CN113469921A - 图像缺陷修复方法、系统、计算机设备及存储介质 - Google Patents
图像缺陷修复方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113469921A CN113469921A CN202111040441.0A CN202111040441A CN113469921A CN 113469921 A CN113469921 A CN 113469921A CN 202111040441 A CN202111040441 A CN 202111040441A CN 113469921 A CN113469921 A CN 113469921A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- images
- detected
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000008439 repair process Effects 0.000 claims description 23
- 238000005520 cutting process Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- 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
- G06T7/10—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
Abstract
本发明属于计算机技术领域,具体涉及图像缺陷修复方法、系统、计算机设备及存储介质。该方法包括:获取待检测图像并拷贝;将两组待检测图像分别进行灰度化处理及二值化处理,分别得到灰度图像和二值图像;对灰度图像进行灰度值比较过滤出浮点;由二值图像确定杂点像素区块并映射到出浮点图像对比,当位置一致时,对杂点像素区块的图像修复。通过对图像异常灰度值的分析以及杂点像素区块筛选,经核准后以消除图像缺陷像素区块,获得无噪点以及无杂点干扰的清晰图像,对图像缺陷区域进行修复。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种图像缺陷修复方法、系统、计算机设备及存储介质。
背景技术
随着人工智能技术的不断发展以及计算机视觉技术逐渐成熟,在对拍摄图像处理过程中,涉及到对图像中杂点的识别与处理。由于图像处理技术在人脸识别、疾病诊断、人工智能、智能制造、以及计算机视觉等领域中得到应用,具体为应用于工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组。对拍摄的图像处理通常为采用计算机对图像进行分析,以达到所需结果的技术,一般包括图像压缩,增强和复原,匹配、描述和识别三个部分。
然而,经由工业相机、摄像机、扫描仪等设备经过拍摄得到的图像,往往由于拍摄环境或拍摄物本身瑕疵的影响,导致拍摄的图像中包含很多噪点和杂点,影响图像的清晰度。常规的图像识别等技术难以为分散于图像中且特征不明显的离散杂点进行特征识别,导致噪点及杂点严重干扰图像的清晰度,缺乏对图像缺陷区域进行修复的方法。
发明内容
考虑到上述问题而提出了本发明。本发明提供了一种图像缺陷修复方法、系统、计算机设备及存储介质,是基于图像在不同环境拍摄时受到外界环境干扰或拍摄目标自身瑕疵的影响导致的图像缺陷,通过对图像异常灰度值的分析以及杂点像素区块筛选,经核准后以消除图像缺陷像素区块,获得无噪点以及无杂点干扰的清晰图像,对图像缺陷区域进行修复。
本发明采用以下技术方案实现:
一种图像缺陷修复方法,所述方法包括:
获取待检测图像,对获取的所述待检测图像拷贝;
将拷贝的第一组待检测图像进行灰度化处理,得到灰度图像;
确定所述灰度图像中每个像素点的最大灰度值,并与所述灰度图像的平均灰度值对比,过滤出灰度值大于平均灰度值的像素位置点以及灰度值异常于周边的浮点;
将拷贝的第二组待检测图像进行二值化处理,得到二值图像;
根据预设的阈值条件确定出所述二值图像上满足所述阈值条件的杂点像素区块;
将第二组待检测图像的所述杂点像素区块映射到第一组待检测图像上,确定所述杂点像素区块位置与所述浮点位置是否一致,当一致时,修复所述杂点像素区块的图像。
进一步的,所述灰度值异常于周边的浮点的判断方法:
获取所述灰度图像中每个像素点的最大灰度值;
将每个像素点的最大灰度值进行转化为相对应的梯度高度值;
根据每个像素点的所述梯度高度值,得到所述灰度图像的每个像素点相对于周边像素的梯度值;
当梯度值大于设定梯度阈值时,将所述梯度值对应的像素点标记为浮点,其中,浮点对应所述梯度高度值的波峰或波谷位置的像素点。
进一步的,确定所述灰度图像中每个像素点的最大灰度值,并与所述灰度图像的平均灰度值对比,过滤出灰度值小于平均灰度值的像素位置点时,将所述像素点的灰度值修改为灰度最小值。
进一步的,所述将拷贝的第二组待检测图像进行二值化处理,包括:
获取第二组待检测图像;
对所述第二组待检测图像进行灰度处理,得到二值化灰度图像;
将所述二值化灰度图像的长度和垂直方向上的大小与预设阈值条件对比,当大于所述预设阈值条件时,将所述像素的灰度值设置为灰度最大值,当小于所述预设阈值条件时,将所述像素确定为杂点像素区块。
进一步的,所述确定是否与所述第一组待检测图像的浮点一致情况如下:
当一致时,将大于所述平均灰度值的第二组待检测图像中杂点像素区块的像素灰度值设置为最小值;将小于所述平均灰度值的第二组待检测图像中杂点像素区块的像素灰度值设置为最大值;
当不一致时,保持所述杂点像素区块的像素灰度值不变。
进一步的,所述确定是否与所述第一组待检测图像的浮点一致情况:
当一致时,根据所述杂点像素区块对应的所述第二组待检测图像进行分切,去除杂点所在缺陷区域;获取所述杂点像素区块相邻的像素区块对应的图像进行分切并填充至去除的缺陷区域,获得修复后图像。
进一步的,所述确定是否与所述第一组待检测图像的浮点一致情况:
当一致时,根据所述杂点像素区块对应的所述第二组待检测图像进行分切,去除杂点所在缺陷区域;计算所述缺陷区域周围像素的平均灰度值,遍历所述第二组待检测图像中的所有像素点,将趋于所述缺陷区域周围像素的平均灰度值的像素点对应的图像分切并赋值到缺陷区域,获得修复后图像。
进一步的,所述将拷贝的第二组待检测图像进行二值化处理之前,还包括:
计算所述第二组待检测图像的像素数值;
根据计算得到的像素数值对所述第二组待检测图像进行分切,得到多个子区域图像;
按照将多个子区域图像在所述第二组待检测图像中的位置进行标记并排列,得到待处理图像序列;
基于所述待处理图像序列依次进行二值化处理。
本发明还包括一种图像缺陷修复系统,所述图像缺陷修复系统采用上述图像缺陷修复方法对造成图像缺陷的杂点识别并修复;所述图像缺陷修复系统包括获取模块、拷贝模块、灰度化处理模块、灰度值对比模块、图像处理模块、杂点确定模块以及图像修复模块。
所述获取模块,用于获取的待检测图像。
所述拷贝模块,用于将获取的待检测图像拷贝为两组。
所述灰度化处理模块,用于对待检测图像进行灰度化处理,得到灰度图像。
所述灰度值对比模块,用于将所述灰度图像中每个像素点的灰度值与平均灰度值对比,过滤出灰度值大于平均灰度值的像素位置点以及灰度值异常于周边的浮点。
所述图像处理模块,用于将拷贝的第二组待检测图像进行二值化处理,得到二值图像。
所述杂点确定模块,用于根据预设的阈值条件确定出所述二值图像上满足所述阈值条件的杂点像素区块,并与所述浮点比对以确定杂点像素区块。
所述图像修复模块,用于将与所述浮点位置一致的所述杂点像素区块对应的图像修复。
本发明还包括一种计算机设备,包括存储器和处理器,所述存储器存储有计算机可读指令,所述处理器加载并执行所述计算机可读指令时实现图像缺陷修复方法的步骤。
本发明还包括一种存储介质,存储有计算机可读指令,所述计算机可读指令被处理器加载并执行时实现图像缺陷修复方法的步骤。
本发明提供的技术方案,具有如下有益效果:
本发明提供的图像缺陷修复方法、系统、计算机设备及存储介质,通过对图像进行灰度化处理得到特征区域和浮点,并与确定的杂点像素区块进行位置比对,一致时进行图像的修复;灰度值的浮点与二值化的杂点像素区块双相映射确定同一图片中的杂点位置并修复,得到清晰无杂点的图像,有利于对图片中引起图像缺陷的杂点识别并删除修复,获得无噪点以及无杂点干扰的清晰图像。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明一个实施例的图像缺陷修复方法的流程图。
图2为本发明一个实施例的图像缺陷修复方法中二值化处理的流程图。
图3为本发明一个实施例的图像缺陷修复方法中二值化处理前的流程图。
图4为本发明实施例中图像缺陷修复方法中检测图像经灰度处理后的灰度图像。
图5为本发明实施例中图像缺陷修复方法中检测图像中杂点分布效果示意图。
图6为本发明实施例中图像缺陷修复方法中检测图像中杂点像素区块图。
图7为本发明实施例中图像缺陷修复方法中特征轮廓示意图。
图8为本发明一个实施例中的图像缺陷修复系统的系统框图。
图9为适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。应当理解,尽管在本发明实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明公开及其应用或使用的任何限制。
在实现本公开的过程中,本发明实施例提供一种图像缺陷修复方法,通过采用新的修复方法获取用于缺陷识别的异常灰度值以杂点像素区块,经过对比获得无噪点以及无杂点干扰的清晰图像,对图像缺陷区域进行修复。
本申请实施例提供了一种图像缺陷修复方法可以应用于服务器,具体可应用于服务器和终端设备组成的系统框架内,所述服务器和终端设备之间通过有线或无线网络连通。终端设备上可以安装有各种客户端应用,例如图像处理类应用、美图应用、即时通讯等软件。
其中,该图像缺陷修复方法通过获取任一待检测的图像,然后通过拷贝的方式将两个检测图像分别进行灰度化处理及二值化处理,分别得到灰度图像和二值图像;对灰度图像进行灰度值比较过滤出浮点;由二值图像确定杂点像素区块并映射到出浮点图像对比,当位置一致时,对杂点像素区块的图像修复。通过对图像异常灰度值的分析以及杂点像素区块筛选,经核准后以消除图像缺陷像素区块,获得无噪点以及无杂点干扰的清晰图像,对图像缺陷区域进行修复。
本申请实施例提供的图像缺陷修复方法适用于提供的任意一张及以上的图像的缺陷检测及修复的技术领域。例如:在实际应用中,可以基于本申请实施例提供的图像缺陷修复方法的发明构思开发图像或图形的处理类的应用程序,可以方便地通过扫描或上传图像数据的方式对每张图像数据中噪点或杂点的多少评价图像干扰项的严重程度和/或具体分布情况。进一步地,图像或图形应用程序还可以根据不同的缺陷特征检测结果为图片推荐出针对噪点或杂点等情况的诊疗修复方法,以满足阈值条件的特定大小范围的像素区块作为杂点,以对不同图像或图形的杂点针对性筛选并修复。
具体地,下面结合附图,对本申请实施例作进一步阐述。
请参阅图1所示,图1示出了根据本发明公开的图像缺陷修复方法的一个实施例的流程的流程图。为了便于说明,仅示出与本发明实施例相关的部分。在本发明实施例中,本实施例提供了一种图像缺陷修复方法,包括以下步骤:
S11、获取待检测图像,对获取的所述待检测图像拷贝;
在本实施例中,所述检测图像可以由采用工业相机、摄像机、扫描仪等设备经过拍摄得到的图像,所述检测图像经拷贝为两份,分别标记为第二组待检测图像和第二组待检测图像。
进一步,所述检测图像也可以采集的视频数据的任一视频帧数据。在本发明的一个实施例中,当待检测图像集为视频时(比如:工业相机对目标物体拍摄的视频数据,如传送带上批量传输的零件,或者户外拍摄的某一物体的影像片段),对获取的视频进行帧率变换,得到分帧处理的视频帧数据,以时间周期获取视频帧图片,得到图像数据集,按照分帧时间顺序对视频帧图像逐一处理。例如,以每秒1帧的帧率获取视频帧图像,视频帧图按照时间顺序排序作为图像数据集。
S12、将拷贝的第一组待检测图像进行灰度化处理,得到灰度图像。
在本实施例中,参见图4中输入原始图像灰度处理后的灰度图像所示,通过对拷贝的一组待检测图像进行灰度处理,得到灰度处理后的图片。其中,图像进行灰度处理得到黑白图片。
S13、确定所述灰度图像中每个像素点的最大灰度值,并与所述灰度图像的平均灰度值对比,过滤出灰度值大于平均灰度值的像素位置点以及灰度值异常于周边的浮点。
在本实施例中,灰度图像基于RGB模型,使待检测图像的色彩的三种颜色分量R、G、B的值相同,即 R=G=B=wr*R+wg*G+wb*B,wr、wg、wb分别为R、G、B的权值。其中,R=G=B的值叫灰度值,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。其中,采用平均值法(Average)确定出灰度图像的平均灰度值以及使用最大值法(Maximum) 确定灰度图像中每个像素点的最大灰度值后,可以对比确定灰度值大于平均灰度值的像素位置点区域以及灰度值异常于周边像素灰度值的浮点。
当过滤出灰度值小于平均灰度值的像素位置点时,将所述像素点的灰度值修改为灰度最小值。
进一步的,所述灰度值异常于周边的浮点的判断方法,步骤如下:
获取所述灰度图像中每个像素点的最大灰度值;
将每个像素点的最大灰度值进行转化为相对应的梯度高度值;
根据每个像素点的所述梯度高度值,得到所述灰度图像的每个像素点相对于周边像素的梯度值;
当梯度值大于设定梯度阈值时,将所述梯度值对应的像素点标记为浮点,其中,浮点对应所述梯度高度值的波峰或波谷位置的像素点。
在本实施例中,按照像素数据构建梯度值坐标系,以每个像素点的最大灰度值数据作为同一比例的梯度高度值,生成与最大灰度值相匹配的柱状图形成的曲面数据,根据曲面的曲度计算每个像素点相对于周边像素的梯度值,得到所述灰度图像的每个像素点相对于周边像素的梯度值。其中,浮点为梯度高度值的波峰或波谷位置的像素点。
以波峰或波谷位置的长度和垂直方向上的大小区分是否为浮点区域。例如:以波峰或波谷位置的最大像素点为圆心,在半径为2个像素区域内的波峰或波谷曲面为范围,小于该范围的波峰或波谷位置对应的像素点均为浮点。
S14、将拷贝的第二组待检测图像进行二值化处理,得到二值图像。
在本实施例中,所述“二值化处理”是指按照预设的规则将图像上的像素点的灰度值设置为0或255,使整个图像呈现出明显的只有黑和白的视觉效果,以把灰度图像转换成二值图像。二值图像映射出待检测图像中的纹理特征。参见图7的特征轮廓示意图。经二值化处理后,根据每个像素点的像素值分布来确定该像素位置上的二值化阈值,以将白色像素的纹理特征的作为前景区域与黑色像素的其他背景区域进行区分,也可以采用现有的trimap静态图像抠图算法以及alpha matting的算法进行软抠图,分割出前景区域和背景区域,获得更好的分割效果。
具体的,请参阅图2所示的二值化处理的流程图。将拷贝的第二组待检测图像进行二值化处理,包括以下步骤:
S210、获取第二组待检测图像;
S211、对所述第二组待检测图像进行灰度处理,得到二值化灰度图像;
S212、将所述二值化灰度图像的长度和垂直方向上的大小与预设阈值条件对比,当大于所述预设阈值条件时,将所述像素的灰度值设置为灰度最大值,当小于所述预设阈值条件时,将所述像素确定为杂点像素区块,参见图6所示,图6为检测图像中杂点像素区块图。
S15、根据预设的阈值条件确定出所述二值图像上满足所述阈值条件的杂点像素区块。
在本实施例中,参见图5所示,图5为检测图像中杂点分布效果示意图。通过将大于预设阈值条件设置的长度和垂直方向上的像素的灰度设置为最大值,例如设置为黑色像素,小于所述预设阈值条件的像素设置为白色像素,通过黑和白的视觉效果将二值化处理后的二值图像区分开,以此能够确定出所述二值图像上满足所述阈值条件的杂点像素区块。
S16、将第二组待检测图像的所述杂点像素区块映射到第一组待检测图像上,确定所述杂点像素区块位置与所述浮点位置是否一致,当一致时,修复所述杂点像素区块的图像。
在本发明的一个实施例中,所述确定是否与所述第一组待检测图像的浮点一致情况如下:当一致时,将大于所述平均灰度值的第二组待检测图像中杂点像素区块的像素灰度值设置为最小值;将小于所述平均灰度值的第二组待检测图像中杂点像素区块的像素灰度值设置为最大值。
当不一致时,保持所述杂点像素区块的像素灰度值不变。
在本发明的一个实施例中,所述确定是否与所述第一组待检测图像的浮点一致情况:
当一致时,根据所述杂点像素区块对应的所述第二组待检测图像进行分切,去除杂点所在缺陷区域;获取所述杂点像素区块相邻的像素区块对应的图像进行分切并填充至去除的缺陷区域,获得修复后图像。
在本实施例中,其采用对杂点像素区块分切去除,采用相邻的像素区块进行修复,去除杂点。
在本发明的一个实施例中,所述确定是否与所述第一组待检测图像的浮点一致情况:
当一致时,根据所述杂点像素区块对应的所述第二组待检测图像进行分切,去除杂点所在缺陷区域;计算所述缺陷区域周围像素的平均灰度值,遍历所述第二组待检测图像中的所有像素点,将趋于所述缺陷区域周围像素的平均灰度值的像素点对应的图像分切并赋值到缺陷区域,获得修复后图像。
在本实施例中,通过遍历整个待检测图像的所有像素点,找到与缺陷区域周围像素的平均灰度值相接近的像素点进行修复缺陷区域,覆盖原有的杂点区域,得到去除杂点的修复后图像。
对杂点像素区块分切去除,采用相邻的像素区块进行修复,去除杂点。
进一步的,所述将拷贝的第二组待检测图像进行二值化处理之前,还包括以下步骤:
S201、计算所述第二组待检测图像的像素数值;
S202、根据计算得到的像素数值对所述第二组待检测图像进行分切,得到多个子区域图像;
在本实施例中,可选的,不同像素数量的第二组待检测图像可对应不同的分切方式,分切式的数量可以包括至少两种。例如,分切方式可以包括但不限于直接对第二组待检测图像进行分切,对第二组待检测图像补充多个零像素后进行分切。
例如,每个分切的子区域图像的像素为m×n个像素点为例,可以将第二组待检测图像分割为多个子区域。m×n的取值越小,分切的多个子区域数量越多。优选地,以将第二组待检测图像按九宫格方式进行分切,得到多个子区域图像。例如,多个子区域图像取值为11×11像素的区域图块。
S203、按照将多个子区域图像在所述第二组待检测图像中的位置进行标记并排列,得到待处理图像序列。
在本实施例中,将多个子区域图像按横排标记后并跳转至下一横排逐一标记,将分切的多个子区域图像首位相连形成待处理图像序列,以便逐一进行二值化处理。
S204、基于所述待处理图像序列依次进行二值化处理。
本发明提供的技术方案根据同一图像进行灰度化处理得到特征区域和浮点,并与确定的杂点像素区块进行位置比对,一致时进行图像的修复;灰度值的浮点与二值化的杂点像素区块双相映射确定同一图片中的杂点位置并修复,得到清晰无杂点的图像,有利于对图片中引起图像缺陷的杂点识别并删除修复,获得无噪点以及无杂点干扰的清晰图像,以获得无噪点以及无杂点干扰的清晰图像,对图像缺陷区域进行修复。
如图8所示,图8是本申请实施例提供的一种图像缺陷修复系统的结构框图,该图像缺陷修复系统可以应用于图像处理设备,能够执行上述任一方法实施例中的种图像缺陷修复的方法。具体的,在本发明的一个实施例中提供了一种图像缺陷修复系统包括获取模块301、拷贝模块302、灰度化处理模块303、灰度值对比模块304、图像处理模块305、杂点确定模块306以及图像修复模块307。
其中,所述获取模块301,用于获取的待检测图像。
所述拷贝模块302,用于将获取的待检测图像拷贝为两组。
所述灰度化处理模块303,用于对待检测图像进行灰度化处理,得到灰度图像。
所述灰度值对比模块304,用于将所述灰度图像中每个像素点的灰度值与平均灰度值对比,过滤出灰度值大于平均灰度值的像素位置点以及灰度值异常于周边的浮点。
所述图像处理模块305,用于将拷贝的第二组待检测图像进行二值化处理,得到二值图像。
所述杂点确定模块306,用于根据预设的阈值条件确定出所述二值图像上满足所述阈值条件的杂点像素区块,并与所述浮点比对以确定杂点像素区块。
所述图像修复模块307,用于将与所述浮点位置一致的所述杂点像素区块对应的图像修复。
在本实施例中,图像缺陷修复系统在执行时还可以采用如前述的一种图像缺陷修复方法的步骤,可以应用在图像处理过程中对图像中的杂点识别和修复的图形处理软件中。本发明可用于找出图像中杂点所在位置的异常灰度值和杂点像素区块,并经核准后确定图像缺陷像素区块对应的杂点位置,并进行修复,以消除图像中的杂点,获得无噪点以及无杂点干扰的清晰图像,对图像缺陷区域进行修复,以此提高图像质量,消除杂点干扰的目的。其中,图像缺陷修复系统在执行时采用如前述的一种图像缺陷修复方法的步骤。因此,本实施例中对图像缺陷修复系统的运行过程不再详细介绍。
参见图9所示,在本发明的一个实施例中还提供了一种计算机设备310,包括存储器311和处理器312,存储器311中存储有计算机可读指令,该处理器312加载并执行计算机可读指令时实现上述各方法实施例中的步骤。其中,本技术领域技术人员可以理解,这里的计算机设备310是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器312、专用集成电路、可编程门阵列、数字处理器312、嵌入式设备等。所述计算机设备310可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备310可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
此外,本发明的一些实施例还包括具有用于在计算机上执行本说明书中记载的方法的程序的存储介质,其上存储有计算机可读指令,该计算机可读指令被处理器312加载并执行时实现上述各方法实施例中的步骤,所述计算机可读记录介质的示例包括为了存储并执行程序命令而专门构成的硬件装置:诸如硬盘、软盘及磁带的磁介质、诸如CD-ROM、DVD的光记录介质、诸如软盘的磁光介质及ROM、RAM、闪存等。程序命令的示例可包括:由编译器编写的机器语言代码以及使用解释器等而由计算机来执行的高级语言代。
其中,处理器312在一些实施例中可以是中央处理器312(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器312、或其他数据处理芯片。本实施例中,所述处理器312用于运行所述存储器311中存储的计算机可读指令或者处理数据,例如运行所述基于图像的健康状态识别方法的计算机可读指令。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,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311、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311中的至少一种。
综上所述,本发明通过对图像进行灰度化处理得到特征区域和浮点,并与确定的杂点像素区块进行位置比对,一致时进行图像的修复;灰度值的浮点与二值化的杂点像素区块双相映射确定同一图片中的杂点位置并修复,得到清晰无杂点的图像,有利于对图片中引起图像缺陷的杂点识别并删除修复,获得无噪点以及无杂点干扰的清晰图像。
而且,本发明通过获得两组图像之间的异常灰度值和杂点像素区块,并根据杂点像素区块与预设的阈值条件比较,筛选出杂点像素区块,在杂点像素区块与异常灰度值对应同一像素时,则能够确定杂点所在图像位置,将含杂点的图片分割分切并删除,在图像中查找与缺陷区域相接近的像素点对应的图像进行修复即可,能够对杂点进行识别及所在区域修复,提高了图像修复的质量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像缺陷修复方法,其特征在于,包括以下步骤:
获取待检测图像,对获取的所述待检测图像拷贝;
将拷贝的第一组待检测图像进行灰度化处理,得到灰度图像;
确定所述灰度图像中每个像素点的最大灰度值,并与所述灰度图像的平均灰度值对比,过滤出灰度值大于平均灰度值的像素位置点以及灰度值异常于周边的浮点;
将拷贝的第二组待检测图像进行二值化处理,得到二值图像;
根据预设的阈值条件确定出所述二值图像上满足所述阈值条件的杂点像素区块;
将第二组待检测图像的所述杂点像素区块映射到第一组待检测图像上,确定所述杂点像素区块位置与所述浮点位置是否一致,当一致时,修复所述杂点像素区块的图像。
2.如权利要求1所述的图像缺陷修复方法,其特征在于:所述灰度值异常于周边的浮点的判断方法:
获取所述灰度图像中每个像素点的最大灰度值;
将每个像素点的最大灰度值进行转化为相对应的梯度高度值;
根据每个像素点的所述梯度高度值,得到所述灰度图像的每个像素点相对于周边像素的梯度值;
当梯度值大于设定梯度阈值时,将所述梯度值对应的像素点标记为浮点,其中,浮点对应所述梯度高度值的波峰或波谷位置的像素点。
3.如权利要求1或2所述的图像缺陷修复方法,其特征在于:确定所述灰度图像中每个像素点的最大灰度值,并与所述灰度图像的平均灰度值对比,过滤出灰度值小于平均灰度值的像素位置点时,将所述像素点的灰度值修改为灰度最小值。
4.如权利要求1所述的图像缺陷修复方法,其特征在于:所述将拷贝的第二组待检测图像进行二值化处理,包括:
获取第二组待检测图像;
对所述第二组待检测图像进行灰度处理,得到二值化灰度图像;
将所述二值化灰度图像的长度和垂直方向上的大小与预设阈值条件对比,当大于所述预设阈值条件时,将所述像素的灰度值设置为灰度最大值,当小于所述预设阈值条件时,将所述像素确定为杂点像素区块。
5.如权利要求4所述的图像缺陷修复方法,其特征在于:所述确定是否与所述第一组待检测图像的浮点一致情况如下:
当一致时,将大于所述平均灰度值的第二组待检测图像中杂点像素区块的像素灰度值设置为最小值;将小于所述平均灰度值的第二组待检测图像中杂点像素区块的像素灰度值设置为最大值;
当不一致时,保持所述杂点像素区块的像素灰度值不变。
6.如权利要求4所述的图像缺陷修复方法,其特征在于:所述确定是否与所述第一组待检测图像的浮点一致情况:
当一致时,根据所述杂点像素区块对应的所述第二组待检测图像进行分切,去除杂点所在缺陷区域;获取所述杂点像素区块相邻的像素区块对应的图像进行分切并填充至去除的缺陷区域,获得修复后图像。
7.如权利要求4所述的图像缺陷修复方法,其特征在于:所述确定是否与所述第一组待检测图像的浮点一致情况:
当一致时,根据所述杂点像素区块对应的所述第二组待检测图像进行分切,去除杂点所在缺陷区域;计算所述缺陷区域周围像素的平均灰度值,遍历所述第二组待检测图像中的所有像素点,将趋于所述缺陷区域周围像素的平均灰度值的像素点对应的图像分切并赋值到缺陷区域,获得修复后图像。
8.一种图像缺陷修复系统,其特征在于,所述图像缺陷修复系统采用权利要求1-7中任意一项所述图像缺陷修复方法对造成图像缺陷的杂点识别并修复;所述图像缺陷修复系统包括:
获取模块,用于获取的待检测图像;
拷贝模块,用于将获取的待检测图像拷贝为两组;
灰度化处理模块,用于对待检测图像进行灰度化处理,得到灰度图像;
灰度值对比模块,用于将所述灰度图像中每个像素点的灰度值与平均灰度值对比,过滤出灰度值大于平均灰度值的像素位置点以及灰度值异常于周边的浮点;
图像处理模块,用于将拷贝的第二组待检测图像进行二值化处理,得到二值图像;
杂点确定模块,用于根据预设的阈值条件确定出所述二值图像上满足所述阈值条件的杂点像素区块,并与所述浮点比对以确定杂点像素区块;以及
图像修复模块,用于将与所述浮点位置一致的所述杂点像素区块对应的图像修复。
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可读指令,其特征在于,所述处理器加载并执行所述计算机可读指令时实现权利要求1至7中任一项所述的方法的步骤。
10.一种存储介质,存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器加载并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 |
---|---|---|---|
CN202111040441.0A CN113469921B (zh) | 2021-09-06 | 2021-09-06 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040441.0A CN113469921B (zh) | 2021-09-06 | 2021-09-06 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469921A true CN113469921A (zh) | 2021-10-01 |
CN113469921B CN113469921B (zh) | 2022-02-08 |
Family
ID=77864673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111040441.0A Active CN113469921B (zh) | 2021-09-06 | 2021-09-06 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469921B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354623A (zh) * | 2021-12-30 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 弱印痕提取算法、装置、设备和介质 |
CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
CN115018842A (zh) * | 2022-08-08 | 2022-09-06 | 中科航迈数控软件(深圳)有限公司 | 基于机器视觉的缺陷检测方法、装置、终端及存储介质 |
CN115880248A (zh) * | 2022-12-13 | 2023-03-31 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
CN104159119A (zh) * | 2014-07-07 | 2014-11-19 | 大连民族学院 | 一种视频图像实时共享播放的超分辨率重构方法和系统 |
CN104156961A (zh) * | 2014-08-12 | 2014-11-19 | 东北林业大学 | 灰度缺陷图像提取方法 |
CN104535586A (zh) * | 2014-11-18 | 2015-04-22 | 华东理工大学 | 带钢边部缺陷检测识别方法 |
CN105321179A (zh) * | 2015-10-12 | 2016-02-10 | 陕西科技大学 | 面向工业产品表面缺陷检测的二值图像连通域标记方法 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN111242888A (zh) * | 2019-12-03 | 2020-06-05 | 中国人民解放军海军航空大学 | 一种基于机器视觉的图像处理方法及系统 |
CN112581452A (zh) * | 2020-12-22 | 2021-03-30 | 钱仪嘉 | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 |
-
2021
- 2021-09-06 CN CN202111040441.0A patent/CN113469921B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
CN104159119A (zh) * | 2014-07-07 | 2014-11-19 | 大连民族学院 | 一种视频图像实时共享播放的超分辨率重构方法和系统 |
CN104156961A (zh) * | 2014-08-12 | 2014-11-19 | 东北林业大学 | 灰度缺陷图像提取方法 |
CN104535586A (zh) * | 2014-11-18 | 2015-04-22 | 华东理工大学 | 带钢边部缺陷检测识别方法 |
CN105321179A (zh) * | 2015-10-12 | 2016-02-10 | 陕西科技大学 | 面向工业产品表面缺陷检测的二值图像连通域标记方法 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN111242888A (zh) * | 2019-12-03 | 2020-06-05 | 中国人民解放军海军航空大学 | 一种基于机器视觉的图像处理方法及系统 |
CN112581452A (zh) * | 2020-12-22 | 2021-03-30 | 钱仪嘉 | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
贺振东 等: "基于背景差分的高铁钢轨表面缺陷图像分割", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354623A (zh) * | 2021-12-30 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 弱印痕提取算法、装置、设备和介质 |
CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
CN115018842A (zh) * | 2022-08-08 | 2022-09-06 | 中科航迈数控软件(深圳)有限公司 | 基于机器视觉的缺陷检测方法、装置、终端及存储介质 |
CN115018842B (zh) * | 2022-08-08 | 2022-11-11 | 中科航迈数控软件(深圳)有限公司 | 基于机器视觉的缺陷检测方法、装置、终端及存储介质 |
CN115880248A (zh) * | 2022-12-13 | 2023-03-31 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
CN115880248B (zh) * | 2022-12-13 | 2024-02-09 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113469921B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469921B (zh) | 图像缺陷修复方法、系统、计算机设备及存储介质 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
JP4160258B2 (ja) | 勾配ベースの局部輪郭線検出のための新しい知覚的しきい値決定 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
WO2023179122A1 (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
JP4908440B2 (ja) | 画像処理装置及び方法 | |
CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN113808131B (zh) | 一种连接器缺陷识别方法及系统及装置及介质 | |
CN111079730A (zh) | 一种在界面图中确定样图所在区域的方法和电子设备 | |
EP0681722A1 (en) | Methods for determining the exterior points of an object in a background | |
CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
CN112307944A (zh) | 菜品库存信息处理方法、菜品出库方法及相关装置 | |
CN110751156A (zh) | 用于表格线大块干扰去除方法、系统、设备及介质 | |
JP2005165387A (ja) | 画面のスジ欠陥検出方法及び装置並びに表示装置 | |
CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN114418848B (zh) | 视频处理方法、装置、存储介质及电子设备 | |
CN111563883B (zh) | 屏幕视觉定位方法、定位设备及存储介质 | |
CN114550062A (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 | |
JP4247993B2 (ja) | 画像検査装置、画像検査方法、制御プログラムおよび可読記憶媒体 | |
CN111435531A (zh) | 一种图像偏转角度检测方法、智能设备及存储介质 |
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 |