CN114240806B - 用于图像灰度化的方法及装置、计算机设备、存储介质 - Google Patents
用于图像灰度化的方法及装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114240806B CN114240806B CN202210171263.3A CN202210171263A CN114240806B CN 114240806 B CN114240806 B CN 114240806B CN 202210171263 A CN202210171263 A CN 202210171263A CN 114240806 B CN114240806 B CN 114240806B
- Authority
- CN
- China
- Prior art keywords
- image
- gull
- graying
- channel
- weighting coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 241000272168 Laridae Species 0.000 claims description 80
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 5
- 241000272161 Charadriiformes Species 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
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
本申请涉及图像处理技术领域,公开一种用于图像灰度化的方法,包括:获得输入的图像;基于海鸥算法计算图像的灰度化加权系数;利用图像灰度化加权系数对图像进行灰度化处理,获得灰度图像。基于海鸥算法计算图像的灰度化加权系数,从而将输入的图像输出位灰度图像。通过海鸥算法确定的图像灰度化加权系数,使得灰度化后的图像与原始彩色图像的整体信息更加接近,提高了图像灰度化的准确性,提升了图像灰度化的效果。本申请还公开一种用于图像灰度化的装置及计算机设备、存储介质。
Description
技术领域
本申请涉及图像处理技术领域,例如涉及一种用于图像灰度化的方法及装置、计算机设备、存储介质。
背景技术
图像灰度化处理被广泛应用于图像处理技术、模糊识别等领域中,如车牌识别,黑白印刷,人脸识别等。以提取物体轮廓特征为目的,色彩将被视为冗余信息,良好的图像灰度化处理可以减小对系统资源的占用,有效提高图像处理速度,降低后续图像特征提取的难度。
目前,为实现图像灰度化处理,公开了一种车牌二值化图像融合方法,包括:S1,获取通道数据,所述通道数据包括列车车牌彩色图像的R、G、B三个通道图以及列车车牌彩色图像的灰度图;计算四个通道图的对比度值,选择对比度值最大的作为最佳单通道图,并且对该最佳单通道图进行像素归一化;S2,获取归一化后的最佳单通道图的多个二值图,所述二值图包括用最大类间方差法获得的二值图,用自适应加权高斯阈值方法获得的二值图,基于边缘的二值图以及基于自适应分块最大类间方差法的二值图;S3,将用最大类间方差法获得的二值图,将获得的基于边缘的二值图以及获得的基于自适应分块最大类间方差法二值图进行逻辑‘或’操作;将得到的‘或’操作结果与获得的基于自适应加权高斯阈值方法的二值图进行逻辑‘与’操作,最后的结果即为最终理想二值图。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:
通过不同方法确定的二值图之间的‘或’操作及‘与’操作所得到的图像,在转化过程中会丢失一部分原图像的有效信息,不能保证图像灰度化的准确性。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种图像灰度化的方法、装置和计算机设备,以提高图像灰度化的准确性。
在一些实施例中,所述用于图像灰度化的方法包括:
获得输入的图像;
基于海鸥算法计算图像的灰度化加权系数;
利用图像灰度化加权系数对图像进行灰度化处理,获得灰度图像。
在一些实施例中,所述用于图像灰度化的装置包括:
处理器和存储有程序指令的存储器,所述处理器被配置为在运行在运行所述程序指令时,执行如上述用于图像灰度化的方法。
在一些实施例中,所述计算机设备,包括:
如上述的用于图像灰度化的装置。
在一些实施例中,所述存储介质,包括:
存储有程序指令,所述程序指令在运行时,执行如上述用于图像灰度化的方法。
本公开实施例提供的用于图像灰度化的方法、装置和计算机设备,可以实现以下技术效果:
基于海鸥算法计算图像的灰度化加权系数,从而将输入的图像输出位灰度图像。通过海鸥算法确定的图像灰度化加权系数,使得灰度化后的图像与原始彩色图像的整体信息更加接近,提高了图像灰度化的准确性,提升了图像灰度化的效果。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于图像灰度化的方法的示意图;
图2是本公开实施例提供的一个初始化海鸥位置的示意图;
图3是本公开实施例提供的一个海鸥攻击行为的示意图;
图4是本公开实施例提供的一个用于图像灰度化的方法的图像灰度化结果示意图;
图5是本公开实施例提供的一个未使用图像灰度化的方法的图像灰度化结果示意图;
图6是本公开实施例提供的另一个用于图像灰度化的方法的图像灰度化结果示意图;
图7是本公开实施例提供的另一个未使用图像灰度化的方法的图像灰度化结果示意图;
图8是本公开实施例提供的一个用于图像灰度化的装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“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,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
结合图1所示,本公开实施例提供一种用于图像灰度化的方法,包括:
S01,计算机设备获得输入的图像。
在本技术方案中,对输入图像的类型不做具体限定,只要是可用于进行灰度化处理的图像即可。
S02,基于海鸥算法,计算机设备计算图像的灰度化加权系数。
在本技术方案中,通过海鸥智能算法计算是一个迭代计算的过程,每次迭代过程均会记录当次迭代中最优海鸥位置,进而通过整个迭代过程确定图像的灰度化加权系数。
S03,计算机设备利用图像灰度化加权系数对图像进行灰度化处理,获得灰度图像。
在本技术方案中,利用图像灰度化加权系数对图像进行灰度化处理的过程是通过优化算法智能调节每个通道的加权权重,从而实现图像灰度化的自适应调整过程。
采用本公开实施例提供的用于图像灰度化的方法,基于海鸥算法计算图像的灰度化加权系数,从而将输入的图像输出位灰度图像。通过海鸥算法确定的图像灰度化加权系数,使得灰度化后的图像与原始彩色图像的整体信息更加接近,提高了图像灰度化的准确性,提升了图像灰度化的效果。
可选地,基于海鸥算法计算图像的灰度化加权系数,包括:
在设定参数范围内,初始化海鸥位置;迭代计算海鸥目标位置;根据海鸥目标位置,确定图像灰度化加权系数。
在实际应用中,初始化海鸥位置,包括以随机方式初始化海鸥位置。应该理解的是,计算图像的灰度化加权系数的过程是一个优化求解的过程,并且针对每幅图可能存在不同的最优解,即灰度化加权系数,因此,以随机的方式初始化海鸥位置。
可选地,设定参数包括:海鸥的寻优边界、海鸥的通道数量、海鸥种群的大小、最大迭代次数。
在本公开实施例中,海鸥的寻优边界为海鸥寻优下边界为0,海鸥寻优上边界为1。海鸥的通道数量,即海鸥的维度为3,分别对应图像的R、G、B通道。
在本公开实施例中,海鸥种群的大小范围为[20,50],应该理解的是,根据图像大小、像素、类型的不同,海鸥种群的大小可以根据实际工况设定,可以低于或超出本公开实施例给定范围,本申请对此不做具体限定,只要可根据海鸥种群的大小,初始化海鸥位置,从而确定图像的灰度化加权系数即可。
在本公开实施例中,最大迭代次数范围为[30,50],应该理解的是,根据图像大小、像素、类型的不同,最大迭代次数可以根据实际工况设定,可以低于或超出本公开实施例给定范围,本申请对此不做具体限定,只要可根据最大迭代次数,控制迭代计算次数,从而确定图像的灰度化加权系数即可。
结合图2所示,本公开实施例提供的一个初始化海鸥位置的示意图,示意性给出本公开实施例中对于海鸥位置的初始化位置。图中每个点表示一个海鸥的位置,应该理解的是,每个海鸥的位置是由三个维度构成,可以理解为x平面位置、y平面位置、z平面位置,与该位置相对应的各维度分别代表图像的R、G、B通道。
这样,通过设置海鸥种群大小、海鸥寻优边界、海鸥的通道数量、最大迭代次数,从而利用海鸥算法确定图像灰度化加权系数,为后续图像的灰度化提供数据基础。
可选地,迭代计算海鸥目标位置,包括:
迭代计算不与其他海鸥存在位置冲突的第一位置,以及最佳位置的方向;根据第一位置与最佳位置的方向,确定海鸥向第一位置移动的距离;根据向第一位置移动的距离,确定海鸥攻击行为后的第二位置,并以第二位置作为本次迭代过程的海鸥目标位置。
在本公开实施例中,迭代计算不与其他海鸥存在位置冲突的第一位置,包括:
按照如下算式计算第一位置:
C s(t)=A*P s(t)
其中,C s(t)为第一位置,P s(t)为海鸥当前位置,t为当前迭代次数,A为海鸥在给定搜索空间中的运动行为。
应该理解的是,海鸥当前位置在首次迭代过程中为海鸥初始位置,是以随机的方式产生的。
在本公开实施例中,海鸥在给定搜索空间中的运动行为A可以按照如下算式表达,包括:
A=f c-(t *f c/Miter)
其中,f c为控制系数,t为当前迭代次数,Miter为最大迭代次数。
在本公开实施例中,迭代计算最佳位置的方向,包括:
按照如下算式计算最佳位置的方向:
M s(t)=B*(P gs(t)-P s(t))
其中,M s(t)为最佳位置所在的方向,P gs(t)为最佳位置,B为负责平衡全局和局部搜索的随机数。
在本公开实施例中,平衡全局和局部搜索的随机数B可以按照如下算式表达:
B=2*A 2*r d
其中,r d为[0,1]范围内的随机数。
在本公开实施例中,根据向第一位置移动的距离,确定海鸥攻击行为后的第二位置,包括:
按照如下算式确定第二位置:
Ps `(t)=D s(t)*x*y*z*P gs(t)
其中,Ps `(t)为海鸥攻击行为后的第二位置,x表示海鸥在x平面的行为,y表示海鸥在y平面的行为,z表示海鸥在z平面的行为,D s(t)为海鸥向第一位置移动的距离。
结合图3所示,本公开实施例提供的一个海鸥攻击行为的示意图,示意性给出本公开实施例中海鸥攻击行为的位置变化。图中每个点表示海鸥在攻击行为中产生的位置变化,可以将海鸥的攻击行为理解为一种螺旋运动。应该理解的是,每个海鸥的位置是由三个维度构成,可以理解为x平面位置、y平面位置、z平面位置,与该位置相对应的各维度分别代表图像的R、G、B通道。
在本公开实施例中,海鸥的攻击行为按照如下算式表达,包括:
x=r*cos(θ)
y=r*sin(θ)
z=r*θ
r=u*e
θv
其中,r为每个螺旋的半径,θ是[0,2π]范围内的随机角度值,u和v是螺旋形状的相关常数,e是自然对数的底数。
这样,通过迭代计算海鸥的第一位置、最佳位置的方向与攻击行为后的第二位置,从而更新每次迭代过程中的海鸥目标位置,即下一次迭代过程中相对应的海鸥的当前位置。从而实现每次迭代过程的计算过程,为后续图像的灰度化提供数据基础。
可选地,根据海鸥目标位置,确定图像灰度化加权系数,包括:
设置通道约束;在满足约束的情况下,计算各通道的均方误差值;根据各通道计算结果,确定本次迭代过程的适应值;选取所有迭代过程中适应值最小的海鸥个体为最优海鸥,并将最优海鸥的个体位置作为图像灰度化加权系数。
可选地,设置通道约束,包括:设置每只海鸥的各通道之和需满足的预设值。
在本公开实施例中,为保证每只海鸥的各通道可以与图像R,G,B通道相对应,设置每只海鸥的各通道之和需满足的预设值为1。每只海鸥的各通道可通过如下算式表达,包括:
W R= W R/(W R+ W G+ W B)
W G= W G/(W R+ W G+ W B)
W B= W B/(W R+ W G+ W B)
其中,W R表示海鸥在R通道的位置参数,W G表示海鸥在G通道的位置参数,W B表示海鸥在B通道的位置参数。
在本公开实施例中,在满足约束的情况下,计算各通道的均方误差值,包括:
按照如下算式计算各通道的均方误差值:
其中,图像的大小为[X,Y],P gray为灰度化后的像素值,P R为图像的R通道像素,P G为图像的G通道像素,P B为图像的B通道像素,(x,y)为图像坐标。
在本技术方案中,根据各通道计算结果,确定本次迭代过程的适应值,包括:
按照如下算式确定本次迭代过程的适应值:
fitness(t)=MSE R+MSE G+MSE B
其中,fitness(t)为第t次迭代过程的适应值。
应该理解的是,确定适应值的过程为每次迭代结束后均会计算,计算过程采用均方误差值作为评价标准。并在计算后保留本次迭代计算的适应值,为后续适应值的比对,选取适应值最小的海鸥作为最优海鸥提供基础。
可选地,将最优海鸥的个体位置作为图像灰度化加权系数,包括:
将最优海鸥的各通道参数确定为与之相对应的图像通道的加权系数,并将确定的图像通道的加权系数,作为图像灰度化加权系数。
可选地,利用图像灰度化加权系数对图像进行灰度化处理,包括:
根据每个通道的像素及对应通道的加权系数,确定灰度图像。
在本技术方案中,根据每个通道的像素及对应通道的加权系数,确定灰度图像可以按照如下算式表达,包括:
P gray(x,y)=W R* P R(x,y)+W G* P G(x,y)+W B* P B(x,y)
其中,P gray(x,y)表示灰度图像,P R为图像在R通道像素,P G为图像在G通道像素,P B为图像在B通道像素。
应该理解的是,最优海鸥分别在R通道、G通道、B通道的位置参数即作为本技术方案中寻优的目标,为与前述通道位置参数相对应的R通道、G通道、B通道的加权系数。
结合图4至图7所示,本公开实施例提供的两组图像灰度化结果的示意图,其中,图4与图6为采用本技术方案提供的用于图像灰度化的方法的结果示意图,图5与图7采用平均灰度化方法的结果示意图。对于两组结果均采用均方误差计算后可知,图4的均方误差计算结果为5.45e+09;图5的均方误差计算结果为5.67e+09;图6的均方误差计算结果为3.29e+09;图7的均方误差计算结果为5.19e+09。可以看出,针对同一张图片进行灰度化处理时,采用本技术方案提供的用于图像灰度化的方法进行灰度化处理的图像所得到的均方误差值明显低于采用平均灰度化方法进行灰度化处理的图像所得到的均方误差值。从而可以看出本技术方案提供的用于图像灰度化的方法,更完整的保留了原图像的色彩信息,画面细节更为清晰,色调更加明亮,更接近原始彩色图色调,符合人眼视觉。
这样,基于海鸥算法计算图像的灰度化加权系数,从而将输入的图像输出位灰度图像。通过海鸥算法确定的图像灰度化加权系数,使得灰度化后的图像与原始彩色图像的整体信息更加接近,提高了图像灰度化的准确性,提升了图像灰度化的效果。
结合图8所示,本公开实施例提供一种用于图像灰度化的装置,包括处理器(processor)100和存储器(memory)101。可选地,该装置还可以包括通信接口(Communication Interface)102和总线103。其中,处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令,以执行上述实施例的用于图像灰度化的方法。
此外,上述的存储器101中的逻辑指令可以通过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。
存储器101作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于图像灰度化的方法。
存储器101可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器。
本公开实施例提供了一种计算机设备,包含上述的用于图像灰度化的装置。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述用于图像灰度化的方法。
本公开实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述用于图像灰度化的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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,包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述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。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (8)
1.一种用于图像灰度化处理的方法,其特征在于,包括:
获得输入的图像;
基于海鸥算法计算图像的灰度化加权系数;
利用图像灰度化加权系数对图像进行灰度化处理,获得灰度图像;
所述基于海鸥算法计算图像的灰度化加权系数,包括:
在设定参数范围内,初始化海鸥位置;
迭代计算海鸥目标位置;
根据海鸥目标位置,确定图像灰度化加权系数;
所述根据海鸥目标位置,确定图像灰度化加权系数,包括:
设置通道约束;
在满足约束的情况下,计算各通道的均方误差值;
根据各通道计算结果,确定本次迭代过程的适应值;
选取所有迭代过程中适应值最小的海鸥个体为最优海鸥,并将最优海鸥的个体位置作为图像灰度化加权系数;
其中,每个海鸥的位置由三个维度构成,各维度分别代表图像的R、G、B通道;
所述利用图像灰度化加权系数对图像进行灰度化处理,获得灰度图像,包括:
根据每个通道的像素及对应通道的加权系数,确定灰度图像;
根据每个通道的像素及对应通道的加权系数,确定灰度图像可以按照如下算式表达:
P gray(x,y)=W R×P R(x,y)+W G×P G(x,y)+W B×P B(x,y)
其中,P gray(x,y)表示灰度图像,P R为图像在R通道像素,P G为图像在G通道像素,P B为图像在B通道像素。
2.根据权利要求1所述的方法,其特征在于,所述设定参数包括:海鸥的寻优边界、海鸥的通道数量、海鸥种群的大小、最大迭代次数。
3.根据权利要求1所述的方法,其特征在于,所述迭代计算海鸥目标位置,包括:
迭代计算不与其他海鸥存在位置冲突的第一位置,以及最佳位置的方向;
根据第一位置与最佳位置的方向,确定海鸥向第一位置移动的距离;
根据向第一位置移动的距离,确定海鸥攻击行为后的第二位置,并以第二位置作为本次迭代过程的海鸥目标位置。
4.根据权利要求1所述的方法,其特征在于,所述设置通道约束,包括:设置每只海鸥的各通道之和需满足的预设值。
5.根据权利要求1所述的方法,其特征在于,所述将最优海鸥的个体位置作为图像灰度化加权系数,包括:
将最优海鸥的各通道参数确定为与之相对应的图像通道的加权系数,并将确定的图像通道的加权系数,作为图像灰度化加权系数。
6.一种用于图像灰度化处理的装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至5任一项所述的用于图像灰度化处理的方法。
7.一种计算机设备,其特征在于,包括通信接口和总线,还包括如权利要求6所述的用于图像灰度化处理的装置;
处理器、通信接口、存储器通过总线完成相互间的通信。
8.一种存储介质,存储有程序指令,其特征在于,所述程序指令被运行时,执行如权利要求1至5任一项所述的用于图像灰度化处理的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171263.3A CN114240806B (zh) | 2022-02-24 | 2022-02-24 | 用于图像灰度化的方法及装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171263.3A CN114240806B (zh) | 2022-02-24 | 2022-02-24 | 用于图像灰度化的方法及装置、计算机设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114240806A CN114240806A (zh) | 2022-03-25 |
CN114240806B true CN114240806B (zh) | 2022-05-10 |
Family
ID=80748076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210171263.3A Active CN114240806B (zh) | 2022-02-24 | 2022-02-24 | 用于图像灰度化的方法及装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240806B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708268A (zh) * | 2022-06-08 | 2022-07-05 | 深圳市智宇精密五金塑胶有限公司 | 一种五金零件缺陷检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学(保定) | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
CN113834447A (zh) * | 2021-09-23 | 2021-12-24 | 江苏集萃智能光电系统研究所有限公司 | 一种户外复杂环境下高动态激光光条自适应成像处理方法 |
CN113867369A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于交流学习的海鸥算法的机器人路径规划方法 |
CN113989381A (zh) * | 2021-10-07 | 2022-01-28 | 南京理工大学 | 一种基于改进的海鸥算法的多相机标定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2510613A (en) * | 2013-02-08 | 2014-08-13 | Nokia Corp | User interface for image processing |
CN113705658B (zh) * | 2021-08-24 | 2024-03-19 | 浙江中烟工业有限责任公司 | 一种烟丝杂物智能识别方法 |
-
2022
- 2022-02-24 CN CN202210171263.3A patent/CN114240806B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学(保定) | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
CN113834447A (zh) * | 2021-09-23 | 2021-12-24 | 江苏集萃智能光电系统研究所有限公司 | 一种户外复杂环境下高动态激光光条自适应成像处理方法 |
CN113989381A (zh) * | 2021-10-07 | 2022-01-28 | 南京理工大学 | 一种基于改进的海鸥算法的多相机标定方法 |
CN113867369A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于交流学习的海鸥算法的机器人路径规划方法 |
Non-Patent Citations (5)
Title |
---|
Seagull optimization algorithm: theory and its applications for large-scale industrial engineering problems;Dhiman G等;《Knowledge-Based Systems》;20190201;第165卷(第1期);169–196 * |
基于纤维自然边界的非织造纤网图像融合研究;徐鑫;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20140615(第06期);B024-40 * |
第三弹——海鸥优化算法;valley;《https://zhuanlan.zhihu.com/p/385029928》;20210903;1-12 * |
群智能优化算法在图像分割中的应用;王玉银;《现代计算机》;20201031;39-43 * |
高速公路沥青面裂缝检测识别算法的研究;刘奥等;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210915(第09期);C034-30 * |
Also Published As
Publication number | Publication date |
---|---|
CN114240806A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229904B (zh) | 一种基于深度学习的目标检测与识别方法 | |
JP4628882B2 (ja) | 判別器の学習方法、顔判別方法および装置並びにプログラム | |
EP0596412B1 (en) | Image clustering apparatus | |
CN109753913B (zh) | 计算高效的多模式视频语义分割方法 | |
JP4744918B2 (ja) | 顔検出方法および装置並びにプログラム | |
US8433105B2 (en) | Method for acquiring region-of-interest and/or cognitive information from eye image | |
US8175384B1 (en) | Method and apparatus for discriminative alpha matting | |
CN110874563B (zh) | 通过cnn的多个图像输出的提供集成的特征图的方法及装置 | |
US20040066966A1 (en) | Object finder for two-dimensional images, and system for determining a set of sub-classifiers composing an object finder | |
CN110378837B (zh) | 基于鱼眼摄像头的目标检测方法、装置和存储介质 | |
US6128410A (en) | Pattern matching apparatus and method that considers distance and direction | |
JP6916548B2 (ja) | 自律走行自動車のレベル4を満たすために必要なhdマップとのコラボレーションを支援するエンベディングロス及びソフトマックスロスを利用して少なくとも一つの車線を有するイメージをセグメンテーションする学習方法及び学習装置、並びにそれを利用したテスト方法及びテスト装置 | |
JP6856853B2 (ja) | 極限状況においてフォールトトレランス及びフラクチュエーションロバスト性を向上させるために、ジッタリングが起きたイメージを安定化させるプロセスで生成されたワーピングされたイメージに発生した歪曲を、ganを利用して減らすための学習方法及び学習装置、そしてそれを利用したテスト方法及びテスト装置 | |
JP4708948B2 (ja) | 顔向き特定方法、顔判別方法および装置並びにプログラム | |
CN111461213A (zh) | 一种目标检测模型的训练方法、目标快速检测方法 | |
CN114240806B (zh) | 用于图像灰度化的方法及装置、计算机设备、存储介质 | |
CN112036429A (zh) | 数字图像内容识别、数字图像内容识别训练的设备和方法 | |
CN111062347A (zh) | 一种自动驾驶中交通要素分割方法、电子设备及存储介质 | |
CN114783017A (zh) | 基于逆映射的生成对抗网络优化方法及装置 | |
JP2011170890A (ja) | 顔検出方法および装置並びにプログラム | |
JP4795737B2 (ja) | 顔検出方法および装置並びにプログラム | |
CN114913588A (zh) | 一种应用于复杂场景下的人脸图像修复及识别方法 | |
JPH1063789A (ja) | 識別関数学習方法 | |
CN113379001A (zh) | 针对图像识别模型的处理方法及装置 | |
Malik et al. | A self-organizing neural scheme for road detection in varied environments |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 406, 4th floor, building 4, No. 2 Huayuan Road, Haidian District, Beijing 100088 Patentee after: Beijing Tianrun Wanglin Technology Co.,Ltd. Address before: 406, 4th floor, building 4, No. 2 Huayuan Road, Haidian District, Beijing 100088 Patentee before: Beijing Yingtong Hengxin Power Technology Co.,Ltd. |