CN113963321B - 图像处理方法、装置、电子设备和介质 - Google Patents
图像处理方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113963321B CN113963321B CN202111259248.6A CN202111259248A CN113963321B CN 113963321 B CN113963321 B CN 113963321B CN 202111259248 A CN202111259248 A CN 202111259248A CN 113963321 B CN113963321 B CN 113963321B
- Authority
- CN
- China
- Prior art keywords
- image
- original image
- determining
- module
- processed
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4015—Demosaicing, e.g. colour filter array [CFA], Bayer pattern
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6002—Corrections within particular colour systems
- H04N1/6005—Corrections within particular colour systems with luminance or chrominance signals, e.g. LC1C2, HSL or YUV
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Abstract
本公开提供了一种图像处理方法、装置、设备、介质和产品,涉及人工智能技术领域,具体为自动驾驶、智能交通、计算机视觉和深度学习技术领域。图像处理方法包括:对原始图像进行图像处理,得到针对原始图像的明亮度的分量图像;将原始图像和分量图像中的至少之一确定为待处理图像;对待处理图像中的像素进行分类,得到分类结果;基于分类结果处理待处理图像,得到目标图像;基于目标图像,确定原始图像的图像质量。
Description
技术领域
本公开涉及人工智能技术领域,具体为自动驾驶、智能交通、计算机视觉和深度学习技术领域,更具体地,涉及一种图像处理方法、装置、电子设备、介质和程序产品。
背景技术
在一些场景下,需要对采集的图像进行图像识别,以确定图像的图像质量。例如,在交通领域中,经常通过摄像头采集交通的图像,以便基于图像确定交通情况。但是,相关技术在识别图像的图像质量时,识别效果不佳,识别成本高。
发明内容
本公开提供了一种图像处理方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种图像处理方法,包括:对原始图像进行图像处理,得到针对所述原始图像的明亮度的分量图像将所述原始图像和所述分量图像中的至少之一确定为待处理图像;对所述待处理图像中的像素进行分类,得到分类结果;基于所述分类结果处理所述待处理图像,得到目标图像;基于所述目标图像,确定所述原始图像的图像质量。
根据本公开的另一方面,提供了一种图像处理装置,包括:第一处理模块、第一确定模块、分类模块、第二处理模块以及第二确定模块。第一处理模块,用于对原始图像进行图像处理,得到针对所述原始图像的明亮度的分量图像;第一确定模块,用于将所述原始图像和所述分量图像中的至少之一确定为待处理图像;分类模块,用于对所述待处理图像中的像素进行分类,得到分类结果;第二处理模块,用于基于所述分类结果处理所述待处理图像,得到目标图像;第二确定模块,用于基于所述目标图像,确定所述原始图像的图像质量。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和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上述的图像处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的图像处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的图像处理方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的图像处理方法和装置的应用场景;
图2示意性示出了根据本公开一实施例的图像处理方法的流程图;
图3示意性示出了根据本公开一实施例的图像处理方法的示意图;
图4示意性示出了根据本公开另一实施例的图像处理方法的示意图;
图5示意性示出了根据本公开另一实施例的图像处理方法的示意图;
图6示意性示出了根据本公开一实施例的图像处理方法的系统架构;
图7示意性示出了根据本公开一实施例的图像处理方法的示意图;
图8示意性示出了根据本公开一实施例的图像处理方法的时序图;
图9示意性示出了根据本公开一实施例的图像处理装置的框图;以及
图10是用来实现本公开实施例的用于执行图像处理的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种图像处理方法,包括:对原始图像进行图像处理,得到针对原始图像的明亮度的分量图像,将原始图像和分量图像中的至少之一确定为待处理图像。然后对待处理图像中的像素进行分类,得到分类结果,基于分类结果处理待处理图像,得到目标图像。接下来,基于目标图像,确定原始图像的图像质量。
图1示意性示出了根据本公开一实施例的图像处理方法和装置的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,本公开的应用场景100例如包括多个摄像头110、120。
多个摄像头110、120例如用于采集视频流,通过对视频流中的图像帧进行识别可以得到交通情况。多个摄像头110、120可以安装在路面设备上,也可以安装在自动驾驶车辆上,在自动驾驶车辆进行驾驶的过程中实时采集视频流。
在一些场景下,由于各种外部环境原因,如刮风、下雨、冰冻等等,会照成摄像头采集的视频流出现异常,例如视频流中的图像帧出现噪声点、模糊、遮挡、偏色或亮度异常等等,导致图像质量较差,使得基于图像质量较差的视频流进行识别时,难以准确地识别路口的车辆、车牌、行人等交通情况。
因此,本公开的实施例通过图像识别的方式来确定图像质量,以便基于图像质量及时检测摄像头是否拍摄异常,相比于通过人工巡检的方式检测摄像头的拍摄异常,本公开的实施例降低了摄像头的维护成本。
本公开实施例提供了一种图像处理方法,下面结合图1的应用场景,参考图2~图8来描述根据本公开示例性实施方式的图像处理方法。
图2示意性示出了根据本公开一实施例的图像处理方法的流程图。
如图2所示,本公开实施例的图像处理方法200例如可以包括操作S210~操作S250。
在操作S210,对原始图像进行图像处理,得到针对原始图像的明亮度的分量图像。
在操作S220,将原始图像和分量图像中的至少之一确定为待处理图像。
在操作S230,对待处理图像中的像素进行分类,得到分类结果。
在操作S240,基于分类结果处理待处理图像,得到目标图像。
在操作S250,基于目标图像,确定原始图像的图像质量。
示例性地,原始图像例如是由摄像头采集的图像。原始图像例如包括色相、饱和度、明亮度等等信息,通过对原始图像进行处理,得到针对原始图像的明亮度分量图像。然后,将原始图像和分量图像进行对比得到对比结果,对比结果例如包括图像的前景信息和背景信息,根据对比结果从原始图像和分量图像中确定待处理图像。
接下来,将待处理图像中的每个像素进行分类,得到包含多个类别的分类结果,然后基于分类结果处理待处理图像,得到目标图像。得到目标图像之后,可以基于目标图像确定原始图像的图像质量,图像质量例如表征了原始图像的画面是否被遮挡。
根据本公开的实施例,通过获取针对原始图像的明亮度的分量图像,然后对原始图像或者分量图像中的像素进行分类以得到目标图像,最后基于目标图像确定原始图像的图像质量,提高了图像质量的检测效果和准确性,降低了检测成本。
图3示意性示出了根据本公开一实施例的图像处理方法的示意图。
如图3所示,根据本公开的实施例300,例如可以将原始图像310转换到HSV(HueSaturation Value)颜色空间,得到多个分量图像,然后从多个分量图像中确定针对明亮度的分量图像320。
示例性地,HSV颜色空间例如将RGB颜色空间中的点在圆柱坐标系中表示。原始图像310在HSV颜色空间中包括针对色相(Hue)的分量图像、针对饱和度(Saturation)的分量图像、针对明亮度(Value)的分量图像。从多个分量图像中确定针对明亮度(Value)的分量图像320。分量图像320对明亮度信息更加敏感,使得在一些情况下基于分量图像320能更好地区分前景信息和背景信息。
在得到针对明亮度的分量图像320之后,可以从原始图像310和分量图像320中选择一个作为待处理图像。
例如,确定原始图像310的前景信息和背景信息之间的第一差异程度,第一差异程度越大,表示前景信息和背景信息的区分更加明显。在原始图像310中,前景信息例如包括被遮挡部分(黑色部分)的图像信息,背景信息例如包括未被遮挡部分的图像信息。
例如,确定分量图像320的前景信息和背景信息之间的第二差异程度,第二差异程度越大,表示前景信息和背景信息的区分更加明显。在分量图像320中,前景信息例如包括被遮挡部分(黑色部分)的图像信息,背景信息例如包括未被遮挡部分的图像信息。
然后,基于第一差异程度和第二差异程度,将原始图像310或者分量图像320确定为待处理图像。例如,当第一差异程度大于第二差异程度时,可以将原始图像310作为待处理图像。当第二差异程度大于第一差异程度时,可以将分量图像320作为待处理图像。
根据本公开的实施例,基于前景信息和背景信息之间的差异,从原始图像和分量图像中选择前景信息和背景信息差异程度较大的图像作为待处理图像,差异程度越大前景信息和背景信息的区分更加明显,从而提高后续针对待处理图像的处理准确性。
图4示意性示出了根据本公开另一实施例的图像处理方法的示意图。
如图4所示,根据本公开的实施例400,在得到待处理图像之后,可以对待处理图像中的像素进行分类,得到分类结果。
例如,针对待处理图像中的每个像素,如果该像素的像素值大于阈值,可以将像素划分至第一分组。如果该像素的像素值小于或等于阈值,可以将像素划分至第二分组,然后将第一分组和第二分组作为分类结果。阈值例如包括10、20等等。
在得到第一分组和第二分组之后,可以将待处理图像中属于第一分组的像素的像素值,配置为第一分值。将待处理图像中属于第二分组的像素的像素值,配置为第二分值。第一分值例如为0,第二分值例如为255。
然后,基于第一分值和第二分值,由待处理图像得到目标图像410。目标图像410例如是二值化图像,二值化图像中像素值为0的部分例如是前景部分,像素值为255的部分例如是背景部分。
根据本公开的实施例,通过对待处理图像进行二值化处理得到目标图像,使得目标图像中关于前景部分和背景部分的区分更加明显,提高后续针对目标图像的处理精度。
图5示意性示出了根据本公开另一实施例的图像处理方法的示意图。
如图5所示,根据本公开的实施例500,在得到目标图像之后,可以基于目标图像中每个像素所属的第一分值或者第二分值,确定原始图像510的连通区域511。例如,针对原始图像510中的每个像素,基于该像素对应于目标图像的第一分值或第二分值来确定连通区域511。原始图像510的连通区域511中的每个像素例如对应于目标图像的第二分值(255)。图5中以灰色区域表示连通区域511。
在确定原始图像510中的连通区域511之后,可以基于连通区域511确定原始图像510的图像质量,连通区域511例如为原始图像510中被遮挡的部分。
例如,可以基于连通区域的区域面积和原始图像的图像面积之间的比值,确定原始图像的遮挡率。然后,基于遮挡率确定原始图像的图像质量。遮挡率越高,可以表示图像质量越差。
根据本公开的实施例,对待处理图像进行二值化处理得到目标图像之后,基于目标图像确认原始图像中的连通区域,然后基于连通区域的区域面积和原始图像的图像面积之间的比值确定遮挡率,从而基于遮挡率确定图像质量。由此可见,通过本公开的实施例,可以提高图像质量的检测效果和准确性,降低检测成本。
在本公开的另一示例中,还可以确定原始图像的模糊程度、色偏程度、亮度异常程度等信息,以确定原始图像的图像质量。示例性地,本公开实施例可以基于原始图像的遮挡程度、模糊程度、色偏程度、亮度异常程度来综合确定原始图像的图像质量。
在一示例中,针对原始图像的模糊程度,可以采用无参考图像的清晰度评价方法,使用Brenner梯度函数计算相邻两个像素灰度差的平方,该Brenner梯度函数例如定义如公式(1):
D(f)=∑y∑x|f(x+2,y)-f(x,y)|2 (1)
其中:f(x,y)表示原始图像f对应像素点(x,y)的灰度值,D(f)为原始图像清晰度(方差)计算结果。
针对原始图像的每个像素计算得到方差D(f),从而得到基于所有像素的累积方差。当累积方差小于预设阈值时,确定原始图像的图像质量较差,即原始图像较模糊。
在另一示例中,针对原始图像的色偏程度,当原始图像为RGB彩色图像时,将RGB彩色图像转换到CIE L*a*b*空间,其中L*表示图像亮度,a*表示图像红/绿分量,b*表示图像黄/蓝分量。通常存在色偏的图像,在a*和b*分量上的均值会偏离原点很远,方差也会偏小。因此,通过计算图像在a*和b*分量上的均值和方差,并基于均值和方差即可评估图像是否存在色偏。
K=D/M (6)
其中,图像在a*和b*分量上的均值分别da、db,图像在a*和b*分量上的方差分别为Ma、Mb。
其中,在公式(2)-(6)中,m、n分别为图像的宽和高,以像素为单位。在a-b色度平面上,等效圆的中心坐标为(da,db)、半径为M。等效圆的中心到a-b色度平面中性轴原点(a=0,b=0)的距离为D。由等效圆在a-b色度平面上的具体位置,来判断图像整体的色偏。da>0时,图像偏红,否则偏绿。db>时,图像偏黄,否则偏蓝。色偏因子K的值越大,表示图像的色偏程度越大。
在另一示例中,针对原始图像的亮度异常程度,当原始图像为灰度图像时,通过公式(7)-(11)计算灰度图像的均值da和平均差Ma。当图像存在亮度异常时,均值会偏离均值点(均值点例如可以假设为128),平均差也会偏小。通过计算图像的均值和平均差,即可基于均值和平均差评估图像是否存在过曝光或曝光不足的情况。
D=|da| (8)
M=|Ma| (10)
K=D/M (11)
公式(7)中的xi为原始图像中的第i个像素的像素值,N为原始图像中像素的总个数;公式(9)中的Hist[i]为原始图像中像素值为i的像素个数。
当亮度因子K小于预设阈值时,图像的亮度正常。当亮度因子大于或等于预设阈值时,图像的亮度异常。具体地,当亮度因子大于或等于预设阈值时,进一步判断均值da,当均值da大于0时,表示图像亮度偏亮,当均值da小于或等于0时,表示图像的亮度偏暗。
图6示意性示出了根据本公开一实施例的图像处理方法的系统架构。
如图6所示,视频图像质量诊断的系统架构600例如包括流媒体平台610、WEB配置管理系统620、诊断任务调度服务630、监控中心640和图像质量诊断服务650。
流媒体平台610例如包括信令服务和流媒体集群,流媒体平台610用于获取视频流,视频流中包括待诊断的图像。
WEB配置管理系统620用于管理诊断任务,诊断任务例如包括对视频流中的图像进行图像质量诊断
诊断任务调度服务630用于调度诊断任务,诊断任务调度服务630包括数据库,数据库用于存储任务信息。
监控中心640用于监控诊断任务调度服务630中任务执行的情况。
图像质量诊断服务650用于根据诊断任务调度服务630下发的任务,从流媒体平台610中获取视频流,并对视频流中的图像进行图像质量诊断,并向诊断任务调度服务630上报任务处理的状态。
图7示意性示出了根据本公开一实施例的图像处理方法的示意图。
如图7所示,根据本公开的实施例例如包括流媒体平台710、视频图像质量诊断系统720和监控平台730。
流媒体平台710用于生成视频流。
视频图像质量诊断系统720例如包括调度服务、诊断服务、注册中心。调度服务可以向流媒体平台710发送获取视频流的请求。调度服务还可以向诊断服务下发诊断子任务。诊断服务执行完诊断子任务之后,向调度服务上报子任务诊断结果。诊断服务可以向注册中心注册。调度服务还可以根据负载策略选择诊断节点,以便根据诊断节点下发诊断子任务。调度服务还可以将异常的诊断任务上报给监控平台730。
监控平台730用于监控诊断任务的状态。
图8示意性示出了根据本公开一实施例的图像处理方法的时序图。
如图8所示,根据本公开的实施例例如包括调度服务810、注册中心820、诊断服务830、流媒体平台840和监控平台850。
当调度服务810接收到来自用户的启动任务请求后,向注册中心820获取可用诊断服务的节点。注册中心820将诊断节点列表返回给调度服务810。调度服务810基于节点列表,根据负载策略选择工作节点。
调度服务810选择工作节点之后,向诊断服务830下发诊断子任务,诊断服务830反馈下发结果。调度服务810接收到下发结果之后,向用户反馈启动任务结果。
诊断服务830在计划的时间内循环执行诊断任务。例如,诊断服务830向流媒体平台840发送拉取视频流的请求,流媒体平台840向诊断服务830返回实时视频流,然后由诊断服务830基于视频流执行图像质量的诊断任务,并向调度服务810返回视频图像异常诊断结果。
调度服务810接收到视频图像异常诊断结果之后,可以向监控平台850上报异常信息。
图9示意性示出了根据本公开一实施例的图像处理装置的框图。
如图9所示,本公开实施例的图像处理装置900例如包括第一处理模块910、第一确定模块920、分类模块930、第二处理模块940和第二确定模块950。
第一处理模块910可以用于对原始图像进行图像处理,得到针对原始图像的明亮度的分量图像。根据本公开实施例,第一处理模块910例如可以执行上文参考图2描述的操作S210,在此不再赘述。
第一确定模块920可以用于将原始图像和分量图像中的至少之一确定为待处理图像。根据本公开实施例,第一确定模块920例如可以执行上文参考图2描述的操作S220,在此不再赘述。
分类模块930可以用于对待处理图像中的像素进行分类,得到分类结果。根据本公开实施例,分类模块930例如可以执行上文参考图2描述的操作S230,在此不再赘述。
第二处理模块940可以用于基于分类结果处理待处理图像,得到目标图像。根据本公开实施例,第二处理模块940例如可以执行上文参考图2描述的操作S240,在此不再赘述。
第二确定模块950可以用于基于目标图像,确定原始图像的图像质量。根据本公开实施例,第二确定模块950例如可以执行上文参考图2描述的操作S250,在此不再赘述。
根据本公开的实施例,针对待处理图像中的每个像素,分类模块930包括:第一划分子模块、第二划分子模块和第一确定子模块。第一划分子模块,用于响应于像素的像素值大于阈值,将像素划分至第一分组;第二划分子模块,用于响应于像素的像素值小于或等于阈值,将像素划分至第二分组;第一确定子模块,用于将第一分组和第二分组,作为分类结果。
根据本公开的实施例,第二处理模块940包括:第一配置子模块、第二配置子模块和获得子模块。第一配置子模块,用于将第一分组中的像素的像素值,配置为第一分值;第二配置子模块,用于将第二分组中的像素的像素值,配置为第二分值;获得子模块,用于基于第一分值和第二分值,得到目标图像。
根据本公开的实施例,第二确定模块950包括:第二确定子模块和第三确定子模块。第二确定子模块,用于基于目标图像,确定原始图像的连通区域;第三确定子模块,用于基于连通区域,确定原始图像的图像质量。
根据本公开的实施例,第三确定子模块包括:第一确定单元和第一确定单元。第一确定单元,用于基于连通区域的区域面积和原始图像的图像面积之间的比值,确定原始图像的遮挡率;第二确定单元,用于基于遮挡率,确定原始图像的图像质量。
根据本公开的实施例,第一确定模块920包括:第四确定子模块、第五确定子模块和第六确定子模块。第四确定子模块,用于确定原始图像的前景信息和背景信息之间的第一差异程度;第五确定子模块,用于确定分量图像的前景信息和背景信息之间的第二差异程度;第六确定子模块,用于基于第一差异程度和第二差异程度,将原始图像或者分量图像确定为待处理图像。
根据本公开的实施例,第一处理模块910包括:转换子模块和第七确定子模块。转换子模块,用于将原始图像转换到HSV颜色空间,得到多个分量图像;第七确定子模块,用于从多个分量图像中确定针对明亮度的分量图像。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10是用来实现本公开实施例的用于执行图像处理的电子设备的框图。
图10示出了可以用来实施本公开实施例的示例电子设备1000的示意性框图。电子设备1000旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如图像处理方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程图像处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种图像处理方法,包括:
对原始图像进行图像处理,得到针对所述原始图像的明亮度的分量图像;
根据前景信息和背景信息之间的差异程度,将所述原始图像和所述分量图像之一确定为待处理图像;
根据所述待处理图像中的每个像素的像素值和阈值,将所述待处理图像中的像素划分至两个分组中的一个分组,得到分类结果;
基于所述分类结果,对所述待处理图像进行二值化处理,得到目标图像;以及
基于所述目标图像,确定所述原始图像的图像质量,包括:基于所述目标图像,确定所述原始图像的连通区域;基于所述连通区域,确定所述原始图像的图像质量。
2.根据权利要求1所述的方法,其中,所述对所述待处理图像中的像素进行分类,得到分类结果包括,针对所述待处理图像中的每个像素:
响应于所述像素的像素值大于阈值,将所述像素划分至第一分组;
响应于所述像素的像素值小于或等于所述阈值,将所述像素划分至第二分组;以及
将所述第一分组和所述第二分组,作为所述分类结果。
3.根据权利要求2所述的方法,其中,所述基于所述分类结果处理所述待处理图像,得到目标图像包括:
将所述第一分组中的像素的像素值,配置为第一分值;
将所述第二分组中的像素的像素值,配置为第二分值;以及
基于所述第一分值和所述第二分值,得到所述目标图像。
4.根据权利要求1所述的方法,其中,所述基于所述连通区域,确定所述原始图像的图像质量包括:
基于所述连通区域的区域面积和所述原始图像的图像面积之间的比值,确定所述原始图像的遮挡率;以及
基于所述遮挡率,确定所述原始图像的图像质量。
5.根据权利要求1-4中任意一项所述的方法,其中,所述将所述原始图像和所述分量图像中的至少之一确定为待处理图像包括:
确定所述原始图像的前景信息和背景信息之间的第一差异程度;
确定所述分量图像的前景信息和背景信息之间的第二差异程度;以及
基于所述第一差异程度和所述第二差异程度,将所述原始图像或者所述分量图像确定为所述待处理图像。
6.根据权利要求1-4中任意一项所述的方法,其中,所述对原始图像进行图像处理,得到针对所述原始图像的明亮度的分量图像包括:
将所述原始图像转换到HSV颜色空间,得到多个分量图像;以及
从所述多个分量图像中确定针对明亮度的分量图像。
7.一种图像处理装置,包括:
第一处理模块,用于对原始图像进行图像处理,得到针对所述原始图像的明亮度的分量图像;
第一确定模块,用于根据前景信息和背景信息之间的差异程度,将所述原始图像和所述分量图像之一确定为待处理图像;
分类模块,用于根据所述待处理图像中的每个像素的像素值和阈值,将所述待处理图像中的像素划分至两个分组中的一个分组,得到分类结果;
第二处理模块,用于基于所述分类结果,对所述待处理图像进行二值化处理,得到目标图像;以及
第二确定模块,用于基于所述目标图像,确定所述原始图像的图像质量;
其中,第二确定模块包括:
第二确定子模块,用于基于所述目标图像,确定所述原始图像的连通区域;以及
第三确定子模块,用于基于所述连通区域,确定所述原始图像的图像质量。
8.根据权利要求7所述的装置,其中,所述分类模块包括,针对所述待处理图像中的每个像素:
第一划分子模块,用于响应于所述像素的像素值大于阈值,将所述像素划分至第一分组;
第二划分子模块,用于响应于所述像素的像素值小于或等于所述阈值,将所述像素划分至第二分组;以及
第一确定子模块,用于将所述第一分组和所述第二分组,作为所述分类结果。
9.根据权利要求8所述的装置,其中,所述第二处理模块包括:
第一配置子模块,用于将所述第一分组中的像素的像素值,配置为第一分值;
第二配置子模块,用于将所述第二分组中的像素的像素值,配置为第二分值;以及
获得子模块,用于基于所述第一分值和所述第二分值,得到所述目标图像。
10.根据权利要求7所述的装置,其中,所述第三确定子模块包括:
第一确定单元,用于基于所述连通区域的区域面积和所述原始图像的图像面积之间的比值,确定所述原始图像的遮挡率;以及
第二确定单元,用于基于所述遮挡率,确定所述原始图像的图像质量。
11.根据权利要求7-10中任意一项所述的装置,其中,所述第一确定模块包括:
第四确定子模块,用于确定所述原始图像的前景信息和背景信息之间的第一差异程度;
第五确定子模块,用于确定所述分量图像的前景信息和背景信息之间的第二差异程度;以及
第六确定子模块,用于基于所述第一差异程度和所述第二差异程度,将所述原始图像或者所述分量图像确定为所述待处理图像。
12.根据权利要求7-10中任意一项所述的装置,其中,所述第一处理模块包括:
转换子模块,用于将所述原始图像转换到HSV颜色空间,得到多个分量图像;以及
第七确定子模块,用于从所述多个分量图像中确定针对明亮度的分量图像。
13.一种电子设备,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权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111259248.6A CN113963321B (zh) | 2021-10-27 | 2021-10-27 | 图像处理方法、装置、电子设备和介质 |
US17/973,719 US20230049656A1 (en) | 2021-10-27 | 2022-10-26 | Method of processing image, electronic device, and medium |
KR1020220140059A KR20220151583A (ko) | 2021-10-27 | 2022-10-27 | 영상 처리 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 |
JP2022172156A JP7429756B2 (ja) | 2021-10-27 | 2022-10-27 | 画像処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111259248.6A CN113963321B (zh) | 2021-10-27 | 2021-10-27 | 图像处理方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963321A CN113963321A (zh) | 2022-01-21 |
CN113963321B true CN113963321B (zh) | 2023-08-04 |
Family
ID=79467675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111259248.6A Active CN113963321B (zh) | 2021-10-27 | 2021-10-27 | 图像处理方法、装置、电子设备和介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230049656A1 (zh) |
JP (1) | JP7429756B2 (zh) |
KR (1) | KR20220151583A (zh) |
CN (1) | CN113963321B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495103B (zh) * | 2022-01-28 | 2023-04-04 | 北京百度网讯科技有限公司 | 文本识别方法、装置、电子设备和介质 |
CN115937050B (zh) * | 2023-03-02 | 2023-10-13 | 图兮数字科技(北京)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488987A (zh) * | 2013-10-15 | 2014-01-01 | 浙江宇视科技有限公司 | 一种基于视频检测交通信号灯的方法及装置 |
CN104079801A (zh) * | 2013-03-29 | 2014-10-01 | 索尼公司 | 图像处理设备、图像处理方法及程序 |
CN109741313A (zh) * | 2018-12-29 | 2019-05-10 | 南京信息工程大学 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
CN110169063A (zh) * | 2017-01-12 | 2019-08-23 | 索尼公司 | 图像处理装置和图像处理方法 |
CN112991308A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种图像质量的确定方法、装置、电子设备和介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3787823B2 (ja) * | 1997-07-31 | 2006-06-21 | ソニー株式会社 | 画像処理装置および画像処理方法 |
JP2000042499A (ja) | 1998-08-03 | 2000-02-15 | Sumitomo Metal Ind Ltd | 異物除去装置 |
JP4196124B2 (ja) | 2003-08-29 | 2008-12-17 | 株式会社ニコン | 撮像系診断装置、撮像系診断プログラム、撮像系診断プログラム製品、および撮像装置 |
JP2010014494A (ja) | 2008-07-02 | 2010-01-21 | Denso Corp | 異物検出装置、異物検出プログラム、異物除去装置、および車載通信装置 |
JP2019129446A (ja) | 2018-01-25 | 2019-08-01 | ソニーセミコンダクタソリューションズ株式会社 | 画像処理装置、および画像処理方法、並びにプログラム |
CN112766137B (zh) | 2021-01-14 | 2023-02-10 | 华南理工大学 | 一种基于深度学习的动态场景异物入侵检测方法 |
-
2021
- 2021-10-27 CN CN202111259248.6A patent/CN113963321B/zh active Active
-
2022
- 2022-10-26 US US17/973,719 patent/US20230049656A1/en active Pending
- 2022-10-27 KR KR1020220140059A patent/KR20220151583A/ko unknown
- 2022-10-27 JP JP2022172156A patent/JP7429756B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104079801A (zh) * | 2013-03-29 | 2014-10-01 | 索尼公司 | 图像处理设备、图像处理方法及程序 |
CN103488987A (zh) * | 2013-10-15 | 2014-01-01 | 浙江宇视科技有限公司 | 一种基于视频检测交通信号灯的方法及装置 |
CN110169063A (zh) * | 2017-01-12 | 2019-08-23 | 索尼公司 | 图像处理装置和图像处理方法 |
CN109741313A (zh) * | 2018-12-29 | 2019-05-10 | 南京信息工程大学 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
CN112991308A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种图像质量的确定方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2023002768A (ja) | 2023-01-10 |
CN113963321A (zh) | 2022-01-21 |
US20230049656A1 (en) | 2023-02-16 |
KR20220151583A (ko) | 2022-11-15 |
JP7429756B2 (ja) | 2024-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229307B (zh) | 用于物体检测的方法、装置和设备 | |
CN113963321B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN108337505B (zh) | 信息获取方法和装置 | |
JP2023503749A (ja) | カメラレンズの状態検出方法、装置、機器及び記憶媒体 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
WO2020119454A1 (zh) | 一种对图像进行颜色还原的方法和装置 | |
CN112312001B (zh) | 一种图像检测的方法、装置、设备和计算机存储介质 | |
US20230048649A1 (en) | Method of processing image, electronic device, and medium | |
CN114037087B (zh) | 模型训练方法及装置、深度预测方法及装置、设备和介质 | |
CN115334250B (zh) | 一种图像处理方法、装置及电子设备 | |
CN113628192B (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
CN116668843A (zh) | 一种拍摄状态的切换方法、装置、电子设备以及存储介质 | |
JP2019067377A (ja) | 画像処理装置及び方法及び監視システム | |
CN112907518B (zh) | 检测方法、装置、设备、存储介质及程序产品 | |
CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN113408409A (zh) | 交通信号灯识别方法、设备、云控平台和车路协同系统 | |
CN113763311A (zh) | 图像识别方法及装置、以及自动分拣机器人 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN115601606B (zh) | 一种门店状态检测方法、装置、设备及存储介质 | |
CN113643257A (zh) | 图像噪点检测方法、装置、设备、存储介质及程序产品 | |
CN114359209A (zh) | 图像处理方法及装置、存储介质、电子装置 | |
CN116957983A (zh) | 图像增强方法、装置、设备及存储介质 | |
CN112949490A (zh) | 设备动作检测方法、装置、电子设备及可读存储介质 | |
CN116343108A (zh) | 一种厨师帽检测方法、装置、计算机设备以及存储介质 | |
CN114155211A (zh) | 一种图像处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |