CN113674238A - 坏点检测方法、装置、电子设备和存储介质 - Google Patents
坏点检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113674238A CN113674238A CN202110937969.1A CN202110937969A CN113674238A CN 113674238 A CN113674238 A CN 113674238A CN 202110937969 A CN202110937969 A CN 202110937969A CN 113674238 A CN113674238 A CN 113674238A
- Authority
- CN
- China
- Prior art keywords
- value
- window
- difference
- pixel point
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 28
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种坏点检测方法、装置、电子设备和存储介质。用于检测出图像中的坏点。本申请实施例中,根据目标图像中的像素点确定以目标像素点为中心的第一窗口和第二窗口;根据第一窗口内的像素点的灰度值确定局部方差;并根据第二窗口内的像素点的灰度值,确定第二窗口内的各个像素点的灰度值分别与目标像素点的灰度值的第一差值;根据第一差值和第一比较结果确定目标像素点是否为坏点。
Description
技术领域
本申请涉图像处理技术领域,尤其涉及一种坏点检测方法、装置、电子设备和存储介质。
背景技术
红外热成像技术凭借其不受光照因素影响,穿透能力强等优点,被广泛应用于安防、军事、医疗等领域。但由于红外焦平面阵列制造工艺的不成熟,往往红外探测中一些像元的响应率会存在异常,在其输出的图像序列中形成过亮、过暗、明暗闪烁等形式的坏点。因此,需要对红外图像中的坏点进行检测以及去除,消除其对成像效果的影响。
发明内容
本申请的目的是提供一种坏点检测方法、装置、电子设备和存储介质,用于检测出图像中的坏点。
第一方面,本申请实施例提供了一种坏点检测的方法,包括:
根据目标图像中的像素点确定第一窗口和第二窗口,其中所述第一窗口和所述第二窗口的中心为目标像素点;
根据所述第一窗口内的像素点的灰度值确定局部方差;
根据第二窗口内的像素点的灰度值,确定所述第二窗口内的各个像素点的灰度值分别与所述目标像素点的灰度值的比较结果;
根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,其中指定阈值是所述局部方差所属的预设范围对应的数值,所述指定阈值表征所述目标像素点与坏点的差异度。
本申请实施例中根据局部方差灵活设置指定阈值,同一画面内不同区域的数据具有特性差异,常来说局部方差较小的可认为是均匀区域,该区域各像素点灰度值接近,若指定阈值太大则无法有效检测出坏点;局部方差较大的可认为是细节区域,该区域有较多有用信息,若指定阈值太小则会造成坏点误检,甚至会损失有用信息,因此本申请中灵活的设置指定阈值,可以获得更优的自适应性,减少了误检和漏检,提高了坏点识别的准确性。
在一个可能的实施例中,所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,包括:
将所述第二窗口内的各个像素点按照与所述目标像素点的位置关系进行排序,依序得到第一差值;
将所述各个第一差值按照对应的像素点与所述目标像素点的位置关系排序得到第一差值序列;
若所述第一差值序列中的每对差值的乘积均大于第一预设值,且所述第一最小值大于所述指定阈值,则所述目标像素点为坏点;其中:所述第一最小值为所述第一差值的绝对值中的最小值;所述每对差值在所述第一差值序列中的位置是轴对称。
本申请实施例中,通过设置不同大小的第二窗口,采用极值的方式进行坏点检测,更全面的考虑了坏点的形式,减少了漏检的发生。
在一个可能的实施例中,所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,包括:
确定所述第二窗口中位于边界位置的像素点的灰度值中的最大值和第二最小值;
若所述目标像素点的灰度值大于所述最大值或小于所述第二最小值,第三最小值大于所述指定阈值,且所述最大值和所述第二最小值的差值小于所述指定阈值,则所述目标点为坏点;
其中:所述第二差值为所述目标像素点的灰度值与所述最大值的差值;所述第三差值为所述目标像素点的灰度值与所述第二最小值的差值;所述第三最小值为所述第二差值和所述第三差值中的绝对值中的最小值。
本申请实施例中,通过设置第二窗口的大小,可以有效检测出坏簇。减少了误检和漏检,提高了坏点识别的准确性。
在一个可能的实施例中,所述根据目标图像中的像素点确定第一窗口和第二窗口,包括:
若所述第一窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第一窗口中的像素点中心对称至所述第一窗口中的部分位置;
若所述第二窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第二窗口中的像素点中心对称至所述第二窗口中的部分位置。
本申请实施例中,针对位于目标图像边缘的像素点,采用中心对称的方式,将位于窗口中的像素点对称至窗口中不在目标图像中的部分位置;实现了对目标图像中所有像素点的遍历,提高了坏点检测的准确性。
在一个可能的实施例中,所述指定阈值包括:第一指定阈值和第二指定阈值,其中:
所述第一指定阈值是根据所述局部方差所属的第一预设范围对应的第一指定值,所述第一指定阈值表征所述目标像素点与坏点的第一差异度;
所述第二指定阈值是根据所述局部方差所属的第二预设范围对应的第二指定值,所述第二指定阈值表征所述目标像素点与坏点的第二差异度。
在本申请实施例中,根据局部方差设置自适应阈值,可以更好符合同一画面内不同区域的数据特性差异,从而获得更优的自适应性。减少了误检和漏检。
第二方面本申请还提供了一种坏点检测的装置,所述装置包括:
窗口确定模块,用于根据目标图像中的像素点确定第一窗口和第二窗口,其中所述第一窗口和所述第二窗口的中心为目标像素点;
局部方差确定模块,用于根据所述第一窗口内的像素点的灰度值确定局部方差;
比较结果确定模块,用于根据第二窗口内的像素点的灰度值,确定所述第二窗口内的各个像素点的灰度值分别与所述目标像素点的灰度值的比较结果;
坏点确定模块,用于根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,其中指定阈值是所述局部方差所属的预设范围对应的数值,所述指定阈值表征所述目标像素点与坏点的差异度。
在一个可能的实施例中,执行所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点时,所述坏点确定模块,用于:
将所述第二窗口内的各个像素点按照与所述目标像素点的位置关系进行排序,依序得到第一差值;
将所述各个第一差值按照对应的像素点与所述目标像素点的位置关系排序得到第一差值序列;
若所述第一差值序列中的每对差值的乘积均大于第一预设值,且所述第一最小值大于所述指定阈值,则所述目标像素点为坏点;其中:所述第一最小值为所述第一差值的绝对值中的最小值;所述每对差值在所述第一差值序列中的位置是轴对称。
在一个可能的实施例中,执行所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点时,所述坏点确定模块,用于:
确定所述第二窗口中位于边界位置的像素点的灰度值中的最大值和第二最小值;
若所述目标像素点的灰度值大于所述最大值或小于所述第二最小值,第三最小值大于所述指定阈值,且所述最大值和所述第二最小值的差值小于所述指定阈值,则所述目标点为坏点;
其中:所述第二差值为所述目标像素点的灰度值与所述最大值的差值;所述第三差值为所述目标像素点的灰度值与所述第二最小值的差值;所述第三最小值为所述第二差值和所述第三差值中的绝对值中的最小值。
在一个可能的实施例中,执行所述根据目标图像中的像素点确定第一窗口和第二窗口时,所述窗口确定模块,用于:
若所述第一窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第一窗口中的像素点中心对称至所述第一窗口中的部分位置;
若所述第二窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第二窗口中的像素点中心对称至所述第二窗口中的部分位置。
在一个可能的实施例中,所述指定阈值包括:第一指定阈值和第二指定阈值,其中:
所述第一指定阈值是根据所述局部方差所属的第一预设范围对应的第一指定值,所述第一指定阈值表征所述目标像素点与坏点的第一差异度;
所述第二指定阈值是根据所述局部方差所属的第二预设范围对应的第二指定值,所述第二指定阈值表征所述目标像素点与坏点的第二差异度。
第三方面,本申请另一实施例还提供了一种电子设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请第一方面实施例提供的任一方法。
第四方面,本申请另一实施例还提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使计算机执行本申请第一方面实施例提供的任一方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,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。
图1为本申请实施例提供的坏点检测方法的应用场景图;
图2为本申请实施例提供的坏点检测方法的整体流程图;
图3为本申请实施例提供的坏点检测方法的确定第一窗口的示意图;
图4为本申请实施例提供的坏点检测方法的第二窗口为小窗口的流程图;
图5为本申请实施例提供的坏点检测方法的第二窗口为小窗口示意图;
图6为本申请实施例提供的坏点检测方法的第二窗口为大窗口的流程图;
图7为本申请实施例提供的坏点检测方法的第二窗口为大窗口的示意图;
图8为本申请实施例提供的坏点检测方法的图像边缘位置的像素点示意图;
图9A为本申请实施例提供的坏点检测方法的图像边缘位置的像素点取窗口的示意图;
图9B为本申请实施例提供的坏点检测方法的复制补齐窗口的示意图;
图9C为本申请实施例提供的坏点检测方法的镜像补齐窗口的示意图;
图10为本申请实施例提供的坏点检测方法的整体流程图;
图11为本申请实施例提供的坏点检测方法的装置示意图;
图12为本申请实施例提供的坏点检测方法的电子设备示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书的术语“第一”、“第二”等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,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
发明人研究发现,红外热成像技术凭借其不受光照因素影响,穿透能力强等优点,被广泛应用于安防、军事、医疗等领域。但由于红外焦平面阵列制造工艺的不成熟,往往红外探测中一些像元的响应率会存在异常,在其输出的图像序列中形成过亮、过暗、明暗闪烁等形式的点,通常称之为坏点或者盲元。因此,需要对红外图像中的坏点进行检测以及去除,消除其对成像效果的影响。
相关技术中,坏点检测通常可分为基于标定和基于场景两类。基于标定方法可使用黑体计算出红外探测器各像元响应率,并将其和设定的阈值进行比较,若差异较大则可认为是坏点;或者直接使用红外探测器对着黑体采集到的数据进行分析检测,因为是黑体数据,理论上所有像素点灰度值均较接近,此时若某一个像素点灰度值与其他像素点灰度值存在明显差异,则可认为该像素点为坏点。因为基于标定的方法要使用黑体,对于现场使用设备来说可操作性较差,故基于场景的坏点检测方法应运而生。该方法直接使用场景数据进行分析,但因受到场景中各目标物体影响,容易在坏点检测时造成误检,从而对目标物体细节等造成影响。正因为如此,对于基于场景的坏点检测方法,如何减少误检和漏检成为了重要研究内容。
有鉴于此,本申请提出了一种坏点检测方法、装置、电子设备和存储介质,用于解决上述问题。本申请的发明构思可概括为:根据目标图像中的像素点确定以目标像素点为中心的第一窗口和第二窗口;根据第一窗口内的像素点的灰度值确定局部方差;并根据第二窗口内的像素点的灰度值,确定第二窗口内的各个像素点的灰度值分别与目标像素点的灰度值的第一差值;根据第一差值和第一比较结果确定目标像素点是否为坏点,其中第一比较结果是根据局部方差所属的第一预设范围对应的第一指定阈值,第一指定阈值表征目标像素点与坏点的第一差异度。
如图1所示,为本申请实施例中的坏点检测方法的应用场景图。图中包括:网络10、服务器20、存储器30、终端设备40;其中:
服务器20从存储器30中读取目标图像,然后根据目标图像中的像素点确定第一窗口和第二窗口,其中第一窗口和第二窗口的中心为目标像素点;且第二窗口小于第一窗口;并根据第一窗口内的像素点的灰度值确定局部方差;根据第二窗口内的像素点的灰度值,确定第二窗口内的各个像素点的灰度值分别与目标像素点的灰度值的第一差值;根据第一差值和第一比较结果确定目标像素点是否为坏点,其中第一比较结果是根据局部方差所属的第一预设范围对应的第一指定阈值,第一指定阈值表征目标像素点与坏点的第一差异度。
在另一实施例中,可由终端设备40从存储器30中读取目标图像,然后根据目标图像中的像素点确定第一窗口和第二窗口,其中第一窗口和第二窗口的中心为目标像素点;且第二窗口小于第一窗口;并根据第一窗口内的像素点的灰度值确定局部方差;根据第二窗口内的像素点的灰度值,确定第二窗口内的各个像素点的灰度值分别与目标像素点的灰度值的第一差值;根据第一差值和第一比较结果确定目标像素点是否为坏点,其中第一比较结果是根据局部方差所属的第一预设范围对应的第一指定阈值,第一指定阈值表征目标像素点与坏点的第一差异度。
本申请中的描述中仅就单个服务器或终端设备加以详述,但是本领域技术人员应当理解的是,示出的终端设备40、服务器20和存储器30旨在表示本申请的技术方案涉及的终端设备、服务器以及存储器的操作。对单个服务器和存储器加以详述至少为了说明方便,而非暗示对终端设备和服务器的数量、类型或是位置等具有限制。应当注意,如果向图示环境中添加附加模块或从其中去除个别模块,不会改变本申请的示例实施例的底层概念。另外,虽然为了方便说明而在图1中示出了从存储器30到服务器20的双向箭头,但本领域技术人员可以理解的是,上述数据的收发也是需要通过网络10实现的。
需要说明的是,本申请实施例中的存储器例如可以是缓存系统、也可以是硬盘存储、内存存储等等。此外,本申请提出的坏点检测方法不仅适用于图1所示的应用场景,还适用于任何有坏点检测需求的装置。
为了便于理解本申请实施例提出的坏点检测方法,下面结合附图对本申请实施例提供的坏点检测方法进行详细说明。
如图2所示,为本申请实施例提供的坏点检测方法的整体流程图,其中:
步骤201中:根据目标图像中的像素点确定第一窗口和第二窗口,其中第一窗口和第二窗口的中心为目标像素点;
步骤202中:根据第一窗口内的像素点的灰度值确定局部方差;
步骤203中:根据第二窗口内的像素点的灰度值,确定第二窗口内的各个像素点的灰度值分别与目标像素点的灰度值的比较结果;
步骤204中:根据比较结果和指定阈值确定目标像素点是否为坏点,其中指定阈值是局部方差所属的预设范围对应的数值,指定阈值表征目标像素点与坏点的差异度。
为了便于理解,下面对上述步骤进行详细说明。
在一个实施例中,如图3所示确定第一窗口时,在目标图像中,以待处理的像素点为中心,根据需求设定窗口的边长为M*N,其中M和N可以相同也可以不同,即第一窗口可以为正方形窗口也可以为长方形窗口,本申请实施例中为了计算简单,将第一窗口设置为正方形窗口。确定第一窗口中的所有像素点的灰度值,然后计算出第一窗口中所有灰度值的局部方差。
在一些可能的实施例中,通常来说局部方差较小的可认为是均匀区域,该区域各像素点灰度值接近,若指定阈值太大则无法有效检测出坏点;局部方差较大的可认为是细节区域,该区域有较多有用信息,若指定阈值太小则会造成坏点误检,甚至会损失有用信息。因此,本申请实施例中,对不同的局部方差设置了不同的预设范围,指定阈值是局部方差所属的预设范围对应的数值,根据不同的局部方差采用不同的指定阈值。在一个实施例中,可采用公式1和公
式2根据局部方差确定当前局部方差对应的指定阈值:
其中:i,j表示目标像素点的位置坐标,localvar表示局部方差。T1为第一指定阈值、T2为第二指定阈值;第一指定阈值是根据局部方差所属的第一预设范围对应的第一指定值,第一指定阈值表征目标像素点与坏点的第一差异度;第二指定阈值是根据局部方差所属的第二预设范围对应的第二指定值,第二指定阈值表征目标像素点与坏点的第二差异度。T1_low、T1_high、T1_mid、T2_low、T2_high、T2_mid为本领域技术人员根据实验测得的经验值,本申请中将上述值设置为:T1=30,T2=200,T1_low=10,T1_high=100,T1_mid=50,T2_low=10,T2_high=50,T2_mid=30。需要知道的是,上述值可根据需求灵活设置,本申请给出的只是一个实施例。
本申请实施例中,通过设置第二窗口的不同大小来提高识别坏点的准确率,下面分情况进行详细说明:
1、第二窗口为小窗口
由于坏点是在图像序列中形成过亮、过暗、明暗闪烁等形式的点;因此在小窗口中若目标像素点与第二窗口内的其它像素点的灰度值差异较大,这可以确定该目标像素点为坏点。在第二窗口为小窗口时,第二窗口的要小于第一窗口,以待处理的像素点为中心,根据需求设定第二窗口的边长为M*N,其中M和N可以相同也可以不同,即第二窗口可以为正方形窗口也可以为长方形窗口,本申请实施例中为了计算简单,将第二窗口设置为正方形窗口。具体可实施为如图4所示的步骤:
步骤401中:将第二窗口内的各个像素点按照与目标像素点的位置关系进行排序,依序得到第一差值;
如图5所示,以第二窗口为3*3窗口为例,根据第二窗口内各个点与目标像素点的位置关系(从第二窗口左上角开始为第一个点,从左至右从上至下进行排序),依序计算各个像素点与目标像素点的灰度值的差值。
步骤402中:将各个第一差值按照对应的像素点与目标像素点的位置关系排序得到第一差值序列;
例如:将图5中的各个像素点与目标像素点的灰度值的差值标记为diff1-diff8,diff1-diff8依序构成第一差值序列。
步骤403中:若第一差值序列中的每对差值的乘积均大于第一预设值,且第一最小值大于指定阈值,则目标像素点为坏点;其中:第一最小值为第一差值的绝对值中的最小值;每对差值在第一差值序列中的位置是轴对称。
得到上述的第一差值序列(diff1、diff2、diff3、diff4、diff5、diff6、diff7、diff8),根据轴对称的位置确定每对差值,即将diff1、diff8作为一对;diff2、diff7作为一对;diff3、diff6作为一对;diff4、diff5作为一对。得到每对的乘积,将每对的乘积记为:mul1=diff1*diff8;mul2=diff2*diff7;mul3=diff3*diff6;mul4=diff4*diff5。同时将上述差值中的最小值记为mindiffx。
在本申请实施例中,将第一预设值设置为0,即若乘积大于0时,表明第二窗口中除了目标像素点的其它像素点的灰度值在预设范围内,但均与目标像素点差距较大,即其它像素点的灰度值均大于目标像素点或均小于目标像素点,若mul1-mul4均大于第一预设值,即mul1-mul4均大于0,且mindiffx大于第一指定阈值,即mindiffx大于thr1,这认为目标像素点为坏点。
综上,在本申请实施例中,将坏点定义为极值,而非最值。尽管大多数情况下,坏点均为局部区域的最大值或者最小值,但也存在非最值但是坏点的情况。如图5所示,假设第一行第三行为背景,第二行为某个条状目标,例如:假设1,2,3,7,8,9的位置的灰度值均为100,4,6位置的灰度值为10,此时若5(目标像素点)为正常点,则该点的灰度值也应该在10左右。若实际该像素点的灰度值为50,则此时该点并非最大值或者最小值,而是某个方向(横向)上的一个极值,图像上会形成孤立的异常点,也可认为是坏点。采用本申请的上述方法,可以有效避免上述情况。
2、第二窗口为大窗口
在一些实施例中,若图像中存在坏簇,即如图5所示,3*3窗口内所有点均为坏点,此时只在小窗口内进行数据分析,是无法有效判断像素点属性的。大窗口检测步骤中,使用最外围数据和中心点数据进行比较分析,可以排除3*3窗口内坏点数据的干扰,进而将小窗口内所有坏点均检测出来。在第二窗口为大窗口时,第二窗口的大小可以和第一窗口等大也可大于第一窗口,以待处理的像素点为中心,根据需求设定第二窗口的边长为M*N,其中M和N可以相同也可以不同,即第二窗口可以为正方形窗口也可以为长方形窗口,本申请实施例中为了计算简单,将第二窗口设置为正方形窗口且和第一窗口等大。具体可实施为如图6所示的步骤:
步骤601中:确定第二窗口中位于边界位置的像素点的灰度值中的最大值和第二最小值;
步骤602中:若目标像素点的灰度值大于最大值或小于第二最小值,第三最小值大于指定阈值,且最大值和所述第二最小值的差值小于指定阈值,则目标点为坏点;
其中:第二差值为目标像素点的灰度值与最大值的差值;第三差值为目标像素点的灰度值与第二最小值的差值;第三最小值为第二差值和第三差值中的绝对值中的最小值。
例如:如图7所示,以目标像素点为中心,取7*7的窗口作为第二窗口,计算最外围的像素点中灰度值中的最大值和第二最小值记为maxval、minval;计算最大值、第二最小值和目标像素点的灰度值的差值;取其中绝对值中最小值记为第三最小值mindiff2;计算最大值和第二最小值的差值记为mindiff3,;当目标像素点的灰度值大于maxval或者小于minval,且mindiff2大于第一指定阈值thr1,且mindiff3小于第二指定阈值thr2,确定目标像素点为坏点。
需要知道的是,本申请对执行1、第二窗口为小窗口、2、第二窗口为大窗口中步骤的顺序不做限定,即可先采用大窗口识别再采用小窗口识别,也可以先采用小窗口识别再采用大窗口识别。由于本申请提供的大小窗口的检测方法均可单独识别出坏点,因此相关领域的技术人员也可根据需求仅采用小窗口识别或仅采用大窗口识别,对采用两个窗口进行识别的详细内容在此不再赘述。
在一些可能的实施例中,如图8所示,对于处于图像边缘位置的像素点,取窗口时可能窗口的部分位置不在目标图像中。对此,本申请实施例中,根据目标图像中的像素点确定第一窗口和第二窗口时,如图9A所示,若第一窗口中部分位置不在目标图像中,则以目标像素点(1)为中心对称点,将目标图像中位于第一窗口中的像素点(2、3、4、5、6、7、8、9、)中心对称至第一窗口中的部分位置;若第二窗口中部分位置不在目标图像中,则以像素点为中心对称点,将目标图像中位于第二窗口中的像素点中心对称至第二窗口中的部分位置。
在另一实施例中,如图9B所示,若第一窗口中部分位置不在目标图像中,则以目标像素点(1)所在列和首先进行复制边界列(1,4,7)进行补齐,然后复制目标像素点(1)所在行(1,1,1,2,3)进行补齐。如图9C所示,若第一窗口中部分位置不在目标图像中,则以目标像素点(1)紧邻的边界(左边界)为对称轴进行镜像补齐,然后以目标像素点(1)紧邻的边界(上边界)为对称轴进行镜像补齐。
通过上述方法,对不在目标图像中的区域进行补齐,可以有效的对目标图像中所有的像素点进行坏点识别,使得对坏点的识别效率得到了较大的提升。需要知道的是,相关技术中可补齐第一窗口和第二窗口中像素点的方法均适用于本申请,本申请对此不作限定。
为了便于理解,下面对本申请实施例提供的坏点检测方法的整体流程进行详细说明,如图10所示:
步骤1001中:根据目标图像中的像素点和输入的窗口大小确定第一窗口和大第二窗口、小第二窗口;
步骤1002中:根据第一窗口内的像素点的灰度值确定局部方差;
步骤1003中:根据局部方差确定第一指定阈值和第二指定阈值;
步骤1004中:将小第二窗口内的各个像素点按照与目标像素点的位置关系进行排序,依序得到第一差值;
步骤1005中:将各个第一差值按照对应的像素点与目标像素点的位置关系排序得到第一差值序列;
步骤1006中:若第一差值序列中的每对差值的乘积均大于第一预设值,且第一最小值大于第一指定阈值,则进入步骤1007,否则进入步骤1008;其中:第一最小值为第一差值的绝对值中的最小值;每对差值在第一差值序列中的位置是轴对称;
步骤1007中:记录该点坐标;
步骤1008中:确定大第二窗口中位于边界位置的像素点的灰度值中的最大值和第二最小值;
步骤1009中:若目标像素点的灰度值大于最大值或小于第二最小值,第三最小值大于第一指定阈值,且最大值和所述第二最小值的差值小于第二指定阈值,则进入步骤1007,否则进入步骤1010;其中:第二差值为目标像素点的灰度值与最大值的差值;第三差值为目标像素点的灰度值与第二最小值的差值;第三最小值为第二差值和第三差值中的绝对值中的最小值;
步骤1010中:记录该点为正常点。
如图11所示,基于相同的发明构思,提出一种坏点检测装置1100,包括:
窗口确定模块1101,用于根据目标图像中的像素点确定第一窗口和第二窗口,其中所述第一窗口和所述第二窗口的中心为目标像素点;
局部方差确定模块1102,用于根据所述第一窗口内的像素点的灰度值确定局部方差;
比较结果确定模块1103,用于根据第二窗口内的像素点的灰度值,确定所述第二窗口内的各个像素点的灰度值分别与所述目标像素点的灰度值的比较结果;
坏点确定模块1104,用于根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,其中指定阈值是所述局部方差所属的预设范围对应的数值,所述指定阈值表征所述目标像素点与坏点的差异度。
在一个可能的实施例中,执行所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点时,所述坏点确定模块,用于:
将所述第二窗口内的各个像素点按照与所述目标像素点的位置关系进行排序,依序得到第一差值;
将所述各个第一差值按照对应的像素点与所述目标像素点的位置关系排序得到第一差值序列;
若所述第一差值序列中的每对差值的乘积均大于第一预设值,且所述第一最小值大于所述指定阈值,则所述目标像素点为坏点;其中:所述第一最小值为所述第一差值的绝对值中的最小值;所述每对差值在所述第一差值序列中的位置是轴对称。
在一个可能的实施例中,执行所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点时,所述坏点确定模块,用于:
确定所述第二窗口中位于边界位置的像素点的灰度值中的最大值和第二最小值;
若所述目标像素点的灰度值大于所述最大值或小于所述第二最小值,第三最小值大于所述指定阈值,且所述最大值和所述第二最小值的差值小于所述指定阈值,则所述目标点为坏点;
其中:所述第二差值为所述目标像素点的灰度值与所述最大值的差值;所述第三差值为所述目标像素点的灰度值与所述第二最小值的差值;所述第三最小值为所述第二差值和所述第三差值中的绝对值中的最小值。
在一个可能的实施例中,执行所述根据目标图像中的像素点确定第一窗口和第二窗口时,所述窗口确定模块,用于:
若所述第一窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第一窗口中的像素点中心对称至所述第一窗口中的部分位置;
若所述第二窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第二窗口中的像素点中心对称至所述第二窗口中的部分位置。
在一个可能的实施例中,所述指定阈值包括:第一指定阈值和第二指定阈值,其中:
所述第一指定阈值是根据所述局部方差所属的第一预设范围对应的第一指定值,所述第一指定阈值表征所述目标像素点与坏点的第一差异度;
所述第二指定阈值是根据所述局部方差所属的第二预设范围对应的第二指定值,所述第二指定阈值表征所述目标像素点与坏点的第二差异度。
在介绍了本申请示例性实施方式的坏点检测方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的坏点检测方法中的步骤。
下面参照图12来描述根据本申请的这种实施方式的电子设备130。图12显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的一种坏点检测方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种坏点检测方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于坏点检测的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请的方法、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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种坏点检测方法,其特征在于,所述方法包括:
根据目标图像中的像素点确定第一窗口和第二窗口,其中所述第一窗口和所述第二窗口的中心为目标像素点;
根据所述第一窗口内的像素点的灰度值确定局部方差;
根据第二窗口内的像素点的灰度值,确定所述第二窗口内的各个像素点的灰度值分别与所述目标像素点的灰度值的比较结果;
根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,其中指定阈值是所述局部方差所属的预设范围对应的数值,所述指定阈值表征所述目标像素点与坏点的差异度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,包括:
将所述第二窗口内的各个像素点按照与所述目标像素点的位置关系进行排序,依序得到第一差值;
将所述各个第一差值按照对应的像素点与所述目标像素点的位置关系排序得到第一差值序列;
若所述第一差值序列中的每对差值的乘积均大于第一预设值,且所述第一最小值大于所述指定阈值,则所述目标像素点为坏点;其中:所述第一最小值为所述第一差值的绝对值中的最小值;所述每对差值在所述第一差值序列中的位置是轴对称。
3.根据权利要求1所述的方法,其特征在于,所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,包括:
确定所述第二窗口中位于边界位置的像素点的灰度值中的最大值和第二最小值;
若所述目标像素点的灰度值大于所述最大值或小于所述第二最小值,第三最小值大于所述指定阈值,且所述最大值和所述第二最小值的差值小于所述指定阈值,则所述目标点为坏点;
其中:所述第二差值为所述目标像素点的灰度值与所述最大值的差值;所述第三差值为所述目标像素点的灰度值与所述第二最小值的差值;所述第三最小值为所述第二差值和所述第三差值中的绝对值中的最小值。
4.根据权利要求1所述的方法,其特征在于,所述根据目标图像中的像素点确定第一窗口和第二窗口,包括:
若所述第一窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第一窗口中的像素点中心对称至所述第一窗口中的部分位置;
若所述第二窗口中部分位置不在所述目标图像中,则以所述像素点为中心对称点,将所述目标图像中位于所述第二窗口中的像素点中心对称至所述第二窗口中的部分位置。
5.根据权利要求1~4任一所述的方法,其特征在于,所述指定阈值包括:第一指定阈值和第二指定阈值,其中:
所述第一指定阈值是根据所述局部方差所属的第一预设范围对应的第一指定值,所述第一指定阈值表征所述目标像素点与坏点的第一差异度;
所述第二指定阈值是根据所述局部方差所属的第二预设范围对应的第二指定值,所述第二指定阈值表征所述目标像素点与坏点的第二差异度。
6.一种坏点检测装置,其特征在于,所述装置包括:
窗口确定模块,用于根据目标图像中的像素点确定第一窗口和第二窗口,其中所述第一窗口和所述第二窗口的中心为目标像素点;
局部方差确定模块,用于根据所述第一窗口内的像素点的灰度值确定局部方差;
比较结果确定模块,用于根据第二窗口内的像素点的灰度值,确定所述第二窗口内的各个像素点的灰度值分别与所述目标像素点的灰度值的比较结果;
坏点确定模块,用于根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,其中指定阈值是所述局部方差所属的预设范围对应的数值,所述指定阈值表征所述目标像素点与坏点的差异度。
7.根据权利要求1所述的方法,其特征在于,所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,包括:
将所述第二窗口内的各个像素点按照与所述目标像素点的位置关系进行排序,依序得到第一差值;
将所述各个第一差值按照对应的像素点与所述目标像素点的位置关系排序得到第一差值序列;
若所述第一差值序列中的每对差值的乘积均大于第一预设值,且所述第一最小值大于所述指定阈值,则所述目标像素点为坏点;其中:所述第一最小值为所述第一差值的绝对值中的最小值;所述每对差值在所述第一差值序列中的位置是轴对称。
8.根据权利要求1所述的方法,其特征在于,所述根据所述比较结果和指定阈值确定所述目标像素点是否为坏点,包括:
确定所述第二窗口中位于边界位置的像素点的灰度值中的最大值和第二最小值;
若所述目标像素点的灰度值大于所述最大值或小于所述第二最小值,第三最小值大于所述指定阈值,且所述最大值和所述第二最小值的差值小于所述指定阈值,则所述目标点为坏点;
其中:所述第二差值为所述目标像素点的灰度值与所述最大值的差值;所述第三差值为所述目标像素点的灰度值与所述第二最小值的差值;所述第三最小值为所述第二差值和所述第三差值中的绝对值中的最小值。
9.一种电子设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任何一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行权利要求1-5任何一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937969.1A CN113674238A (zh) | 2021-08-16 | 2021-08-16 | 坏点检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937969.1A CN113674238A (zh) | 2021-08-16 | 2021-08-16 | 坏点检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113674238A true CN113674238A (zh) | 2021-11-19 |
Family
ID=78543169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110937969.1A Pending CN113674238A (zh) | 2021-08-16 | 2021-08-16 | 坏点检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674238A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677574A (zh) * | 2022-05-26 | 2022-06-28 | 杭州宏景智驾科技有限公司 | 用于自动驾驶的诊断图像故障的方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225244A (zh) * | 2015-10-22 | 2016-01-06 | 天津大学 | 基于最小局部均方差计算的噪点检测方法 |
CN107330857A (zh) * | 2017-06-21 | 2017-11-07 | 中国科学院长春光学精密机械与物理研究所 | 一种红外图像中暗弱点目标检测方法 |
CN109559286A (zh) * | 2018-11-19 | 2019-04-02 | 电子科技大学 | 一种方差梯度约束法红外图像边缘保持去噪方法 |
CN110118990A (zh) * | 2018-02-07 | 2019-08-13 | 上海西门子医疗器械有限公司 | X光探测器坏点的在线侦测方法、装置、系统及存储介质 |
CN110288599A (zh) * | 2019-07-10 | 2019-09-27 | 浙江大华技术股份有限公司 | 一种坏点检测方法、装置、电子设备及存储介质 |
WO2020181522A1 (zh) * | 2019-03-13 | 2020-09-17 | 深圳市汇顶科技股份有限公司 | 图像坏点的检测方法、图像处理芯片及电子设备 |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
CN113077459A (zh) * | 2021-04-28 | 2021-07-06 | 北京的卢深视科技有限公司 | 图像清晰度检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-16 CN CN202110937969.1A patent/CN113674238A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225244A (zh) * | 2015-10-22 | 2016-01-06 | 天津大学 | 基于最小局部均方差计算的噪点检测方法 |
CN107330857A (zh) * | 2017-06-21 | 2017-11-07 | 中国科学院长春光学精密机械与物理研究所 | 一种红外图像中暗弱点目标检测方法 |
CN110118990A (zh) * | 2018-02-07 | 2019-08-13 | 上海西门子医疗器械有限公司 | X光探测器坏点的在线侦测方法、装置、系统及存储介质 |
CN109559286A (zh) * | 2018-11-19 | 2019-04-02 | 电子科技大学 | 一种方差梯度约束法红外图像边缘保持去噪方法 |
WO2020181522A1 (zh) * | 2019-03-13 | 2020-09-17 | 深圳市汇顶科技股份有限公司 | 图像坏点的检测方法、图像处理芯片及电子设备 |
CN110288599A (zh) * | 2019-07-10 | 2019-09-27 | 浙江大华技术股份有限公司 | 一种坏点检测方法、装置、电子设备及存储介质 |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
CN113077459A (zh) * | 2021-04-28 | 2021-07-06 | 北京的卢深视科技有限公司 | 图像清晰度检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
喻琪;夏顺仁;丛卫华;张峰山;杨晓帆;: "基于小波系数相关性和模糊理论的声纳图像处理", 浙江大学学报(工学版), no. 12, 15 December 2008 (2008-12-15) * |
陈健;郑绍华;: "基于方向中值的图像椒盐噪声检测算法", 计算机应用, no. 10, 1 October 2012 (2012-10-01) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677574A (zh) * | 2022-05-26 | 2022-06-28 | 杭州宏景智驾科技有限公司 | 用于自动驾驶的诊断图像故障的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11126876B2 (en) | Method for recognizing traffic light, device, and vehicle | |
US8599270B2 (en) | Computing device, storage medium and method for identifying differences between two images | |
EP2660753B1 (en) | Image processing method and apparatus | |
JP7365055B2 (ja) | ビデオオブジェクト検出 | |
CN111046956A (zh) | 遮挡图像检测方法、装置、电子设备及存储介质 | |
US20190333204A1 (en) | Image processing apparatus, image processing method, and storage medium | |
CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
KR20210012012A (ko) | 물체 추적 방법들 및 장치들, 전자 디바이스들 및 저장 매체 | |
JP2004157979A (ja) | 画像の動き検出装置及びコンピュータプログラム | |
CN113411573A (zh) | 电网监控系统检测方法、装置、计算机设备及介质 | |
CN113674238A (zh) | 坏点检测方法、装置、电子设备和存储介质 | |
CN113763270A (zh) | 蚊式噪声去除方法及电子设备 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
WO2019109722A1 (zh) | 隐私遮蔽处理方法、装置、电子设备及存储介质 | |
US20200184606A1 (en) | Processing video frames via convolutional neural network using previous frame statistics | |
CN111724406A (zh) | 一种区域连通合并方法、装置、设备和介质 | |
CN114245232B (zh) | 一种视频摘要生成方法、装置、存储介质及电子设备 | |
CN110706474B (zh) | 红外发射功能的检测系统、方法、装置、设备及存储介质 | |
CN114627096A (zh) | 一种图像频闪检测方法及相关装置 | |
CN114067145A (zh) | 无源分光器检测方法、装置、设备及介质 | |
CN113780163A (zh) | 一种页面加载时间的检测方法、装置、电子设备及介质 | |
CN113313642A (zh) | 图像去噪方法、装置、存储介质及电子设备 | |
CN112000538B (zh) | 页面内容的显示监测方法、装置、设备及可读存储介质 | |
CN114298984B (zh) | 一种屏幕贯穿线的检测方法、装置、电子设备及存储介质 | |
US8373752B2 (en) | Detection apparatus, detection method and computer readable medium thereof for detecting an object in real-time |
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 |