CN114638785A - 图像中的强光区域检测方法、系统、介质、设备及终端 - Google Patents
图像中的强光区域检测方法、系统、介质、设备及终端 Download PDFInfo
- Publication number
- CN114638785A CN114638785A CN202210148004.9A CN202210148004A CN114638785A CN 114638785 A CN114638785 A CN 114638785A CN 202210148004 A CN202210148004 A CN 202210148004A CN 114638785 A CN114638785 A CN 114638785A
- Authority
- CN
- China
- Prior art keywords
- image
- highlight
- gray value
- block
- highlight region
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Abstract
本发明属于图像处理技术领域,公开了一种图像中的强光区域检测方法、系统、介质、设备及终端,包括:对相机获取的图像进行预处理完成像素灰度值归一化后,对图像进行分块处理,计算图像灰度值特征,采用PCA方法对图像特征进行降维处理;将图像特征输入图像分类器模型中,进行图像强光与非强光类型的判定;针对分类为强光类型的图像,利用图像块的灰度特征信息确定图像强光区域的位置与大小,完成图像中的强光区域检测与定位。本发明将机器学习图像分类算法与传统图像处理方法相结合,在提高强光图像检测效率与准确度的同时,完成了图像强光区域的定位。本发明使用了PCA主成分分析的方法对图像特征进行优化,简化了模型的运算过程。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种图像中的强光区域检测方法、系统、介质、设备及终端。
背景技术
近年来,随着光电成像技术的发展,利用光学图像进行图像分类、目标检测等机器视觉任务受到越来越多的关注,一般的光电探测系统往往会受到光照变化、背景干扰等因素的影响,为保证图像处理的有效性,图像清晰、目标完整是进行视觉处理任务的前提。但是在图像实际拍摄过程中往往存在较多的强光干扰如太阳强光、反射强光、干扰激光、汽车远光等,普通相机在不当曝光模式下拍摄强光场景时,获得的图像往往包含过多的过曝区域,导致图像有效信息的丢失。现有技术的缺点无法对强光和非强光图像进行区分,对强光图像进行视觉任务处理的结果往往不可靠,因此进行强光图像与非强光图像的区分并且进行强光区域的定位能够在解决图像强光检测问题的同时,提高后续图像处理的有效性。
通过上述分析,现有技术存在的问题及缺陷为:现有技术无法对强光和非强光图像进行区分,对强光图像进行视觉任务处理的结果往往不可靠
解决以上问题及缺陷的难度为:选择智能的图像处理算法,在保证图像中强光检测准确率的同时,节省处理的计算成本与时间成本。
解决以上问题及缺陷的意义为:采用传统的图像处理技术进行图像中的强光区域检测往往需要遍历图像中的每个像素的灰度值,完成整体图像灰度值的统计,导致计算复杂度增加。传统方法对不同场景下的图像适应性较差,因此需要采用智能的图像处理算法,提高图像中强光检测方法的适应性与鲁棒性。
发明内容
针对现有技术存在的问题,本发明提供了一种图像中的强光区域检测、系统、介质、设备及终端。
本发明是这样实现的,一种图像中的强光区域检测,所述图像中的强光区域检测方法包括:
对相机获取的图像进行预处理完成像素灰度值归一化后,对图像进行分块处理,计算图像灰度值特征,采用PCA方法对图像特征进行降维处理;将图像特征输入图像分类器模型中,进行图像强光与非强光类型的判定;针对分类为强光类型的图像,利用图像块的灰度特征信息确定图像强光区域的位置与大小,完成图像中的强光区域检测与定位。
进一步,所述图像中的强光区域检测方法包括以下步骤:
步骤一,相机获取待检测区域的图像数据;
步骤二,对获取的图像进行预处理,完成图像像素灰度值的归一化,归一化将图像灰度值转化到0-1之间,使算法能够适应更多不同灰度等级的图像。
步骤三,对预处理后的图像进行分块处理,对每个图像块进行灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理,降维处理后图像特征数据规模大大减小,提高了方法的计算效率。
步骤四,将图像特征值输入已训练的图像分类器中,完成图像强光和非强光类型的判定。
步骤五,针对分类成强光类型的图像,利用图像分块后计算的图像块灰度值特征信息,进行图像强光区域的定位,指示出图像中强光区域所在的位置。
步骤六,根据图像类型的检测结果与强光区域的定位结果,进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息。
进一步,所述步骤一中的图像包括可见光、红外以及紫外在内的光电探测系统获取的图像。
进一步,所述步骤三中的图像分块以及图像特征计算过程包括:
对于完成预处理后的图像进行分块处理,将尺寸为[n,m]的图像I均匀分割成M个[k,k]图像块,为整数,分割后的图像块标记为Ij(x,y),j=1,2,…,M,对每个图像块进行以下四个图像灰度特征值的计算,包括:
图像块像素灰度值的最大值:fj1=[Ij(x,y)]max;
图像块中灰度值饱和的像素占比:
图像块中灰度值大于70%饱和值的像素占比:
组合构成每个图像块的灰度特征向量Fj={fj1,fj2,fj3,fj4},j=1,2,…,M。
进一步,在完成图像块的特征计算后,将每个图像块的灰度特征向量整合构成整幅图像的特征向量:F={F1,F2,...,Fj},j=1,2,…,M;采用PCA主成分分析的方法对特征向量进行降维处理,进行主成分分析。
进一步,所述步骤四中的图像分类器的训练过程包括:
对采集的图像样本进行像素灰度值归一化处理,将图像样本划分为训练样本与测试样本,对训练样本集图像分块处理后进行特征提取;
将优化后的多组训练样本特征作为图像分类器的输入,训练分类器,得到对应的图像分类器,使用测试样本对训练好的图像分类器进行测试,得到分类器对强光图像的识别率。
本发明的另一目的在于提供一种应用所述的图像中的强光区域检测方法的图像中的强光区域检测系统,所述图像中的强光区域检测系统包括:
图像数据获取模块,用于相机获取待检测区域的图像数据;
图像预处理模块,用于对获取的图像进行预处理,完成图像像素灰度值的归一化;
图像分块处理模块,用于对预处理后的图像进行分块处理,对每个图像块进行灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理;
图像类型判断模块,用于将图像特征值输入已训练的图像分类器中,完成图像强光和非强光类型的判定;
图像强光区域定位模块,用于针对分类成强光类型的图像,利用图像分块后计算的图像块灰度值特征信息,进行图像强光区域的定位;
连通域检测模块,用于根据图像类型的检测结果与强光区域的定位结果进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
对相机获取的图像进行预处理完成像素灰度值归一化后,对图像进行分块处理,计算图像灰度值特征,采用PCA方法对图像特征进行降维处理;将图像特征输入图像分类器模型中,进行图像强光与非强光类型的判定;针对分类为强光类型的图像,利用图像块的灰度特征信息确定图像强光区域的位置与大小,完成图像中的强光区域检测与定位。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
对相机获取的图像进行预处理完成像素灰度值归一化后,对图像进行分块处理,计算图像灰度值特征,采用PCA方法对图像特征进行降维处理;将图像特征输入图像分类器模型中,进行图像强光与非强光类型的判定;针对分类为强光类型的图像,利用图像块的灰度特征信息确定图像强光区域的位置与大小,完成图像中的强光区域检测与定位。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的图像中的强光区域检测系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的图像中的强光区域检测方法,对相机采集的图像采用机器学习的图像分类方法进行强光与非强光类型的判定,并且对于分类为强光类型的图像利用图像灰度特征进行图像强光区域的定位。
与现有的技术相比,本发明将机器学习图像分类算法与传统图像处理方法相结合,完成了强光图像检测和图像强光区域的定位,并且该方法的准确率和实时性也满足了实际环境中的使用需求。
与现有的技术相比,本发明的有益效果是:
1.本发明提出了一种图像中的强光区域检测方法,将机器学习图像分类算法与传统图像处理方法相结合,在提高强光图像检测效率与准确度的同时,完成了图像强光区域的定位。
2.本发明采用图像分块处理的方法进行图像特征的计算,在减小模型运算量的同时,提高了图像强光区域定位的精度。
3.本发明使用了PCA主成分分析的方法对图像特征进行优化,简化了模型的运算过程,提高了模型的计算速度。
4.本发明为图像中强光区域的检测提供了一种重要的技术手段。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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他的附图。
图1是本发明实施例提供的图像中的强光区域检测方法流程图。
图2是本发明实施例提供的图像中的强光区域检测方法原理图。
图3是本发明实施例提供的图像中的强光区域检测系统结构框图;
图中:1、图像数据获取模块;2、图像预处理模块;3、图像分块处理模块;4、图像类型判断模块;5、图像强光区域定位模块;6、连通域检测模块。
图4是本发明实施例提供的图像分类器模型训练过程示意图。
图5是本发明实施例提供的图像分块示意图。
图6是本发明实施例提供的图像强光图像块定位结果示意图。
图7是本发明实施例提供的图像强光区域标记结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种图像中的强光区域检测方法、系统、介质、设备及终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的图像中的强光区域检测方法包括以下步骤:
S101,相机获取待检测区域的图像数据;
S102,对获取的图像进行预处理,完成图像像素灰度值的归一化;
S103,对预处理后的图像进行分块处理,对每个图像块进行灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理;
S104,将图像特征值输入已训练的图像分类器中,完成图像强光和非强光类型的判定;
S105,针对分类成强光类型的图像,利用图像分块后计算的图像块灰度值特征信息,进行图像强光区域的定位;
S106,根据图像类型的检测结果与强光区域的定位结果,进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息。
本发明实施例提供的图像中的强光区域检测方法原理图如图2所示。
如图3所示,本发明实施例提供的图像中的强光区域检测系统包括:
图像数据获取模块1,用于相机获取待检测区域的图像数据;
图像预处理模块2,用于对获取的图像进行预处理,完成图像像素灰度值的归一化;
图像分块处理模块3,用于对预处理后的图像进行分块处理,对每个图像块进行灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理;
图像类型判断模块4,用于将图像特征值输入已训练的图像分类器中,完成图像强光和非强光类型的判定;
图像强光区域定位模块5,用于针对分类成强光类型的图像,利用图像分块后计算的图像块灰度值特征信息,进行图像强光区域的定位;
连通域检测模块6,用于根据图像类型的检测结果与强光区域的定位结果进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例1
本发明要解决的技术问题是提供一种图像中的强光区域检测方法,对相机采集的图像采用机器学习的图像分类方法进行强光与非强光类型的判定,并且对于分类为强光类型的图像利用图像灰度特征进行图像强光区域的定位。
为解决上述技术问题,本发明提供的技术方案是:
一种图像中的强光区域检测方法,具体步骤如下:
(1)相机获取待检测区域的图像数据。
(2)对获取的图像进行预处理,完成图像像素灰度值的归一化。
(3)对预处理后的图像进行分块处理,对每个图像块进行灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理。
(4)将图像特征值输入已训练的图像分类器中,完成图像强光和非强光类型的判定。
(5)针对分类成强光类型的图像,利用图像分块后计算的图像块灰度值特征信息,进行图像强光区域的定位。
(6)根据图像类型的检测结果与强光区域的定位结果,进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息。
本发明的方法适用于可见光、红外、紫外等光电探测系统获取的图像。
本发明步骤(3)中图像分块以及图像特征计算过程包括:
对于完成预处理后的图像进行分块处理,将尺寸为[n,m]的图像I均匀分割成M个[k,k]图像块,为整数,分割后的图像块标记为Ij(x,y),j=1,2,…,M,对每个图像块进行以下四个图像灰度特征值的计算,包括了:
图像块像素灰度值的最大值:fj1=[Ij(x,y)]max
图像块中灰度值饱和的像素占比:
图像块中灰度值大于70%饱和值的像素占比:
组合构成每个图像块的灰度特征向量Fj={fj1,fj2,fj3,fj4},j=1,2,…,M。
完成图像块的特征计算后,将每个图像块的灰度特征向量整合构成整幅图像的特征向量:F={F1,F2,...,Fj},j=1,2,…,M,然后采用PCA主成分分析的方法对特征向量进行降维处理,进行主成分分析。
本发明步骤4中图像分类器的训练过程如下:
对采集的图像样本进行像素灰度值归一化处理,将图像样本划分为训练样本与测试样本,对训练样本集图像分块处理后进行特征提取,将优化后的多组训练样本特征作为图像分类器的输入,训练分类器,得到对应的图像分类器,使用测试样本对训练好的图像分类器进行测试,得到分类器对强光图像的识别率。
本步骤中的图像分类算法除了SVM支持向量机分类器模型外,还可以使用其他有监督学习的图像分类算法训练分类识别模型来实现图像的分类。
与现有的技术相比,本发明的有益效果是:
1.本发明提出了一种图像中的强光区域检测方法,将机器学习图像分类算法与传统图像处理方法相结合,在提高强光图像检测效率与准确度的同时,完成了图像强光区域的定位。
2.本发明采用图像分块处理的方法进行图像特征的计算,在减小模型运算量的同时,提高了图像强光区域定位的精度。
3.本发明使用了PCA主成分分析的方法对图像特征进行优化,简化了模型的运算过程,提高了模型的计算速度。
4.本发明为图像中强光区域的检测提供了一种重要的技术手段。
实施例2
本发明提供一种图像中的强光区域检测方法,整体的算法原理流程如图2所示,该方法包括:
1.获取相机拍摄的图像,图像尺寸为1024*1024,图像像素灰度值范围为[0,4095];
2.对输入图像进行预处理,完成图像的灰度值归一化处理,主要步骤包括:
①图像预处理,对获取的图像进行灰度值的归一化处理,将图像灰度值归一化到[0,1]之间,主要包括以下步骤:
检测像素灰度值的位数n,对图像整体灰度值进行归一化运算:
其中Ir(x,y)为原始图像像素灰度值,I(x,y)为归一化后的图像灰度值;
3.对预处理后的图像进行分块处理,对每个图像块进行像素灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理,主要的步骤包括以下:
①如图5所示,对图像进行分块处理,将尺寸为1024*1024的图像按照行列均匀分割成64个128*128的图像块标记为In(x,y),n=1,2,…,64,对每个图像块进行以下四个图像灰度特征值的计算,包括:
图像块像素灰度值的最大值:fn1=[In(x,y)]max
图像块中灰度值饱和的像素占比:
图像块中灰度值大于70%饱和值的像素占比:
组合构成每个图像块的灰度特征向量Fn={fn1,fn2,fn3,fn4},n=1,2,…,64。
②将每个图像块的灰度特征向量整合构成整幅图像的特征向量:
F={F1,F2,...,Fn},n=1,2,…,64。
③采用PCA方法对特征向量进行降维处理,进行主成分分析,最终确定的主成分维数为27。
4.将图像特征值输入训练好的图像分类器中,进行图像强光和非强光类型的判定,图像分类器训练过程如图4所示。
5.针对分类成强光类型的图像,利用图像分块后计算的灰度值特征信息,进行图像强光区域的定位,主要的步骤包括:
①对于每个图像块的特征向量Fn={fn1,fn2,fn3,fn4},n=1,2,…,64,提取出每个图像块中灰度值饱和的像素占比fn2和图像块中灰度值大于70%饱和值的像素占比Jn4,按照下式进行强光区域判定特征值hn的计算:
hn=fn2+fn4
得到强光区域判定特征向量H={h1,h2,...,hn},n=64。
②对强光区域判定特征值按照由大到小的顺序进行排序,得到排序后的特征集(hi,xi),其中i=1,2,...,64,hi为排序后的特征值,xi为特征值对应的原序号。
③对于排序后特征集(hi,xi),统计特征集中hi大于阈值A的个数标记为m,设定阈值A为0.5。将特征集(hi,xi)的前m个元素进行输出,输出强光区域对应图像块序号xj,j=1,2,...,m,从而确定图像中强光区域所在图像块的序号如图6所示。
6.根据图像类型的检测结果与强光区域的定位结果,进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息,主要步骤包括以下:
①针对分类为强光类型的图像,进行强光区域连通域的检测,确定图像强光区域的面积与大小,如图7所示,完成图像强光区域的标记。
步骤4中的图像分类器训练过程包括以下步骤:
1.样本图像集的预处理,进行样本图像的灰度值归一化处理;
2.构建分类器算法的训练集、测试集,主要步骤包括:
①对样本图像集进行标识,分类出强光与非强光图像集(强光图像样本:860张,非强光图像样本2063张),在强光与非强光样本中随机各抽取500张图像构成训练集(1000张图像),剩余部分作为测试集(1923张图像)。
3.对训练集图像分块处理并提取图像特征,采用PCA方法对图像特征进行降维处理,进行分析主成分,最终确定的主成分维数为27。累计方差贡献率为95%,主要步骤包括:
对样本图像特征集D={x1,x2,...,xm},m=256,对其进行主成分分析,首先对其进行中心化处理,然后设在进行投影变换后的坐标系是{ω1,ω2,...,ωm},其中ωi,i=1,2,...,d是一组标准正交向量基,满足
s.t.WTW=I
其中XXT是样本xi的协方差矩阵,I表示单位矩阵,利用拉格朗日乘子法对上式作变换后可得下式:
XXTω1=λiωi
最后对协方差矩阵XXT作特征值分解,然后将得到的特征值按照由小到大的顺序进行排序,最后取前n个包含95%信息的最大特征值对应的特征向量,构成新的特征向量矩阵Wopt=(ω1,ω2,...,ωn)就是主成分分析的最优解。
4.将训练图像集的特征输入SVM分类器进行训练,调参优化后得到SVM分类器模型。
5.使用测试样本对训练好的SVM图像分类器进行测试,得到分类器对强光图像的识别率。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种图像中的强光区域检测方法,其特征在于,所述图像强光检测方法对相机获取的图像进行预处理完成像素灰度值归一化后,对图像进行分块处理,计算图像灰度值特征,采用PCA方法对图像特征进行降维处理;将图像特征输入图像分类器模型中,进行图像强光与非强光类型的判定;针对分类为强光类型的图像,利用图像块的灰度特征信息确定图像强光区域的位置与大小,完成图像中的强光区域检测与定位。
2.如权利要求1所述图像中的强光区域检测方法,其特征在于,所述图像中的强光区域检测方法包括以下步骤:
步骤一,相机获取待检测区域的图像数据;
步骤二,对获取的图像进行预处理,完成图像像素灰度值的归一化;
步骤三,对预处理后的图像进行分块处理,对每个图像块进行灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理;
步骤四,将图像特征值输入已训练的图像分类器中,完成图像强光和非强光类型的判定;
步骤五,针对分类成强光类型的图像,利用图像分块后计算的图像块灰度值特征信息,进行图像强光区域的定位;
步骤六,根据图像类型的检测结果与强光区域的定位结果,进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息。
3.如权利要求2所述图像中的强光区域检测方法,其特征在于,所述步骤一中的图像包括可见光、红外以及紫外在内的光电探测系统获取的图像。
5.如权利要求4所述图像中的强光区域检测方法,其特征在于,在完成图像块的特征计算后,将每个图像块的灰度特征向量整合构成整幅图像的特征向量:F={F1,F2,...,Fj},j=1,2,…,M;采用PCA主成分分析的方法对特征向量进行降维处理,进行主成分分析。
6.如权利要求2所述图像中的强光区域检测方法,其特征在于,所述步骤四中的图像分类器的训练过程包括:
对采集的图像样本进行像素灰度值归一化处理,将图像样本划分为训练样本与测试样本,对训练样本集图像分块处理后进行特征提取;
将优化后的多组训练样本特征作为图像分类器的输入,训练分类器,得到对应的图像分类器,使用测试样本对训练好的图像分类器进行测试,得到分类器对强光图像的识别率。
7.一种实施权利要求1~6任意一项所述图像中的强光区域检测方法的图像中的强光区域检测系统,其特征在于,所述图像中的强光区域检测系统包括:
图像数据获取模块,用于相机获取待检测区域的图像数据;
图像预处理模块,用于对获取的图像进行预处理,完成图像像素灰度值的归一化;
图像分块处理模块,用于对预处理后的图像进行分块处理,对每个图像块进行灰度值特征的计算,整合成整幅图像的特征数据,采用PCA方法对图像特征进行降维处理;
图像类型判断模块,用于将图像特征值输入已训练的图像分类器中,完成图像强光和非强光类型的判定;
图像强光区域定位模块,用于针对分类成强光类型的图像,利用图像分块后计算的图像块灰度值特征信息,进行图像强光区域的定位;
连通域检测模块,用于根据图像类型的检测结果与强光区域的定位结果进行图像强光区域的连通域检测,确定强光区域的大小,在图像上显示相关信息。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
对相机获取的图像进行预处理完成像素灰度值归一化后,对图像进行分块处理,计算图像灰度值特征,采用PCA方法对图像特征进行降维处理;将图像特征输入图像分类器模型中,进行图像强光与非强光类型的判定;针对分类为强光类型的图像,利用图像块的灰度特征信息确定图像强光区域的位置与大小,完成图像中的强光区域检测与定位。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
对相机获取的图像进行预处理完成像素灰度值归一化后,对图像进行分块处理,计算图像灰度值特征,采用PCA方法对图像特征进行降维处理;将图像特征输入图像分类器模型中,进行图像强光与非强光类型的判定;针对分类为强光类型的图像,利用图像块的灰度特征信息确定图像强光区域的位置与大小,完成图像中的强光区域检测与定位。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述图像中的强光区域检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148004.9A CN114638785A (zh) | 2022-02-17 | 2022-02-17 | 图像中的强光区域检测方法、系统、介质、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148004.9A CN114638785A (zh) | 2022-02-17 | 2022-02-17 | 图像中的强光区域检测方法、系统、介质、设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638785A true CN114638785A (zh) | 2022-06-17 |
Family
ID=81946845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210148004.9A Pending CN114638785A (zh) | 2022-02-17 | 2022-02-17 | 图像中的强光区域检测方法、系统、介质、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638785A (zh) |
-
2022
- 2022-02-17 CN CN202210148004.9A patent/CN114638785A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569878B (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
US8983200B2 (en) | Object segmentation at a self-checkout | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CA3136674C (en) | Methods and systems for crack detection using a fully convolutional network | |
CN109902576B (zh) | 一种头肩图像分类器的训练方法及应用 | |
WO2018100668A1 (en) | Image processing device, image processing method, and image processing program | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN110458234B (zh) | 一种基于深度学习的以图搜车方法 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和系统 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 | |
CN114927236A (zh) | 一种面向多重目标图像的检测方法及系统 | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN114638785A (zh) | 图像中的强光区域检测方法、系统、介质、设备及终端 |
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 |