CN113255696A - 图像识别方法、装置、计算机设备和存储介质 - Google Patents
图像识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113255696A CN113255696A CN202110570983.2A CN202110570983A CN113255696A CN 113255696 A CN113255696 A CN 113255696A CN 202110570983 A CN202110570983 A CN 202110570983A CN 113255696 A CN113255696 A CN 113255696A
- Authority
- CN
- China
- Prior art keywords
- candidate object
- brightness
- object identification
- target
- point
- 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 58
- 238000012216 screening Methods 0.000 claims abstract description 18
- 239000006185 dispersion Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像识别方法、装置、计算机设备和存储介质。所述方法包括:获取待进行对象识别的目标图像,确定目标图像对应的候选对象识别点集合;获取目标图像中各个所述候选对象识别点所对应的背景亮度值;确定候选对象识别点集合所对应的识别点图像,确定识别点图像中各个所述候选对象识别点所对应的识别点区域范围;对识别点区域范围内的像素点进行亮度值统计,得到候选对象识别点对应的亮度统计值;计算亮度统计值与背景亮度值之间的亮度差值,得到候选对象识别点对应的目标亮度值;根据候选对象识别点对应的目标亮度值,从候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。采用本方法能够提高图像识别准确度。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种图像识别方法、装置、计算机设备和存储介质。
背景技术
随着图像识别技术的发展,图像识别为更多公众所关注。图像识别是指对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。图像识别被广泛应用于遥感图像识别领域、通讯领域和生物医学图像领域等。例如,图像中存在有光斑,光斑的亮度有明有暗,并且易受背景噪声干扰,光斑作为需要图像识别的关键识别对象,需要准确定位。
然而,目前的图像识别方法,存在识别准确率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高图像识别准确度的图像识别方法、装置、计算机设备和存储介质。
一种图像识别方法,所述方法包括:获取待进行对象识别的目标图像,确定所述目标图像对应的候选对象识别点集合,所述候选对象识别点集合包括多个候选对象识别点;获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值;确定所述候选对象识别点集合所对应的识别点图像,确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围;对所述识别点区域范围内的像素点进行亮度值统计,得到所述候选对象识别点对应的亮度统计值;计算所述亮度统计值与所述背景亮度值之间的亮度差值,得到所述候选对象识别点对应的目标亮度值;根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
在其中一个实施例中,所述确定所述目标图像对应的候选对象识别点集合包括:根据图像划分方式将所述目标图像划分为多个子图像区域;根据所述子图像区域中的像素点亮度值,获取各个所述子图像区域所对应的亮度值极大值;确定所述亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定所述亮度极大值大于所述像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点,各个所述候选对象识别点组成所述候选对象识别点集合。
在其中一个实施例中,所述确定所述亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定所述亮度极大值大于所述像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点包括:在所述目标图像中,以所述极值像素点为中心,确定所述极值像素点在各个目标方向上的目标像素邻域;当确定所述亮度极大值大于所述目标像素邻域内的像素点的亮度值时,在各个所述目标方向上确定所述目标像素邻域所对应的像素邻域,作为扩展像素邻域;当所述亮度极大值大于所述扩展像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点。
在其中一个实施例中,所述获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值包括:以所述候选对象识别点为中心,确定所述候选对象识别点所对应的邻域内的像素点集合;从所述像素点集合中获取满足背景条件的像素点,作为背景像素点,组成背景像素点集合;所述背景条件包括亮度值排序在预设排序之前或者亮度值小于预设阈值的至少一个,所述亮度值按照从小到大的顺序进行排序;对所述背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为所述候选对象识别点所对应的背景亮度值。
在其中一个实施例中,所述对所述背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为所述候选对象识别点所对应的背景亮度值包括:对所述背景像素点集合中背景像素点的亮度值进行求和,得到亮度值之和;将所述亮度值之和除以所述背景像素点集合中的像素点数量,得到所述候选对象识别点所对应的背景亮度值。
在其中一个实施例中,所述确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围包括:确定所述识别点图像中的识别点离散程度;根据所述识别点离散程度确定所述候选对象识别点的延伸范围,所述延伸范围与所述识别点离散程度成正相关关系;将位于所述候选对象识别点的延伸范围内的图像区域,作为所述候选对象识别点所对应的识别点区域范围。
在其中一个实施例中,所述根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点包括:确定所述候选对象识别点集合中所述候选对象识别点对应的目标亮度值的亮度分布;基于所述亮度分布,确定所述候选对象识别点对应的目标亮度值的亮度集中范围,所述亮度集中范围所对应的亮度值比例大于比例阈值;将位于所述亮度集中范围的候选对象识别点作为目标对象对应的目标对象识别点。
一种图像识别装置,所述装置包括:候选对象识别点集合确定模块,用于获取待进行对象识别的目标图像,确定所述目标图像对应的候选对象识别点集合,所述候选对象识别点集合包括多个候选对象识别点;背景亮度值获取模块,用于获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值;识别点区域范围确定模块,用于确定所述候选对象识别点集合所对应的识别点图像,确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围;亮度统计值得到模块,用于对所述识别点区域范围内的像素点进行亮度值统计,得到所述候选对象识别点对应的亮度统计值;目标亮度值得到模块,用于计算所述亮度统计值与所述背景亮度值之间的亮度差值,得到所述候选对象识别点对应的目标亮度值;目标对象识别点得到模块,用于根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
在其中一个实施例中,候选对象识别点集合确定模块,用于根据图像划分方式将所述目标图像划分为多个子图像区域;根据所述子图像区域中的像素点亮度值,获取各个所述子图像区域所对应的亮度值极大值;确定所述亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定所述亮度极大值大于所述像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点,各个所述候选对象识别点组成所述候选对象识别点集合。
在其中一个实施例中,候选对象识别点集合确定模块,用于在所述目标图像中,以所述极值像素点为中心,确定所述极值像素点在各个目标方向上的目标像素邻域;当确定所述亮度极大值大于所述目标像素邻域内的像素点的亮度值时,在各个所述目标方向上确定所述目标像素邻域所对应的像素邻域,作为扩展像素邻域;当所述亮度极大值大于所述扩展像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点。
在其中一个实施例中,背景亮度值获取模块,用于以所述候选对象识别点为中心,确定所述候选对象识别点所对应的邻域内的像素点集合;从所述像素点集合中获取满足背景条件的像素点,作为背景像素点,组成背景像素点集合;所述背景条件包括亮度值排序在预设排序之前或者亮度值小于预设阈值的至少一个,所述亮度值按照从小到大的顺序进行排序;对所述背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为所述候选对象识别点所对应的背景亮度值。
在其中一个实施例中,背景亮度值获取模块,用于对所述背景像素点集合中背景像素点的亮度值进行求和,得到亮度值之和;将所述亮度值之和除以所述背景像素点集合中的像素点数量,得到所述候选对象识别点所对应的背景亮度值。
在其中一个实施例中,识别点区域范围确定模块,用于确定所述识别点图像中的识别点离散程度;根据所述识别点离散程度确定所述候选对象识别点的延伸范围,所述延伸范围与所述识别点离散程度成正相关关系;将位于所述候选对象识别点的延伸范围内的图像区域,作为所述候选对象识别点所对应的识别点区域范围。
在其中一个实施例中,目标对象识别点得到模块,用于确定所述候选对象识别点集合中所述候选对象识别点对应的目标亮度值的亮度分布;基于所述亮度分布,确定所述候选对象识别点对应的目标亮度值的亮度集中范围,所述亮度集中范围所对应的亮度值比例大于比例阈值;将位于所述亮度集中范围的候选对象识别点作为目标对象对应的目标对象识别点。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取待进行对象识别的目标图像,确定所述目标图像对应的候选对象识别点集合,所述候选对象识别点集合包括多个候选对象识别点;获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值;确定所述候选对象识别点集合所对应的识别点图像,确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围;对所述识别点区域范围内的像素点进行亮度值统计,得到所述候选对象识别点对应的亮度统计值;计算所述亮度统计值与所述背景亮度值之间的亮度差值,得到所述候选对象识别点对应的目标亮度值;根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取待进行对象识别的目标图像,确定所述目标图像对应的候选对象识别点集合,所述候选对象识别点集合包括多个候选对象识别点;获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值;确定所述候选对象识别点集合所对应的识别点图像,确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围;对所述识别点区域范围内的像素点进行亮度值统计,得到所述候选对象识别点对应的亮度统计值;计算所述亮度统计值与所述背景亮度值之间的亮度差值,得到所述候选对象识别点对应的目标亮度值;根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
上述图像识别方法、装置、计算机设备和存储介质,通过获取待进行对象识别的目标图像,确定上述目标图像对应的候选对象识别点集合,该候选对象识别点集合包括多个候选对象识别点;获取上述目标图像中各个候选对象识别点所对应的背景亮度值;确定候选对象识别点集合所对应的识别点图像,确定识别点图像中各个候选对象识别点所对应的识别点区域范围;对识别点区域范围内的像素点进行亮度值统计,得到候选对象识别点对应的亮度统计值;计算亮度统计值与背景亮度值之间的亮度差值,得到候选对象识别点对应的目标亮度值;根据候选对象识别点对应的目标亮度值,从上述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。能够通过准确确定识别点区域范围,得到该识别点区域范围内的候选对象识别点对应的亮度统计值,通过亮度统计值与背景亮度值之间的亮度差值得到候选对象识别点对应的目标亮度值,通过目标亮度值,能够达到准确筛选出目标对象识别点的有益效果。
附图说明
图1为一个实施例中图像识别方法的应用环境图;
图2为一个实施例中图像识别方法的流程示意图;
图3为另一个实施例中图像识别方法的流程示意图;
图4为另一个实施例中图像识别方法的流程示意图;
图5为另一个实施例中图像识别方法的流程示意图;
图6为另一个实施例中图像识别方法的流程示意图;
图7为另一个实施例中图像识别方法的流程示意图;
图8为另一个实施例中图像识别方法的流程示意图;
图9为另一个实施例中图像识别方法的流程示意图;
图10为一个实施例中一维和二维图像局部极大值示意图;
图11为一个实施例中图像邻域示意图;
图12为一个实施例中另一图像邻域示意图;
图13为一个实施例中图像识别效果示意图;
图14为一个实施例中另一图像识别效果示意图;
图15为一个实施例中图像识别装置的结构框图;
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的图像识别方法,可以应用于如图1所示的应用环境中,具体应用到一种图像识别系统中。该图像识别系统包括图像采集设备102与终端104,其中,图像采集设备102与终端104通信连接。终端104执行一种图像识别方法,具体地,终端104获取图像采集设备102传输的,待进行对象识别的目标图像,确定目标图像对应的候选对象识别点集合,该候选对象识别点集合包括多个候选对象识别点;获取目标图像中各个候选对象识别点所对应的背景亮度值;确定候选对象识别点集合所对应的识别点图像,确定识别点图像中各个候选对象识别点所对应的识别点区域范围;对识别点区域范围内的像素点进行亮度值统计,得到候选对象识别点对应的亮度统计值;计算该亮度统计值与上述背景亮度值之间的亮度差值,得到候选对象识别点对应的目标亮度值;根据候选对象识别点对应的目标亮度值,从候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。其中,图像采集设备102可以但不限于是各种有图像采集功能的设备,可以分布于终端104的外部,也可以分布于终端104的内部。例如:分布于终端104的外部的各种摄像头、扫描仪、各种相机、图像采集卡。终端104可以但不限于是各种相机、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。可以理解,本申请实施例提供的方法,也可以是由服务器执行的。
在一个实施例中,如图2所示,提供了一种图像识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取待进行对象识别的目标图像,确定目标图像对应的候选对象识别点集合,该候选对象识别点集合包括多个候选对象识别点。
其中,对象识别点是指可以表示目标对象的特征点,该特征点可以是具有一定区域范围的图像区域。目标对象是指该对象识别点所能够体现的对象。例如,对象识别点为一图像中的异常光斑点,该异常光斑点为某种异常主体,该异常主体为目标对象。
具体地,终端可以通过直接或者间接的方式得到待进行对象识别的目标图像。对该目标图像进行候选对象识别点识别后,得到多个候选对象识别点。
在一个实施例中,目标对象可以是无生命的物体,如图像中亮度大于一定阈值的物质。
在一个实施例中,终端将接收到的图像采集设备传输过来的,包括候选对象识别点的图像作为目标图像。或者,终端将接收到的,图像采集设备传输过来的图像,经过图像预处理后,将预处理后的图像作为目标图像。在得到目标图像之后,利用图像局部亮度极大值法,将各个图像局部亮度极大值,确定为候选对象识别点。
在一个实施例中,终端在利用图像局部亮度极大值法得到各个图像局部亮度极大值后,对上述各个图像局部亮度极大值进行像素点邻域比较后,将图像局部亮度极大值中亮度值大于邻域内其他像素点的像素点确定为候选对象识别点。
在一个实施例中,将图像局部亮度极大值中亮度值大于邻域内其他像素点的亮度值确定为候选对象识别点包括,以图像局部亮度极大值对应的像素点为中心,比较在该中心的横向方向相邻的像素点以及在该中心的纵向方向相邻的像素点,将图像局部亮度极大值中亮度值大于邻域内其他像素点的像素点确定为候选对象识别点。
步骤204,获取目标图像中各个候选对象识别点所对应的背景亮度值。
其中,背景亮度值是指能够衬托出候选对象识别点亮度的亮度值。
具体地,终端在获取候选对象识别点集合后,通过候选对象识别点集合中各个候选对象识别点预设邻域内像素点的像素值,得到集合中的各个候选对象识别点的背景亮度值。
在一个实施例中,候选对象识别点集合中各个候选对象识别点w×w邻域内选择像素点,得到w×w邻域内各个像素点的亮度值,将上述亮度值进行从大到小排序,选择排序的后N个亮度值,将上述后N个亮度值求得平均值,得到各个候选对象识别点的背景亮度值。同样的,也可以将上述亮度值进行从小到大排序,选择排序的前N个亮度值,将上述前N个亮度值求得平均值,得到各个候选对象识别点的背景亮度值。可以理解的,上述w×w邻域是以候选对象识别点为中心,进行四个方向、八个方向或者更多方向扩展,得到的邻域。以四个方向扩展,w×w为10×10为例,是选择以候选对象识别点为中心,横向正方向5个像素点、横向负方向5个像素点,纵向正方向5个像素点、纵向负方向5个像素点进行邻域的确定。
步骤206,确定候选对象识别点集合所对应的识别点图像。
其中,识别点图像是指由候选对象识别点组成的图像。识别点区域范围是指候选对象识别点的图像区域范围,该范围是以候选对象识别点为中心,存在有一定半径的圆形范围。
具体地,在得到候选对象识别点之后,将候选对象识别点组成的图像,作为识别点图像,通过识别点图像中各个候选对象识别点离散程度,得到识别点区域范围。可以理解的,也可以通过经验值确定识别点图像中各个候选对象识别点所对应的识别点区域范围。
在一个实施例中,可以利用识别点区域范围与识别点图像中各个候选对象识别点离散程度之间的正相关关系,基于各个候选对象识别点离散程度,得到识别点区域范围。
步骤208,对识别点区域范围内的像素点进行亮度值统计,得到候选对象识别点对应的亮度统计值。
其中,亮度统计值是指能够体现亮度值整体亮度的亮度值。
具体地,终端在确定识别点图像中各个候选对象识别点所对应的识别点区域范围后,获取该识别点区域范围内的像素点,并对该识别点区域范围内的像素点进行亮度值的平均值的计算或者对亮度值进行加权求和,得到候选对象识别点对应的亮度统计值。
步骤210,计算亮度统计值与背景亮度值之间的亮度差值,得到候选对象识别点对应的目标亮度值。
具体地,终端在得到背景亮度值和亮度统计值之后,可以通过背景亮度值和亮度统计值之两者的差值计算,得到候选对象识别点对应的目标亮度值。假设背景亮度值表示为bgInt,亮度统计值表示为fgInt,目标亮度值表示为rawInt,则rawInt表示为公式rawInt=fgInt–bgInt。
步骤212,根据候选对象识别点对应的目标亮度值,从候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
具体地,终端在得到目标亮度值之后,根据预设亮度值范围,得到预设亮度值范围内的目标亮度值,从候选对象识别点集合中筛选得到目标亮度值对应的目标对象识别点,从而通过目标对象识别点确定目标对象。
在一个实施例中,通过确定候选对象识别点集合中候选对象识别点对应的目标亮度值的亮度分布;基于亮度分布,确定候选对象识别点对应的目标亮度值的亮度值集中范围,该亮度值集中范围所对应的亮度值比例大于比例阈值;将位于亮度值集中范围的候选对象识别点作为目标对象对应的目标对象识别点。
上述图像识别方法中,通过获取待进行对象识别的目标图像,确定上述目标图像对应的候选对象识别点集合,该候选对象识别点集合包括多个候选对象识别点;获取上述目标图像中各个候选对象识别点所对应的背景亮度值;确定候选对象识别点集合所对应的识别点图像,确定识别点图像中各个候选对象识别点所对应的识别点区域范围;对识别点区域范围内的像素点进行亮度值统计,得到候选对象识别点对应的亮度统计值;计算亮度统计值与背景亮度值之间的亮度差值,得到候选对象识别点对应的目标亮度值;根据候选对象识别点对应的目标亮度值,从上述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。能够通过准确确定识别点区域范围,得到该识别点区域范围内的候选对象识别点对应的亮度统计值,通过亮度统计值与背景亮度值之间的亮度差值得到候选对象识别点对应的目标亮度值,通过目标亮度值,能够达到准确筛选出目标对象识别点的目的。
本申请实施例提供的图像识别方法,可以用于对目标图像中的对象进行定位,从而确定目标图像中目标对象的位置,并可以在目标图像中对目标对象的位置进行标注。
在一个实施例中,如图3所示,确定目标图像对应的候选对象识别点集合包括:
步骤302,根据图像划分方式将目标图像划分为多个子图像区域。
具体地,终端在得到目标图像之后,可以将目标图像平均分割成相同图像区域的多个子图像区域。
在一个实施例中,终端根据目标图像的预设区域范围将目标图像均匀分为多个子图像区域。例如,预设区域范围为W/3×H/3,目标图像尺寸为W×H,可以将目标图像划分为九个子图像区域。
步骤304,根据子图像区域中的像素点亮度值,获取各个子图像区域所对应的亮度值极大值。
其中,亮度值极大值是指在某个局部图像区域内亮度值的最大值,该值在局部图像区域内可以有一个,也可以有多个。
具体地,通过遍历像素点的方式,获取到子图像区域内的像素点的亮度值,根据子图像区域内的像素点的亮度值,利用排序算法对上述亮度值进行排序,得到亮度值中的最大值,将该最大值作为该子图像区域所对应的亮度值极大值。可以理解的,亮度值中的最大值可以存在多个,假设存在多个最大值,则将该多个最大值都作为该子图像区域的亮度值极大值。
步骤306,确定亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定亮度极大值大于像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点,各个候选对象识别点组成候选对象识别点集合。
其中,像素邻域是指与某个像素点相邻的像素点组成的图像区域。
具体地,在获取到各个子图像区域所对应的亮度值极大值之后,选取亮度值极大值所对应的极值像素点预设邻域内的像素点,比较亮度值极大值和预设邻域内的像素点的亮度值,当亮度值极大值大于预设邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点,各个候选对象识别点组成候选对象识别点集合。
在一个实施例中,在目标图像中,以极值像素点为中心,确定极值像素点在各个目标方向上的目标像素邻域;当确定亮度极大值大于目标像素邻域内的像素点的亮度值时,在各个目标方向上确定目标像素邻域所对应的像素邻域,作为扩展像素邻域;当亮度极大值大于扩展像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点。各个候选对象识别点组成候选对象识别点集合。
本实施例中,通过根据图像划分方式将目标图像划分为多个子图像区域,根据子图像区域中的像素点亮度值,获取各个子图像区域所对应的亮度值极大值,确定亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定亮度极大值大于像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点,各个候选对象识别点组成候选对象识别点集合,能够达到准确得到各个候选对象识别点组成候选对象识别点集合的目的。
在一个实施例中,如图4所示,确定亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定亮度极大值大于像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点包括:
步骤402,在目标图像中,以极值像素点为中心,确定极值像素点在各个目标方向上的目标像素邻域。
其中,目标方向是指选择像素点的方向。例如,目标方向为横坐标的正方向,则选择像素点的方向为极值像素点横坐标的正方向的像素点。
具体地,通过极值像素点的空间位置,可以确定该极值像素点各个目标方向的像素点。
在一个实施例中,在目标图像中,以极值像素点为中心,确定极值像素点上下左右四个相邻像素方向上的像素点,上述四个相邻像素方向上的像素点组成的图像区域形成目标像素邻域。
步骤404,当确定亮度极大值大于目标像素邻域内的像素点的亮度值时,在各个目标方向上确定目标像素邻域所对应的像素邻域,作为扩展像素邻域。
其中,扩展像素邻域是指大于目标像素邻域的图像区域。
具体地,比较极值像素点与目标像素邻域内的像素点的亮度值,当确定亮度极大值大于目标像素邻域内的像素点的亮度值时,扩大像素邻域范围,在各个目标方向上确定目标像素邻域所对应的像素邻域,作为扩展像素邻域。例如,将以极值像素点为中心的上下左右四个方向分别选择相邻的一个像素点的像素邻域,扩展为以极值像素点为中心的上下左右四个方向分别选择相邻的两个或者多个像素点的像素邻域。
在一个实施例中,如图11所示,假设上述目标像素邻域表示为W邻域,上述扩展像素邻域表示为V邻域,若以极值像素点为中心的四个方向上的像素点组成的邻域,确定为W邻域;对该W邻域进行邻域扩展,扩展后的邻域如图12所示,具体地,在W邻域的基础上,在以极值像素点为中心的四个方向上,各个方向各增加一个像素点,新增的四个像素点和W邻域的四个像素点,共同组成了V邻域。可以理解的,V邻域为W邻域的扩展邻域。
步骤406,当亮度极大值大于扩展像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点。
具体地,在确定极值像素点在各个目标方向上的目标像素邻域后,当极值像素点的亮度极大值大于目标像素邻域内的像素点的亮度值时,对比亮度极大值与扩展像素邻域内的像素点的亮度值,当亮度极大值大于扩展像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点。
本实施例中,通过在目标图像中,以极值像素点为中心,确定极值像素点在各个目标方向上的目标像素邻域,当确定亮度极大值大于目标像素邻域内的像素点的亮度值时,在各个目标方向上确定目标像素邻域所对应的像素邻域,作为扩展像素邻域,当亮度极大值大于扩展像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点,能够达到准确确定候选对象识别点的目的。
在一个实施例中,如图5所示,获取目标图像中各个候选对象识别点所对应的背景亮度值包括:
步骤502,以候选对象识别点为中心,确定候选对象识别点所对应的邻域内的像素点集合。
具体地,终端在确定候选对象识别点后,通过确定预设邻域,在预设邻域内确定像素点集合。例如,确定预设邻域为w×w,则以在候选对象识别点为中心的w×w图像范围内,确定像素点集合。
步骤504,从像素点集合中获取满足背景条件的像素点,作为背景像素点,组成背景像素点集合;其中背景条件包括亮度值排序在预设排序之前或者亮度值小于预设阈值的至少一个,其中,亮度值按照从小到大的顺序进行排序。
其中,预设阈值是指亮度值的临界值,亮度值小于该临界值内认为是满足背景条件的像素点,亮度值大于等于该临界值认为是不满足背景条件的像素点。
具体地,终端在确定像素点集合后,在该像素点集合中,将像素点的亮度值按照从小到大的顺序进行排序,选择预设排序之前的作为背景像素点,或者设定预设阈值,将小于预设阈值的作为背景像素点。
步骤506,对背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为候选对象识别点所对应的背景亮度值。
具体地,终端在得到背景像素点集合后,对背景像素点集合中的亮度值进行统计,得到能够体现背景像素点集合中亮度值的整体亮度值的亮度值,作为候选对象识别点的亮度值。
在一个实施例中,终端在得到背景像素点集合后,对背景像素点集合中的亮度值进行平均值计算,将得到的亮度平均值作为候选对象识别点的背景亮度值。
本实施例中,通过以候选对象识别点为中心,确定候选对象识别点所对应的邻域内的像素点集合,从像素点集合中获取满足背景条件的像素点,作为背景像素点,组成背景像素点集合,对背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为候选对象识别点所对应的背景亮度值,能够达到准确得到候选对象识别点的背景亮度值。
在一个实施例中,如图6所示,对背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为候选对象识别点所对应的背景亮度值包括:
步骤602,对背景像素点集合中背景像素点的亮度值进行求和,得到亮度值之和。
具体地,终端在得到背景像素点集合后,对背景像素点集合中背景像素点的亮度值进行求和,对背景像素点集合中的像素点的亮度值进行累计,得到亮度值之和。例如,背景像素点集合为{100,105,223,96,188},则亮度值之和为712。
步骤604,将亮度值之和除以背景像素点集合中的像素点数量,得到候选对象识别点所对应的背景亮度值。
具体地,在得到亮度值之和之后,可以根据亮度值之和与背景像素点集合中的像素点数量的函数关系得到候选对象识别点所对应的背景亮度值。该函数关系为将亮度值之和作为除数,将像素点数量作为被除数,得到候选对象识别点所对应的背景亮度值。例如,亮度值之和为712,像素点数量为5,则候选对象识别点所对应的背景亮度值为142。可以理解的,若将亮度值之和作为除数,将像素点数量作为被除数,得到候选对象识别点所对应的背景亮度值为小数,则取小数的整数部分,或者将该数进行四舍五入,得到候选对象识别点所对应的背景亮度值。
本实施例中,通过对背景像素点集合中背景像素点的亮度值进行求和,得到亮度值之和,将亮度值之和除以背景像素点集合中的像素点数量,得到候选对象识别点所对应的背景亮度值,能够达到准确得到候选对象识别点所对应的背景亮度值的目的。
在一个实施例中,如图7所示,确定识别点图像中各个候选对象识别点所对应的识别点区域范围包括:
步骤702,确定识别点图像中的识别点离散程度。
其中,离散程度是指能够体现各个候选对象识别点之间的位置差异的程度。
具体地,在确定识别点图像中各个候选对象识别点所对应的识别点区域范围时,可以通过先确定识别点图像中的识别点离散程度。该识别点离散程度的确定,可以通过利用识别点图像中各个候选对象识别点的位置坐标值的标准差,确定识别点图像中的识别点离散程度。
在一个实施例中,将识别点图像转换为高分辨率图像,以该高分辨率图像中的左上角像素点为原点,得到该高分辨率图像中各个像素点的位置坐标值,位置坐标值中包括有像素点的横坐标和纵坐标值,通过计算像素点的横坐标的标准差和纵坐标值的标准差,确定识别点图像中的识别点离散程度。其中,将识别点图像转换为高分辨率图像可以通过图像插值方法或者超分辨率重建的方法等实现。
步骤704,根据识别点离散程度确定候选对象识别点的延伸范围,其中,延伸范围与识别点离散程度成正相关关系。
其中,延伸范围是指候选对象识别点所能够覆盖的范围,该范围可以是以对象识别点为中心点的圆形图像区域。
具体地,终端在确定识别点图像中的识别点离散程度后,根据延伸范围与识别点离散程度的正相关关系,确定候选对象识别点的延伸范围。
在一个实施例中,图像中的识别点离散程度表示为σx,σy,延伸范围的延伸半径表示为r,则r表示为公式:r=a×max(σx,σy),其中,a取值范围为2≤a≤3。
步骤706,将位于候选对象识别点的延伸范围内的图像区域,作为候选对象识别点所对应的识别点区域范围。
具体地,在确定延伸范围后,将该延伸范围内的像素点所在的图像区域,作为候选对象识别点所对应的识别点区域范围。
本实施例中,通过确定识别点图像中的识别点离散程度,根据识别点离散程度确定候选对象识别点的延伸范围,将位于候选对象识别点的延伸范围内的图像区域,作为候选对象识别点所对应的识别点区域范围,能够达到准确确定识别点区域范围的目的。
在一个实施例中,如图8所示,根据候选对象识别点对应的目标亮度值,从所选对象识别点集合中筛选得到目标对象对应的目标对象识别点包括:
步骤802,确定候选对象识别点集合中候选对象识别点对应的目标亮度值的亮度分布。
其中,亮度分布是指候选对象识别点集合中候选对象识别点的整体目标亮度值分布。例如,候选对象识别点集合中候选对象识别点的整体目标亮度值分布呈现为正态分布。
具体地,将候选对象识别点集合中候选对象识别点对应的目标亮度值进行曲线拟合,得到候选对象识别点集合中候选对象识别点的目标亮度值的亮度分布曲线,通过亮度分布曲线,可以直观确定目标亮度值的亮度分布。
步骤804,基于亮度分布,确定候选对象识别点对应的目标亮度值的亮度集中范围,其中,亮度集中范围所对应的亮度值比例大于比例阈值。
其中,比例阈值是指亮度值所占用的亮度值比例的临界值。大于该临界值,表示该亮度集中范围为候选对象识别点对应的目标亮度值的亮度集中范围,小于等于该临界值,表示该亮度集中范围为候选对象识别点对应的目标亮度值的亮度集中范围之外。
在一个实施例中,在得到亮度分布后,将亮度集中范围所对应的亮度值比例大于比例阈值的亮度集中范围,确定为候选对象识别点对应的目标亮度值范围。例如,比例阈值为95%,则将亮度集中范围大于95%内的亮度值范围,确定为候选对象识别点对应的目标亮度值的亮度集中范围。
步骤806,将位于亮度集中范围的候选对象识别点作为目标对象对应的目标对象识别点。
具体地,在得到目标亮度值的亮度集中范围后,将涵盖在亮度集中范围内的候选对象识别点作为目标对象对应的目标对象识别点。例如,亮度集中范围所对应的亮度值为100-200,则将候选对象识别点集合中亮度值在100-200之间的候选对象识别点作为目标对象对应的目标对象识别点。
本实施例中,通过确定候选对象识别点集合中候选对象识别点对应的目标亮度值的亮度分布,基于亮度分布,确定候选对象识别点对应的目标亮度值的亮度集中范围,将位于亮度集中范围的候选对象识别点作为目标对象对应的目标对象识别点,能够达到准确确定目标对象识别点的目的。
在一个实施例中,以存在有光斑点的图像为例,真实采集到的图像中的光斑有光斑亮度有明有暗,且易受背景噪声干扰。如图9和如图10所示,首先利用光斑图像的局部极大值方法,得到有局部极大值坐标P集合。通过光斑区域定位的方法,对P集合中的光斑点进行筛选,得到光斑的点集合Q。例如,可以利用一维曲线拟合、二维曲面拟合、局部自适应阈值分割方法得到光斑的点集合Q。在Q点集中,任意选择一个光斑点作为候选光斑点,通过在该候选光斑点w×w邻域内取亮度值最低的N个亮度值的统计值,作为该候选光斑点的背景亮度值。在通过以该候选光斑点为中心,预设范围内的亮度值的加权求和,得到该候选光斑点的中间亮度值。可以理解的,预设范围为光斑区域半径内的图像区域范围。利用中间亮度值和背景亮度值之间的差值,得到该候选光斑点的目标亮度值。假设背景亮度值表示为bgInt,中间亮度值表示为fgInt,目标亮度值表示为rawInt,则rawInt表示为公式:
rawInt=fgInt–bgInt
本实施例法可以准确定位所有的光斑中心,同时对于强度不一、大小不一的荧光光斑均可以准确的提取其荧光亮度值。同时,上述方法计算效率高,算法复杂度低,易于理解和实现。
在一个实施例中,对P集合中的光斑点进行筛选,得到光斑点集合Q,如图11所示,可以通过对P中的每一个光斑点,如果该光斑点亮度值大于其W邻域内点的亮度值,则选择如图12所示中的邻域,如果其亮度值大于V邻域内的点的亮度值,则说明该点为光斑区域的点,反之不属于;其中,W邻域为以P中选择的光斑点为中心,在该光斑点的上下左右的相邻像素点位置处,选择四个像素点,将上述四个像素点组成的邻域看作W邻域;将该W邻域进行邻域扩充,在W邻域的基础上,对W邻域中的每个像素点的上下左右的相邻位置处分别再选择四个像素点,将W邻域的四个像素点和扩充后的四个像素点共同组成的邻域,看作为V邻域。由于所有光斑中心均为局部最大值点,则可得符合上述条件的点均为光斑中心。可以理解的,其中W和V可以根据实际应用场景选择。
在一个实施例中,对P集合中的光斑点进行筛选,得到光斑的点集合Q,可以通过曲线拟合、曲面拟合、局部自适应阈值分割方法及其变形中的一个或多个所得光斑点区域,或者利用质心法、重心法及其变形中的一个或多个相结合计算所得。
在一个实施例中,以该候选光斑点为中心,预设范围内的亮度值,可以通过对Q中的各个点,取该点的w×w邻域范围内,计算亮度最低的N个数的平均值,作为该光斑点的背景值bgInt;对Q中的各个光斑点,对其进行插值得到高分辨率图像Iinterp,计算该图像各个像素点X方向的坐标值和Y方向的坐标值,统计得到Q中光斑点坐标值的标准差σx,σy;计算光斑点的亮度采集半径r=3×max(σx,σy),从而能够保证能够涵盖整个荧光范围。例如,荧光范围为椭圆,取X方向的坐标值和Y方向的坐标值标准差波动最大的,作为亮度采集半径;在图像Iinterp的基础上,对Q中的各个像素点计算其r范围内的亮度值并加权求和所得结果即为该光斑点的亮度fgInt;对Q中的各个光斑点,计算其目标亮度为rawInt=fgInt–bgInt;对Q中的各个光斑点的目标亮度rawInt进行曲线拟合,得到的拟合曲线符合正态分布,计算得到的某个光斑点的亮度值处在该分布中的预设比例范围内,则将该亮度值只作为该光斑点的亮度值。例如,亮度值集中在100-200之间的比例为95%,计算得到的某个光斑点的亮度值为155,包括在比例为95%的亮度集中范围内,则该亮度值为该光斑点的亮度值,若计算得到的某个光斑点的亮度值为240,集中在5%的亮度范围内,则该亮度值为无效亮度值。可以理解的,上述r的以通过可根据历史数据训练所得,经验值等获得。如图13为范围确定之前的光斑点,范围确定之后的光斑点如图14所示。
在一个实施例中,对Q中的每一个光斑点,对其进行插值得到高分辨率图像Iinterp的过程,可以通过插值方法得到,例如采用双线性插值、三次样条插值、双三次插值或者超分辨率重建等方法将Q光斑点组成的图像转换为高分辨率图像Iinterp。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图15所示,提供了一种图像识别装置1500,包括:候选对象识别点集合确定模块1502、背景亮度值获取模块1504、识别点区域范围确定模块1506、亮度统计值得到模块1508、目标亮度值得到模块1510和目标对象识别点得到模块1512,其中:候选对象识别点集合确定模块1502,用于获取待进行对象识别的目标图像,确定目标图像对应的候选对象识别点集合,候选对象识别点集合包括多个候选对象识别点;背景亮度值获取模块1504,用于获取目标图像中各个候选对象识别点所对应的背景亮度值;识别点区域范围确定模块1506,用于确定候选对象识别点集合所对应的识别点图像,确定识别点图像中各个候选对象识别点所对应的识别点区域范围;亮度统计值得到模块1508,用于对识别点区域范围内的像素点进行亮度值统计,得到候选对象识别点对应的亮度统计值;目标亮度值得到模块1510,用于计算亮度统计值与背景亮度值之间的亮度差值,得到候选对象识别点对应的目标亮度值;目标对象识别点得到模块1512,用于根据候选对象识别点对应的目标亮度值,从候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
在一个实施例中,候选对象识别点集合确定模块1502,用于根据图像划分方式将目标图像划分为多个子图像区域;根据子图像区域中的像素点亮度值,获取各个子图像区域所对应的亮度值极大值;确定亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定亮度极大值大于像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点,各个候选对象识别点组成候选对象识别点集合。在一个实施例中,
在一个实施例中,候选对象识别点集合确定模块1502,用于在目标图像中,以极值像素点为中心,确定极值像素点在各个目标方向上的目标像素邻域;当确定亮度极大值大于目标像素邻域内的像素点的亮度值时,在各个目标方向上确定目标像素邻域所对应的像素邻域,作为扩展像素邻域;当亮度极大值大于扩展像素邻域内的像素点的亮度值时,将极值像素点作为目标图像对应的候选对象识别点。
在一个实施例中,背景亮度值获取模块1504,用于以候选对象识别点为中心,确定候选对象识别点所对应的邻域内的像素点集合;从像素点集合中获取满足背景条件的像素点,作为背景像素点,组成背景像素点集合;背景条件包括亮度值排序在预设排序之前或者亮度值小于预设阈值的至少一个,亮度值按照从小到大的顺序进行排序;对背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为候选对象识别点所对应的背景亮度值。
在一个实施例中,背景亮度值获取模块1504,用于对背景像素点集合中背景像素点的亮度值进行求和,得到亮度值之和;将亮度值之和除以背景像素点集合中的像素点数量,得到候选对象识别点所对应的背景亮度值。
在一个实施例中,识别点区域范围确定模块1506,用于确定识别点图像中的识别点离散程度;根据识别点离散程度确定候选对象识别点的延伸范围,延伸范围与识别点离散程度成正相关关系;将位于候选对象识别点的延伸范围内的图像区域,作为候选对象识别点所对应的识别点区域范围。
关于图像识别装置的具体限定可以参见上文中对于图像识别方法的限定,在此不再赘述。上述图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像识别方法。
本领域技术人员可以理解,图16中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种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上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像识别方法,其特征在于,所述方法包括:
获取待进行对象识别的目标图像,确定所述目标图像对应的候选对象识别点集合,所述候选对象识别点集合包括多个候选对象识别点;
获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值;
确定所述候选对象识别点集合所对应的识别点图像,确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围;
对所述识别点区域范围内的像素点进行亮度值统计,得到所述候选对象识别点对应的亮度统计值;
计算所述亮度统计值与所述背景亮度值之间的亮度差值,得到所述候选对象识别点对应的目标亮度值;
根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
2.根据权利要求1所述的方法,其特征在于,所述确定所述目标图像对应的候选对象识别点集合包括:
根据图像划分方式将所述目标图像划分为多个子图像区域;
根据所述子图像区域中的像素点亮度值,获取各个所述子图像区域所对应的亮度值极大值;
确定所述亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定所述亮度极大值大于所述像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点,各个所述候选对象识别点组成所述候选对象识别点集合。
3.根据权利要求2所述的方法,其特征在于,所述确定所述亮度值极大值所对应的极值像素点所对应的目标像素邻域,当确定所述亮度极大值大于所述像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点包括:
在所述目标图像中,以所述极值像素点为中心,确定所述极值像素点在各个目标方向上的目标像素邻域;
当确定所述亮度极大值大于所述目标像素邻域内的像素点的亮度值时,在各个所述目标方向上确定所述目标像素邻域所对应的像素邻域,作为扩展像素邻域;
当所述亮度极大值大于所述扩展像素邻域内的像素点的亮度值时,将所述极值像素点作为所述目标图像对应的候选对象识别点。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值包括:
以所述候选对象识别点为中心,确定所述候选对象识别点所对应的邻域内的像素点集合;
从所述像素点集合中获取满足背景条件的像素点,作为背景像素点,组成背景像素点集合;所述背景条件包括亮度值排序在预设排序之前或者亮度值小于预设阈值的至少一个,所述亮度值按照从小到大的顺序进行排序;
对所述背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为所述候选对象识别点所对应的背景亮度值。
5.根据权利要求4所述的方法,其特征在于,所述对所述背景像素点集合中的亮度值进行统计,将统计得到的亮度值作为所述候选对象识别点所对应的背景亮度值包括:
对所述背景像素点集合中背景像素点的亮度值进行求和,得到亮度值之和;
将所述亮度值之和除以所述背景像素点集合中的像素点数量,得到所述候选对象识别点所对应的背景亮度值。
6.根据权利要求1所述的方法,其特征在于,所述确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围包括:
确定所述识别点图像中的识别点离散程度;
根据所述识别点离散程度确定所述候选对象识别点的延伸范围,所述延伸范围与所述识别点离散程度成正相关关系;
将位于所述候选对象识别点的延伸范围内的图像区域,作为所述候选对象识别点所对应的识别点区域范围。
7.根据权利要求1所述的方法,其特征在于,所述根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点包括:
确定所述候选对象识别点集合中所述候选对象识别点对应的目标亮度值的亮度分布;
基于所述亮度分布,确定所述候选对象识别点对应的目标亮度值的亮度集中范围,所述亮度集中范围所对应的亮度值比例大于比例阈值;
将位于所述亮度集中范围的候选对象识别点作为目标对象对应的目标对象识别点。
8.一种图像识别装置,其特征在于,所述装置包括:
候选对象识别点集合确定模块,用于获取待进行对象识别的目标图像,确定所述目标图像对应的候选对象识别点集合,所述候选对象识别点集合包括多个候选对象识别点;
背景亮度值获取模块,用于获取所述目标图像中各个所述候选对象识别点所对应的背景亮度值;
识别点区域范围确定模块,用于确定所述候选对象识别点集合所对应的识别点图像,确定所述识别点图像中各个所述候选对象识别点所对应的识别点区域范围;
亮度统计值得到模块,用于对所述识别点区域范围内的像素点进行亮度值统计,得到所述候选对象识别点对应的亮度统计值;
目标亮度值得到模块,用于计算所述亮度统计值与所述背景亮度值之间的亮度差值,得到所述候选对象识别点对应的目标亮度值;
目标对象识别点得到模块,用于根据所述候选对象识别点对应的目标亮度值,从所述候选对象识别点集合中筛选得到目标对象对应的目标对象识别点。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570983.2A CN113255696B (zh) | 2021-05-25 | 2021-05-25 | 图像识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570983.2A CN113255696B (zh) | 2021-05-25 | 2021-05-25 | 图像识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255696A true CN113255696A (zh) | 2021-08-13 |
CN113255696B CN113255696B (zh) | 2024-05-24 |
Family
ID=77184251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570983.2A Active CN113255696B (zh) | 2021-05-25 | 2021-05-25 | 图像识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255696B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953332A (zh) * | 2023-03-15 | 2023-04-11 | 四川新视创伟超高清科技有限公司 | 动态图像融合的亮度调整方法、系统、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008170325A (ja) * | 2007-01-12 | 2008-07-24 | Seiko Epson Corp | シミ欠陥検出方法およびシミ欠陥検出装置 |
JP2013114381A (ja) * | 2011-11-28 | 2013-06-10 | Toshiba Corp | 対象物識別装置および対象物識別方法 |
WO2020037573A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法、装置和计算机程序产品 |
US20200167933A1 (en) * | 2018-11-27 | 2020-05-28 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and a non-transitory computer readable storage medium |
-
2021
- 2021-05-25 CN CN202110570983.2A patent/CN113255696B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008170325A (ja) * | 2007-01-12 | 2008-07-24 | Seiko Epson Corp | シミ欠陥検出方法およびシミ欠陥検出装置 |
JP2013114381A (ja) * | 2011-11-28 | 2013-06-10 | Toshiba Corp | 対象物識別装置および対象物識別方法 |
WO2020037573A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法、装置和计算机程序产品 |
US20200167933A1 (en) * | 2018-11-27 | 2020-05-28 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and a non-transitory computer readable storage medium |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953332A (zh) * | 2023-03-15 | 2023-04-11 | 四川新视创伟超高清科技有限公司 | 动态图像融合的亮度调整方法、系统、电子设备 |
CN115953332B (zh) * | 2023-03-15 | 2023-08-18 | 四川新视创伟超高清科技有限公司 | 动态图像融合的亮度调整方法、系统、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113255696B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022199583A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
JP6351240B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
US7672531B2 (en) | System and method for determining edges of objects in an image | |
Coleman et al. | Edge detecting for range data using laplacian operators | |
CN111183630B (zh) | 一种智能终端的照片处理方法及处理装置 | |
CN110796600A (zh) | 一种图像超分重建方法、图像超分重建装置及电子设备 | |
JPWO2010116885A1 (ja) | データ処理装置、画像照合方法、プログラムおよび画像照合システム | |
CN111899270A (zh) | 卡片边框检测方法、装置、设备及可读存储介质 | |
CN110533632B (zh) | 图像模糊篡改检测方法、装置、计算机设备和存储介质 | |
CN112862866A (zh) | 基于麻雀搜索算法的图像配准方法及系统、计算设备 | |
CN113255696B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN106663317B (zh) | 数字图像的形态学处理方法和数字图像处理装置 | |
CN114972209A (zh) | 宫颈病理图像处理方法和装置 | |
CN117496560A (zh) | 一种基于多维向量的指纹纹线识别方法及装置 | |
JP2009123234A (ja) | オブジェクト識別方法および装置ならびにプログラム | |
CN111080683B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
CN111914890A (zh) | 图像之间的图像块匹配方法、图像配准方法和产品 | |
CN116862812A (zh) | 红外图像处理方法、装置、计算机设备、存储介质及产品 | |
CN111563517A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115049713B (zh) | 图像配准方法、装置、设备及可读存储介质 | |
CN113160074B (zh) | 微阵列芯片图像分析方法、装置、计算机设备和存储介质 | |
CN114330408A (zh) | 一种图像增强方法以及图像增强装置 | |
CN113901917A (zh) | 一种人脸识别方法、装置、计算机设备及存储介质 | |
CN112733565A (zh) | 二维码粗定位方法、设备及存储介质 |
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 |