CN113487592B - 一种基于统计量的高光谱或多光谱图像过曝检测方法及系统 - Google Patents

一种基于统计量的高光谱或多光谱图像过曝检测方法及系统 Download PDF

Info

Publication number
CN113487592B
CN113487592B CN202110832154.7A CN202110832154A CN113487592B CN 113487592 B CN113487592 B CN 113487592B CN 202110832154 A CN202110832154 A CN 202110832154A CN 113487592 B CN113487592 B CN 113487592B
Authority
CN
China
Prior art keywords
value
band
pixel
ratio
hyperspectral
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
Application number
CN202110832154.7A
Other languages
English (en)
Other versions
CN113487592A (zh
Inventor
邓尧
闫超
袁良垲
付强
刘志刚
王正伟
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.)
Sichuan Jiuzhou Electric Group Co Ltd
Original Assignee
Sichuan Jiuzhou Electric Group 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 Sichuan Jiuzhou Electric Group Co Ltd filed Critical Sichuan Jiuzhou Electric Group Co Ltd
Priority to CN202110832154.7A priority Critical patent/CN113487592B/zh
Publication of CN113487592A publication Critical patent/CN113487592A/zh
Application granted granted Critical
Publication of CN113487592B publication Critical patent/CN113487592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Abstract

本发明涉及一种基于统计量的高光谱或多光谱图像过曝检测方法及系统，解决了现有技术中缺乏一种稳定且高效地实现高光谱图像过爆检测的问题。输入高光谱或多光谱图像，在高光谱或多光谱图像中选取检测波段区间；逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值；判断每一波段的每一指标值与对应指标阈值的关系，获取检测波段区间中每一指标值在对应指标阈值范围内的波段个数；计算每一指标值在阈值范围内的波段个数在检测波段区间波段总数的每一指标占比；若指标占比均大于等于对应占比阈值，则高光谱或多光谱图像为正常；若任一指标占比小于对应占比阈值，则高光谱或多光谱图像过曝。实现了高光谱或多光谱图像过爆检测。

Description

一种基于统计量的高光谱或多光谱图像过曝检测方法及系统
技术领域
本发明涉及高光谱或多光谱图像处理技术领域，尤其涉及一种基于统计量的高光谱或多光谱图像过曝检测方法及系统。
背景技术
高光谱或多光谱成像技术是一种在一定波段范围内获取探测对象光谱辐射信息的技术手段。高光谱或多光谱相机克服了可见光相机和红外相机光谱信息受限的问题，高光谱或多光谱图像不仅可获取空间信息，同时还可获取丰富的光谱信息。那么在保证空间分辨率的情况下，高光谱或多光谱相机采集的谱信息越多，成像时间越长，输出图像内存更大，成像成本更高。
高光谱相机采集数据过曝是指由于光圈过大、快门过慢等原因造成的画面中亮度过高、照片泛白而丢失图像细节，图像质量差。过曝检测的应用，旨在能够实时地解决高光谱相机采集数据是否过曝的监督问题；高光谱或多光谱成像设备不同于传统的相机，由于其不仅能够实现可见光波段的多谱段成像，还能够实现近红外波段的多谱段成像；高光谱或多光谱相机具有成像波段谱域宽、波段数目多的特点。尤其针对推扫式高分辨率的高光谱或多光谱相机，其成像数据量大，但缺点是成像时间稍长。所以，在正式开展数据采集之前，需要方便检测相机的当前工作状态。
高光谱或多光谱图像光谱众多的特点，使得单幅图像的数据量较大，将高光谱或多光谱图像用于过曝检测任务时，需要考虑到不同谱段(也即不同的通道)的成像质量。然而，传统的过曝检测算法只作用在单张灰度图上，而目前没有高光谱或多光谱图像上的过曝检测方法。
因此，现有技术中缺乏一种基于高光谱或多光谱图像关键波段、结合多项统计量指标的综合判定准则的方法，能稳定且高效地实现高光谱或多光谱图像过爆检测的一种基于统计量的高光谱或多光谱图像过曝检测方法及系统。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于统计量的高光谱或多光谱图像过曝检测方法及系统，用以解决现有缺乏一种稳定且高效地实现高光谱图像过爆检测的问题。
一方面，本发明实施例提供了一种基于统计量的高光谱或多光谱图像过曝检测方法，包括：
输入高光谱或多光谱图像，在所述高光谱或多光谱图像中选取检测波段区间；
逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值；
判断每一波段的每一指标值与对应指标阈值的关系，获取所述检测波段区间中每一指标值在对应指标阈值范围内的波段个数；
计算所述每一指标值在阈值范围内的波段个数在所述检测波段区间波段总数的每一指标占比；若所述指标占比均大于等于对应占比阈值，则所述高光谱或多光谱图像为正常；若任一指标占比小于对应占比阈值，则所述高光谱或多光谱图像过曝。
进一步地，所述统计量指标集包括：像素过高值比值、像素标准差、均值-标准差比值和像素偏度；
所述逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值，包括：
获取检测波段区间内每一波段图像的像素值；
计算所述每一波段图像的像素值高于像素阈值的像素过高值比值；
根据所述每一波段图像的像素值计算像素均值、像素标准差，获取所述均值-标准差比值；
根据所述每一波段图像的像素值计算所述像素偏度值。
进一步地，所述像素过高值比值，表达为：
其中，Rp为第p波段图像的像素过高值比值，为第p波段图像第i个像素的实际取值，a为像素阈值，N为每一波段图像中像素点总数；
像素过高值比值占比为所述检测波段区间内像素过高值比值小于等于像素过高值比值阈值的波段数与所述检测波段区间波段总数的比值。
进一步地，所述像素偏度值，表达为：
其中，Sp为所述高光谱或多光谱图像第p波段图像的偏度值，N为每一波段图像中像素点总数，为第p波段图像第i个像素实际取值，Ep(X)为第p波段图像对应的均值；
偏度占比为所述检测波段区间内偏度值大于等于偏度阈值的波段数与所述检测波段区间波段总数的比值。
进一步地，标准差占比为所述检测波段区间内所述标准差大于等于标准差阈值的波段数与所述检测波段区间波段总数的比值。
进一步地，均值-标准差比值占比为所述检测波段区间内所述均值-标准差比值小于等于均值-标准差阈值的波段数与所述检测波段区间波段总数的比值。
另一方面，本发明实施例提供了一种基于统计量的高光谱或多光谱图像过曝检测系统，包括：
图像获取模块，用于输入高光谱或多光谱图像，在所述高光谱或多光谱图像中选取检测波段区间；
统计量计算模块，用于逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值；
判断模块，用于判断每一波段的每一指标值与对应指标阈值的关系，获取所述检测波段区间中每一指标值在对应指标阈值范围内的波段个数；
检测模块，用于计算所述每一指标值在阈值范围内的波段个数在所述检测波段区间波段总数的每一指标占比；若所述指标占比均大于等于对应占比阈值，则所述高光谱或多光谱图像为正常；若任一指标占比小于对应占比阈值范围，则所述高光谱或多光谱图像过曝。
进一步地，所述判断模块，包括：
像素值获取单元，用于获取检测波段区间内每一波段图像的像素值；
像素过高值比值获取单元，用于计算所述每一波段图像的像素值高于像素阈值的像素过高值比值；
均值-标准差比值获取单元，用于根据所述每一波段图像的像素值计算像素均值、像素标准差，获取所述均值-标准差比值；
偏度值获取单元，用于根据所述每一波段图像的像素值计算所述像素偏度值。
另一方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器运行时，所述处理器执行基于统计量的高光谱或多光谱图像过曝检测方法中任一项所述的方法。
另一方面，本发明实施例提供了一种计算机设备，包括处理器和存储计算机程序的存储器，其特征在于，所述计算机程序被处理器运行时，所述处理器执行基于统计量的高光谱或多光谱图像过曝检测方法中任一项所述的方法。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、本发明利用关键通道的图像可以有效利用了图像关键信息，降低计算量同时提高时效性；
2、判定规则结合多指标-阈值体系，充分利用了不同统计量对应指标的特性，使得判定结果具有更强的准确性和鲁棒性；
3、本发明结合高光谱图像本身的特点，简单利用高光谱图像各个通道的灰度值统计信息，高效完成高光谱图像是否过曝的检测；
4、本发明在应用过程中，无需添加额外的探测设备和探测器材，对应用场景具有很强的适应性和实用性。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本申请一个实施例所示的基于统计量的高光谱或多光谱图像过曝检测方法的流程图；
图2为本申请一个实施例所示的像素过高值比值分布示意图；
图3为本申请一个实施例所示的像素标准差分布示意图；
图4为本申请一个实施例所示的均值-标准差比值分布示意图；
图5为本申请一个实施例所示的像素偏度分布示意图；
图6为本申请另一个实施例所示的基于统计量的高光谱或多光谱图像过曝检测系统结构示意图；
图7为本申请另一个实施例所示的基于统计量的高光谱或多光谱图像过曝检测的计算机设备的硬件结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
如图1所示，本发明的一个具体实施例，公开了一种基于统计量的高光谱或多光谱图像过曝检测方法，包括：
S10、输入高光谱或多光谱图像，在所述高光谱或多光谱图像中选取检测波段区间；
具体地，根据对图像的实际需求，对高光谱或多光谱相机采集图像的维度统一裁剪为h×w×c，其中h为图像的高度，w为图像的宽度，c为图像的波段数(即光谱通道数)。具体地，本实施例输入高光谱或多光谱图像以2048*2930*192维度的数据为例；
更具体地，在所述高光谱或多光谱图像中确认并选取检测波段区间，是根据高光谱或多光谱成像设备固有的物理性质做的选择；更具体地，对于检测波段区间数据的选取，即可以通过具体通道数n，或者具体通道所在波段范围(比如大于a纳米波段范围、小于b纳米波段范围、在a纳米和b纳米范围之间)来实现。示例性的，原始图像波段范围为400nm-1200nm，为1-192波段，根据高光谱或多光谱图像的固有物理性质，例如，不同波段图像对光照的敏感强度不同，根据不同波段对光照的敏感程度，在原始图像波段范围内选取对光照敏感程度高的702nm到905nm的检测波段范围，即为从101到192波段。
S20、逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值；
具体地，所述统计量指标集包括：像素过高值比值、像素标准差、均值-标准差比值和像素偏度；更具体地，构建的判定准则中，每一个统计量指标，对应有相应的判定阈值；通过计算得出的指标值结合对应指标阈值阈值，实现综合多指标的判定规则。
所述逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值，是指分别计算每一波段的像素过高值比值、像素标准差、均值-标准差比值和像素偏度；包括：
S201、获取检测波段区间内第p波段图像的像素值；其中，p取值为检测波段区间的波段数目，具体地，本实施例中，101≤p≤192；采用本步骤即依次获取了检测波段区间内每一波段图像的像素值。
具体地，每一波段图像中像素点为h×w个点，其中h为图像的高度，w为图像的宽度；具体地，本实施例中以2048*2930维度的数据为例，即每一波段的像素点个数相同，均为2048*2930个像素点。
S202、获取第p波段图像的像素值高于像素阈值的像素过高值比值；
具体地，所述像素过高值比值R，表达为：
其中，Rp为第p波段图像的像素过高值比值，Xi p为第p波段图像第i个像素实际取值(0～255)，a为像素阈值，N为每一波段图像中像素点总数；具体地，本实施例中N为每一波段图像中像素点总数2048*2930，i为小于等于N的正整数；可选地，像素阈值a为250，count(Xi≥a)为统计Xi≥250的像素点的个数。
S203、根据第p波段波段图像的像素值计算像素均值、像素标准差，获取所述均值-标准差比值；
具体地，每一波段图像的像素均值为一阶原点矩，表达为：
其中，Ep(X)为第p波段图像的像素均值，为第p波段图像第i个像素实际取值，N为每一波段图像中像素点总数，具体地，本实施例中N为2048*2930。
具体地，每一波段图像的像素方差为二阶中心距，表达为：
其中，(σp)2为第p波段图像的像素方差，σp为第p波段图像的像素标准差，为第p波段图像中第i个像素实际取值，N为每一波段图像中像素点总数，Ep(X)为第p波段图像的像素均值。
具体地，每一波段图像的均值-标准差比值是一个组合指标，表达为：
其中，CVp为第p波段图像的均值-标准差比值，Ep(X)为第p波段图像的像素均值，σp为第p波段图像的像素标准差。
S204、根据所述每一波段的像素值计算所述像素偏度值。
所述像素偏度值为三阶中心距，表达为：
其中，Sp为所述高光谱或多光谱图像第p波段图像的偏度值，N为所述高光谱或多光谱图像内像素点个数，为所述高光谱或多光谱图像第p波段图像内第i像素点对应的像素值，Ep(X)为所述高光谱或多光谱图像第p波段图像对应的均值。
S30、判断每一波段的每一指标值与对应指标阈值的关系，获取所述检测波段区间中每一指标值在对应指标阈值范围内的波段个数；具体地，通过计算图像集中过曝图像与正常图像集的各指标值，确定每一指标阈值，更具体地：
像素过高值比值占比为所述检测波段区间内像素过高值比值小于等于像素过高值比值阈值的波段数与所述检测波段区间波段总数的比值。可选地，像素过高值比值阈值为7.58％；
标准差占比为所述检测波段区间内所述标准差大于等于标准差阈值的波段数与所述检测波段区间波段总数的比值。可选地，标准差阈值为195；
均值-标准差比值占比为所述检测波段区间内所述均值-标准差比值小于等于均值-标准差阈值的波段数与所述检测波段区间波段总数的比值。可选地，均值-标准差阈值4.8；
偏度占比为所述检测波段区间内偏度值大于等于偏度阈值的波段数与所述检测波段区间波段总数的比值。可选地，偏度阈值为-2.2。
S40、计算所述每一指标值在阈值范围内的波段个数在所述检测波段区间波段总数的每一指标占比；若所述指标占比均在对应占比阈值范围内，则所述高光谱或多光谱图像为正常；若任一指标占比超出对应占比阈值范围，则所述高光谱或多光谱图像过曝。
具体的，计算所述每一指标值在阈值范围内的波段个数在所述检测波段区间波段总数的每一指标占比，是指分别计算像素过高值比值在像素过高值比值阈值范围内的波段个数占总个数的比值、像素标准差在像素标准差阈值范围内的波段个数占总个数的比值、均值-标准差比值在均值-标准差比值阈值范围内的波段个数占总个数的比值和像素偏度值在像素偏度值阈值范围内的波段个数占总个数的比值；
优选的，占比阈值范围均设置为1/2；具体地，若像素过高值比值占比、偏度占比、标准差占比和均值-标准差比值占比均大于等于检测波段区间波段总数1/2时，所述高光谱或多光谱图像为正常；若任一指标占比小于对应占比阈值范围1/2时，则所述高光谱或多光谱图像过曝。
参考图2至图5，以具体实施例的方式对基于统计量的高光谱或多光谱图像过曝检测进行描述。
具体地，本实施例以输入高光谱或多光谱图像以2048*2930*192维度的数据为例，即图2至图5中横坐标为高光谱或多光谱图像波段数目为192，根据高光谱或多光谱成像设备固有的物理性质，选取检测波段区间为702nm到905nm的波段范围的101到192波段；其中，图2为高光谱或多光谱图像全波段范围内像素过高值比值分布示意图，其中横坐标为波段数目，纵坐标为全波段范围内像素过高值比值，根据像素过高值比值阈值，判断高于像素过高值比值阈值的波段个数，计算得到检测波段区间范围内像素过高值比值占比为0.62；图3为高光谱或多光谱图像全波段范围内标准差分布示意图，其中横坐标为波段数目，纵坐标为全波段范围内标准差，根据标准差阈值，判断高于标准差阈值的波段个数，计算检测波段区间范围标准差占比为0.8；图4为高光谱或多光谱图像全波段范围内均值-标准差比值分布示意图，其中横坐标为波段数目，纵坐标为全波段范围内均值-标准差比值，根据均值-标准差比值阈值，判断高于均值-标准差比值阈值的波段个数，计算检测波段区间范围均值-标准差比值占比为0.65；图5为高光谱或多光谱图像全波段范围内偏度分布示意图，其中横坐标为波段数目，纵坐标为全波段范围内偏度值，根据偏度阈值，判断高于偏度阈值的波段个数，计算检测波段区间范围偏度占比为0.67；本实施例中，四个指标占比均大于1/2，因此，由图2至图5判断高光谱或多光谱图像正常。反之，若图2至图5中任一指标占比小于对应占比阈值1/2时，所述高光谱或多光谱图像过曝。
如图6所示，本发明的另一个具体实施例，公开了一种基于统计量的高光谱或多光谱图像过曝检测系统，包括：
图像获取模块10，用于输入高光谱或多光谱图像，在所述高光谱或多光谱图像中确认并选取检测波段区间；
统计量计算模块20，用于逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值；
判断模块30，用于判断每一波段的每一指标值与对应指标阈值的关系，获取所述检测波段区间中每一指标值在对应指标阈值范围内的波段个数；包括：
像素值获取单元，用于获取检测波段区间内每一波段图像的像素值；
像素过高值比值获取单元，用于获取所述每一波段图像的像素值高于像素阈值的像素过高值比值；
均值-标准差比值获取单元，用于根据所述每一波段图像的像素值计算像素均值、像素标准差，获取所述均值-标准差比值；
偏度值获取单元，用于根据所述每一波段的像素值计算所述像素偏度值。
检测模块40，用于计算所述每一指标值在阈值范围内的波段个数在所述检测波段区间波段总数的每一指标占比；若所述指标占比均大于等于对应占比阈值，则所述高光谱或多光谱图像为正常；若任一指标占比小于对应占比阈值，则所述高光谱或多光谱图像过曝。
本发明另一实施例还提供了执行上述实施例中基于统计量的高光谱或多光谱图像过曝检测方法的可读存储介质，具体地，存储介质存储有计算机程序，具体地，用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，计算机程序被处理器运行时，所述处理器执行上述实施例中基于统计量的高光谱或多光谱图像过曝检测方法。更具体地，本发明实施例提供了一种非暂态计算机可读存存储介质，所述计算机存储介质存储有计算机可执行指令，其中，当所述计算机可执行指令被电子设备执行时，使所述电子设备上执行上述任意方法实施例中的基于统计量的高光谱或多光谱图像过曝检测方法。
参见图7，本发明另一实施例还提供了执行上述实施例中基于统计量的高光谱或多光谱图像过曝检测方法的计算机设备。该计算机设备包括：
一个或多个处理器710以及存储计算机程序的存储器720，计算机程序被处理器运行时，处理器执行上述实施例中基于统计量的高光谱或多光谱图像过曝检测方法，图7中以一个处理器710为例。
执行基于统计量的高光谱或多光谱图像过曝检测方法的电子设备还可以包括：输入装置730和输出装置740。
处理器710、存储器720、输入装置730和输出装置740可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器720作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明的实施例中的基基于统计量的高光谱或多光谱图像过曝检测方法对应的程序指令/模块(单元)。处理器710通过运行存储在存储器720中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例图标显示方法。
存储器720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；存储数据区可存储获取的应用程序的提醒事项的数量信息等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器720可选包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至列表项操作的处理装置。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。
输入装置730可接收输入的数字或字符信息，以及产生与基于统计量的高光谱或多光谱图像过曝检测装置的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器720中，当被所述一个或者多个处理器710执行时，执行上述任意方法实施例中的基于统计量的高光谱或多光谱图像过曝检测方法。
上述产品可执行本发明的实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明的实施例所提供的方法。
本发明的实施例的电子设备可以以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有提醒事项记录功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元(模块)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模块来实现本实施例方案的目的。
本发明实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，其中，当所述程序指令被电子设备执行时，使所述电子设备执行上述任意方法实施例中的基于统计量的高光谱或多光谱图像过曝检测方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于统计量的高光谱或多光谱图像过曝检测方法，其特征在于，包括：
输入高光谱或多光谱图像，在所述高光谱或多光谱图像中选取检测波段区间；
逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值，包括：分别计算每一波段的像素过高值比值、像素标准差、均值-标准差比值和像素偏度；
判断每一波段的每一指标值与对应指标阈值的关系，获取所述检测波段区间中每一指标值在对应指标阈值范围内的波段个数；
计算所述每一指标值在阈值范围内的波段个数在所述检测波段区间波段总数的每一指标占比；若所述指标占比均大于等于对应占比阈值，则所述高光谱或多光谱图像为正常；若任一指标占比小于对应占比阈值，则所述高光谱或多光谱图像过曝。
2.根据权利要求1所述的基于统计量的高光谱或多光谱图像过曝检测方法，其特征在于，
所述逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值，包括：
获取检测波段区间内每一波段图像的像素值；
计算所述每一波段图像的像素值高于像素阈值的像素过高值比值；
根据所述每一波段图像的像素值计算像素均值、像素标准差，获取所述均值-标准差比值；
根据所述每一波段图像的像素值计算所述像素偏度值。
3.根据权利要求2所述的基于统计量的高光谱或多光谱图像过曝检测方法，其特征在于，
所述像素过高值比值，表达为：
其中，Rp为第p波段图像的像素过高值比值，为第p波段图像第i个像素的实际取值，a为像素阈值，N为每一波段图像中像素点总数；
像素过高值比值占比为所述检测波段区间内像素过高值比值小于等于像素过高值比值阈值的波段数与所述检测波段区间波段总数的比值。
4.根据权利要求2所述的基于统计量的高光谱或多光谱图像过曝检测方法，其特征在于，
所述像素偏度值，表达为：
其中，Sp为所述高光谱或多光谱图像第p波段图像的偏度值，N为每一波段图像中像素点总数，为第p波段图像第i个像素实际取值，Ep(X)为第p波段图像对应的均值；
偏度占比为所述检测波段区间内偏度值大于等于偏度阈值的波段数与所述检测波段区间波段总数的比值。
5.根据权利要求1所述的基于统计量的高光谱或多光谱图像过曝检测方法，其特征在于，
标准差占比为所述检测波段区间内所述标准差大于等于标准差阈值的波段数与所述检测波段区间波段总数的比值。
6.根据权利要求5所述的基于统计量的高光谱或多光谱图像过曝检测方法，其特征在于，
均值-标准差比值占比为所述检测波段区间内所述均值-标准差比值小于等于均值-标准差阈值的波段数与所述检测波段区间波段总数的比值。
7.一种基于统计量的高光谱或多光谱图像过曝检测系统，其特征在于，包括：
图像获取模块，用于输入高光谱或多光谱图像，在所述高光谱或多光谱图像中选取检测波段区间；
统计量计算模块，用于逐波段计算所述检测波段区间内统计量指标集中每一波段的各指标值，包括：分别计算每一波段的像素过高值比值、像素标准差、均值-标准差比值和像素偏度；
判断模块，用于判断每一波段的每一指标值与对应指标阈值的关系，获取所述检测波段区间中每一指标值在对应指标阈值范围内的波段个数；
检测模块，用于计算所述每一指标值在阈值范围内的波段个数在所述检测波段区间波段总数的每一指标占比；若所述指标占比均大于等于对应占比阈值，则所述高光谱或多光谱图像为正常；若任一指标占比小于对应占比阈值范围，则所述高光谱或多光谱图像过曝。
8.根据权利要求7所述的基于统计量的高光谱或多光谱图像过曝检测系统，其特征在于，所述判断模块，包括：
像素值获取单元，用于获取检测波段区间内每一波段图像的像素值；
像素过高值比值获取单元，用于计算所述每一波段图像的像素值高于像素阈值的像素过高值比值；
均值-标准差比值获取单元，用于根据所述每一波段图像的像素值计算像素均值、像素标准差，获取所述均值-标准差比值；
偏度值获取单元，用于根据所述每一波段图像的像素值计算所述像素偏度值。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器运行时，所述处理器执行权利要求1-6中任一项所述的方法。
10.一种计算机设备，包括处理器和存储计算机程序的存储器，其特征在于，所述计算机程序被处理器运行时，所述处理器执行如权利要求1-6中任一项所述的方法。
CN202110832154.7A 2021-07-22 2021-07-22 一种基于统计量的高光谱或多光谱图像过曝检测方法及系统 Active CN113487592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832154.7A CN113487592B (zh) 2021-07-22 2021-07-22 一种基于统计量的高光谱或多光谱图像过曝检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832154.7A CN113487592B (zh) 2021-07-22 2021-07-22 一种基于统计量的高光谱或多光谱图像过曝检测方法及系统

Publications (2)

Publication Number Publication Date
CN113487592A CN113487592A (zh) 2021-10-08
CN113487592B true CN113487592B (zh) 2023-11-17

Family

ID=77943402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110832154.7A Active CN113487592B (zh) 2021-07-22 2021-07-22 一种基于统计量的高光谱或多光谱图像过曝检测方法及系统

Country Status (1)

Country Link
CN (1) CN113487592B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218779A (zh) * 2013-03-26 2013-07-24 华东师范大学 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法
WO2014085351A1 (en) * 2012-11-30 2014-06-05 Google Inc. Detecting exposure quality in images
US8897570B1 (en) * 2011-03-31 2014-11-25 Raytheon Company Detection of targets from hyperspectral imagery
CN105828065A (zh) * 2015-01-08 2016-08-03 中国移动通信集团浙江有限公司 一种视频画面过曝检测方法及装置
CN106056129A (zh) * 2016-05-16 2016-10-26 西安邮电大学 一种融合多种特征的监控视频图像过曝光区域检测方法
WO2017215527A1 (zh) * 2016-06-15 2017-12-21 深圳市万普拉斯科技有限公司 Hdr场景侦测方法、装置和计算机存储介质
CN108257117A (zh) * 2018-01-02 2018-07-06 中兴通讯股份有限公司 图像曝光度的评测方法及装置
CN109147948A (zh) * 2018-08-15 2019-01-04 上海试美网络科技有限公司 一种皮肤检测平台的商业模式
WO2019072190A1 (zh) * 2017-10-12 2019-04-18 Oppo广东移动通信有限公司 图像处理方法、电子装置和计算机可读存储介质
CN109668843A (zh) * 2019-01-07 2019-04-23 江苏大学 一种基于手机的便携式多光谱成像技术检测腊肉品质的方法
CN109883959A (zh) * 2019-02-26 2019-06-14 江苏大学 一种基于阵列传感器芯片的便携式多光谱成像装置及其应用
CN111739110A (zh) * 2020-08-07 2020-10-02 北京美摄网络科技有限公司 一种图像过暗或过曝检测方法及装置
CN111915682A (zh) * 2020-07-21 2020-11-10 天津大学 一种实时自调节的高光谱相机非均匀校正方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406469B2 (en) * 2009-07-20 2013-03-26 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for progressive band selection for hyperspectral images
RU2616653C2 (ru) * 2012-06-05 2017-04-18 Хайпермед Имэджинг, Инк. Способы и устройство для соосного формирования изображения с множеством длин волн
TW201419853A (zh) * 2012-11-09 2014-05-16 Ind Tech Res Inst 影像處理器及其影像壞點偵測方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8897570B1 (en) * 2011-03-31 2014-11-25 Raytheon Company Detection of targets from hyperspectral imagery
WO2014085351A1 (en) * 2012-11-30 2014-06-05 Google Inc. Detecting exposure quality in images
CN103218779A (zh) * 2013-03-26 2013-07-24 华东师范大学 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法
CN105828065A (zh) * 2015-01-08 2016-08-03 中国移动通信集团浙江有限公司 一种视频画面过曝检测方法及装置
CN106056129A (zh) * 2016-05-16 2016-10-26 西安邮电大学 一种融合多种特征的监控视频图像过曝光区域检测方法
WO2017215527A1 (zh) * 2016-06-15 2017-12-21 深圳市万普拉斯科技有限公司 Hdr场景侦测方法、装置和计算机存储介质
WO2019072190A1 (zh) * 2017-10-12 2019-04-18 Oppo广东移动通信有限公司 图像处理方法、电子装置和计算机可读存储介质
CN108257117A (zh) * 2018-01-02 2018-07-06 中兴通讯股份有限公司 图像曝光度的评测方法及装置
CN109147948A (zh) * 2018-08-15 2019-01-04 上海试美网络科技有限公司 一种皮肤检测平台的商业模式
CN109668843A (zh) * 2019-01-07 2019-04-23 江苏大学 一种基于手机的便携式多光谱成像技术检测腊肉品质的方法
CN109883959A (zh) * 2019-02-26 2019-06-14 江苏大学 一种基于阵列传感器芯片的便携式多光谱成像装置及其应用
CN111915682A (zh) * 2020-07-21 2020-11-10 天津大学 一种实时自调节的高光谱相机非均匀校正方法
CN111739110A (zh) * 2020-08-07 2020-10-02 北京美摄网络科技有限公司 一种图像过暗或过曝检测方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Simultaneous intracellular detection of plasmonic and non-plasmonic nanoparticles using dark-field hyperspectral microscopy;Farida Akhatova等;《Bulletin of the Chemical Society of Japan》;第91卷(第11期);第1-7页 *
基于多旋翼无人机的多光谱成像遥感系统开发及应用;殷文鑫;《中国优秀硕士学位论文全文数据库 农业科技辑》(第（2018）09期);D044-22 *
监控视频图像过曝光区域检测;林庆帆等;《西安邮电大学学报》;第20卷(第6期);第5-9页 *
纹理重建中的图像异常区域检测方法;宋月婷;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2020）06期);I138-690 *
过曝光视频流中目标形态的恢复与重建;薛卓群;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2021）04期);I138-663 *

Also Published As

Publication number Publication date
CN113487592A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
US11308731B2 (en) Identifying video content via color-based fingerprint matching
US11886500B2 (en) Identifying video content via fingerprint matching
US10893320B2 (en) Dynamic video overlays
CN111476780B (zh) 一种图像检测方法、装置、电子设备以及存储介质
WO2022227308A1 (zh) 图像处理方法、装置、设备以及介质
CN110069974B (zh) 高光图像处理方法、装置和电子设备
CN110070063B (zh) 目标对象的动作识别方法、装置和电子设备
US20110304636A1 (en) Wallpaper image generation method and portable electric device thereof
CN110084204B (zh) 基于目标对象姿态的图像处理方法、装置和电子设备
CN112634312B (zh) 图像背景处理方法、装置、电子设备及存储介质
CN113676713A (zh) 图像处理方法、装置、设备及介质
US20170161875A1 (en) Video resolution method and apparatus
CN113487592B (zh) 一种基于统计量的高光谱或多光谱图像过曝检测方法及系统
CN113628259A (zh) 图像的配准处理方法及装置
CN103685854A (zh) 图像处理装置、图像处理方法和程序
CN104346792A (zh) 图片处理方法、图片查看器及终端
CN105659618A (zh) 用于对图像/视频分辨率及其颜色二次采样进行自动检测的方法和装置
Zhou et al. No-reference quality assessment for contrast-distorted images based on multifaceted statistical representation of structure
CN113453017B (zh) 视频处理方法、装置、设备及计算机程序产品
CN112801997B (zh) 图像增强质量评估方法、装置、电子设备及存储介质
CN115223018A (zh) 伪装对象协同检测方法及装置、电子设备和存储介质
Qureshi et al. Quantifying blur in colour images using higher order singular values
CN112118494B (zh) 一种视频数据处理方法、装置及存储介质
Otroshi‐Shahreza et al. Feature‐based no‐reference video quality assessment using Extra Trees
CN113532801A (zh) 基于分布分位数的高/多光谱相机坏点检测方法及系统

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