CN113592789A - 暗光图像识别方法、装置、设备及存储介质 - Google Patents
暗光图像识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113592789A CN113592789A CN202110798260.8A CN202110798260A CN113592789A CN 113592789 A CN113592789 A CN 113592789A CN 202110798260 A CN202110798260 A CN 202110798260A CN 113592789 A CN113592789 A CN 113592789A
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- dim
- light
- red
- 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.)
- Pending
Links
Images
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
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,公开了一种暗光图像识别方法、装置、设备及存储介质,用于提高暗光图的识别准确率。所述暗光图像识别方法包括:接收待识别图像,并解析待识别图像,得到待识别图像的尺寸参数;根据尺寸参数,获取待识别图像中各像素点的RGB分量值,并根据RGB分量值计算待识别图像中各像素点的RGB分量差值,得到待识别图像对应的差值集合;根据差值集合,对待识别图像进行暗光区域识别,得到待识别图像的暗光区域信息;当暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定待识别图像为暗光图像。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种暗光图像识别方法、装置、设备及存储介质。
背景技术
随着互联网的发展和摄像头的普及,企业拥有越来越多的数据,其中图像数据是重要的一环,合理地利用这些数据可以帮助企业降本增效,提高效率。计算机算力的提高和数据量的积累使得现有的计算机视觉技术受到广泛重视,机器学习和深度学习被应用在目标识别、目标检测和跟踪等领域,渗透在生活的方方面面,如制造业、文档分析、医疗诊断和军事等领域。计算机视觉技术需要大量的图像,对图像预处理显得尤为重要。
在实际应用中,可能因为拍摄技术、设备或者环境等因素,导致有些图片光线很暗。现有判断图像灰度的技术中灰度直方图法是首选,但是在实际的图像数据中判断暗光图时,准确率并不高。
发明内容
本发明提供了一种暗光图像识别方法、装置、设备及存储介质,用于提高暗光图的识别准确率。
本发明第一方面提供了一种暗光图像识别方法,包括:
接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数;
根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合;
根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息;
当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像。
可选的,在本发明第一方面的第一种实现方式中,所述接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数,包括:
接收待识别图像,并通过预置图像处理工具读取所述待识别图像;
通过所述预置图像处理工具,对所述待识别图像进行像素点遍历,得到所述待识别图像的尺寸参数,所述尺寸参数包括横向像素点数量和纵向像素点数量。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合,包括:
按照所述尺寸参数中的横向像素点数量和纵向像素点数量,提取所述待识别图像中每个像素点的RGB分量值,所述RGB分量值包括红色分量值、绿色分量值和蓝色分量值;
将所述RGB分量值中的红色分量值、绿色分量值和蓝色分量值进行两两相减,得到所述待识别图像中每个像素点的RGB分量差值,所述RGB分量差值包括红绿分量差值、红蓝分量差值和绿蓝分量差值;
将所述待识别图像中每个像素点的RGB分量差值进行组合,得到所述待识别图像对应的差值集合。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息,包括:
根据所述差值集合,构建所述待识别图像的分量差值图,所述分量差值图包括红绿分量差值图、红蓝分量差值图和绿蓝分量差值图;
通过所述红绿分量差值图对所述待识别图像中每个像素点的红绿分量差值进行暗光像素计算,并通过所述红蓝分量差值图对所述待识别图像中每个像素点的红蓝分量差值进行暗光像素计算,以及通过所述绿蓝分量差值图对所述待识别图像中每个像素点的绿蓝分量差值进行暗光像素计算,得到所述待识别图像的暗光区域信息。
可选的,在本发明第一方面的第四种实现方式中,所述通过所述红绿分量差值图对所述待识别图像中每个像素点的红绿分量差值进行暗光像素计算,并通过所述红蓝分量差值图对所述待识别图像中每个像素点的红蓝分量差值进行暗光像素计算,以及通过所述绿蓝分量差值图对所述待识别图像中每个像素点的绿蓝分量差值进行暗光像素计算,得到所述待识别图像的暗光区域信息,包括:
通过所述红绿分量差值图判断所述待识别图像中每个像素点对应的红绿分量差值是否小于预置红绿分量阈值,并通过所述红蓝分量差值图判断所述待识别图像中每个像素点对应的红蓝分量差值是否小于预置红蓝分量阈值,以及通过所述绿蓝分量差值图判断所述待识别图像中每个像素点对应绿蓝分量差值是否小于预置绿蓝分量阈值;
若所述红绿分量差值小于预置红绿分量阈值、所述红蓝分量差值小于预置红蓝分量阈值且所述绿蓝分量差值小于预置绿蓝分量阈值,则确定对应的像素点为暗光像素点,所述暗光像素点包括暗光像素点在所述分量差值图中的坐标信息;
获取相邻暗光像素点的目标数量和图像区域,当所述目标数量大于或等于预置暗光区域数量阈值时,将对应的图像区域确定为暗光区域,得到所述待识别图像的暗光区域信息。
可选的,在本发明第一方面的第五种实现方式中,在所述当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像之后,所述暗光图像识别方法还包括:
获取所述暗光区域信息中的暗光像素点,以及所述暗光像素点在所述分量差值图中的坐标信息,并通过所述坐标信息确定所述暗光像素点在所述待识别图像中的位置信息;
根据所述位置信息,在所述待识别图像中对所述暗光区域信息对应的暗光区域进行标注,并输出所述暗光区域的亮度信息。
可选的,在本发明第一方面的第六种实现方式中,所述当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像,包括:
判断所述暗光区域信息中暗光像素点的数量是否大于预置暗光像素阈值;
若所述暗光像素点的数量大于或等于预置暗光像素阈值,则确定所述待识别图像为暗光图像;
若所述暗光像素点的数量小于预置暗光像素阈值,则确定所述待识别图像为非暗光图像。
本发明第二方面提供了一种暗光图像识别装置,包括:
接收模块,用于接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数;
计算模块,用于根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合;
识别模块,用于根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息;
确定模块,用于当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像。
可选的,在本发明第二方面的第一种实现方式中,所述接收模块具有用于:
接收待识别图像,并通过预置图像处理工具读取所述待识别图像;
通过所述预置图像处理工具,对所述待识别图像进行像素点遍历,得到所述待识别图像的尺寸参数,所述尺寸参数包括横向像素点数量和纵向像素点数量。
可选的,在本发明第二方面的第二种实现方式中,所述计算模块具体用于:
按照所述尺寸参数中的横向像素点数量和纵向像素点数量,提取所述待识别图像中每个像素点的RGB分量值,所述RGB分量值包括红色分量值、绿色分量值和蓝色分量值;
将所述RGB分量值中的红色分量值、绿色分量值和蓝色分量值进行两两相减,得到所述待识别图像中每个像素点的RGB分量差值,所述RGB分量差值包括红绿分量差值、红蓝分量差值和绿蓝分量差值;
将所述待识别图像中每个像素点的RGB分量差值进行组合,得到所述待识别图像对应的差值集合。
可选的,在本发明第二方面的第三种实现方式中,所述识别模块包括:
构建单元,用于根据所述差值集合,构建所述待识别图像的分量差值图,所述分量差值图包括红绿分量差值图、红蓝分量差值图和绿蓝分量差值图;
计算单元,用于通过所述红绿分量差值图对所述待识别图像中每个像素点的红绿分量差值进行暗光像素计算,并通过所述红蓝分量差值图对所述待识别图像中每个像素点的红蓝分量差值进行暗光像素计算,以及通过所述绿蓝分量差值图对所述待识别图像中每个像素点的绿蓝分量差值进行暗光像素计算,得到所述待识别图像的暗光区域信息。
可选的,在本发明第二方面的第四种实现方式中,所述计算单元具体用于:
通过所述红绿分量差值图判断所述待识别图像中每个像素点对应的红绿分量差值是否小于预置红绿分量阈值,并通过所述红蓝分量差值图判断所述待识别图像中每个像素点对应的红蓝分量差值是否小于预置红蓝分量阈值,以及通过所述绿蓝分量差值图判断所述待识别图像中每个像素点对应绿蓝分量差值是否小于预置绿蓝分量阈值;
若所述红绿分量差值小于预置红绿分量阈值、所述红蓝分量差值小于预置红蓝分量阈值且所述绿蓝分量差值小于预置绿蓝分量阈值,则确定对应的像素点为暗光像素点,所述暗光像素点包括暗光像素点在所述分量差值图中的坐标信息;
获取相邻暗光像素点的目标数量和图像区域,当所述目标数量大于或等于预置暗光区域数量阈值时,将对应的图像区域确定为暗光区域,得到所述待识别图像的暗光区域信息。
可选的,在本发明第二方面的第五种实现方式中,所述暗光图像识别装置还包括:
定位模块,用于获取所述暗光区域信息中的暗光像素点,以及所述暗光像素点在所述分量差值图中的坐标信息,并通过所述坐标信息确定所述暗光像素点在所述待识别图像中的位置信息;
标注模块,用于根据所述位置信息,在所述待识别图像中对所述暗光区域信息对应的暗光区域进行标注,并输出所述暗光区域的亮度信息。
可选的,在本发明第二方面的第六种实现方式中,所述确定模块具体用于:
判断所述暗光区域信息中暗光像素点的数量是否大于预置暗光像素阈值;
若所述暗光像素点的数量大于或等于预置暗光像素阈值,则确定所述待识别图像为暗光图像;
若所述暗光像素点的数量小于预置暗光像素阈值,则确定所述待识别图像为非暗光图像。
本发明第三方面提供了一种暗光图像识别设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述暗光图像识别设备执行上述的暗光图像识别方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的暗光图像识别方法。
本发明提供的技术方案中,接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数;根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合;根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息;当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像。本发明实施例中,服务器通过解析待识别图像得到的尺寸参数,获取待识别图像中每个像素点的RGB分量值,再计算每个像素点的RGB分量差值,最后根据RGB分量差值识别待识别图像的暗光区域,并确定暗光图像,本发明可以提高暗光图的识别准确率。
附图说明
图1为本发明实施例中暗光图像识别方法的一个实施例示意图;
图2为本发明实施例中暗光图像识别方法的另一个实施例示意图;
图3为本发明实施例中暗光图像识别装置的一个实施例示意图;
图4为本发明实施例中暗光图像识别装置的另一个实施例示意图;
图5为本发明实施例中暗光图像识别设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种暗光图像识别方法、装置、设备及存储介质,用于提高暗光图的识别准确率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中暗光图像识别方法的一个实施例包括:
101、接收待识别图像,并解析待识别图像,得到待识别图像的尺寸参数;
可以理解的是,本发明的执行主体可以为暗光图像识别装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中,待识别图像可以是监控摄像头拍下的监控图像,也可以是普通摄像机或手机拍下的自然图像,本发明在对监控图像的光线识别方面具有较好的效果,能够及时地判断监控摄像头所采集的监控图像是否为暗光图像,并将判断结果及时地反馈至用户终端。本发明还能用于对图像的预处理,例如在对深度学习模型的训练之前,通过本发明识别出暗光图像能够避免图像的质量问题影响深度学习模型的训练效果。
本实施例中,服务器接收到待识别图像之后,对待识别图像进行解析,以提取待识别图像的尺寸参数,其中,尺寸参数的单位为像素(px),表示待识别图像的像素尺寸大小,例如待识别图像的尺寸参数为90px*60px,那么,说明待识别图像的宽为90个像素点,高为60个像素点,服务器提取待识别图像的尺寸参数,用于后续对待识别图像的像素点进行遍历,进而进行暗光图像的识别。
102、根据尺寸参数,获取待识别图像中各像素点的RGB分量值,并根据RGB分量值计算待识别图像中各像素点的RGB分量差值,得到待识别图像对应的差值集合;
本实施例中,在颜色系统中,RGB色彩模式是通过对红(Red)、绿(Green)、蓝(Blue)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,这个标准几乎包括了人类视力所能感知的所有颜色,因此,RGB色彩模式是运用最广的颜色系统之一,RGB色彩模式通过RGB模型为图像中每个像素点的RGB分量值分配一个0~255范围内的强度值。例如:纯红色R值为255,G值为0,B值为0;灰色的R、G、B三个值相等(除了0和255);白色的R、G、B都为255;黑色的R、G、B都为0。
本实施例中,服务器根据待识别图像的尺寸信息,也就是待识别图像中的像素点数量,通过遍历待识别图像中每个像素点的RGB分量值,来获取待识别图像中各像素点的RGB分量值,也就是R(red)值、G(green)值和B(blue)值,服务器再根据每个像素点的RGB分量值,计算每个像素点的RGB分量差值,从而得到待识别图像中每个像素点的差值集合,差值集合中包括每个像素点的RGB分量差值。
103、根据差值集合,对待识别图像进行暗光区域识别,得到待识别图像的暗光区域信息;
本实施例中,经过大量的实验发现,图像的暗光区域的像素点对应的RGB分量差值呈现一定的规律(低于某个阈值),基于此,服务器根据差值集合中每个像素点的RGB分量差值,识别待识别图像中符合暗光条件(RGB分量差值大于预置分量阈值)的暗光像素点,当暗光像素点聚集至一定数量时,将暗光像素点聚集的区域作为待识别图像的暗光区域,从而得到待识别图像的暗光区域信息,暗光区域信息包括暗光像素点在待识别图像中的位置信息、暗光像素点的RGB分量值和RGB分量差值,暗光区域信息用于后续判断待识别图像是否为暗光图像,本实施例能够准确地识别图像中的暗光区域。
104、当暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定待识别图像为暗光图像。
本实施例中,当服务器识别出待识别图像的暗光区域信息,也就是待识别图像中的暗光像素点之后,通过判断暗光区域信息中的暗光像素点的数量是否大于预置暗光像素阈值,以判断待识别图像是否为暗光图像,经过大量的实验发现,暗光图像中的暗光像素点的总量均大于某个阈值,服务器将该阈值作为预置暗光像素阈值,用于反推待识别图像是否为暗光图像,能够准确地识别暗光图像,在测试过程中的准确率高达99.4%,并且由于计算量少,使得识别效率也相对较高。
本发明实施例中,服务器通过解析待识别图像得到的尺寸参数,获取待识别图像中每个像素点的RGB分量值,再计算每个像素点的RGB分量差值,最后根据RGB分量差值识别待识别图像的暗光区域,并确定暗光图像,本发明可以提高暗光图的识别准确率。
请参阅图2,本发明实施例中暗光图像识别方法的另一个实施例包括:
201、接收待识别图像,并解析待识别图像,得到待识别图像的尺寸参数;
具体的,服务器接收待识别图像,并通过预置图像处理工具读取待识别图像;服务器通过预置图像处理工具,对待识别图像进行像素点遍历,得到待识别图像的尺寸参数,尺寸参数包括横向像素点数量和纵向像素点数量。
本可选实施例中,服务器接收到待识别图像之后,通过解析待识别图像的脚本信息,获取待识别图像的大小信息,由于图像的大小信息可能为不同的单位,例如,大小信息可以为英寸、英尺、毫米、点、英美点、像素等,为了提高后续图像处理的效率,服务器通过预置的单位换算公式进行单位换算,将待识别图像的大小信息中的尺寸单位统一转换为像素,从而得到待识别图像的尺寸参数,尺寸参数为像素单位的尺寸参数,统一的尺寸参数能够提高暗光图像识别的计算效率。
202、根据尺寸参数,获取待识别图像中各像素点的RGB分量值,并根据RGB分量值计算待识别图像中各像素点的RGB分量差值,得到待识别图像对应的差值集合;
具体的,服务器按照尺寸参数中的横向像素点数量和纵向像素点数量,提取待识别图像中每个像素点的RGB分量值,RGB分量值包括红色分量值、绿色分量值和蓝色分量值;服务器将RGB分量值中的红色分量值、绿色分量值和蓝色分量值进行两两相减,得到待识别图像中每个像素点的RGB分量差值,RGB分量差值包括红绿分量差值、红蓝分量差值和绿蓝分量差值;服务器将待识别图像中每个像素点的RGB分量差值进行组合,得到待识别图像对应的差值集合。
本可选实施例中,由于待识别图像为二维平面图,因此,待识别图像的尺寸参数中包括横向像素点数量和纵向像素点数量,例如,待识别图像的尺寸参数为90px*60px,那么,该待识别图像的横向像素点数量为90,纵向像素点数量为60。服务器根据横向像素点数量和纵向像素点数量,遍历待识别图像中的每个像素点的RGB分量值,再将每个像素点的RGB分量值进行两两相减,从而得到每个像素点的RGB分量差值,例如,待识别图像中其中一个像素点的RGB分量值为X(10,20,40),X中的10代表红色分量值,20代表绿色分量值,40代表蓝色分量值,服务器将该像素点的RGB分量值进行互减,也就是20-10=10,40-10=30,40-20=20,得到该像素点的RGB分量差值Y(10,30,20),Y中的10代表红绿分量差值,30代表红蓝分量差值,20代表绿蓝分量差值,以此类推,服务器计算待识别图像中每个像素点的RGB分量差值Y,并将每个像素点的RGB分量值差值Y合并起来,从而得到待识别图像的差值集合。
203、根据差值集合,构建待识别图像的分量差值图,分量差值图包括红绿分量差值图、红蓝分量差值图和绿蓝分量差值图;
本实施例中,为了快速地识别暗光图像,服务器根据差值集合中每个像素点的RGB分量差值,构建待识别图像的分量差值图,分量差值图可以为二维平面坐标系图,也可以为三维立体坐标系图,当分量差值图为二维平面坐标系图时,分量差值图的X轴可以代表各像素点在待识别图像中的序号,Y轴可以代表对应像素点对应的RGB分量差值(红绿分量差值、红蓝分量差值或绿蓝分量差值),其中X轴和Y轴所代表的参数可以互换,具体不做限定,而当分量差值图为三维立体坐标系图时,X轴可以代表待识别图像的横向像素点的序号,Y轴可以代表待识别图像的纵向像素点的序号,Z轴可以代表像素点对应的RGB分量差值(红绿分量差值、红蓝分量差值或绿蓝分量差值),其中,X轴、Y轴和Z轴之间所代表的参数可以互换,具体不做限定。
本实施例中,不同的RGB分量差值(红绿分量差值、红蓝分量差值或绿蓝分量差值)分别对应不同的分量差值图(红绿分量差值图、红蓝分量差值图或绿蓝分量差值图),分量差值图为后续暗光区域的确定提供了数据基础,在暗光图像分析方面也起到了更直观的作用。
204、通过红绿分量差值图对待识别图像中每个像素点的红绿分量差值进行暗光像素计算,并通过红蓝分量差值图对待识别图像中每个像素点的红蓝分量差值进行暗光像素计算,以及通过绿蓝分量差值图对待识别图像中每个像素点的绿蓝分量差值进行暗光像素计算,得到待识别图像的暗光区域信息;
具体的,服务器通过红绿分量差值图判断待识别图像中每个像素点对应的红绿分量差值是否小于预置红绿分量阈值,并通过红蓝分量差值图判断待识别图像中每个像素点对应的红蓝分量差值是否小于预置红蓝分量阈值,以及通过绿蓝分量差值图判断待识别图像中每个像素点对应绿蓝分量差值是否小于预置绿蓝分量阈值;若红绿分量差值小于预置红绿分量阈值、红蓝分量差值小于预置红蓝分量阈值且绿蓝分量差值小于预置绿蓝分量阈值,则服务器确定对应的像素点为暗光像素点,暗光像素点包括暗光像素点在分量差值图中的坐标信息;服务器获取相邻暗光像素点的目标数量和图像区域,当所述目标数量大于或等于预置暗光区域数量阈值时,将对应的图像区域确定为暗光区域,得到所述待识别图像的暗光区域信息。
本可选实施例中,通过红绿分量差值图、红蓝分量差值图和绿蓝分量差值图,服务器能够准确且高效地判断待识别图像中每个像素点对应的红绿分量差值、红蓝分量差值和绿蓝分量差值是否小于对应的预置分量阈值,也就是判断每个像素点的红绿分量差值是否小于预置红绿分量阈值,判断每个像素点的红蓝分量差值是否小于预置红蓝分量阈值,以及判断每个像素点的绿蓝分量差值是否小于预置绿蓝分量阈值,当红绿分量差值、红蓝分量差值和绿蓝分量差值均分别小于对应的预置红绿分量阈值、预置红蓝分量阈值和预置绿蓝分量阈值时,则服务器将对应的像素点作为暗光像素点。例如,假设预置分量阈值为(50,60,70),其中50代表预置红绿分量阈值,60代表预置红蓝分量阈值,70代表预置绿蓝分量阈值,而待识别图像其中一个像素点的红绿分量差值、红蓝分量差值和绿蓝分量差值分别为70、80和90,那么,由于50<70,60<80,70<90,则服务器确定该像素点为暗光像素点。
本可选实施例中,当待识别图像中相邻的暗光像素点数量超过预置暗光区域数量阈值时,也就是暗光像素点聚集量大于或等于预置暗光区域数量阈值时,服务器将相邻的暗光像素点对应的图像区域作为暗光区域,例如,待识别图像中相邻的暗光像素点(纵向(Y轴)相邻和/或横向(X轴)相邻均属于相邻)超过50个,大于预置暗光区域数量阈值,那么,服务器根据这超过50个的暗光像素点在待识别图像中的坐标信息(由分量差值图的坐标轴确定),确定待识别图像的暗光区域信息。
205、当暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定待识别图像为暗光图像。
具体的,服务器判断暗光区域信息中暗光像素点的数量是否大于预置暗光像素阈值;若暗光像素点的数量大于或等于预置暗光像素阈值,则服务器确定待识别图像为暗光图像;若暗光像素点的数量小于预置暗光像素阈值,则服务器确定待识别图像为非暗光图像。
本可选实施例中,为了区分一些局部暗光图像(局部暗光不影响图像的使用),服务器通过判断暗光区域中的暗光像素点的数量是否大于或等于预置暗光像素阈值,也就是暗光区域在待识别图像中所占的面积是否达到预置暗光图像确定条件,当待识别图像中的暗光像素点的数量大于预置暗光像素阈值时,说明待识别图像的暗光区域达到了预置暗光图像确定条件,那么,服务器则将待识别图像确定为暗光图像,否则,将待识别图像确定为非暗光图像。
进一步的,服务器获取暗光区域信息中的暗光像素点,以及暗光像素点在分量差值图中的坐标信息,并通过坐标信息确定暗光像素点在待识别图像中的位置信息;服务器根据位置信息,在待识别图像中对暗光区域信息对应的暗光区域进行标注,并输出暗光区域的亮度信息。
本可选实施例中,为了更直观地识别待识别图像的暗光区域,服务器根据暗光像素点的坐标信息,在待识别图像中查找暗光像素点的位置信息,并将暗光像素点标注出来,用于验证暗光区域的识别准确率,并输出暗光区域的亮度信息,用于作为改善暗光区域的亮度参考。
本发明实施例中,服务器根据差值集合中每个像素点的RGB分量差值,构建待识别图像的分量差值图,再根据分量差值图中的红绿分量差值图、红蓝分量差值图和绿蓝分量差值图,分别对待识别图像中每个像素点的红绿分量差值、红蓝分量差值和绿蓝分量差值进行暗光像素判断,从而得到暗光区域信息,本发明能够准确地识别图像中的暗光区域,进而识别暗光图像。
上面对本发明实施例中暗光图像识别方法进行了描述,下面对本发明实施例中暗光图像识别装置进行描述,请参阅图3,本发明实施例中暗光图像识别装置一个实施例包括:
接收模块301,用于接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数;
计算模块302,用于根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合;
识别模块303,用于根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息;
确定模块304,用于当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像。
本发明实施例中,服务器通过解析待识别图像得到的尺寸参数,获取待识别图像中每个像素点的RGB分量值,再计算每个像素点的RGB分量差值,最后根据RGB分量差值识别待识别图像的暗光区域,并确定暗光图像,本发明可以提高暗光图的识别准确率。
请参阅图4,本发明实施例中暗光图像识别装置的另一个实施例包括:
接收模块301,用于接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数;
计算模块302,用于根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合;
识别模块303,用于根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息;
确定模块304,用于当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像。
可选的,所述接收模块301具有用于:
接收待识别图像,并通过预置图像处理工具读取所述待识别图像;
通过所述预置图像处理工具,对所述待识别图像进行像素点遍历,得到所述待识别图像的尺寸参数,所述尺寸参数包括横向像素点数量和纵向像素点数量。
可选的,所述计算模块302具体用于:
按照所述尺寸参数中的横向像素点数量和纵向像素点数量,提取所述待识别图像中每个像素点的RGB分量值,所述RGB分量值包括红色分量值、绿色分量值和蓝色分量值;
将所述RGB分量值中的红色分量值、绿色分量值和蓝色分量值进行两两相减,得到所述待识别图像中每个像素点的RGB分量差值,所述RGB分量差值包括红绿分量差值、红蓝分量差值和绿蓝分量差值;
将所述待识别图像中每个像素点的RGB分量差值进行组合,得到所述待识别图像对应的差值集合。
可选的,所述识别模块303包括:
构建单元3031,用于根据所述差值集合,构建所述待识别图像的分量差值图,所述分量差值图包括红绿分量差值图、红蓝分量差值图和绿蓝分量差值图;
计算单元3032,用于通过所述红绿分量差值图对所述待识别图像中每个像素点的红绿分量差值进行暗光像素计算,并通过所述红蓝分量差值图对所述待识别图像中每个像素点的红蓝分量差值进行暗光像素计算,以及通过所述绿蓝分量差值图对所述待识别图像中每个像素点的绿蓝分量差值进行暗光像素计算,得到所述待识别图像的暗光区域信息。
可选的,所述计算单元3032具体用于:
通过所述红绿分量差值图判断所述待识别图像中每个像素点对应的红绿分量差值是否小于预置红绿分量阈值,并通过所述红蓝分量差值图判断所述待识别图像中每个像素点对应的红蓝分量差值是否小于预置红蓝分量阈值,以及通过所述绿蓝分量差值图判断所述待识别图像中每个像素点对应绿蓝分量差值是否小于预置绿蓝分量阈值;
若所述红绿分量差值小于预置红绿分量阈值、所述红蓝分量差值小于预置红蓝分量阈值且所述绿蓝分量差值小于预置绿蓝分量阈值,则确定对应的像素点为暗光像素点,所述暗光像素点包括暗光像素点在所述分量差值图中的坐标信息;
获取相邻暗光像素点的目标数量和图像区域,当所述目标数量大于或等于预置暗光区域数量阈值时,将对应的图像区域确定为暗光区域,得到所述待识别图像的暗光区域信息。
可选的,所述确定模块304具体用于:
判断所述暗光区域信息中暗光像素点的数量是否大于预置暗光像素阈值;
若所述暗光像素点的数量大于或等于预置暗光像素阈值,则确定所述待识别图像为暗光图像;
若所述暗光像素点的数量小于预置暗光像素阈值,则确定所述待识别图像为非暗光图像。
可选的,所述暗光图像识别装置还包括:
定位模块305,用于获取所述暗光区域信息中的暗光像素点,以及所述暗光像素点在所述分量差值图中的坐标信息,并通过所述坐标信息确定所述暗光像素点在所述待识别图像中的位置信息;
标注模块306,用于根据所述位置信息,在所述待识别图像中对所述暗光区域信息对应的暗光区域进行标注,并输出所述暗光区域的亮度信息。
本发明实施例中,服务器根据差值集合中每个像素点的RGB分量差值,构建待识别图像的分量差值图,再根据分量差值图中的红绿分量差值图、红蓝分量差值图和绿蓝分量差值图,分别对待识别图像中每个像素点的红绿分量差值、红蓝分量差值和绿蓝分量差值进行暗光像素判断,从而得到暗光区域信息,本发明能够准确地识别图像中的暗光区域,进而识别暗光图像。
上面图3和图4从模块化功能实体的角度对本发明实施例中的暗光图像识别装置进行详细描述,下面从硬件处理的角度对本发明实施例中暗光图像识别设备进行详细描述。
图5是本发明实施例提供的一种暗光图像识别设备的结构示意图,该暗光图像识别设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对暗光图像识别设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在暗光图像识别设备500上执行存储介质530中的一系列指令操作。
暗光图像识别设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的暗光图像识别设备结构并不构成对暗光图像识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种暗光图像识别设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述暗光图像识别方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述暗光图像识别方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种暗光图像识别方法,其特征在于,所述暗光图像识别方法包括:
接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数;
根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合;
根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息;
当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像。
2.根据权利要求1所述的暗光图像识别方法,其特征在于,所述接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数,包括:
接收待识别图像,并通过预置图像处理工具读取所述待识别图像;
通过所述预置图像处理工具,对所述待识别图像进行像素点遍历,得到所述待识别图像的尺寸参数,所述尺寸参数包括横向像素点数量和纵向像素点数量。
3.根据权利要求1或2所述的暗光图像识别方法,其特征在于,所述根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合,包括:
按照所述尺寸参数中的横向像素点数量和纵向像素点数量,提取所述待识别图像中每个像素点的RGB分量值,所述RGB分量值包括红色分量值、绿色分量值和蓝色分量值;
将所述RGB分量值中的红色分量值、绿色分量值和蓝色分量值进行两两相减,得到所述待识别图像中每个像素点的RGB分量差值,所述RGB分量差值包括红绿分量差值、红蓝分量差值和绿蓝分量差值;
将所述待识别图像中每个像素点的RGB分量差值进行组合,得到所述待识别图像对应的差值集合。
4.根据权利要求1所述的暗光图像识别方法,其特征在于,所述根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息,包括:
根据所述差值集合,构建所述待识别图像的分量差值图,所述分量差值图包括红绿分量差值图、红蓝分量差值图和绿蓝分量差值图;
通过所述红绿分量差值图对所述待识别图像中每个像素点的红绿分量差值进行暗光像素计算,并通过所述红蓝分量差值图对所述待识别图像中每个像素点的红蓝分量差值进行暗光像素计算,以及通过所述绿蓝分量差值图对所述待识别图像中每个像素点的绿蓝分量差值进行暗光像素计算,得到所述待识别图像的暗光区域信息。
5.根据权利要求4所述的暗光图像识别方法,其特征在于,所述通过所述红绿分量差值图对所述待识别图像中每个像素点的红绿分量差值进行暗光像素计算,并通过所述红蓝分量差值图对所述待识别图像中每个像素点的红蓝分量差值进行暗光像素计算,以及通过所述绿蓝分量差值图对所述待识别图像中每个像素点的绿蓝分量差值进行暗光像素计算,得到所述待识别图像的暗光区域信息,包括:
通过所述红绿分量差值图判断所述待识别图像中每个像素点对应的红绿分量差值是否小于预置红绿分量阈值,并通过所述红蓝分量差值图判断所述待识别图像中每个像素点对应的红蓝分量差值是否小于预置红蓝分量阈值,以及通过所述绿蓝分量差值图判断所述待识别图像中每个像素点对应绿蓝分量差值是否小于预置绿蓝分量阈值;
若所述红绿分量差值小于预置红绿分量阈值、所述红蓝分量差值小于预置红蓝分量阈值且所述绿蓝分量差值小于预置绿蓝分量阈值,则确定对应的像素点为暗光像素点,所述暗光像素点包括暗光像素点在所述分量差值图中的坐标信息;
获取相邻暗光像素点的目标数量和图像区域,当所述目标数量大于或等于预置暗光区域数量阈值时,将对应的图像区域确定为暗光区域,得到所述待识别图像的暗光区域信息。
6.根据权利要求4或5所述的暗光图像识别方法,其特征在于,在所述当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像之后,所述暗光图像识别方法还包括:
获取所述暗光区域信息中的暗光像素点,以及所述暗光像素点在所述分量差值图中的坐标信息,并通过所述坐标信息确定所述暗光像素点在所述待识别图像中的位置信息;
根据所述位置信息,在所述待识别图像中对所述暗光区域信息对应的暗光区域进行标注,并输出所述暗光区域的亮度信息。
7.根据权利要求1所述的暗光图像识别方法,其特征在于,所述当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像,包括:
判断所述暗光区域信息中暗光像素点的数量是否大于预置暗光像素阈值;
若所述暗光像素点的数量大于或等于预置暗光像素阈值,则确定所述待识别图像为暗光图像;
若所述暗光像素点的数量小于预置暗光像素阈值,则确定所述待识别图像为非暗光图像。
8.一种暗光图像识别装置,其特征在于,所述暗光图像识别装置包括:
接收模块,用于接收待识别图像,并解析所述待识别图像,得到所述待识别图像的尺寸参数;
计算模块,用于根据所述尺寸参数,获取所述待识别图像中各像素点的RGB分量值,并根据所述RGB分量值计算所述待识别图像中各像素点的RGB分量差值,得到所述待识别图像对应的差值集合;
识别模块,用于根据所述差值集合,对所述待识别图像进行暗光区域识别,得到所述待识别图像的暗光区域信息;
确定模块,用于当所述暗光区域信息中暗光像素点的数量大于预置暗光像素阈值时,确定所述待识别图像为暗光图像。
9.一种暗光图像识别设备,其特征在于,所述暗光图像识别设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述暗光图像识别设备执行如权利要求1-7中任意一项所述的暗光图像识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述暗光图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798260.8A CN113592789A (zh) | 2021-07-15 | 2021-07-15 | 暗光图像识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798260.8A CN113592789A (zh) | 2021-07-15 | 2021-07-15 | 暗光图像识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592789A true CN113592789A (zh) | 2021-11-02 |
Family
ID=78247524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110798260.8A Pending CN113592789A (zh) | 2021-07-15 | 2021-07-15 | 暗光图像识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117202451A (zh) * | 2023-11-07 | 2023-12-08 | 深圳市千岩科技有限公司 | 氛围灯设备及其发光控制方法、装置和介质 |
-
2021
- 2021-07-15 CN CN202110798260.8A patent/CN113592789A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117202451A (zh) * | 2023-11-07 | 2023-12-08 | 深圳市千岩科技有限公司 | 氛围灯设备及其发光控制方法、装置和介质 |
CN117202451B (zh) * | 2023-11-07 | 2024-01-30 | 深圳市千岩科技有限公司 | 氛围灯设备及其发光控制方法、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
EP2833288B1 (en) | Face calibration method and system, and computer storage medium | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
CN103543277A (zh) | 一种基于灰度分析与种类识别的血型结果识别算法 | |
CN110738164A (zh) | 零件异常检测方法、模型训练方法及装置 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN112991374B (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
CN112381840B (zh) | 一种用于定损视频中车辆外观部件标注的方法及系统 | |
CN111401158A (zh) | 难样本发现方法、装置及计算机设备 | |
TW202201275A (zh) | 手部作業動作評分裝置、方法及電腦可讀取存儲介質 | |
CN118279295B (zh) | 配电柜状态检测方法、装置、设备及存储介质 | |
CN111507119B (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN113592789A (zh) | 暗光图像识别方法、装置、设备及存储介质 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 | |
CN112270254A (zh) | 一种基于摄像头视觉的元素匹配信息处理方法及装置 | |
US20110097000A1 (en) | Face-detection Processing Methods, Image Processing Devices, And Articles Of Manufacture | |
CN112734767B (zh) | 基于病理图像组织区域的提取方法、装置、设备及介质 |
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 |