CN113592753A - 基于工业相机拍摄的图像的处理方法、装置和计算机设备 - Google Patents

基于工业相机拍摄的图像的处理方法、装置和计算机设备 Download PDF

Info

Publication number
CN113592753A
CN113592753A CN202110836094.6A CN202110836094A CN113592753A CN 113592753 A CN113592753 A CN 113592753A CN 202110836094 A CN202110836094 A CN 202110836094A CN 113592753 A CN113592753 A CN 113592753A
Authority
CN
China
Prior art keywords
image
processed
shadow
foreground
mask
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
Application number
CN202110836094.6A
Other languages
English (en)
Other versions
CN113592753B (zh
Inventor
王瑞星
林淮佳
蒋念娟
孙川
沈小勇
吕江波
贾佳亚
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.)
Shenzhen Smartmore Technology Co Ltd
Shanghai Smartmore Technology Co Ltd
Original Assignee
Shenzhen Smartmore Technology Co Ltd
Shanghai Smartmore Technology 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 Shenzhen Smartmore Technology Co Ltd, Shanghai Smartmore Technology Co Ltd filed Critical Shenzhen Smartmore Technology Co Ltd
Priority to CN202110836094.6A priority Critical patent/CN113592753B/zh
Publication of CN113592753A publication Critical patent/CN113592753A/zh
Application granted granted Critical
Publication of CN113592753B publication Critical patent/CN113592753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及基于工业相机拍摄的图像的处理方法、装置和计算机设备。所述方法包括：控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；将每张待处理图像的前景增强图像和阴影图像合成。本方法采用工业相机代替单方相机拍摄待处理图像，对待处理图像进行图像增强，同时保留待处理图像中的阴影，采用本方法能极大降低相机的维修和管理成本，并且拍摄效果接近单反相机的拍摄效果，实现采用工业相机替代单反相机。

Description

基于工业相机拍摄的图像的处理方法、装置和计算机设备
技术领域
本申请涉及拍摄和图像处理技术领域，特别是涉及基于工业相机拍摄的图像的处理方法、装置和计算机设备。
背景技术
随着互联网的快速发展，网络销售逐渐成为产品销售的重要途径，对于电商来说，拍摄目标图像是产品销售中必不可少的环节，为了得到高质量的目标图像，目前通常采用单反相机拍摄目标图像。
对于大型企业、大型电商平台，产品拍摄量很大，一台单反相机需要流水线、高频率使用。但是单反相机使用机械快门，曝光次数有限制，若流水线高频率使用，短时间内(大约20天左右)可以用完一台单反相机的快门次数，需要需要将单反相机返厂，或者更换单反相机，单反相机返厂需要一段时间，可能会导致拍摄工作延误，造成损失；多台单反相机更换使用，也会极大地提高成本。
发明内容
基于此，有必要针对上述技术问题，提供一种可以降低成本，并且保证图像质量的基于工业相机拍摄的图像的处理方法、装置和计算机设备。
一种基于工业相机拍摄的图像的处理方法，所述方法包括：
控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
将每张待处理图像的前景增强图像和阴影图像合成。
在其中一个实施例中，所述控制工业相机拍摄目标对象的若干待处理图像，包括：
控制用于放置所述目标对象的载物台旋转；
控制所述工业相机若干次拍摄所述目标对象，得到若干待处理图像。
在其中一个实施例中，所述确定每张待处理图像的前景增强图像和阴影图像，包括：
确定每张待处理图像的掩膜图像；
根据每张待处理图像的掩膜图像，提取每张待处理图像的前景图像和背景图像；
对每张待处理图像的前景图像进行图像增强，得到每张待处理图像的前景增强图像；
基于每张待处理图像的背景图像和掩膜图像，确定每张待处理图像的阴影图像。
在其中一个实施例中，所述基于每张待处理图像的背景图像和掩膜图像，确定每张待处理图像的阴影图像，包括：
基于每张待处理图像的背景图像和掩膜图像确定每张待处理图像的阴影显著图像；
对每张待处理图像的掩膜图像进行距离变换，得到每张待处理图像的距离变换图像；
将每张待处理图像的阴影显著图像和所述距离变换图像相乘，得到每张待处理图像的阴影图像。
在其中一个实施例中，所述基于每张待处理图像的背景图像和掩膜图像确定每张待处理图像的阴影显著图像，包括：
对于任一待处理图像，在所述任一待处理图像的背景图像中获取每个目标像素点对应的最大RGB值，并对所述最大RGB值进行归一化处理，得到每个目标像素点对应的归一化值，其中，所述最大RGB值是R值、G值和B值中的最大值，所述目标像素点是所述任一待处理图像的阴影显著图像中的像素点；
对所述任一待处理图像的掩膜图像取反，得到所述任一待处理图像的反掩膜图像，并在所述任一待处理图像的反掩膜图像中获取每个目标像素点对应的反掩膜像素值；
将每个目标像素点的归一化值和反掩膜像素值相乘，得到每个目标像素点的目标像素值；
根据每个目标像素点的目标像素值确定所述任一待处理图像的阴影显著图像。
在其中一个实施例中，所述将每张待处理图像的前景增强图像和阴影图像合成，包括：
对于任一待处理图像，采用全白图像减去所述任一待处理图像的阴影图像，得到所述任一待处理图像的差值图像，其中，所述全白图像是像素值全为1的图像；
将所述任一待处理图像的差值图像和所述任一待处理图像的前景增强图像相乘。
在其中一个实施例中，所述控制工业相机拍摄目标对象的若干待处理图像之前，还包括：
控制所述工业相机在多个不同焦点下，拍摄载物台上的参考对象，得到多张参考图像；
采用边缘检测算法，在所述多张参考图像中确定清晰度最高的候选图像，并将所述候选图像对应的焦点作为目标焦点；
将所述工业相机的焦点设置为所述目标焦点。
一种基于工业相机拍摄的图像的处理装置，所述装置包括：
待处理图像获取模块，用于控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
处理模块，用于确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
合成模块，用于将每张待处理图像的前景增强图像和阴影图像合成。
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：
控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
将每张待处理图像的前景增强图像和阴影图像合成。
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：
控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
将每张待处理图像的前景增强图像和阴影图像合成。
上述基于工业相机拍摄的图像的处理方法、装置和计算机设备，通过工业相机拍摄待处理图像，在拍摄需求量大的场合，避免了单反相机的机械快门限制，极大降低了相机的维修和管理成本；对待处理图像进行图像增强，同时保留待处理图像中的阴影，将前景增强图像和阴影图像合成，可以使得合成结果更自然，达到单反相机拍摄图像的效果，实现使用工业相机代替单反相机。
附图说明
图1为一个实施例中基于工业相机拍摄的图像的处理方法的应用环境图；
图2为一个实施例中基于工业相机拍摄的图像的处理方法的流程示意图；
图3为一个实施例中灯箱和载物台的示意图；
图4为一个实施例中待处理图像的示意图；
图5为图4对应的掩膜图像；
图6为图4对应的前景增强图像；
图7为图4对应的阴影图像；
图8为图4对应的阴影显著图像；
图9为图4对应的距离变换图像；
图10为另一个实施例中基于工业相机拍摄的图像的处理方法的示意图；
图11为一个实施例中待处理图像和目标图像的对比示意图；
图12为一个实施例中基于工业相机拍摄的图像的处理装置的结构示意图；
图13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。
本申请提供的基于工业相机拍摄的图像的处理方法，可以应用于如图1所示的应用环境中，其中，工业相机102拍摄待处理图像，终端104通过网络与工业相机102进行通信。终端104控制工业相机拍摄待处理图像，获取待处理图像，并对所述待处理进行处理，得到目标图像。其中，终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。
在一个实施例中，如图2所示，提供了一种基于工业相机拍摄的图像的处理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤201，控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同。
其中，所述待处理图像是工业相机拍摄的图像，所述目标对象可以是产品，通过所述工业相机拍摄所述目标对象不同角度的若干待处理图像。
具体地，对于产品拍摄量很大的大型企业和大型电商平台，需要拍摄大量目标对象的图像，通过工业相机拍摄每个目标对象的若干待处理图像，由于工业相机没有快门使用限制，并且工业相机的性价比较高，因此，采用工业相机拍摄待处理图像，可以降低成本。
所述工业相机可以采用Sony IMX342 CMOS感光芯片实现。Sony IMX342CMOS感光芯片通过GigE数据接口进行图像数据的传输，支持Power over Ethernet，并集成I/O(GPIO)接口，提供线缆锁紧装置，能稳定工作在各种恶劣环境下，是高可靠性、高性价比的工业数字相机产品。Sony IMX342 CMOS感光芯片外形坚固、性能出色、价格实惠、安装及使用方便，适用于尺寸测量、二维码检测、电子元器件检测等行业，并广泛应用于工业检测、医疗、科研、教育、安防等领域。
由于若干待处理图像的拍摄角度互不相同，可以通过可旋转的载物台拍摄若干角度不同的待处理图像。将目标对象放置在载物台上，载物台旋转，通过工业相机拍摄目标对象，得到若干待处理图像。
步骤202，确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影。
其中，所述前景增强图像是对前景图像进行图像增强得到的图像，所述前景图像包括待处理图像中的前景内容，也就是说，所述前景增强图像包括所述待处理图像中的前景内容；所述阴影图像包括所述待处理图像中的阴影，所述阴影是前景内容投射得到的，也就是说，所述阴影图像包括所述前景内容的阴影。
工业相机的成像质量较差，拍摄得到的图像表现为暗部不清晰，需要对待处理图像进行处理，以得到质量较高的图像。对待处理图像进行图像增强，同时保留待处理图像中的阴影，可以使得处理后的图像呈现的效果更自然，图像质量更高，因此，本申请中采用增强前景图像，并且保留阴影图像的方式，提高图像质量。
具体地，确定所述待处理图像的前景图像和背景图像，根据所述前景图像确定前景增强图像，根据所述背景图像确定所述阴影图像。
步骤203，将每张待处理图像的前景增强图像和阴影图像合成。
其中，将合成的结果记为目标图像，所述目标图像包括增强后的前景内容，以及前景内容的阴影。
具体地，根据所述阴影图像和所述前景增强图像，采用线性合成，得到目标图像。
上述基于工业相机拍摄的图像的处理方法中，控制工业相机拍摄待处理图像，在拍摄需求量大的场合，避免了单反相机的机械快门限制，极大降低了相机的维修和管理成本；对待处理图像进行图像增强，同时保留待处理图像中的阴影，将前景增强图像和阴影图像合成，可以使得合成结果更自然，达到单反相机拍摄图像的效果，实现使用工业相机代替单反相机。
在一个实施例中，步骤201之前还包括：
步骤210，控制所述工业相机在多个不同焦点下，拍摄载物台上的参考对象，得到多张参考图像。
其中，所述载物台是可旋转载物台，所述参考对象可以是任意物体。
具体地，所述控制所述工业相机在多个不同焦点下，拍摄载物台上的参考对象，可以是控制工业相机将焦点拉到最近点，再逐渐将焦点调节至最远点，在此焦点的调节过程中，每调节一次焦点，则控制工业相机拍摄一次，以得到得到多张参考图像；或者，控制工业相机将焦点拉到最远点，再逐渐将焦点调节至最近点，在此焦点的调节过程中拍摄多张参考图像。记录每张参考图像的焦点位置。
可以通过电动对焦模块实现控制工业相机将焦点拉到最近点，在逐渐将焦点调节至最远点，或者，控制工业相机将焦点拉到最远点，再逐渐将焦点调节至最近点。电动对焦模块使用与大部分适用于大部分佳能(Canon)EF和腾龙(Tamron)EF镜头，可以精确和重复控制聚焦位置和光圈大小，自动检测镜头型号参数和光圈系数，无限可编程预设镜头参数组，配置有10/100Mbps以太网通讯，兼容C-和M42口的工业相机，通过CP/IP API接口实现第三方命令控制和调用。
步骤211，采用边缘检测算法，在所述多张参考图像中确定清晰度最高的候选图像，并将所述候选图像对应的焦点作为目标焦点。
具体地，通过边缘检测算法确定每张参考图像的清晰度，将清晰度最高的参考图像作为候选图像，将候选图像的焦点作为目标焦点。
通过边缘检测算法确定每张参考图像的清晰度，包括：通过sobel算子对每张参考图像进行水平和垂直方向上的梯度计算，得到每张参考图像的梯度值，并将梯度值作为清晰度。也就是说，将梯度值最高的参考图像作为候选图像。
步骤212，将所述工业相机的焦点设置为所述目标焦点。
具体地，将工业相机的焦点设置为目标焦点，在拍摄载物台上的目标对象时，可以得到目标对象的清晰图像。
在一个实施例中，步骤201包括：
301，控制用于放置所述目标对象的载物台旋转；
302，控制所述工业相机若干次拍摄所述目标对象，得到若干待处理图像。
具体地，可以控制载物台按照预设速度持续旋转，在旋转过程中控制所述工业相机拍摄若干次，得到若干待处理图像，或者，控制载物台按照预设角度旋转，并且载物台每旋转一次控制所述工业相机拍摄一次待处理图像，在载物台旋转若干次后，可以得到若干待处理图像，并且通过设置预设角度，可以得到若干拍摄角度固定的待处理图像。可以设置所述载物台的最大载重为6KG，设置所述载物台的最大转转速度为3转/秒。
在具体实施时，如图3所示，所述载物台设置于灯箱内，灯箱的一面开设有开口，工业相机通过开口拍摄灯箱中(载物台上)的目标对象，所述灯箱用于提供拍摄目标对象所需的环境光，并且使得拍摄背景不杂乱。
具体地，可以按照目标对象的尺寸设置灯箱的整体尺寸，例如，目标对象为鞋子时，设置灯箱的整体尺寸为：800*800*800；所述灯箱设置有包括8组LED光源，分别设置于所述灯箱的左前、右前、上前、左面、右面、顶面、背面和底面。
在一个实施例中，步骤202包括：
步骤401，确定每张待处理图像的掩膜图像。
其中，所述掩膜图像可以反映所述待处理图像的前景和背景。将掩膜图像中的像素点作为掩膜像素点，掩膜像素点的像素值为0或者1，即所述掩膜图像为二值图像。掩膜图像包括0区域和1值区域，例如，0值区域表示待处理图像的背景部分，1值区域表示待处理图像的前景部分。
具体地，将每张待处理图像输入掩膜分割神经网络，通过所述掩膜分割神经网络得到每张待处理图像的掩膜图像，在具体实施时，所述掩膜分割神经网络可以是HRnet。
步骤402，根据每张待处理图像的掩膜图像，提取每张待处理图像的前景图像和背景图像。
其中，所述前景图像包括待处理图像中的前景内容，所述背景图像包括待处理图像中的背景内容。例如，参见图4，待处理图像是拍摄载物台上的鞋子得到的图像，前景内容为鞋子，待处理图像中除了鞋子以外的内容为背景图像，背景图像包括载物台，以及鞋子在载物台上投射的阴影。
参见图5，图5为图4对应的掩膜图像。具体地，所述掩膜图像包括多个掩膜像素点，每个掩膜像素点的像素值为0或者1，像素值为0的掩膜像素点组成0值区域，像素值为1的掩膜像素点组成1值区域。0值区域表示待处理图像的背景部分，1值区域表示待处理图像的前景部分。
在一个实施例中，对于任一待处理图像，步骤402包括：
步骤501，将所述掩膜图像和所述待处理图像相乘，得到前景图像。
具体地，将所述掩膜图像和所述待处理图像相乘，是指所述掩膜图像和所述待处理图像逐像素点相乘，掩膜图像中像素点和待处理图像中像素点的像素值相乘，并且相乘的两个像素点的坐标相同，例如，掩膜图像中像素点a1和待处理图像中像素点b1的坐标相同，将a1的像素值和b1的像素值相乘，得到前景图像中像素点c1的像素值，c1的坐标与a1和b1的坐标均相同。
由于所述掩膜图像的0值区域表示待处理图像的背景部分，1值区域表示待处理图像的前景部分，将掩膜图像和待处理图像相乘，使得待处理图像中前景部分的像素值不变，背景部分的像素值为0，得到前景图像。
步骤502，对所述掩膜图像取反，得到反掩膜图像，并将所述反掩膜图像和所述待处理图像相乘，得到背景图像。
具体地，对所述掩膜图像取反，可以实现将掩膜图像的0值区域和1值区域互换，即反掩膜图像的0值区域对应待处理图像的前景部分，1值区域对应待处理图像的背景部分。对所述掩膜图像取反包括：计算1和掩膜像素值之间差值，将差值作为反掩膜像素点的反掩膜像素值，根据反掩膜像素值确定反掩膜图像。反掩膜图像和待处理图像相乘，使得待处理图像中背景部分的像素值不变，前景部分的区域的像素值为0，得到背景图像。
步骤403，对每张待处理图像的前景图像进行图像增强，得到每张待处理图像的前景增强图像。
其中，图像增强可以改善图像的颜色、亮度和对比度等，突出感兴趣特征，抑制不感兴趣特征，提高图像的视觉效果。
参见图6，图6为图4对应的前景增强图像。具体地，将每张待处理图像的前景图像输入图像增强模型，得到每张待处理图像的前景增强图像，其中，所述图像增强模型可以是Retinex模型。
所述图像增强模型是基于训练集对预设模型训练得到的，所述训练集包括多个图像对，每个图像对包括一张原始图像，以及所述原始图像对应的增强图像，所述增强图像是对所述原始图像进行专业修图后得到的图像。所述预设模型的模型结构与Retinex模型的模型结构相同。
具体地，将训练集中的原始图像输入预设模型，得到原始图像对应的预测图像，根据原始图像对应的预测图像和原始图像对应的增强图像确定损失值，并根据所述损失值调整所述预设模型的模型参数，并继续执行确定损失值的过程，直至预设模型收敛，将收敛后的预设模型作为图像增强模型。
步骤404，基于每张待处理图像的背景图像和掩膜图像，确定每张待处理图像的阴影图像。
具体地，基于所述背景图像和所述掩膜图像，采用颜色先验和距离先验确定阴影图像。参见图7，图7为图4对应的阴影图像。
在一个实施例中，步骤404包括：
步骤601，基于每张待处理图像的背景图像和掩膜图像确定每张待处理图像的阴影显著图像。
具体地，以任一待处理图像为例进行说明，将任一待处理图像的背景图像中的像素点记为背景像素点，获取所述背景图像中每个背景像素点的最大RGB值，以及所述任一待处理图像的掩膜图像中每个掩膜像素点的掩膜像素值，根据每个背景像素点的最大RGB值和每个掩膜像素点的掩膜像素值计算每个目标像素点的目标像素值，采用颜色先验的方法，根据每个目标像素点的目标像素值确定阴影显著图像。所述目标像素点为阴影显著图像中的像素点。参见图8，图8为图4对应的阴影显著图像。
在一个实施例中，在步骤601之前，还包括：提高每张待处理图像的背景图像的对比度和亮度，以使得背景图像中的阴影部分和较暗的背景部分的区别更明显。提高所述背景图像的对比度和亮度需要在一个合适范围，若对比度和亮度提高太多，会使得背景图像失真，提取出来的阴影不自然。可以设定将所述背景图像的对比度和亮度均提高1.2倍。
在一个实施例中，步骤601包括：
步骤701，对于任一待处理图像，在所述任一待处理图像的背景图像中获取每个目标像素点对应的最大RGB值，并对所述最大RGB值进行归一化处理，得到每个目标像素点对应的归一化值。
其中，所述最大RGB值是R值、G值和B值中的最大值。例如，像素点p1，p1的像素值为(200,100,50)，可知p1的R值为200，G值为100，B值为50，p1的最大RGB值为200。
所述目标像素点是阴影显著图像中的像素点，在背景图像中确定与目标像素点坐标相同的背景像素点，将确定的背景像素点的最大RGB值作为目标像素点对应的最大RGB值。
例如，对于目标像素点p2，背景像素点p3的坐标与p2的坐标相同，将p3的最大RGB值作为p2对应的最大RGB值。
具体地，对所述最大RGB值进行归一化处理，得到每个目标像素点对应的归一化值，包括：
在所有最大RGB值中选取第一极大值，所述第一极大值是所有最大RGB值中的最大值，确定每个目标像素点的RGB值分别与所述第一极大值之间的比值，得到每个目标像素点的参考值。如公式(1)所示。
Figure BDA0003177332760000111
其中，c*是参考值，c是最大RGB值，max(C)是第一极大值。
将每个目标像素点的参考值代入第一指数函数，得到每个目标像素点的归一化值，如公式(2)所示。
Figure BDA0003177332760000112
其中，Ic是归一化值，σc为设定的超参数，c*是参考值。σc可以设为0.1。
步骤702，对所述任一待处理图像的掩膜图像取反，得到所述任一待处理图像的反掩膜图像，并在所述任一待处理图像的反掩膜图像中获取每个目标像素点对应的反掩膜像素值。
具体地，以任一待处理图像为例进行说明，对所述掩膜图像取反包括：计算1和掩膜像素值之间差值，将差值作为反掩膜像素点的反掩膜像素值，根据反掩膜像素值确定反掩膜图像。反掩膜图像的像素点记为反掩膜像素点，反掩膜像素点的像素值记为反掩膜像素值。将掩膜像素值记为m，则反掩膜像素值为1-m。
在所述任一待处理图像的反掩膜图像中确定与目标像素点坐标相同的反掩膜像素点，将确定的反掩膜像素点的反掩膜像素值作为目标像素点对应的反掩膜像素值。
例如，对于目标像素点p2，反掩膜像素点p4的坐标与p2相同，将p4的反掩膜像素值作为p2对应的反掩膜像素值。
步骤703，将每个目标像素点的归一化值和反掩膜像素值相乘，得到每个目标像素点的目标像素值。
具体地，对于目标像素点p2，将p2对应的归一化值和反掩膜像素值相等，得到p2对应的目标像素值。
步骤704，根据每个目标像素点的目标像素值确定所述任一待处理图像的阴影显著图像。
具体地，将目标像素点的像素值设定为目标像素点对应的目标像素值，得到阴影显著图像。所述阴影显著图像展现了阴影的轮廓，前景内容的阴影为白色。
步骤602，对每张待处理图像的掩膜图像进行距离变换，得到每张待处理图像的距离变换图像。
其中，所述距离变换图像包括多个距离像素点，距离像素点的像素值用于反映该距离像素点与前景内容之间的距离。在所述掩膜图像中，1值区域(像素值为1的像素点组成的区域)表示待处理图像中的前景部分，因此，距离像素点的像素值用于反映该距离像素点与1值区域之间的距离。参见图9，图9为图4对应的距离变换图像。
具体地，计算掩膜图像中各像素点与1值区域中各像素点的距离，得到距离变换图像。
在一个实施例中，以任一待处理图像为例，步骤602包括：
步骤801，获取所述掩膜图像中像素值为1的所有参考像素点。
具体地，将掩膜图像中像素值为1的像素点作为参考像素点。
步骤802，计算所述掩膜图像中每个掩膜像素点分别与每个参考像素点之间的距离，并在计算得到的所有距离中确定每个掩膜像素点对应的最小距离。
具体地，将掩膜图像中的像素点记为掩膜像素点，计算一个掩膜像素点与参考像素点之间的距离包括：获取掩膜像素点的坐标，获取参考像素点的坐标，根据掩膜像素点的坐标和参考像素点的坐标，计算掩膜像素点与参考像素点之间的距离。对于任意一个掩膜像素点，该掩膜像素点与每个参考像素点之间的距离有多个，将多个距离中值最小的距离作为该掩膜像素点对应的最小距离。
例如，对于坐标为(m,n)的掩膜像素点，根据公式(3)坐标为(m,n)的掩膜像素点对应的最小距离。
Figure BDA0003177332760000131
其中，Dmn为坐标为(m,n)的掩膜像素点对应的最小距离，M是掩膜图像，
Figure BDA0003177332760000132
表示掩膜图像M中像素值为1的像素点，掩膜图像M中像素值为1的像素点的坐标为(x,y)。
步骤803，根据每个掩膜像素点对应的最小距离确定距离变换图像。
具体地，对每个掩膜像素点对应的最小距离进行归一化处理，得到每个掩膜像素点对应的归一化距离，将掩膜图像中每个掩膜像素点的像素值替换为每个掩膜像素点对应的归一化距离，得到距离变换图像。或者，将掩膜像素点对应的归一化距离作为空白图像中与掩膜像素点坐标相同的像素点的像素值，得到距离变换图像。
对每个掩膜像素点对应的最小距离进行归一化处理，得到每个掩膜像素点对应的归一化距离的过程包括：
在每个掩膜像素点对应的最小距离中确定第二极大值，具体是将每个掩膜像素点对应的最小距离中的最大值作为第二极大值。计算每个掩膜像素点对应的最小距离与第二极大值之间的比值，得到候选值，将所述候选值代入第二指数函数，得到每个掩膜像素点对应的归一化距离。如公式(4)和公式(5)所示。
Figure BDA0003177332760000141
其中，d*是候选值，d是最小距离，max(D)是第二极大值。
Figure BDA0003177332760000142
其中，Id是归一化距离，σd为设定的超参数，d*是候选值。σd可以设为0.2。
在一个实施例中，步骤203包括：
步骤901，对于任一待处理图像，采用全白图像减去所述任一待处理图像的阴影图像，得到所述任一待处理图像的差值图像。
具体地，所述全白图像是像素值全为1的图像，也就是说，所述全白图像中每个像素点的像素值均为1，所述阴影图像中每个像素点的像素值的取值范围为：[0,1]，并且阴影图像中阴影区域的大多数像素点的像素值更接近1，因此，所述阴影图像中阴影区域显示为白色，以及接近白色的灰色，非阴影区域显示为黑色。采用全白图像减去所述阴影图像，得到差值图像，所述差值图像中阴影区域的大多数像点的像素值更接近0，差值图像中的阴影区域显示为黑色，以及接近黑色的灰色，差值图像中非阴影区域显示为白色，使得差值图像中的阴影显示效果更真实。
所述全白图像减去所述任一待处理图像的阴影图像，是指全白图像的像素点的像素值减去阴影图像的像素点的像素值，得到差值图像中像素点的像素值，并且相减的两个像素点的坐标相同，例如，全白图像中像素点a11和阴影图像中像素点b11的坐标相同，采用a11的像素值减去b11的像素值，得到差值图像中像素点c11的像素值，c11的坐标与a11和b11的坐标均相同。
步骤902，将所述任一待处理图像的差值图像和所述任一待处理图像的前景增强图像相乘。
具体地，差值图像图像中的阴影区域显示为黑色，以及接近黑色的灰色，非阴影区域显示为白色，将差值图像和所述前景增强图像相乘，使得前景增强图像中的前景内容保持不变，并且将阴影合成到所述前景增强图像中，得到目标图像。
将所述任一待处理图像的差值图像和所述任一待处理图像的前景增强图像相乘，是指差值图像和前景增强图像逐像素点相乘，并且相乘的两个像素点的坐标相同。
为了更直观的说明所述基于工业相机拍摄的图像的处理方法，参见图10，所述基于工业相机拍摄的图像的处理方法包括：
根据待处理图像A确定掩膜图像B，根据待处理图像A和掩膜图像B确定前景增强图像C和阴影图像D，将前景增强图像C和阴影图像D合成，得到目标图像E。
在一个实施例中，参见图11，采用基于工业相机拍摄的图像的处理方法，对待处理图像a进行处理得到目标图像d，对待处理图像b进行处理得到目标图像e，对待处理图像c进行处理得到目标图像f。根据目标图像d、目标图像e和目标图像f可知，基于工业相机拍摄的图像的处理方法在图像增强的同时，保留了待处理图像中的阴影，使得目标图像呈现的效果更自然，图像质量更好。
在一个实施例中，如图12所示，提供了一种基于工业相机拍摄的图像的处理装置，包括：掩膜图像确定模块、处理模块和合成模块，其中：
待处理图像获取模块，用于控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
处理模块，用于确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
合成模块，用于将每张待处理图像的前景增强图像和阴影图像合成。
在一个实施例中，所述待处理图像获取模块包括第一组件和第二组件，其中：
第一组件，用于控制用于放置所述目标对象的载物台旋转；
第二组件，用于控制所述工业相机若干次拍摄所述目标对象，得到若干待处理图像。
在一个实施例中，所述处理模块包括第三组件、第四组件、第五组件和第六组件，其中：
第三组件，用于确定每张待处理图像的掩膜图像；
第四组件，用于根据每张待处理图像的掩膜图像，提取每张待处理图像的前景图像和背景图像；
第五组件，用于对每张待处理图像的前景图像进行图像增强，得到每张待处理图像的前景增强图像；
第六组件，用于基于每张待处理图像的背景图像和掩膜图像，确定每张待处理图像的阴影图像。
在一个实施例中，所述第六组件包括：第一单元、第二单元和第三单元，其中：
第一单元，用于基于每张待处理图像的背景图像和掩膜图像确定每张待处理图像的阴影显著图像；
第二单元，用于对每张待处理图像的掩膜图像进行距离变换，得到每张待处理图像的距离变换图像；
第三单元，用于将每张待处理图像的阴影显著图像和所述距离变换图像相乘，得到每张待处理图像的阴影图像。
在一个实施例中，所述第一单元包括：第一子单元、第二子单元、第三子单元和第四子单元，其中：
第一子单元，用于对于任一待处理图像，在所述任一待处理图像的背景图像中获取每个目标像素点对应的最大RGB值，并对所述最大RGB值进行归一化处理，得到每个目标像素点对应的归一化值，其中，所述最大RGB值是R值、G值和B值中的最大值，所述目标像素点是所述任一待处理图像的阴影显著图像中的像素点；
第二子单元，用于对所述任一待处理图像的掩膜图像取反，得到所述任一待处理图像的反掩膜图像，并在所述任一待处理图像的反掩膜图像中获取每个目标像素点对应的反掩膜像素值；
第三子单元，用于将每个目标像素点的归一化值和反掩膜像素值相乘，得到每个目标像素点的目标像素值；
第四子单元，用于根据每个目标像素点的目标像素值确定所述任一待处理图像的阴影显著图像。
在一个实施例中，所述合成模块包括第七组件和第八组件，其中：
第七组件，用于对于任一待处理图像，采用全白图像减去所述任一待处理图像的阴影图像，得到所述任一待处理图像的差值图像，其中，所述全白图像是像素值全为1的图像；
第八组件，用于将所述任一待处理图像的差值图像和所述任一待处理图像的前景增强图像相乘。
在一个实施例中，所述基于工业相机拍摄的图像的处理装置还包括：对焦模块，其中：
所述对焦模块，用于控制所述工业相机在多个不同焦点下，拍摄载物台上的参考对象，得到多张参考图像；采用边缘检测算法，在所述多张参考图像中确定清晰度最高的候选图像，并将所述候选图像对应的焦点作为目标焦点；将所述工业相机的焦点设置为所述目标焦点。
关于基于工业相机拍摄的图像的处理装置的具体限定可以参见上文中对于基于工业相机拍摄的图像的处理方法的限定，在此不再赘述。上述基于工业相机拍摄的图像的处理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终端，其内部结构图可以如图13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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于工业相机拍摄的图像的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13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，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以下步骤：
控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
将每张待处理图像的前景增强图像和阴影图像合成。
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，计算机程序被处理器执行时实现以下步骤：
控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
将每张待处理图像的前景增强图像和阴影图像合成。
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，所述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-Only Memory，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)

1.一种基于工业相机拍摄的图像的处理方法，其特征在于，包括：
控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
将每张待处理图像的前景增强图像和阴影图像合成。
2.根据权利要求1所述的方法，其特征在于，所述控制工业相机拍摄目标对象的若干待处理图像，包括：
控制用于放置所述目标对象的载物台旋转；
控制所述工业相机若干次拍摄所述目标对象，得到若干待处理图像。
3.根据权利要求1所述的方法，其特征在于，所述确定每张待处理图像的前景增强图像和阴影图像，包括：
确定每张待处理图像的掩膜图像；
根据每张待处理图像的掩膜图像，提取每张待处理图像的前景图像和背景图像；
对每张待处理图像的前景图像进行图像增强，得到每张待处理图像的前景增强图像；
基于每张待处理图像的背景图像和掩膜图像，确定每张待处理图像的阴影图像。
4.根据权利要求3所述的方法，其特征在于，所述基于每张待处理图像的背景图像和掩膜图像，确定每张待处理图像的阴影图像，包括：
基于每张待处理图像的背景图像和掩膜图像确定每张待处理图像的阴影显著图像；
对每张待处理图像的掩膜图像进行距离变换，得到每张待处理图像的距离变换图像；
将每张待处理图像的阴影显著图像和所述距离变换图像相乘，得到每张待处理图像的阴影图像。
5.根据权利要求4所述的方法，其特征在于，所述基于每张待处理图像的背景图像和掩膜图像确定每张待处理图像的阴影显著图像，包括：
对于任一待处理图像，在所述任一待处理图像的背景图像中获取每个目标像素点对应的最大RGB值，并对所述最大RGB值进行归一化处理，得到每个目标像素点对应的归一化值，其中，所述最大RGB值是R值、G值和B值中的最大值，所述目标像素点是所述任一待处理图像的阴影显著图像中的像素点；
对所述任一待处理图像的掩膜图像取反，得到所述任一待处理图像的反掩膜图像，并在所述任一待处理图像的反掩膜图像中获取每个目标像素点对应的反掩膜像素值；
将每个目标像素点的归一化值和反掩膜像素值相乘，得到每个目标像素点的目标像素值；
根据每个目标像素点的目标像素值确定所述任一待处理图像的阴影显著图像。
6.根据权利要求1所述的方法，其特征在于，所述将每张待处理图像的前景增强图像和阴影图像合成，包括：
对于任一待处理图像，采用全白图像减去所述任一待处理图像的阴影图像，得到所述任一待处理图像的差值图像，其中，所述全白图像是像素值全为1的图像；
将所述任一待处理图像的差值图像和所述任一待处理图像的前景增强图像相乘。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述控制工业相机拍摄目标对象的若干待处理图像之前，还包括：
控制所述工业相机在多个不同焦点下，拍摄载物台上的参考对象，得到多张参考图像；
采用边缘检测算法，在所述多张参考图像中确定清晰度最高的候选图像，并将所述候选图像对应的焦点作为目标焦点；
将所述工业相机的焦点设置为所述目标焦点。
8.一种基于工业相机拍摄的图像的处理装置，其特征在于，所述装置包括：
待处理图像获取模块，用于控制工业相机拍摄目标对象的若干待处理图像，其中，所述若干待处理图像的拍摄角度互不相同；
处理模块，用于确定每张待处理图像的前景增强图像和阴影图像，其中，所述前景增强图像包括待处理图像中的前景内容，所述阴影图像包括所述前景内容的阴影；
合成模块，用于将每张待处理图像的前景增强图像和阴影图像合成。
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中任一项所述的基于工业相机拍摄的图像的处理方法的步骤。
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中任一项所述的基于工业相机拍摄的图像的处理方法的步骤。
CN202110836094.6A 2021-07-23 2021-07-23 基于工业相机拍摄的图像的处理方法、装置和计算机设备 Active CN113592753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110836094.6A CN113592753B (zh) 2021-07-23 2021-07-23 基于工业相机拍摄的图像的处理方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110836094.6A CN113592753B (zh) 2021-07-23 2021-07-23 基于工业相机拍摄的图像的处理方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN113592753A true CN113592753A (zh) 2021-11-02
CN113592753B CN113592753B (zh) 2024-05-07

Family

ID=78249772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110836094.6A Active CN113592753B (zh) 2021-07-23 2021-07-23 基于工业相机拍摄的图像的处理方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113592753B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188332A (zh) * 2023-04-27 2023-05-30 深圳思谋信息科技有限公司 一种图像处理方法、装置、设备及存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103035013A (zh) * 2013-01-08 2013-04-10 东北师范大学 一种基于多特征融合的精确运动阴影检测方法
CN103065338A (zh) * 2011-10-19 2013-04-24 北京千橡网景科技发展有限公司 为背景图像中的前景图像提供阴影的方法和装置
US20180020188A1 (en) * 2016-07-14 2018-01-18 Intel Corporation Method and system of depth data filling of shadows for image processing
CN109300186A (zh) * 2018-09-28 2019-02-01 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN109840889A (zh) * 2019-01-24 2019-06-04 华东交通大学 基于仿生算法的高精度视觉测量方法、装置和系统
CN110286463A (zh) * 2019-06-03 2019-09-27 武汉精立电子技术有限公司 一种基于相机镜头自动调焦方法及装置
CN110798634A (zh) * 2019-11-28 2020-02-14 东北大学 图像自适应合成方法、装置及计算机可读存储介质
CN111047555A (zh) * 2019-11-13 2020-04-21 鞍钢集团矿业有限公司 基于图像处理技术的矿石图像粒度检测算法
CN111080674A (zh) * 2019-12-18 2020-04-28 上海无线电设备研究所 一种基于混合高斯模型的多目标isar关键点提取方法
CN111311621A (zh) * 2020-01-20 2020-06-19 北京中科核安科技有限公司 放射源成像的图像处理方法、装置和电子设备
CN111462164A (zh) * 2020-03-12 2020-07-28 深圳奥比中光科技有限公司 一种前景分割方法以及基于图像合成的数据增强方法
US20200250830A1 (en) * 2019-02-01 2020-08-06 Electronics And Telecommunications Research Institute Method for extracting person region in image and apparatus using the same
CN111739003A (zh) * 2020-06-18 2020-10-02 上海电器科学研究所（集团）有限公司 一种用于外观检测的机器视觉算法
US20210004559A1 (en) * 2019-07-01 2021-01-07 Gemalto Cogent Inc Method to generate a slap/fingers foreground mask
CN112258435A (zh) * 2020-10-19 2021-01-22 北京市商汤科技开发有限公司 图像处理方法和相关产品
CN113129207A (zh) * 2019-12-30 2021-07-16 武汉Tcl集团工业研究院有限公司 一种图片的背景虚化方法及装置、计算机设备、存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065338A (zh) * 2011-10-19 2013-04-24 北京千橡网景科技发展有限公司 为背景图像中的前景图像提供阴影的方法和装置
CN103035013A (zh) * 2013-01-08 2013-04-10 东北师范大学 一种基于多特征融合的精确运动阴影检测方法
US20180020188A1 (en) * 2016-07-14 2018-01-18 Intel Corporation Method and system of depth data filling of shadows for image processing
CN109300186A (zh) * 2018-09-28 2019-02-01 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN109840889A (zh) * 2019-01-24 2019-06-04 华东交通大学 基于仿生算法的高精度视觉测量方法、装置和系统
US20200250830A1 (en) * 2019-02-01 2020-08-06 Electronics And Telecommunications Research Institute Method for extracting person region in image and apparatus using the same
CN110286463A (zh) * 2019-06-03 2019-09-27 武汉精立电子技术有限公司 一种基于相机镜头自动调焦方法及装置
US20210004559A1 (en) * 2019-07-01 2021-01-07 Gemalto Cogent Inc Method to generate a slap/fingers foreground mask
CN111047555A (zh) * 2019-11-13 2020-04-21 鞍钢集团矿业有限公司 基于图像处理技术的矿石图像粒度检测算法
CN110798634A (zh) * 2019-11-28 2020-02-14 东北大学 图像自适应合成方法、装置及计算机可读存储介质
CN111080674A (zh) * 2019-12-18 2020-04-28 上海无线电设备研究所 一种基于混合高斯模型的多目标isar关键点提取方法
CN113129207A (zh) * 2019-12-30 2021-07-16 武汉Tcl集团工业研究院有限公司 一种图片的背景虚化方法及装置、计算机设备、存储介质
CN111311621A (zh) * 2020-01-20 2020-06-19 北京中科核安科技有限公司 放射源成像的图像处理方法、装置和电子设备
CN111462164A (zh) * 2020-03-12 2020-07-28 深圳奥比中光科技有限公司 一种前景分割方法以及基于图像合成的数据增强方法
CN111739003A (zh) * 2020-06-18 2020-10-02 上海电器科学研究所（集团）有限公司 一种用于外观检测的机器视觉算法
CN112258435A (zh) * 2020-10-19 2021-01-22 北京市商汤科技开发有限公司 图像处理方法和相关产品

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LI NIU ET AL.: "Making Images Real Again: A Comprehensive Survey on Deep Image Composition", 《ARXIV.ORG/ABS/2106.14490V1》 *
MACIEJ GRYKA ET AL.: "Learning to Remove Soft Shadows", 《ACM TRANSACTIONS ON GRAPHICS》, vol. 34, no. 5, 3 November 2015 (2015-11-03), XP058076186, DOI: 10.1145/2732407 *
段春梅等: "基于残差网络和迁移学习的瓶坯表面质量检测研究", 《机械工程与自动化》, no. 2021, pages 1 - 3 *
邬杭松: "基于图像的复杂场景中合成物体的阴影生成", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》, no. 2006 *
陈迪: "树叶图像的显著性区域提取方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 2020, 15 January 2020 (2020-01-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188332A (zh) * 2023-04-27 2023-05-30 深圳思谋信息科技有限公司 一种图像处理方法、装置、设备及存储介质
CN116188332B (zh) * 2023-04-27 2023-07-28 深圳思谋信息科技有限公司 一种图像处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113592753B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
Wang et al. Gladnet: Low-light enhancement network with global awareness
US11882357B2 (en) Image display method and device
US11037278B2 (en) Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures
US10708525B2 (en) Systems and methods for processing low light images
CN108335279B (zh) 图像融合和hdr成像
CN108322646B (zh) 图像处理方法、装置、存储介质及电子设备
US10410327B2 (en) Shallow depth of field rendering
CN108668093B (zh) Hdr图像的生成方法及装置
CN112703509A (zh) 用于图像增强的人工智能技术
US8971628B2 (en) Face detection using division-generated haar-like features for illumination invariance
US10970821B2 (en) Image blurring methods and apparatuses, storage media, and electronic devices
US10382712B1 (en) Automatic removal of lens flares from images
CN111311523B (zh) 图像处理方法、装置、系统和电子设备
WO2021083059A1 (zh) 一种图像超分重建方法、图像超分重建装置及电子设备
CN110971841B (zh) 图像处理方法、装置、存储介质及电子设备
WO2023030139A1 (zh) 图像融合方法、电子设备和存储介质
Singh et al. A comprehensive review of convolutional neural network based image enhancement techniques
Lv et al. Low-light image enhancement via deep Retinex decomposition and bilateral learning
Zheng et al. Neural augmented exposure interpolation for two large-exposure-ratio images
CN113379609A (zh) 一种图像处理方法、存储介质及终端设备
CN113592753B (zh) 基于工业相机拍摄的图像的处理方法、装置和计算机设备
Yoshimura et al. Rawgment: Noise-accounted raw augmentation enables recognition in a wide variety of environments
US20220398704A1 (en) Intelligent Portrait Photography Enhancement System
Chen et al. Low‐light image enhancement based on exponential Retinex variational model
US11810266B2 (en) Pattern radius adjustment for keypoint descriptor generation

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
CB03 Change of inventor or designer information

Inventor after: Wang Ruixing

Inventor after: Lin Huaijia

Inventor after: Jiang Nianjuan

Inventor after: Sun Chuan

Inventor after: Shen Xiaoyong

Inventor after: Lv Jiangbo

Inventor before: Wang Ruixing

Inventor before: Lin Huaijia

Inventor before: Jiang Nianjuan

Inventor before: Sun Chuan

Inventor before: Shen Xiaoyong

Inventor before: Lv Jiangbo

Inventor before: Jia Jiaya

CB03 Change of inventor or designer information
GR01 Patent grant