CN113379780B - 一种抓框图像的优化方法及装置 - Google Patents
一种抓框图像的优化方法及装置 Download PDFInfo
- Publication number
- CN113379780B CN113379780B CN202110545453.2A CN202110545453A CN113379780B CN 113379780 B CN113379780 B CN 113379780B CN 202110545453 A CN202110545453 A CN 202110545453A CN 113379780 B CN113379780 B CN 113379780B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- area
- closed
- acquiring
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 97
- 238000009826 distribution Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种抓框图像的优化方法及装置,其中方法通过获取摄像头模组对模板图像成像的第一图像;然后基于第一图像中的封闭区域,确定优化阈值;基于优化阈值,从封闭区域中确定出异常区域。通过封闭区域来确定优化阈值能够有效的考虑到所有的正常棋盘格和由破损或脏点产生的异常区域,并且可准确的对异常区域进行区分。最后,修复异常区域,获得第二图像。本发明修复后得到的第二图像就可在抓框操作时消除异常区域对抓框对象边线的跳变影响,避免了抓框边界的误认,提高了抓框和计算SFR分值的准确性。
Description
技术领域
本发明涉及摄像头模组制造技术领域,尤其涉及一种抓框图像的优化方法及装置。
背景技术
摄像头模组生成过程中,需要进行成像品质测试,其中最重要的一项是图像清晰度评价。目前工厂一般都使用SFR(Spatial frequency response,空间频域响应)的方法,该方法需要计算一条斜边上像素值的分布情况,从而计算出图像的清晰度值。清晰度值在0-100之间,清晰度值越大图像越清晰。目前在执行测试的过程中提供的chart图(一种测试图模板)往往存在微弱的破损或微小的脏点,但是这些破损或脏点会引起抓框质量,导致SFR分数产生剧烈跳变,影响品质测试的结果。
发明内容
鉴于上述问题,本发明提出了一种抓框图像的优化方法及装置,修复后得到的第二图像就可在抓框操作时消除异常区域对抓框对象边线的跳变影响,避免了抓框边界的误认,提高了抓框和计算SFR分值的准确性。
第一方面,本申请通过一实施例提供如下技术方案:
一种抓框图像的优化方法,包括:
获取摄像头模组对模板图像成像的第一图像;基于所述第一图像中的封闭区域,确定优化阈值;基于所述优化阈值,从所述封闭区域中确定出异常区域;修复所述异常区域,获得第二图像。
可选的,所述基于所述第一图像中的封闭区域,确定优化阈值,包括:
获取所述封闭区域的数量特征;其中,所述数量特征表示所述第一图像中不同类型的所述封闭区域的数量;基于所述数量特征,确定优化阈值。
可选的,所述数量特征为不同面积大小的所述封闭区域的分布数量;所述基于所述数量特征,确定优化阈值,包括:
基于所述第一图像中每个所述封闭区域的面积大小,获取分布数量最多的目标面积区间;获取所述目标面积区间对应的多个第一目标封闭区域;基于所述多个第一目标封闭区域的面积,确定所述优化阈值。
可选的,所述基于所述多个第一目标封闭区域的面积,确定所述优化阈值,包括:
获取所述多个第一目标封闭区域的面积均值;基于所述面积均值,获得所述优化阈值;其中,所述优化阈值取值为所述面积均值的1/8~1/15。
可选的,所述数量特征为不同轮廓长度的所述封闭区域的分布数量;所述基于所述数量特征,确定优化阈值,包括:
基于所述第一图像中每个所述封闭区域的轮廓长度,获取分布数量最多的目标长度区间;获取所述目标长度区间对应的多个第二目标封闭区域;基于所述多个第二目标封闭区域的轮廓长度,确定所述优化阈值。
可选的,所述基于所述多个第二目标封闭区域的轮廓长度,确定所述优化阈值,包括:
获取所述多个第二目标封闭区域的轮廓的长度均值;基于所述长度均值,获得所述优化阈值;其中,所述优化阈值取值为所述长度均值的1/8~1/15。
可选的,所述修复所述异常区域,获得第二图像,包括:
基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像。
可选的,所述基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像,包括:
基于所述异常区域在所述第一图像中的位置,获得所述异常区域所在封闭区域的目标颜色;将所述异常区域的颜色调整为所述目标颜色,获得所述第二图像。
可选的,所述基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像之后,还包括:
获取所述摄像头模组视场点在历史图像中的第一位置,以及在所述第二图像中的第二位置;其中,所述历史图像为当前抓框操作的前次抓框操作的图像,所述第一位置和所述第二位置为先后两次抓框时的视场点坐标;判断所述第一位置和所述第二位置的偏差是否小于预设的偏差阈值;若是,则基于所述第一位置,在所述第二图像中确定抓框对象;若否,则基于所述第二位置,在所述第二图像中确定抓框对象。
第二方面,基于同一发明构思,本申请通过一实施例提供如下技术方案:
一种抓框图像的优化装置,包括:
图像获取模块,用于获取摄像头模组对模板图像成像的第一图像;阈值获取模块,用于基于所述第一图像中的封闭区域,确定优化阈值;异常处理模块,用于基于所述优化阈值,从所述封闭区域中确定出异常区域;优化修复模块,用于修复所述异常区域,获得第二图像。
第三方面,基于同一发明构思,本申请通过一实施例提供如下技术方案:
一种抓框图像的优化装置,包括处理器和存储器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时使所述抓框图像的优化装置执行上述第一方面中任一项所述方法的步骤。
本发明实施例提供的一种抓框图像的优化方法及装置,通过获取摄像头模组对模板图像成像的第一图像;然后基于第一图像中的封闭区域,确定优化阈值;基于优化阈值,从封闭区域中确定出异常区域。通过封闭区域来确定优化阈值能够有效的考虑到所有的正常棋盘格和由破损或脏点产生的异常区域,并且可准确的对异常区域进行区分。最后,修复异常区域,获得第二图像。修复后得到的第二图像就可在抓框操作时消除异常区域对抓框对象边线的跳变影响,避免了抓框边界的误认,提高了抓框和计算SFR分值的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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。在附图中:
图1示出了本发明第一实施例提供的一种抓框图像的优化方法的方法流程图;
图2示出了本发明第一实施例中第一图像的一种实现方式的局部示意图;
图3示出了本发明第一实施例中第一图像的另一种实现方式的局部示意图;
图4示出了图3对应的封闭区域的示意图;
图5示出了图3中异常区域被修复后的示意图;
图6示出了基于0视场点抓框且未产生偏差的视场点位置示意图;
图7示出了基于0视场点抓框产生偏差的视场点位置示意图;
图8示出了基于0视场点抓框切换抓框对象时的视场点位置示意图;
图9示出了本发明第二实施例提供的一种抓框图像的优化装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
请参见图1,示出了本发明第一实施例提供的一种抓框图像的优化方法的方法流程图。本实施例的抓框图像的优化方法具体包括如下的步骤:
步骤S10:获取摄像头模组对模板图像成像的第一图像。
在步骤S10中,模板图像可为棋盘格图像,或与棋盘格类似的具有明显块形边界的图像。采用棋盘格图的斜边抓框方法来改善chart图的破损或脏点的影响,抓框是指对棋盘格图中的格子边线进行捕捉,从而计算SFR分数。当然本实施例中的棋盘格图可以指常规的棋盘格图,例如,黑白相间的方格图,方格可为长方格或正方格;也可以是一些特殊的棋盘格图,例如,黑白相间三角格,黑白相间的其他多边形图,任意两种颜色相间的方格图,不作限制。
第一图像可为摄像头模组对棋盘格图成像后的原始图像,如图2所示,图2示出了该原始图像的局部示意图;也可为原始图像经过处理后的图像,如图3所示,图3示出了该原始图像经过处理后的局部示意图。在一具体的实现方式中,通过摄像头模组对棋盘格图成像后,再进行灰度处理和二值化处理从而获得黑白图像,将该黑白图像作为第一图像。后续步骤中,以第一图像为二值化处理后的常规的棋盘格图为例进行详细的阐述的说明,如图3所示。
步骤S20:基于所述第一图像中的封闭区域,确定优化阈值。
在步骤S20中,在成像前棋盘格图可能会出现破损,附着异物等情况,如图2所示的污点1、污点2和污点3。污点会导致在二值化的黑白图中产生异常区域,如图3所示。其中,污点1和污点2分别对应异常区域A和异常区域B,污点3对应异常区域C和异常区域D。因此,在棋盘格图中封闭区域包括黑色方格的边线、白色方格的边线以及异常区域的边线所划分出的区域,如图4所示。在抓框时,异常区域会影响框线边界的判断,导致SFR分数的跳变。在SFR分数跳变较为严重的时候,SFR分数就不能很好的反应出摄像头模组真实的成像品质。例如,异常区域A和异常区域B均形成在黑、白方格的边界位置,当对边线识别时容易产生误识别,导致SFR分数的跳变。因此,需要对封闭区域内的异常区域进行优化处理。
在本实施例中步骤S20的实现方式,如下:
步骤S20具体包括:
步骤S21:获取所述封闭区域的数量特征;其中,所述数量特征表示所述第一图像中不同类型的所述封闭区域的数量。
步骤S22:基于所述数量特征,确定优化阈值。
在步骤S21-S22中,通过封闭区域的数量特征来确定优化阈值,而数量特征能够反应不同类型封闭区域数量的真实分布情况。例如,不同类型的封闭区域的数量是不相同的,而异常区域的类型往往都是非统一的,存在离散性;对于异常区域而言,在第一图像中可能会出现多种类型的异常区域;这样的异常区域往往是少量的,且离散分布的,不会集中于一种类型的异常区域上。这样就可有效的利用封闭区域的数量特征来获取优化阈值,使得优化阈值更加可靠和准确。在本实施中封闭区域的类型可通面积大小和边线长度划分,进一步的,下面提供了两种方式来实现步骤S21-S22:
1、第一种方式为:数量特征为不同面积大小的封闭区域的分布数量。实现过程如下:
首先,基于第一图像中每个封闭区域的面积大小,获取分布数量最多的目标面积区间。
由于每个异常区域的面积几乎都是随机的,并且数量有限,所以异常区域仅仅影响一部分的黑色方格或白色方格。当某一目标面积对应的统计数量最大时,则认为该目标面积对应的封闭区域为正常的黑色方格或白色方格;每个黑色方格或白色方格的面积可能存在微小的误差,因此在本实施例中进行数量统计的时候,将统计分布数量最多的目标面积区间。目标面积区间内的封闭区域可认为均是正常黑色方格或白色方格。目标面积区间的取值大小可根据实际的棋盘格图进行调整,不作限制。
例如,在一棋盘格图中数量特征如下:面积为100的封闭区域数量为50个,面积为99的封闭区域的数量为30个,面积为97的封闭区域的数量为20个,面积为2的封闭区域数量为3个,面积为5的封闭区域数量为3个,面积为1的封闭区域的数量为5个。基于上述条件,可确定面积为96~100的封闭区域对应具有最大的分布数量,数量具体为:50+30+20=100,则可将[96,100]作为目标面积区间,也即在[96,100]中的封闭区域均可认为是黑色方格或白色方格对应的区域。
然后,获取目标面积区间对应的多个第一目标封闭区域。
目标面积区间也就是分布数量最大的面积区间。第一目标封闭区域即为面积分布在目标面积区间内的封闭区域。
最后,基于多个第一目标封闭区域的面积,确定优化阈值。
每个封闭区域的面积都可以获取到,例如可通过计算封闭区域内的像素数量来确定面积大小。方格相同的棋盘格图在摄像头模组成像之后也有可能产生一定误差,导致第一图像中的各个方格大小不同,可通过获取多个第一目标封闭区域的面积均值,来平衡不同封闭区域之间的面积差。最终基于面积均值,获得优化阈值,得到的面积均值为折中的数据,提高了优化阈值的准确性。其中,通过实际应用可以确定优化阈值取值为面积均值的1/8~1/15具有较好的效果,更优选的优化阈值可取面积均值的1/10。
2、第二种方式为:数量特征为不同轮廓长度的封闭区域的分布数量。实现过程如下:
首先,基于第一图像中每个封闭区域的轮廓长度,获取分布数量最多的目标长度区间。
封闭区域的轮廓为相邻的封闭区域之间的交界线。在该第二种实现方式中通过考虑轮廓的长度来获取优化阈值,减少了计算像素的数量。通过轮廓长度同样可反映出封闭区域的大小,再通过获取分布数量最多的目标长度区间就可识别出为黑色方格和白色方格的轮廓。目标长度区间取值可根据实际的棋盘格图进行确定,不做具体限制。
然后,获取目标长度区间对应的多个第二目标封闭区域。
目标长度区间为分布数量最大的长度区间。第二目标封闭区域也即分布在目标长度区间内的封闭区域。
最后,基于多个第二目标封闭区域的轮廓长度,确定优化阈值。
本实施例中,轮廓长度可通过像素数量来确定。方格相同的棋盘格图在摄像头模组成像之后也有可能产生一定误差,导致第一图像中的各个方格大小不同。为了更加准确的对黑、白方格大小进行描述,在该种实现方式中对每个第二目标封闭区域的轮廓长度进行均值处理,以使获取的优化阈值更加准确。具体的,先获取多个第二目标封闭区域的轮廓的长度均值,再基于长度均值,获得优化阈值;在该种实现方式中通过实际应用可以确定优化阈值取值为长度均值的1/8~1/15具有较好的效果,更优选的优化阈值可取长度均值的1/10。
通过上述的两种处理方式获得的优化阈值,均可实现后续的异常区域识别,并且准确性高。
步骤S30:基于所述优化阈值,从所述封闭区域中确定出异常区域。
在步骤S30中,当优化阈值为面积大小的时候,可筛选出面积小于该优化阈值的封闭区域作为异常区域。当优化阈值为轮廓长度的时候,可筛选出长度小于该优化阈值的封闭区域作为异常区域。通过上述的筛选过程可有效的识别出第一图像中由脏点或破损点产生的缺陷,即异常区域。
步骤S40:修复所述异常区域,获得第二图像。
在步骤S40中,具体的,可基于异常区域在第一图像中的位置修复异常区域,获得第二图像。修复异常区域具体实现方式可如下:
基于异常区域在第一图像中的位置,获得异常区域所在封闭区域的目标颜色;将异常区域的颜色调整为目标颜色,获得所述第二图像。
例如,异常区域的位置在第一图像中的白色方格中时,即异常区域所在封闭区域为此时的白色方格,目标颜色为白色。同理,异常区域的位置在第一图像中的黑色方格中时,即异常区域所在封闭区域为此时的黑色方格,目标颜色为黑色。
当完成第一图像中所有异常区域的颜色修复后,就可得到第二图像。异常区域已经被修复,在第二图像中进行图像抓框,寻找黑白跳变的位置时,就不会导致图像查找路线上对黑白方格的边界产生误认。提高了抓框准确性,避免了后续计算的SFR值发生跳变。
本实施例的上述方法至少可应用于FF(Fixed Focus,固定对焦)类型的摄像头模组和AF(Auto Focus,自动对焦)类型的摄像头模组,不作限制。
以一具体实例对本实施例的步骤S40的修复过程进行说明:
例如,在本实施例中获得的第一图像如图3所示。当确定异常区域为异常区域A、异常区域B、异常区域C以及异常区域D之后。修复时,由于异常区域A、异常区域C以及异常区域D分布在黑色方格中,此时确定对应的目标颜色为黑色,将异常区域A、异常区域C以及异常区域D修复为黑色。由于异常区域B分布在白色方格中,此时确定对应的目标颜色为白色,将由于异常区域B修复为白色。最终得到的第二图像如图5所示,有效的将异常区域修复,方格区域的边界清晰,可保证抓框后,不会导致SFR分值发生跳变。
进一步的,在AF类型的摄像头模组中,在测试SFR时,就必须要移动马达进行自动对焦。但是移动马达的时候,FOV(Field of View,视场角)会有微小的变化,如果待测试的视场点在黑白方格的边界上,那么很有可能会导致测试的视场点原本定位的位置发生偏离。例如,从某一方格的中心,跳变到该方格周围的其他方格上,导致抓框位置出现剧烈变化,从而也引起SFR分值发生跳变。
对此,在本实施例中还通过如下方法进行修正或识别是否是对焦带来的偏离,也即在步骤S40之后,还包括步骤:
步骤S51:获取所述摄像头模组视场点在历史图像中的第一位置,以及在所述第二图像中的第二位置;其中,所述第一位置和所述第二位置为先后两次抓框时的视场点位置。视场点为确定抓框对象的点,即视场点在哪个方格内,就对哪个方格进行抓框。在本实施例中,视场点可以理解为摄像头模组输出的第一图像的视场点,也即第二图像的视场点。视场点可具体为0视场点,即第二图像的对角线的交叉点;还可为0.5视场点,即第二图像的对角线的1/4位置,不作限制。历史图像为当前抓框操作的前一次抓框操作的图像,或为设定不变的参照图像。历史图像的获取过程可参照第二图像的获取过程进行理解,本实施例中不再进行赘述。
步骤S52:判断所述第一位置和所述第二位置的偏差是否小于预设的偏差阈值。在该步骤中,偏差阈值可通过方格数量进行衡量,例如在本实施例中可将偏差阈值设定为一个方格,也即一个黑色方格或白色方格。一个方格作为阈值界限能够准确的表示视场点的偏移是对焦的结果,还是其他外接因素影响的结果。
步骤S53:若是,即所述第一位置和所述第二位置的偏差小于预设的偏差阈值,则基于所述第一位置,在所述第二图像中确定抓框对象;在步骤S53中,以偏差阈值为一个方格为例进行说明。当第一位置和第二位置的偏差在一个方格之内,此时包括两种情况:
1、未产生偏差,当前抓框操作定位的方格依然为上一次抓框操作所定位的方格。
请参阅图6,以0视场点为例进行说明。当上一次抓框操作时,0视场点X1所定位的方格为白色方格Y1;当前抓框操作时,0视场点X2所定位的方格同样为白色方格Y1。则两次定位的方格为同一方格,未产生偏差,确定抓框对象为白色方格Y1。
2、产生了偏差,当前抓框操作定位的方格为上一次抓框操作对应方格的相邻方格,则说明摄像头模组正常变焦产生的偏差,此时可进行修正,在第二图像中以第一位置对应的方格作为抓框对象。
请参阅图7,同样以0视场点为例进行说明。当上一次抓框操作时,0视场点X1所定位的方格为白色方格Y1;当前抓框操作时,0视场点X3所定位的方格为相邻的黑色方格Y2,且X1和X3的偏差在一个方格内。则可确定两次定位的偏差为摄像头模组正常变焦产生的偏差,可进行修正,确定抓框对象为白色方格Y1。
步骤S54:若否,即所述第一位置和所述第二位置的偏差大于或等于预设的偏差阈值,则基于所述第二位置,在所述第二图像中确定抓框对象。
在步骤S54中,继续以偏差阈值为一个方格为例进行说明。当第一位置和第二位置的偏差在两个方格以上,也即当前抓框操作定位的方格即不再上一次抓框操作定位的方格中,也不在上一次抓框操作对应方格的相邻方格中。此时说明可能存在外界因素主动使摄像头模组产生偏差。此时可不进行修正,可在第二图像中以第二位置对应的方格作为抓框对象,保证SFR分数的稳定性。
请参阅图8,同样以0视场点为例进行说明。当上一次抓框操作时,0视场点X1所定位的方格为白色方格Y1;当前抓框操作时,0视场点X4所定位的方格为相邻的白色方格Y4,且X1和X4的偏差大于一个方格。该偏差可能为对摄像头模组或模板图像的移动造成,或更换模板图像造成。此时,无需进行修正,可确定当前0视场点X4对应的白色方格Y4为抓框对象。由此,可忽略之前的抓框定位数据,保证抓框的准确性。
综上所述,本实施例提供的一种抓框图像的优化方法,通过获取摄像头模组对棋盘格图成像的第一图像;然后基于第一图像中的封闭区域,确定优化阈值;基于优化阈值,从封闭区域中确定出异常区域。通过封闭区域来确定优化阈值能够有效的考虑到所有的正常棋盘格和由破损或脏点产生的异常区域,并且可准确的对异常区域进行区分。最后,基于异常区域在第一图像中的位置修复异常区域,最终获得第二图像。修复后得到的第二图像就可在抓框操作时消除异常区域对抓框对象边线的跳变影响,避免了抓框边界的误认,提高了抓框和计算SFR分值的准确性。
第二实施例
请参阅图9,基于同一发明构思,本发明第二实施例提供了一种抓框图像的优化装300。所述抓框图像的优化装置300,包括:
图像获取模块301,用于获取摄像头模组对模板图像成像的第一图像;阈值获取模块302,用于基于所述第一图像中的封闭区域,确定优化阈值;异常处理模块303,用于基于所述优化阈值,从所述封闭区域中确定出异常区域;优化修复模块304,用于修复所述异常区域,获得第二图像。
作为一种可选的实施方式,所述阈值获取模块302,具体用于:
获取所述封闭区域的数量特征;其中,所述数量特征表示所述第一图像中不同类型的所述封闭区域的数量;基于所述数量特征,确定优化阈值。
作为一种可选的实施方式,所述数量特征为不同面积大小的所述封闭区域的分布数量;所述阈值获取模块302,还具体用于:
基于所述第一图像中每个所述封闭区域的面积大小,获取分布数量最多的目标面积区间;获取所述目标面积区间对应的多个第一目标封闭区域;基于所述多个第一目标封闭区域的面积,确定所述优化阈值。
作为一种可选的实施方式,所述阈值获取模块302,还具体用于:
获取所述多个第一目标封闭区域的面积均值;基于所述面积均值,获得所述优化阈值;其中,所述优化阈值取值为所述面积均值的1/8~1/15。
作为一种可选的实施方式,所述数量特征为不同轮廓长度的所述封闭区域的分布数量;所述阈值获取模块302,还具体用于:
基于所述第一图像中每个所述封闭区域的轮廓长度,获取分布数量最多的目标长度区间;获取所述目标长度区间对应的多个第二目标封闭区域;基于所述多个第二目标封闭区域的轮廓长度,确定所述优化阈值。
作为一种可选的实施方式,所述阈值获取模块302,还具体用于:
获取所述多个第二目标封闭区域的轮廓的长度均值;基于所述长度均值,获得所述优化阈值;其中,所述优化阈值取值为所述长度均值的1/8~1/15。
作为一种可选的实施方式,所述优化修复模块304,具体用于:
基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像。
作为一种可选的实施方式,所述优化修复模块304,还具体用于:
基于所述异常区域在所述第一图像中的位置,获得所述异常区域所在封闭区域的目标颜色;将所述异常区域的颜色调整为所述目标颜色,获得所述第二图像。
作为一种可选的实施方式,还包括定位修正模块,用于在所述基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像之后:
获取所述摄像头模组视场点在历史图像中的第一位置,以及在所述第二图像中的第二位置;其中,所述历史图像为当前抓框操作的前次抓框操作的图像,所述第一位置和所述第二位置为先后两次抓框时的视场点坐标;判断所述第一位置和所述第二位置的偏差是否小于预设的偏差阈值;若是,则基于所述第一位置,在所述第二图像中确定抓框对象;若否,则基于所述第二位置,在所述第二图像中确定抓框对象。
需要说明的是,本发明实施例所提供的抓框图像的优化装置300,其具体实现及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
第三实施例
基于同一发明构思,本发明第三实施例还提供了一种抓框图像的优化装置,包括处理器和存储器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时使所述抓框图像的优化装置执行上述第一实施例中公开的方法的步骤。
需要说明的是,本发明实施例所提供的抓框图像的优化装置中,执行每个步骤的具体实现及产生的技术效果和前述方法实施例相同,为简要描述,本实施例未提及之处可参考前述方法实施例中相应内容。
本文中出现的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系;单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种抓框图像的优化方法,其特征在于,包括:
获取摄像头模组对模板图像成像的第一图像;
基于所述第一图像中的封闭区域,确定优化阈值;
基于所述优化阈值,从所述封闭区域中确定出异常区域;
修复所述异常区域,获得第二图像;
所述基于所述第一图像中的封闭区域,确定优化阈值,包括:
获取所述封闭区域的数量特征;其中,所述数量特征表示所述第一图像中不同类型的所述封闭区域的数量,所述不同类型包括不同面积大小和/或不同轮廓长度;
基于所述数量特征,确定优化阈值,包括:
基于所述第一图像中每个所述封闭区域的参数大小,获取分布数量最多的目标参数区间;
获取所述目标参数区间对应的多个第一目标封闭区域;
基于所述多个第一目标封闭区域的参数,确定所述优化阈值。
2.根据权利要求1所述的方法,其特征在于,所述数量特征为不同面积大小的所述封闭区域的分布数量;所述基于所述数量特征,确定优化阈值,包括:
基于所述第一图像中每个所述封闭区域的面积大小,获取分布数量最多的目标面积区间;
获取所述目标面积区间对应的多个第一目标封闭区域;
基于所述多个第一目标封闭区域的面积,确定所述优化阈值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述多个第一目标封闭区域的面积,确定所述优化阈值,包括:
获取所述多个第一目标封闭区域的面积均值;
基于所述面积均值,获得所述优化阈值;其中,所述优化阈值取值为所述面积均值的1/8~1/15。
4.根据权利要求1所述的方法,其特征在于,所述数量特征为不同轮廓长度的所述封闭区域的分布数量;所述基于所述数量特征,确定优化阈值,包括:
基于所述第一图像中每个所述封闭区域的轮廓长度,获取分布数量最多的目标长度区间;
获取所述目标长度区间对应的多个第二目标封闭区域;
基于所述多个第二目标封闭区域的轮廓长度,确定所述优化阈值。
5.根据权利要求4所述的方法,其特征在于,所述基于所述多个第二目标封闭区域的轮廓长度,确定所述优化阈值,包括:
获取所述多个第二目标封闭区域的轮廓的长度均值;
基于所述长度均值,获得所述优化阈值;其中,所述优化阈值取值为所述长度均值的1/8~1/15。
6.根据权利要求1所述的方法,其特征在于,所述修复所述异常区域,获得第二图像,包括:
基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像。
7.根据权利要求6所述的方法,其特征在于,所述基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像,包括:
基于所述异常区域在所述第一图像中的位置,获得所述异常区域所在封闭区域的目标颜色;
将所述异常区域的颜色调整为所述目标颜色,获得所述第二图像。
8.根据权利要求1所述的方法,其特征在于,所述基于所述异常区域在所述第一图像中的位置修复所述异常区域,获得第二图像之后,还包括:
获取所述摄像头模组视场点在历史图像中的第一位置,以及在所述第二图像中的第二位置;其中,所述历史图像为当前抓框操作的前次抓框操作的图像,所述第一位置和所述第二位置为先后两次抓框时的视场点坐标;
判断所述第一位置和所述第二位置的偏差是否小于预设的偏差阈值;
若是,则基于所述第一位置,在所述第二图像中确定抓框对象;
若否,则基于所述第二位置,在所述第二图像中确定抓框对象。
9.一种抓框图像的优化装置,其特征在于,包括:
图像获取模块,用于获取摄像头模组对模板图像成像的第一图像;
阈值获取模块,用于基于所述第一图像中的封闭区域,确定优化阈值;
异常处理模块,用于基于所述优化阈值,从所述封闭区域中确定出异常区域;
优化修复模块,用于修复所述异常区域,获得第二图像;
所述基于所述第一图像中的封闭区域,确定优化阈值,包括:
获取所述封闭区域的数量特征;其中,所述数量特征表示所述第一图像中不同类型的所述封闭区域的数量,所述不同类型包括不同面积大小和/或不同轮廓长度;
基于所述数量特征,确定优化阈值,包括:
基于所述第一图像中每个所述封闭区域的参数大小,获取分布数量最多的目标参数区间;
获取所述目标参数区间对应的多个第一目标封闭区域;
基于所述多个第一目标封闭区域的参数,确定所述优化阈值。
10.一种抓框图像的优化装置,其特征在于,包括处理器和存储器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时使所述抓框图像的优化装置执行权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545453.2A CN113379780B (zh) | 2021-05-19 | 2021-05-19 | 一种抓框图像的优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545453.2A CN113379780B (zh) | 2021-05-19 | 2021-05-19 | 一种抓框图像的优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379780A CN113379780A (zh) | 2021-09-10 |
CN113379780B true CN113379780B (zh) | 2024-04-16 |
Family
ID=77571268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110545453.2A Active CN113379780B (zh) | 2021-05-19 | 2021-05-19 | 一种抓框图像的优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379780B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6233364B1 (en) * | 1998-09-18 | 2001-05-15 | Dainippon Screen Engineering Of America Incorporated | Method and system for detecting and tagging dust and scratches in a digital image |
RU2012154453A (ru) * | 2012-12-06 | 2014-06-20 | Александр ГУРЕВИЧ | Способ определения границ дороги, формы и положения объектов, находящихся на дороге, и устройство для его выполнения |
CN105095824A (zh) * | 2015-09-16 | 2015-11-25 | 北京慧眼智行科技有限公司 | 一种信息码的识别控制方法及装置 |
CN110675346A (zh) * | 2019-09-26 | 2020-01-10 | 武汉科技大学 | 适用于Kinect的图像采集与深度图增强方法及装置 |
CN111385457A (zh) * | 2018-12-27 | 2020-07-07 | 北京小米移动软件有限公司 | 图像处理方法、装置、电子设备、机器可读存储介质 |
JP2020174320A (ja) * | 2019-04-12 | 2020-10-22 | 国立大学法人 鹿児島大学 | 映像修復システム、映像修復方法及びプログラム |
CN111861980A (zh) * | 2020-05-29 | 2020-10-30 | 合肥联宝信息技术有限公司 | 一种成像检测方法、电子设备及计算机可读存储介质 |
CN112414679A (zh) * | 2020-12-04 | 2021-02-26 | 歌尔光学科技有限公司 | 一种提取sfr算法刀口区域的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353946B (zh) * | 2018-12-21 | 2023-04-11 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置、设备及存储介质 |
-
2021
- 2021-05-19 CN CN202110545453.2A patent/CN113379780B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6233364B1 (en) * | 1998-09-18 | 2001-05-15 | Dainippon Screen Engineering Of America Incorporated | Method and system for detecting and tagging dust and scratches in a digital image |
RU2012154453A (ru) * | 2012-12-06 | 2014-06-20 | Александр ГУРЕВИЧ | Способ определения границ дороги, формы и положения объектов, находящихся на дороге, и устройство для его выполнения |
CN105095824A (zh) * | 2015-09-16 | 2015-11-25 | 北京慧眼智行科技有限公司 | 一种信息码的识别控制方法及装置 |
CN111385457A (zh) * | 2018-12-27 | 2020-07-07 | 北京小米移动软件有限公司 | 图像处理方法、装置、电子设备、机器可读存储介质 |
JP2020174320A (ja) * | 2019-04-12 | 2020-10-22 | 国立大学法人 鹿児島大学 | 映像修復システム、映像修復方法及びプログラム |
CN110675346A (zh) * | 2019-09-26 | 2020-01-10 | 武汉科技大学 | 适用于Kinect的图像采集与深度图增强方法及装置 |
CN111861980A (zh) * | 2020-05-29 | 2020-10-30 | 合肥联宝信息技术有限公司 | 一种成像检测方法、电子设备及计算机可读存储介质 |
CN112414679A (zh) * | 2020-12-04 | 2021-02-26 | 歌尔光学科技有限公司 | 一种提取sfr算法刀口区域的方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于颜色信息和阈值的图像修复算法;许文杰 等;电视技术;20131002(第19期);全文 * |
大数据背景下的油画破损区域修复算法设计;郭军胜;;现代电子技术;20200925(第19期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379780A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612781B (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
CN108369650B (zh) | 标识校准图案的可能特征点的方法 | |
JP6879431B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
JP4933771B2 (ja) | 画像システムにおいてビデオツールを自動的にリカバリーするシステムおよび方法 | |
US7058233B2 (en) | Systems and methods for constructing an image having an extended depth of field | |
CN109325930B (zh) | 边界缺陷的检测方法、装置及检测设备 | |
CN113160161B (zh) | 目标边缘处缺陷的检测方法和装置 | |
KR100598381B1 (ko) | 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법 | |
CN109948393B (zh) | 一种一维条码的定位方法及装置 | |
US20060210338A1 (en) | Image processing device and registration data generation method in image processing | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
US11210773B2 (en) | Information processing apparatus, information processing method, and storage medium for defect inspection and detection | |
JP2009259036A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
KR100687811B1 (ko) | 용접부 결함 검출 방법 및 장치 | |
CN113362238A (zh) | 测试图像处理方法、装置、电子设备及存储介质 | |
CN117495856B (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
CN113379780B (zh) | 一种抓框图像的优化方法及装置 | |
JP3890844B2 (ja) | 外観検査方法 | |
JP4550559B2 (ja) | 外観検査装置、外観検査方法およびコンピュータを外観検査装置として機能させるためのプログラム | |
JP4679953B2 (ja) | 紙葉類の損券判定装置、損券判定方法及び損券判定プログラム | |
CN113628232B (zh) | 剔除拟合线中干扰点的方法、视觉识别设备及存储介质 | |
KR102383577B1 (ko) | 스켈러톤 웨이퍼 검사 방법 | |
JP3652589B2 (ja) | 欠陥検査装置 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 |
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 |