中的位置,作为所述实际网格图像的图像特征。
第一提取模块,在用于提取所述实际网格图像在目标颜色通道下的目标网格图像;其中,所述目标网格图像中所述目标物体与所述激光网格的对比度大于等于预设对比度阈值时;通过如下方法确定所述目标颜色通道:
获取所述激光网格的网格颜色,所述网格颜色与所述目标物体的物体颜色不同;
根据所述激光网格的网格颜色和所述目标物体的物体颜色,确定所述目标颜色通道;其中,所述实际网格图像在所述目标颜色通道下的目标网格图像中,所述目标物体与所述激光网格的对比度大于等于预设对比度阈值。
第一提取模块,在用于提取所述实际网格图像在目标颜色通道下的目标网格图像时,包括:
提取所述实际网格图像分别在红R、绿G、蓝B三个通道下的候选网格图像;
根据每一个所述候选网格图像中所述目标物体与所述激光网格的对比度,选取对应的所述对比度大于等于预设对比度阈值的候选网格图像,作为所述目标网格图像。
确定模块,在用于根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点时,包括:
根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从所述目标网格图像包括的多个第一像素点中确定核心像素点。
确定模块,在用于根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从所述目标网格图像包括的多个第一像素点中确定核心像素点,包括:
针对所述目标网格图像中的每一个第一像素点,确定该第一像素点所在样本区域的第二像素点的数量;其中,所述样本区域是所述目标网格图像中以该第一像素点为中心,以目标长度为半径的区域;
若所述样本区域内第二像素点的数量大于等于第一预设阈值,则计算该样本区域的信息熵;若该样本区域的信息熵小于第二预设阈值且该样本区域的第一像素点的像素值大于等于第三预设阈值,则确定该第一像素点为核心像素点。
确定模块,在用于确定所述目标长度和第一预设阈值时:
若在初始设置的预设长度和初始设置的数量阈值下,所述目标网格图像中第一样本区域的数量大于等于第四阈值,和/或,第二样本区域的数量大于等于第五阈值,则调整所述目标长度和第一预设阈值,直至所述第一样本区域的数量小于第四阈值,和,第二样本区域的数量小于第五阈值,得到所述目标长度和所述第一预设阈值;其中,所述第一样本区域为对应的第一像素点的数量小于所述第一预设阈值的样本区域;所述第二样本区域为对应的信息熵大于第二预设阈值的样本区域。
确定模块,在用于计算信息熵时,包括:
计算样本区域内像素点个数和每个像素点对应的像素值;
计算各个像素值在该样本区域内出现的概率的数学期望,作为该样本区域的信息熵;所述信息熵表征该样本区域内第一像素点和第二像素点出现概率的数学期望。
如图4所示,本申请实施例提供了一种电子设备,用于执行本申请中的图像特征提取方法,该设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序,其中,上述处理器执行上述计算机程序时实现上述的图像特征提取方法的步骤。
具体地,上述存储器和处理器可以为通用的存储器和处理器,这里不做具体限定,当处理器运行存储器存储的计算机程序时,能够执行上述的图像特征提取方法。
对应于本申请中的图像特征提取方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述的图像特征提取方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述的图像特征提取方法。
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,本申请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)执行本申请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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种图像特征提取方法,其特征在于,所述方法包括:
通过采集设备采集目标物体在激光网格的照射下的实际网格图像;
提取所述实际网格图像在目标颜色通道下的目标网格图像;其中,所述目标网格图像中所述目标物体与所述激光网格的对比度大于等于预设对比度阈值;
根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点;
提取所述核心像素点在所述目标网格图像中的位置,作为所述实际网格图像的图像特征。
2.根据权利要求1所述的方法,其特征在于,通过如下方法确定所述目标颜色通道:
获取所述激光网格的网格颜色,所述网格颜色与所述目标物体的物体颜色不同;
根据所述激光网格的网格颜色和所述目标物体的物体颜色,确定所述目标颜色通道;其中,所述实际网格图像在所述目标颜色通道下的目标网格图像中,所述目标物体与所述激光网格的对比度大于等于预设对比度阈值。
3.根据权利要求1所述的方法,其特征在于,所述提取所述实际网格图像在目标颜色通道下的目标网格图像,包括:
提取所述实际网格图像分别在红R、绿G、蓝B三个通道下的候选网格图像;
根据每一个所述候选网格图像中所述目标物体与所述激光网格的对比度,选取对应的所述对比度大于等于预设对比度阈值的候选网格图像,作为所述目标网格图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点,包括:
根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从所述目标网格图像包括的多个第一像素点中确定核心像素点。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量、该样本区域的信息熵以及该第一像素点的像素值,从所述目标网格图像包括的多个第一像素点中确定核心像素点,包括:
针对所述目标网格图像中的每一个第一像素点,确定该第一像素点所在样本区域的第二像素点的数量;其中,所述样本区域是所述目标网格图像中以该第一像素点为中心,以目标长度为半径的区域;
若所述样本区域内第二像素点的数量大于等于第一预设阈值,则计算该样本区域的信息熵;若该样本区域的信息熵小于第二预设阈值且该样本区域的第一像素点的像素值大于等于第三预设阈值,则确定该第一像素点为核心像素点。
6.根据权利要求5所述的方法,其特征在于,通过如下方法确定所述目标长度和第一预设阈值:
若在初始设置的预设长度和初始设置的数量阈值下,所述目标网格图像中第一样本区域的数量大于等于第四阈值,和/或,第二样本区域的数量大于等于第五阈值,则调整所述目标长度和第一预设阈值,直至所述第一样本区域的数量小于第四阈值,和,第二样本区域的数量小于第五阈值,得到所述目标长度和所述第一预设阈值;其中,所述第一样本区域为对应的第一像素点的数量小于所述第一预设阈值的样本区域;所述第二样本区域为对应的信息熵大于第二预设阈值的样本区域。
7.根据权利要求5所述的方法,其特征在于,所述信息熵通过如下方式计算,包括:
计算样本区域内像素点个数和每个像素点对应的像素值;
计算各个像素值在该样本区域内出现的概率的数学期望,作为该样本区域的信息熵;所述信息熵表征该样本区域内第一像素点和第二像素点出现概率的数学期望。
8.一种图像特征提取装置,其特征在于,所述装置包括:
采集模块,用于采集目标物体在激光网格的照射下的实际网格图像;
第一提取模块,用于提取所述实际网格图像在目标颜色通道下的目标网格图像;其中,所述目标网格图像中所述目标物体与所述激光网格的对比度大于等于预设对比度阈值;
确定模块,用于根据所述目标网格图像中,每一个第一像素点所在样本区域内的第二像素点的数量以及该样本区域的信息熵,从所述目标网格图像包括的多个第一像素点中确定核心像素点;
第二提取模块,用于提取所述核心像素点在所述目标网格图像中的位置,作为所述实际网格图像的图像特征。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的图像特征提取方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的图像特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636777.7A CN113239944B (zh) | 2021-06-08 | 2021-06-08 | 一种图像特征提取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636777.7A CN113239944B (zh) | 2021-06-08 | 2021-06-08 | 一种图像特征提取方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239944A true CN113239944A (zh) | 2021-08-10 |
CN113239944B CN113239944B (zh) | 2023-07-14 |
Family
ID=77137187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636777.7A Active CN113239944B (zh) | 2021-06-08 | 2021-06-08 | 一种图像特征提取方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239944B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921820A (zh) * | 2018-05-30 | 2018-11-30 | 咸阳师范学院 | 一种基于特征聚类和颜色对比度的图像显著性目标检测方法 |
CN109427055A (zh) * | 2017-09-04 | 2019-03-05 | 长春长光精密仪器集团有限公司 | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 |
CN109934784A (zh) * | 2019-03-12 | 2019-06-25 | 中国科学院长春光学精密机械与物理研究所 | 图像增强方法、装置、设备及计算机可读存储介质 |
CN111814711A (zh) * | 2020-07-15 | 2020-10-23 | 中国矿业大学 | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 |
CN112561983A (zh) * | 2020-12-19 | 2021-03-26 | 浙江大学 | 一种测算表面弱纹理且不规则堆料体积的装置及方法 |
-
2021
- 2021-06-08 CN CN202110636777.7A patent/CN113239944B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427055A (zh) * | 2017-09-04 | 2019-03-05 | 长春长光精密仪器集团有限公司 | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 |
CN108921820A (zh) * | 2018-05-30 | 2018-11-30 | 咸阳师范学院 | 一种基于特征聚类和颜色对比度的图像显著性目标检测方法 |
CN109934784A (zh) * | 2019-03-12 | 2019-06-25 | 中国科学院长春光学精密机械与物理研究所 | 图像增强方法、装置、设备及计算机可读存储介质 |
CN111814711A (zh) * | 2020-07-15 | 2020-10-23 | 中国矿业大学 | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 |
CN112561983A (zh) * | 2020-12-19 | 2021-03-26 | 浙江大学 | 一种测算表面弱纹理且不规则堆料体积的装置及方法 |
Non-Patent Citations (4)
Title |
---|
ALEX HOLUB ET AL.: "Entropy-Based Active Learning for Object Recognition", 《2008 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》, pages 1 - 8 * |
JINHUI LAN ET AL.: "Multi-threshold image segmentation using maximum fuzzy entropy based on a new 2D histogram", 《OPTIK》, pages 3756 - 3760 * |
李若熙等: "自适应聚类激光标定图像提取算法的研究", 《辽宁科技大学学报》, pages 294 - 300 * |
贺怀清等: "基于信息熵重新加权采样的改进 MMLT算法", 《计算机工程与设计》, pages 3161 - 3167 * |
Also Published As
Publication number | Publication date |
---|---|
CN113239944B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133215B (zh) | 一种处理单元 | |
CN103763515B (zh) | 一种基于机器学习的视频异常检测方法 | |
CN101799921B (zh) | 一种光学遥感图像云检测方法 | |
CN113379680B (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN111340027A (zh) | 一种堆钢识别方法、系统、电子设备及介质 | |
CN102739911B (zh) | 图像处理装置及图像处理方法 | |
US10769478B2 (en) | Convolutional neutral network identification efficiency increasing method and related convolutional neutral network identification efficiency increasing device | |
CN113902641B (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN109993202B (zh) | 一种线稿型图形相似度判断方法、电子设备及存储介质 | |
CN114140669A (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN115082400A (zh) | 一种图像处理方法、装置、计算机设备及可读存储介质 | |
CN117496000B (zh) | 干扰模板图像的生成方法及装置 | |
CN110942444A (zh) | 物体检测方法和装置 | |
CN114581415A (zh) | Pcb缺陷的检测方法、装置、计算机设备及存储介质 | |
CN113239944B (zh) | 一种图像特征提取方法、装置、电子设备及介质 | |
CN115294035A (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN115855961A (zh) | 一种用于运行中的配电箱故障检测方法 | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及系统 | |
CN112183556B (zh) | 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法 | |
CN111047570B (zh) | 一种基于纹理分析法的自动云检测方法 |
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 |