CN114051098B - 一种视觉图像智能采集方法及平台 - Google Patents
一种视觉图像智能采集方法及平台 Download PDFInfo
- Publication number
- CN114051098B CN114051098B CN202111392968.XA CN202111392968A CN114051098B CN 114051098 B CN114051098 B CN 114051098B CN 202111392968 A CN202111392968 A CN 202111392968A CN 114051098 B CN114051098 B CN 114051098B
- Authority
- CN
- China
- Prior art keywords
- degree
- image
- pixel
- target image
- obtaining
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/71—Circuitry for evaluating the brightness variation
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明涉及图像采集技术领域,具体涉及一种视觉图像智能采集方法及平台。该方法包括:采集目标图像,获取目标图像的光比程度,判断采集场景是否为大光比场景;当采集场景为大光比场景时,根据目标图像的灰度直方图的暗区域中每个像素值的数量获取该像素值的堆积程度,筛选出堆积像素点组成多个连通域,得到分割图像;获取连通域中的变化像素,依据每个连通域中变化像素占所有堆积像素点的数量比例得到分割图像的第一层次淹没程度;同理获取目标图像的灰度直方图的亮区域对应的第二层次淹没程度;进而得到满溢程度;根据满溢程度和宽容度调整采集设备的参数,得到采集图像。本发明实施例能够自适应调节采集设备的参数,得到质量理想的采集图像。
Description
技术领域
本发明涉及图像采集技术领域,具体涉及一种视觉图像智能采集方法及平台。
背景技术
图像采集过程中,往往拍摄的图像与人眼看到的场景存在一定差异,这是由于人眼的宽容度比数码设备要高得多,对于人眼而言亮暗区域的细节都可以看清楚,但是对于宽容度有限的相机,只能做出一定取舍,从而使得拍摄的图像与人眼观察的场景存在一定差异。
同时,大光比环境下,很容易使得场景的成像超过相机的宽容度,明亮区域因曝光过度变成白色,黑暗区域因曝光不足变成黑色,丢失亮暗区域对应的细节,从而使得采集的图像携带信息缺失,图像质量差,按照一般方式来采集图像,不能采集到合适的图像。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种视觉图像智能采集方法及平台,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种视觉图像智能采集方法,该方法包括以下步骤:
采集目标图像,计算所述目标图像的亮暗程度,根据所述亮暗程度获取所述目标图像的光比程度,进而判断所述目标图像的采集场景是否为大光比场景;
当所述采集场景为大光比场景时,根据所述目标图像的灰度直方图的暗区域中每个像素值的数量获取该像素值的堆积程度,筛选出所述堆积程度大于堆积阈值的堆积像素点,组成多个连通域,得到分割图像;
通过计算每个堆积像素点与其邻域像素点之间的像素值变化获取所述连通域中具有层次变化的变化像素,依据每个连通域中所述变化像素占所有堆积像素点的数量比例得到所述分割图像的第一层次淹没程度;
同理获取所述目标图像的灰度直方图的亮区域对应的第二层次淹没程度;根据所述第一层次淹没程度和所述第二层次淹没程度得到所述目标图像的采集设备在宽容度上的满溢程度;
根据所述满溢程度和所述宽容度调整所述采集设备的参数,得到采集图像。
优选的,所述光比程度的获取步骤为:
根据所述灰度直方图中像素值的大小以及每个像素值占所述灰度直方图的数量比例获取所述灰度直方图的暗程度和亮程度,以所述暗程度和所述亮程度的差异作为所述光比程度。
优选的,所述大光比场景的判断过程为:
设置光比阈值,当所述光比程度大于所述光比阈值时,所述采集场景为大光比场景。
优选的,所述堆积程度的获取过程为:
获取每个像素值在暗区域中的数量占比,以及该像素值的数量与所述暗区域中所有像素值的平均数量的差异得到该像素值的所述堆积程度。
优选的,所述分割图像的获取过程为:
通过分别调整所述堆积像素点以及其他像素点的像素值得到遮罩图像,对所述遮罩图像进行形态学运算,得到分割遮罩;利用所述分割遮罩获取所述灰度直方图的所述分割图像。
优选的,所述变化像素的获取步骤包括:
当所述堆积像素点与其任一邻域像素点的差异大于差异阈值时,获取该堆积像素点的邻域像素点的变化比例,当所述变化比例大于变化阈值时,该堆积像素点为变化像素。
优选的,所述满溢程度的获取过程为:
分别计算所述第一层次淹没程度与对应的第一影响系数的乘积,以及所述第二层次淹没程度与对应的第二影响系数的乘积,取两乘积中的最大值作为所述满溢程度。
优选的,所述采集图像的步骤包括:
获取所述目标图像对应的包围曝光图像,以目标图像的所述光比程度、所述满溢程度以及所述采集设备的参数组成的特征数据作为输入,获取与所述包围曝光图像最相似的图像对应的参数作为标签,训练神经网络;
将每张所述目标图像的所述特征数据输入训练完成的神经网络,输出每张所述目标图像的最优参数,调整所述采集设备的参数至所述最优参数,获取所述采集图像。
第二方面,本发明另一个实施例提供了一种视觉图像智能采集平台,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种视觉图像智能采集方法的步骤。
本发明实施例至少具有如下有益效果:
首先通过计算图像的亮暗程度来判断是否为大光比场景,然后通过计算大光比场景下图像中像素点的堆积程度获取图像亮区域和暗区域的层次淹没程度,综合得到图像的满溢程度,进而依据图像的满溢程度和相机当前的宽容度调节相机参数,得到保留细节的采集图像。本发明实施例能够自适应调节采集设备的参数,在大光比环境下也能得到质量理想的采集图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例提供的一种视觉图像智能采集方法的步骤流程图;
图2为本发明一个实施例提供的在正常曝光情况下采集的目标图像;
图3为图2在过度曝光情况下的图像;
图4为图2对应的包围曝光图像;
图5为灰度直方图的区域划分图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种视觉图像智能采集方法及平台,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种视觉图像智能采集方法及平台的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种视觉图像智能采集方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集目标图像,计算目标图像的亮暗程度,根据亮暗程度获取目标图像的光比程度,进而判断目标图像的采集场景是否为大光比场景。
具体的步骤包括:
1.采集目标图像。
请参阅图2和图3,图2示出了在正常曝光情况下采集的目标图像,屋檐下的细节不清晰;如果想要采集清晰的屋檐图像,则需要过度曝光来采集屋檐处的图像,如图3所示;相机等图像采集设备对光照的感光范围有限,由于硬件设备的局限性很难兼顾天空和屋檐;但是经过包围曝光处理,即多组曝光参数采集多张图像,而后进行叠加融合来扩充宽容度,可以得到如图4所示的质量较好的包围曝光图像。
本发明实施例采集的目标图像为正常曝光下的图像。
2.根据灰度直方图中像素值的大小以及每个像素值占灰度直方图的数量比例获取灰度直方图的暗程度和亮程度,以暗程度和亮程度的差异作为光比程度。
对目标图像进行灰度化,得到统计的直方图数据,根据直方图的分布情况计算亮暗程度,图像的暗程度la的计算方法为:
图像的亮程度li的计算方法为:
光比程度Gb的计算方法为:
Gb=|la-li|
暗程度la表示图像的整体偏暗的程度,亮程度li表示图像的整体偏亮的程度,图像亮暗程度的差异越大,则光比越大。
3.设置光比阈值,当光比程度大于光比阈值时,采集场景为大光比场景。
当图像的光比程度Gb大于光比阈值kl时,采集场景为大光比场景,此时正常曝光并不能满足图像质量的需求,需要采集较好的暗图像。暗图像若不够暗,则保留的细节有限;若图像过暗则又会淹没细节。所以需要进一步对当前的成像进行分析,以便后续能得到合理的进光量。
其中,光比阈值kl通过实际情况下的光比程度数据统计得到。
大光比环境下,正常曝光采集的图像会在亮的区域淹没细节,所以欠曝采集后再提亮,能有效保留图像的信息,后期提亮也能降噪。即大光比情况下,需要减少进光量,得到较暗的图像,能保留更多细节,而不是得到亮度合适但是细节丢失了的图像。
步骤S002,当采集场景为大光比场景时,根据目标图像的灰度直方图的暗区域中每个像素值的数量获取该像素值的堆积程度,筛选出堆积程度大于堆积阈值的堆积像素点,组成多个连通域,得到分割图像。
当所处为大光比环境时,若相机的宽容度足够大,则采集的图像依旧质量较好,层次丰富。但若相机的宽容度不够,则亮区域出现纯白,淹没了对应的细节,同时暗区域像素过度集中堆积,丢失细节。
具体的步骤包括:
1.获取每个像素值在暗区域中的数量占比,以及该像素值的数量与暗区域中所有像素值的平均数量的差异得到该像素值的堆积程度。
像素堆积则具有细节淹没的可能,先求得像素堆积程度,再获得堆积像素的范围,进一步判断图像层次淹没的程度。
暗区域中像素值为i时的堆积程度afi的计算方法为:
其中,AC表示暗区域的宽度范围;relu(*)表示数据经过relu函数处理,即大于0的数保持本身数值,小于等于0的数取值为0;SCa表示暗区域中所有像素值对应的像素数量的平均数量,γ表示扩增系数。
需要说明的是,表示暗区域的宽度范围,如图5所示,灰度直方图被分为5个部分,其中黑色区域和白色区域共占整个直方图的1/4,且黑色区域和白色区域分别占整个直方图的1/8,暗区域与亮区域分别对应黑色区域和白色区域的直方图变化。
作为一个示例,本发明实施例中扩增系数γ取值为1.2。
越偏向于纯黑或者纯白的像素堆积的越多,越会是淹没细节,层级丰富较差。
2.筛选出堆积程度大于堆积阈值的堆积像素点,通过分别调整堆积像素点以及其他像素点的像素值得到遮罩图像,对遮罩图像进行形态学运算,得到分割遮罩;利用分割遮罩获取灰度直方图的分割图像。
选取堆积程度afi大于堆积阈值dk的堆积像素点,将其像素值调整为1,其余像素点的像素值调整为0,得到对应的二值遮罩图像,而后对二值遮罩图像进行形态学闭运算,连接内部的空洞区域,得到分割遮罩,将灰度化后的灰度图像与该分割遮罩进行相乘得到分割图像。
作为一个示例,在本发明实施例中,堆积阈值dk的取值为0。
步骤S003,通过计算每个堆积像素点与其邻域像素点之间的像素值变化获取连通域中具有层次变化的变化像素,依据每个连通域中变化像素占所有堆积像素点的数量比例得到分割图像的第一层次淹没程度。
具体的步骤包括:
1.获取变化像素。
当堆积像素点与其任一邻域像素点的差异大于差异阈值时,获取该堆积像素点的邻域像素点的变化比例,当变化比例大于变化阈值时,该堆积像素点为变化像素。
首先根据堆积像素点与其任一邻域像素点的差异判断该邻域像素点与周围像素点相比是否有变化:
其中,g(x,p)表示第x个堆积像素点周围八邻域中第p个位置的像素点的变化结果,grx表示连通域中第x个堆积像素点的像素值,grp表示第x个堆积像素点周围八邻域中第p个位置的像素点的像素值,gk为设定的像素差值阈值。
当邻域像素点满足灰度变化要求时,g(x,p)值为1,否则为0。
作为一个示例,本发明实施例中像素差值阈值gk的取值为5。
通过像素层次的变化结果f(x)获取变化像素:
作为一个示例,本发明实施例中变化阈值ck的取值为0.25。
当堆积像素点周围有满足数量及程度的灰度变化时,像素层次的变化结果f(x)为1,同时该堆积像素点为变化像素。
2.依据每个连通域中变化像素占所有堆积像素点的数量比例得到分割图像的第一层次淹没程度。
第一层次淹没程度ac的计算方法为:
连通域的层次细节在于相邻像素的变化程度及变化数量,像素周围变化多且程度大,则层次更明显。
步骤S004,同理获取目标图像的灰度直方图的亮区域对应的第二层次淹没程度;根据第一层次淹没程度和第二层次淹没程度得到目标图像的采集设备在宽容度上的满溢程度。
具体的步骤包括:
1.获取亮区域中每个像素点的堆积程度:
其中,lfi表示像素值为i时的堆积程度,AC表示亮区域的宽度范围,与暗区域的宽度范围一致。
2.利用计算暗区域的第一层次淹没程度的方法计算亮区域的第二层次淹没程度lc,进而获取满溢程度。
分别计算第一层次淹没程度与对应的第一影响系数的乘积,以及第二层次淹没程度与对应的第二影响系数的乘积,取两乘积中的最大值作为满溢程度。
满溢程度My的计算方法为:
My=max(α*ac,β*lc)
其中,α表示暗区域的第一层次淹没程度的影响系数,β表示亮区域的第二层次淹没程度的影响系数。
需要说明的是,亮区域有更高概率淹没细节,因此β的取值比α稍大,作为一个示例,本发明实施例中α取值为0.45,β的取值为0.55。
对于一张图像来说,如果质量不能满足要求,要么是由于过曝光造成亮区域的细节丢失,即亮区域细节淹没较多;要么是由于曝光不足造成暗区域像素堆积,即暗区域细节淹没较多,因此,通过选取最大值判断图像的满溢程度。
步骤S005,根据满溢程度和宽容度调整采集设备的参数,得到采集图像。
具体的步骤包括:
1.获取目标图像对应的包围曝光图像,以目标图像的光比程度、满溢程度以及采集设备的参数组成的特征数据作为输入,获取与包围曝光图像最相似的图像对应的参数作为标签,训练神经网络。
训练神经网络时,以上述图像特征,即场景光比Gb、满溢程度My以及采集设备的当前参数为输入;以采集设备的采集参数,即曝光补偿BB、光圈GQ,ISO,快门速度KM,为输出。
采用全连接FC网络结构,输入层共有M=6个神经元,对应图像的Gb,My以及当前参数BB1,GQ1,ISO1,KM1共6个特征数据,输出层共有N=4个神经元,对应了采集设备如相机的相关可控参数BB2,GQ2,ISO2,KM2。
获取在大光比场景下包围曝光采集的多张图像,对其进行处理,得到每张图像的6个特征数据,作为训练数据,并得到包围曝光叠加融合的包围曝光图像;对不同参数下采集的多张图像进行直方图均衡化操作,提高图像整体的对比度,得到对应的均衡化图像;将每张均衡化图像与包围曝光图像进行比较,获得最相似的图像,其对应的采集参数作为神经网络的标签。
以特征数据作为输入,网络的损失函数采用均方差损失函数,来完成最优参数的回归。
2.将每张目标图像的特征数据输入训练完成的神经网络,输出每张目标图像的最优参数,调整采集设备的参数至最优参数,获取采集图像。
将当前目标图像的特征数据输入训练完成的神经网络,输出当前目标图像的最优参数,将采集设备调整至最优参数,获取对应的采集图像。
3.对采集图像进行直方图均衡化。
由于本发明实施例为了保留更多的细节而降低了图像的对比度,获取采集图像后,通过直方图均衡化的方式对其进行处理,提高采集图像的对比度,直方图均衡化后对灰度图像进行了重映射,使像素间的对比程度更明显,便于图像的细节更好的被观察。
综上所述,本发明实施例采集目标图像,计算目标图像的亮暗程度,根据亮暗程度获取目标图像的光比程度,进而判断目标图像的采集场景是否为大光比场景;当采集场景为大光比场景时,根据目标图像的灰度直方图的暗区域中每个像素值的数量获取该像素值的堆积程度,筛选出堆积程度大于堆积阈值的堆积像素点,组成多个连通域,得到分割图像;通过计算每个堆积像素点与其邻域像素点之间的像素值变化获取连通域中具有层次变化的变化像素,依据每个连通域中变化像素占所有堆积像素点的数量比例得到分割图像的第一层次淹没程度;同理获取目标图像的灰度直方图的亮区域对应的第二层次淹没程度;根据第一层次淹没程度和第二层次淹没程度得到目标图像的采集设备在宽容度上的满溢程度;根据满溢程度和宽容度调整采集设备的参数,得到采集图像。本发明实施例能够自适应调节采集设备的参数,得到质量理想的采集图像。
本发明实施例还提出了一种视觉图像智能采集平台,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种视觉图像智能采集方法在上述给出了详细描述,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种视觉图像智能采集方法,其特征在于,该方法包括以下步骤:
采集目标图像,计算所述目标图像的亮暗程度,根据所述亮暗程度获取所述目标图像的光比程度,进而判断所述目标图像的采集场景是否为大光比场景;
当所述采集场景为大光比场景时,根据所述目标图像的灰度直方图的暗区域中每个像素值的数量获取该像素值的堆积程度,筛选出所述堆积程度大于堆积阈值的堆积像素点,组成多个连通域,得到分割图像;
通过计算每个堆积像素点与其邻域像素点之间的像素值变化获取所述连通域中具有层次变化的变化像素,依据每个连通域中所述变化像素占所有堆积像素点的数量比例得到所述分割图像的第一层次淹没程度;
同理获取所述目标图像的灰度直方图的亮区域对应的第二层次淹没程度;根据所述第一层次淹没程度和所述第二层次淹没程度得到所述目标图像的采集设备在宽容度上的满溢程度;
根据所述满溢程度和所述宽容度调整所述采集设备的参数,得到采集图像;
所述通过计算每个堆积像素点与其邻域像素点之间的像素值变化获取所述连通域中具有层次变化的变化像素的具体步骤包括:
当所述堆积像素点与其任一邻域像素点的差异大于差异阈值时,获取该堆积像素点的邻域像素点的变化比例,当所述变化比例大于变化阈值时,该堆积像素点为变化像素;
所述根据所述第一层次淹没程度和所述第二层次淹没程度得到所述目标图像的采集设备在宽容度上的满溢程度的具体过程为:
分别计算所述第一层次淹没程度与对应的第一影响系数的乘积,以及所述第二层次淹没程度与对应的第二影响系数的乘积,取两乘积中的最大值作为所述满溢程度;
所述根据所述满溢程度和所述宽容度调整所述采集设备的参数,得到采集图像的具体步骤包括:
获取所述目标图像对应的包围曝光图像,以目标图像的所述光比程度、所述满溢程度以及所述采集设备的参数组成的特征数据作为输入,获取与所述包围曝光图像最相似的图像对应的参数作为标签,训练神经网络;
将每张所述目标图像的所述特征数据输入训练完成的神经网络,输出每张所述目标图像的最优参数,调整所述采集设备的参数至所述最优参数,获取所述采集图像。
2.根据权利要求1所述的方法,其特征在于,所述光比程度的获取步骤为:
根据所述灰度直方图中像素值的大小以及每个像素值占所述灰度直方图的数量比例获取所述灰度直方图的暗程度和亮程度,以所述暗程度和所述亮程度的差异作为所述光比程度。
3.根据权利要求1所述的方法,其特征在于,所述大光比场景的判断过程为:
设置光比阈值,当所述光比程度大于所述光比阈值时,所述采集场景为大光比场景。
4.根据权利要求1所述的方法,其特征在于,所述堆积程度的获取过程为:
获取每个像素值在暗区域中的数量占比,以及该像素值的数量与所述暗区域中所有像素值的平均数量的差异得到该像素值的所述堆积程度。
5.根据权利要求1所述的方法,其特征在于,所述分割图像的获取过程为:
通过分别调整所述堆积像素点以及其他像素点的像素值得到遮罩图像,对所述遮罩图像进行形态学运算,得到分割遮罩;利用所述分割遮罩获取所述灰度直方图的所述分割图像。
6.根据权利要求1所述的方法,其特征在于,该方法还包括以下步骤:对所述采集图像进行直方图均衡化。
7.一种视觉图像智能采集平台,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392968.XA CN114051098B (zh) | 2021-11-23 | 2021-11-23 | 一种视觉图像智能采集方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392968.XA CN114051098B (zh) | 2021-11-23 | 2021-11-23 | 一种视觉图像智能采集方法及平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114051098A CN114051098A (zh) | 2022-02-15 |
CN114051098B true CN114051098B (zh) | 2023-05-30 |
Family
ID=80210554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111392968.XA Active CN114051098B (zh) | 2021-11-23 | 2021-11-23 | 一种视觉图像智能采集方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114051098B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648494B (zh) * | 2022-02-28 | 2022-12-06 | 扬州市苏灵农药化工有限公司 | 基于工厂数字化的农药悬浮剂生产控制系统 |
CN114648593B (zh) * | 2022-05-19 | 2022-10-14 | 南通捷茜纺织科技有限公司 | 一种纺织生产用自添液型布料浸染设备智能控制系统 |
CN115100212B (zh) * | 2022-08-29 | 2022-11-18 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118032A (zh) * | 2015-08-19 | 2015-12-02 | 湖南优象科技有限公司 | 一种基于视觉系统的宽动态处理方法 |
CN110580696A (zh) * | 2019-08-30 | 2019-12-17 | 金陵科技学院 | 一种细节保持的多曝光图像快速融合方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2658080A1 (en) * | 2006-07-18 | 2008-01-24 | The Trustees Of The University Of Pennsylvania | Separation and contrast enhancement of overlapping cast shadow components and target detection in shadow using polarization |
WO2009150749A1 (ja) * | 2008-06-13 | 2009-12-17 | 富士通株式会社 | 画像補正装置、画像補正プログラムおよび画像補正方法 |
JP5968068B2 (ja) * | 2011-05-24 | 2016-08-10 | キヤノン株式会社 | 露出制御を行う撮像装置、撮像装置の制御方法、プログラム及び記録媒体 |
CN112419181B (zh) * | 2020-11-19 | 2023-12-08 | 中国科学院西安光学精密机械研究所 | 一种宽动态红外图像细节增强方法 |
-
2021
- 2021-11-23 CN CN202111392968.XA patent/CN114051098B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118032A (zh) * | 2015-08-19 | 2015-12-02 | 湖南优象科技有限公司 | 一种基于视觉系统的宽动态处理方法 |
CN110580696A (zh) * | 2019-08-30 | 2019-12-17 | 金陵科技学院 | 一种细节保持的多曝光图像快速融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114051098A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114051098B (zh) | 一种视觉图像智能采集方法及平台 | |
Lv et al. | Attention guided low-light image enhancement with a large scale low-light simulation dataset | |
CN110728633B (zh) | 多曝光度高动态范围反色调映射模型构建方法及装置 | |
CN115442515B (zh) | 图像处理方法和设备 | |
CN111915526A (zh) | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN110443763B (zh) | 一种基于卷积神经网络的图像阴影去除方法 | |
CN105809643B (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
CN111402146A (zh) | 图像处理方法以及图像处理装置 | |
CN110428389B (zh) | 基于msr理论和曝光融合的微光图像增强方法 | |
CN111225162B (zh) | 图像曝光的控制方法、系统、可读存储介质及摄像设备 | |
CN115908371B (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN112785534A (zh) | 一种动态场景下去鬼影多曝光图像融合方法 | |
CN114240789A (zh) | 一种基于优化的保持亮度的红外图像直方图均衡增强方法 | |
CN114998141B (zh) | 基于多分支网络的空间环境高动态范围成像方法 | |
Rasheed et al. | A comprehensive experiment-based review of low-light image enhancement methods and benchmarking low-light image quality assessment | |
CN115393227A (zh) | 基于深度学习的微光全彩视频图像自适应增强方法及系统 | |
Yu et al. | Adaptive inverse hyperbolic tangent algorithm for dynamic contrast adjustment in displaying scenes | |
CN114862698A (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
Zheng et al. | Low-light image and video enhancement: A comprehensive survey and beyond | |
CN113706393A (zh) | 视频增强方法、装置、设备及存储介质 | |
CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
CN114638764B (zh) | 基于人工智能的多曝光图像融合方法及系统 | |
Huang et al. | An end-to-end dehazing network with transitional convolution layer | |
CN116152128A (zh) | 基于注意力机制的高动态范围多曝光图像融合模型及方法 |
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 |