CN114881878B - 深度图像增强方法、装置、设备及存储介质 - Google Patents
深度图像增强方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114881878B CN114881878B CN202210513565.4A CN202210513565A CN114881878B CN 114881878 B CN114881878 B CN 114881878B CN 202210513565 A CN202210513565 A CN 202210513565A CN 114881878 B CN114881878 B CN 114881878B
- Authority
- CN
- China
- Prior art keywords
- depth map
- depth
- depth image
- pixel
- image
- 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
- G06T5/00—Image enhancement or restoration
-
- 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
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理技术领域,本申请提供一种深度图像增强方法、装置、设备及存储介质,方法将原始深度图的数据按预设比例压缩,对压缩后的原始深度图二值化处理,获得第一深度图;获取第一深度图中图像的轮廓,筛选出轮廓中的丢点区域,对丢点区域进行像素补偿,得到第二深度图;获取第二深度图中的每个像素点的向量,计算每个像素点的向量外积,得到每个像素点的法向量;根据每个像素点的法向量,生成第二深度图的法向量信息,通过法向量信息对第二深度图进行渲染,得到物体表面信息被增强的第三深度图。通过多上述深度图像增强方法锂电池部件表面图像表现出明显缺陷特征,进而更近一步分析缺陷。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种深度图像增强方法、装置、设备及计算机可读存储介质。
背景技术
动力电池作为新能源汽车的核心驱动,其重要性不言而喻,而锂电池是目前动力电池中较为优秀的一种电池,因此,锂电池的需求量日渐益增,锂电池生产过程时,可能会存在微小的缺陷,可能影响锂电池的性能和质量,因此需要对锂电池的质量进行把控。
目前的工业制造场景中,基于机器视觉的无人全自动化检测已经越来越普遍,然而,无人全自动化检测的多数场合中使用的还是传统的2D传感器,但是2D传感器在成像原理上具有潜在缺陷,该缺陷会导致被检测锂电池的原始数据的深度信息丢失,并且被检测锂电池的生成的图片坐标也难以和现实坐标对应,因此,越来越多的工业视觉检测开始采用数据维度保持完整,并且精度上限更高的3D线扫传感器,但是,3D线扫传感器在带来精度更高的同时,也会导致被检测锂电池的缺陷在深度图上的体现不明显,因此,该缺陷对锂电池的无人全自动化检测带来了难处。
发明内容
本发明的主要目的在于提供一种深度图像增强方法、装置、设备及计算机可读存储介质,旨在解决现有3D线扫传感器在检测锂电池的缺陷时,该缺陷在深度图上的体现不明显的技术问题。
为实现上述目的,本发明提供一种深度图像增强方法,所述深度图像增强方法包括:将原始深度图的数据按预设比例压缩,对压缩后的所述原始深度图二值化处理,获得第一深度图;取所述第一深度图中图像的轮廓,筛选出所述轮廓中的丢点区域,对所述丢点区域进行像素补偿,得到第二深度图;获取所述第二深度图中的每个像素点的向量,计算每个所述像素点的向量外积,得到每个所述像素点的法向量;根据每个所述像素点的法向量,生成所述第二深度图的法向量信息,通过所述法向量信息对所述第二深度图进行渲染,得到物体表面信息被增强的第三深度图。
此外,为实现上述目的,本发明还提供一种深度图像增强装置,所述深度图像增强装置包括:深度图像预处理模块,用于将原始深度图的数据按预设比例压缩,对压缩后的所述原始深度图二值化处理,获得第一深度图;深度图像补偿模块,用于获取所述第一深度图中图像的轮廓,筛选出所述轮廓中的丢点区域,对所述丢点区域进行像素补偿,得到第二深度图;深度图像法向量模块,用于获取所述第二深度图中的每个像素点的向量,计算每个所述像素点的向量外积,得到每个所述像素点的法向量;深度图像渲染模块,用于根据每个所述像素点的法向量,生成所述第二深度图的法向量信息,通过所述法向量信息对所述第二深度图进行渲染,得到物体表面信息被增强的第三深度图。
此外,为实现上述目的,本发明还提供一种深度图像增强设备,所述深度图像增强设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的深度图像增强程序,其中所述深度图像增强程序被所述处理器执行时,实现如上述的深度图像增强方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有深度图像增强程序,其中所述深度图像增强程序被处理器执行时,实现如上述的深度图像增强方法的步骤。
本发明提供一种深度图像增强方法,所述方法将原始深度图的数据按预设比例压缩,对压缩后的所述原始深度图二值化处理,获得第一深度图;获取所述第一深度图中图像的轮廓,筛选出所述轮廓中的丢点区域,对所述丢点区域进行像素补偿,得到第二深度图;获取所述第二深度图中的每个像素点的向量,计算每个所述像素点的向量外积,得到每个所述像素点的法向量;根据每个所述像素点的法向量,生成所述第二深度图的法向量信息,通过所述法向量信息对所述第二深度图进行渲染,得到物体表面信息被增强的第三深度图。本申请对使用3D线扫传感器扫描获得的锂电池的深度图像数据进行处理,即选出深度图中的的图像轮廓,筛选图像轮廓中的丢点区域,然后对丢点区域进行像素补偿,完成预处理,然后对预处理后的深度图像进行法向量增强,即增加锂电池与3D线扫传感器距离方向的特征表达,因此,对于非常锂电池细小的缺陷,也能通过多上述深度图像增强方法锂电池部件表面图像表现出明显缺陷特征,通过3D线扫传感器扫描获得的锂电池的深度图像数据,并用多尺度的深度图像增强方法,使得一个锂电池深度图像可以从不同层面上得到不一样的特征增强,另外,该深度图像增强方法可以兼容所有以深度图像作为数据载体的传感器和数据输入源。
附图说明
图1为本发明实施例方案中涉及的深度图像增强设备的硬件结构示意图;
图2为本发明深度图像增强方法第一实施例的流程示意图;
图3为本发明深度图像增强方法第二实施例的流程示意图;
图4为本发明深度图像增强方法第三实施例的流程示意图;
图5为本发明深度图像增强装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
随着国家对节能环保减轻碳排放的政策出炉,各大汽车厂商对绿色环保,减轻碳排放的需求越来越强列,各大汽车厂商都开始大力投入新能源汽车的研发。动力电池作为新能源汽车的核心驱动,其重要性不言而喻,而锂电池是目前动力电池中较为优秀的一种电池,因此,锂电池的需求量日渐益增,锂电池生产过程时,可能会存在微小的缺陷,可能影响锂电池的性能和质量,因此需要对锂电池的质量进行把控。
锂电池是一种充电电池,它一般采用含有锂元素的材料作为电极,主要依靠锂离子在正极和负极之间移动来工作,电池内材料组成部件包括正、负极,隔膜,电解液,其中,锂电池的正极是将正极材料(如LFP、NCM)涂布在铝箔(集流体)上,负极是将负极材料(如石墨、LTO)涂布在铜箔(集流体)上;正、负极之间有一层隔膜(Separator),使正、负极隔离,防止电子穿过,同时又能使锂离子顺利通过;电解液在电池中起到传导锂离子的作用。
在电池放电的过程中,Li+从负极穿过隔膜到正极,电子则从负极经过外部电路回到正极形成了电流;电池的充电过程则刚好相反。
锂电池的外壳分为钢壳锂电池,铝壳锂电池以及软包装锂电池。
目前的工业制造场景中,基于机器视觉的无人全自动化检测已经越来越普遍,然而,无人全自动化检测的多数场合中使用的还是传统的2D传感器,但是2D传感器在成像原理上具有潜在缺陷,该缺陷会导致被检测锂电池的原始数据的深度信息丢失,并且被检测锂电池的生成的图片坐标也难以和现实坐标对应,因此,越来越多的工业视觉检测开始采用数据维度保持完整,并且精度上限更高的3D线扫传感器,但是,3D线扫传感器在带来精度更高的同时,也会导致被检测锂电池的缺陷在深度图上的体现不明显,因此,该缺陷对锂电池的无人全自动化检测带来了难处。
本申请对使用3D线扫传感器扫描获得的锂电池的深度图像数据进行处理,即选出深度图中的的图像轮廓,筛选图像轮廓中的丢点区域,然后对丢点区域进行像素补偿,完成预处理,然后对预处理后的深度图像进行法向量增强,即增加锂电池与3D线扫传感器距离方向的特征表达,因此,对于非常锂电池细小的缺陷,也能通过上述深度图像增强使其表现出明显特征,进而更近一步分析缺陷,通过3D线扫传感器扫描获得的锂电池的深度图像数据,并用多尺度的深度图像增强方法,使得一个锂电池深度图像可以从不同层面上得到不一样的特征增强,另外,该深度图像增强方法可以兼容所有以深度图像作为数据载体的传感器和数据输入源。
本发明实施例涉及的深度图像增强方法主要应用于深度图像增强设备,该深度图像增强设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的深度图像增强设备的硬件结构示意图。本发明实施例中,深度图像增强设备可以包括处理器1001(例如CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口);存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的硬件结构并不构成对深度图像增强设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及深度图像增强程序。
在图1中,网络通信模块主要用于连接服务器,与服务器进行数据通信;而处理器1001可以调用存储器1005中存储的深度图像增强程序,并执行本发明实施例提供的深度图像增强方法。
本发明实施例提供了一种深度图像增强方法,用于对通过3D线扫传感器获取到的产品表面深度图进行处理。
参照图2,图2为本发明深度图像增强方法第一实施例的流程示意图。
本实施例中,深度图像增强方法包括以下步骤:
步骤S10,将原始深度图的数据按预设比例压缩,对压缩后的原始深度图二值化处理,获得第一深度图;
在本实施例中,原始深度图可以通过3D线扫传感器拍照锂电池获取,也可以通过事先准备好的可存储设备,例如可移动硬盘,或者计算机设备获取,因此,锂电池的深度图数据可以通过3D线扫传感器预先获取后存储在可存储设备中,然后被处理设备获取。
具体的,3D线扫传感器检测的对象是锂电池产品组成部件的表面信息,包括锂电池隔膜(基膜、涂覆、大小分切)、极片(涂覆、分切)、铝塑膜(复合、分切)、极耳(全检、裁切)/PACK材料、锂电池外壳等,这些锂电池产品组成部件的表面信息组成了原始深度图;
基于上述部件,各部件的具体检测内容包括:
锂电池隔膜的缺陷类型:存在孔洞、漏涂、划伤、辊印、异物、油斑、撕裂、脱层、亮点、白斑、晶点、暗纹、夹料、褶皱等。
锂电池极片的缺陷类型:存在漏箔、褶皱、边部不良、缺料、杂质、A/B错位、长划线、异物、暗斑、裂纹、干料、色差、金属屑残留、尺寸不良等。
锂电池铝塑膜的缺陷类型:存在复合留痕、气泡点、皱印、拉丝、划痕、鱼鳞纹、凸点、凹点、麻点、异物、脏斑、漏涂、涂胶不均、暗纹、鱼眼、针孔、异物等。
在本实施例中,原始速度图为16位数据;将深度图的数据按预设比例压缩,对压缩后的深度图二值化处理,获得第一深度图的具体步骤包括:
将原始深度图数据等比例缩放至8位数据,将8位数据的原始深度图中的全部像素点与预设阈值进行比对,将原始深度图中小于预设阈值的像素点的值归为0,将原始深度图中大于预设阈值的像素点的值归为255,得到图像呈现黑白的第一深度图。
步骤S20,获取第一深度图中图像的轮廓,筛选出轮廓中的丢点区域,对丢点区域进行像素补偿,得到第二深度图;
具体地,通过计算第一深度图中图像连通域,得到第一深度图中图像的轮廓,根据轮廓的面积,筛选出轮廓中的丢点区域,计算丢点区域有效点的最小值,将最小值填充到丢点区域中,得到第二深度图。
步骤S30,获取第二深度图中的每个像素点的向量,计算每个像素点的向量外积,得到每个像素点的法向量;
具体地,获取第二深度图中的每个像素点的邻近像素点,计算邻近像素点的向量,将邻近像素点的向量叉乘,得到每个像素点的法向量。
具体地,获取第二深度图中的每个像素点的邻近像素点,计算邻近像素点的向量,将邻近像素点的向量叉乘,得到每个像素点的法向量的步骤包括:获取第二深度图中的每个像素点的水平方向邻近的像素点,计算水平方向邻近的像素点的向量,获取第二深度图中的每个像素点的竖直方向邻近的像素点,计算竖直方向邻近的像素点的向量,将水平方向邻近的像素点的向量和竖直方向邻近的像素点的向量叉乘,得到每个像素点的法向量。
步骤S40,根据每个像素点的法向量,生成第二深度图的法向量信息,通过法向量信息对第二深度图进行渲染,得到物体表面信息被增强的第三深度图。
以上,本申请实施例提供一种深度图像增强方法,方法将原始深度图的数据按预设比例压缩,对压缩后的原始深度图二值化处理,获得第一深度图;获取第一深度图中图像的轮廓,筛选出轮廓中的丢点区域,对丢点区域进行像素补偿,得到第二深度图;获取第二深度图中的每个像素点的向量,计算每个像素点的向量外积,得到每个像素点的法向量;根据每个像素点的法向量,生成第二深度图的法向量信息,通过法向量信息对第二深度图进行渲染,得到物体表面信息被增强的第三深度图。本申请对使用3D线扫传感器扫描获得的锂电池的深度图像数据进行处理,即选出深度图中的的图像轮廓,筛选图像轮廓中的丢点区域,然后对丢点区域进行像素补偿,完成预处理,然后对预处理后的深度图像进行法向量增强,即增加锂电池与3D线扫传感器距离方向的特征表达,因此,对于非常锂电池细小的缺陷,也能通过上述深度图像增强使其表现出明显特征,进而更近一步分析缺陷,通过3D线扫传感器扫描获得的锂电池的深度图像数据,并用多尺度的深度图像增强方法,使得一个锂电池深度图像可以从不同层面上得到不一样的特征增强,另外,该深度图像增强方法可以兼容所有以深度图像作为数据载体的传感器和数据输入源。
参照图3,图3为本发明深度图像增强方法第二实施例的流程示意图。
本实施例中,深度图像增强方法还包括步骤S50:
选定第三深度图中的侧重区域,获取侧重区域的像素值分布概率,根据像素值分布概率将像素值重新映射到侧重区域的灰阶范围中,得到第四深度图。
示例性的,选出并且确定第三深度图中我们需要检测的重点区域,也即兴趣区域,获取该重点区域中的像素值分布,根据重点区域中像素值在像素值分布中的出现概率将像素值重新映射到侧重区域的灰阶范围中,得到第四深度图。并且对于部分对比度超出范围的像素点,对其限制成常量,可以有效调整异常像素点的重映射误差。对于一些低对比度或者像素范围很小的区域,该增强可以使其更具有显著的特征表现。
参照图4,图4为本发明深度图像增强方法第三实施例的流程示意图。
本实施例中,深度图像增强方法还包括步骤S60:
将第三深度图与表示第三深度图多个梯度方向的预设卷积核做卷积计算,得到第三深度图的多个方向的梯度图,将多个方向的梯度图对应的像素相加,得到第五深度图。
在本实施例中,预先设置几组卷积核,卷积核分别表示深度图的不同梯度方向,包括水平梯度卷积核,竖直梯度卷积核,对角梯度卷积核,这些卷积核分别和图像做卷积操作,得到第三深度图每个方向的梯度,再把第三深度图每个方向的梯度图相加起来,得到一张含有四个方向的深度图梯度增强图,将含有四个方向的深度图梯度增强图作为第五深度图,该图片可以有效的对小缺陷进行良好的特征强化。
其中,卷积(又名褶积)和反卷积(又名反褶积)是一种积分变换的数学方法。
进一步地,原始速度图为16位数据;将深度图的数据按预设比例压缩,对压缩后的深度图二值化处理,获得第一深度图,包括:
将原始深度图数据等比例缩放至8位数据,将8位数据的原始深度图中的全部像素点与预设阈值进行比对,将原始深度图中小于预设阈值的像素点的值归为0,将原始深度图中大于预设阈值的像素点的值归为255,得到图像呈现黑白的第一深度图。
示例性的,通过3D线扫传感器扫描获得的锂电池外壳的深度图像数据,该锂电池外壳的深度图像数据为16位数据,将锂电池外壳的深度图像数据为16位数据进行二分之一比例的大小进行缩放,获得锂电池外壳的8位数据的深度图像数据,将锂电池外壳的8位数据的深度图像的每个像素点与预设阈值128进行比对,若一个像素点是小于128的,则将该像素点归为0,若一个像素点大于128,则将该像素点归为255,将区分像素点后的深度图进行重新生成,得到图像变为黑白的锂电池外壳的8位数据的深度图像,将锂电池外壳的8位数据的深度图像作为第一深度图。
其中,图像的二值化处理就是将图像上的点的灰度值为0或255,也就是使整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值比对,然后选取后获得仍然可以反映图像整体和局部特征的二值化图像。要进行二值图像的处理与分析,首先要把灰度图像二值化,得到二值化图像,其有利于在对图像做进一步处理,图像的集合性质只与像素值为0或255的点的位置有关,不再涉及像素的多级值,使处理变得简单,而且数据的处理和压缩量小。
进一步地,获取第一深度图中图像的轮廓,筛选出轮廓中的丢点区域,对丢点区域进行像素补偿,得到第二深度图,包括:
通过计算第一深度图中图像连通域,得到第一深度图中图像的轮廓,根据轮廓的面积,筛选出轮廓中的丢点区域,计算丢点区域有效点的最小值,将最小值填充到丢点区域中,得到第二深度图。
示例性的,计算出第一深度图中锂电池外壳图像部分的图像连通域,将第一深度图中锂电池外壳图像部分的各个图像连通域进行描述,得到锂电池外壳图像连通域轮廓,并根据锂电池外壳图像连通域轮廓的面积,筛选出锂电池外壳图像连通域轮廓中的丢点区域,计算丢点区域有效点的最小值,将最小值填充到丢点区域中,得到第二深度图。
其中,连通区域(Connected Component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region,Blob)。连通区域分析(Connected ComponentAnalysis,Connected Component Labeling)是指将图像中的各个连通区域找出并标记。
连通区域分析是一种在图像分析处理的众多应用领域中较为常用和基本的方法。例如:OCR(光学字符识别)识别中字符分割提取(车牌识别、文本识别、字幕识别等)、视觉跟踪中的运动前景目标分割与提取(行人入侵检测、遗留物体检测、基于视觉的车辆检测与跟踪等)、医学图像处理(感兴趣目标区域提取)、等等。也就是说,在需要将前景目标提取出来以便后续进行处理的应用场景中都能够用到连通区域分析方法,通常连通区域分析处理的对象是一张二值化后的图像。
实现图像的快速连通域算法,可以提取出图像中的连通域,并将不同连通域用不同颜色表示。
寻找图像中的连通域的算法有两个,一个是Two-Pass方法。
Two-Pass方法也即两遍扫描法(Two-Pass),指的是对图像扫描两次,将图像中存在的所有连通域找出并标记。
其中,对图像扫描第一次的过程包括:
从左上角开始遍历像素点,找到第一个像素为255的点,label=1;
当该像素的左邻像素和上邻像素为无效值时,给该像素置一个新的label值,label++,记录集合;
当该像素的左邻像素或者上邻像素有一个为有效值时,将有效值像素的label赋给该像素的label值;
当该像素的左邻像素和上邻像素都为有效值时,选取其中较小的label值赋给该像素的label值;
对图像扫描第一次的过程包括:
对每个点的label进行更新,更新为其对于其集合中最小的label。
Two-Pass算法的简单步骤:
第一次扫描:
访问当前像素B(x,y),如果B(x,y)==1:
a、如果B(x,y)的领域中像素值都为0,则赋予B(x,y)一个新的label:
label+=1,B(x,y)=label;
b、如果B(x,y)的领域中有像素值>1的像素Neighbors:
1、将Neighbors中的最小值赋予给B(x,y):
B(x,y)=min{Neighbors}
2、记录Neighbors中各个值(label)之间的相等关系,即这些值(label)同属同一个连通区域;
labelSet[i]={label_m,…,label_n},labelSet[i]中的所有label都属于同一个连通区域。
进一步地,获取第二深度图中的每个像素点的向量,计算每个像素点的向量外积,得到每个像素点的法向量,包括:
获取第二深度图中的每个像素点的邻近像素点,计算邻近像素点的向量,将邻近像素点的向量叉乘,得到每个像素点的法向量。
在本实施例中,法向量,是空间解析几何的一个概念,垂直于平面的直线所表示的向量为该平面的法向量。法向量适用于解析几何。由于空间内有无数个直线垂直于已知平面,因此一个平面都存在无数个法向量(包括两个单位法向量)。
进一步地,获取第二深度图中的每个像素点的邻近像素点,计算邻近像素点的向量,将邻近像素点的向量叉乘,得到每个像素点的法向量;包括:
获取第二深度图中的每个像素点的水平方向邻近的像素点,计算水平方向邻近的像素点的向量,获取第二深度图中的每个像素点的竖直方向邻近的像素点,计算竖直方向邻近的像素点的向量,将水平方向邻近的像素点的向量和竖直方向邻近的像素点的向量叉乘,得到每个像素点的法向量。
此外,本发明实施例还提供一种深度图像增强装置。
参照图5,图5为本发明深度图像增强装置第一实施例的功能模块示意图。
本实施例中,深度图像增强装置包括:
深度图像预处理模块10,用于将原始深度图的数据按预设比例压缩,对压缩后的原始深度图二值化处理,获得第一深度图;
深度图像补偿模块20,用于获取第一深度图中图像的轮廓,筛选出轮廓中的丢点区域,对丢点区域进行像素补偿,得到第二深度图;
深度图像法向量模块30,用于获取第二深度图中的每个像素点的向量,计算每个像素点的向量外积,得到每个像素点的法向量;
深度图像渲染模块40,用于根据每个像素点的法向量,生成第二深度图的法向量信息,通过法向量信息对第二深度图进行渲染,得到物体表面信息被增强的第三深度图。
进一步地,深度图像预处理模块10,具体包括:
图像压缩单元,用于将原始深度图数据等比例缩放至8位数据;
图像二值化单元,用于将8位数据的原始深度图中的全部像素点与预设阈值进行比对,将原始深度图中小于预设阈值的像素点的值归为0,将原始深度图中大于预设阈值的像素点的值归为255,得到图像呈现黑白的第一深度图。
进一步地,深度图像补偿模块20,具体包括:
图像连通域计算单元,用于通过计算第一深度图中图像连通域,得到第一深度图中图像的轮廓;
图像丢点补偿单元,用于根据轮廓的面积,筛选出轮廓中的丢点区域,计算丢点区域有效点的最小值,将最小值填充到丢点区域中,得到第二深度图。
进一步地,深度图像法向量模块30,具体包括:
法向量获取单元,用于获取第二深度图中的每个像素点的邻近像素点,计算邻近像素点的向量,将邻近像素点的向量叉乘,得到每个像素点的法向量。
进一步地,法向量获取单元,具体包括:
深度图像素点获取单元,用于获取第二深度图中的每个像素点的水平方向邻近的像素点,计算水平方向邻近的像素点的向量,获取第二深度图中的每个像素点的竖直方向邻近的像素点;
法向量计算单元,用于计算竖直方向邻近的像素点的向量,将水平方向邻近的像素点的向量和竖直方向邻近的像素点的向量叉乘,得到每个像素点的法向量。
进一步地,深度图像增强装置还包括重映射模块50,重映射模块包括:
像素值分布概率单元,用于选定第三深度图中的侧重区域,获取侧重区域的像素值分布概率;
像素值重映射单元,用于根据像素值分布概率将像素值重新映射到侧重区域的灰阶范围中,得到第四深度图。
进一步地,深度图像增强装置还包括卷积模块60,用于将第三深度图与表示第三深度图多个梯度方向的预设卷积核做卷积计算,得到第三深度图的多个方向的梯度图,将多个方向的梯度图对应的像素相加,得到第五深度图。
其中,上述深度图像增强装置中各个模块与上述深度图像增强方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有深度图像增强程序,其中深度图像增强程序被处理器执行时,实现如上述的深度图像增强方法的步骤。
其中,深度图像增强程序被执行时所实现的方法可参照本发明深度图像增强方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分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如上的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种深度图像增强方法,用于对通过3D线扫传感器获取到的锂电池深度图像进行处理,其特征在于,所述深度图像增强方法包括以下步骤:
将原始深度图的数据按预设比例压缩,对压缩后的所述原始深度图二值化处理,获得第一深度图;
获取所述第一深度图中图像的轮廓,筛选出所述轮廓中的丢点区域,对所述丢点区域进行像素补偿,得到第二深度图;
获取所述第二深度图中的每个像素点的向量,计算每个所述像素点的向量外积,得到每个所述像素点的法向量;
根据每个所述像素点的法向量,生成所述第二深度图的法向量信息,通过所述法向量信息对所述第二深度图进行渲染,得到物体表面信息被增强的第三深度图;
选定所述第三深度图中的侧重区域,获取所述侧重区域的像素值分布概率,根据所述像素值分布概率将所述像素值重新映射到所述侧重区域的灰阶范围中,得到第四深度图;
将所述第三深度图与表示所述第三深度图多个梯度方向的预设卷积核做卷积计算,得到所述第三深度图的多个方向的梯度图,将多个方向的所述梯度图对应的像素相加,得到第五深度图。
2.根据权利要求1所述的深度图像增强方法,其特征在于,所述原始深度图为16位数据;所述将原始深度图的数据按预设比例压缩,对压缩后的所述原始深度图二值化处理,获得第一深度图,包括:
将所述原始深度图数据等比例缩放至8位数据,将8位数据的所述原始深度图中的全部像素点与预设阈值进行比对,将所述原始深度图中小于预设阈值的像素点的值归为0,将所述原始深度图中大于预设阈值的像素点的值归为255,得到图像呈现黑白的第一深度图。
3.根据权利要求1所述的深度图像增强方法,其特征在于,所述获取所述第一深度图中图像的轮廓,筛选出所述轮廓中的丢点区域,对所述丢点区域进行像素补偿,得到第二深度图,包括:
通过计算所述第一深度图中图像连通域,得到所述第一深度图中图像的轮廓,根据所述轮廓的面积,筛选出所述轮廓中的丢点区域,计算所述丢点区域有效点的最小值,将所述最小值填充到所述丢点区域中,得到所述第二深度图。
4.根据权利要求1所述的深度图像增强方法,其特征在于,所述获取所述第二深度图中的每个像素点的向量,计算每个所述像素点的向量外积,得到每个所述像素点的法向量,包括:
获取所述第二深度图中的每个像素点的邻近像素点,计算所述邻近像素点的向量,将所述邻近像素点的向量叉乘,得到每个所述像素点的法向量。
5.根据权利要求4所述的深度图像增强方法,其特征在于,所述获取所述第二深度图中的每个像素点的邻近像素点,计算所述邻近像素点的向量,将所述邻近像素点的向量叉乘,得到每个所述像素点的法向量;包括:
获取所述第二深度图中的每个像素点的水平方向邻近的像素点,计算所述水平方向邻近的像素点的向量,获取所述第二深度图中的每个像素点的竖直方向邻近的像素点,计算所述竖直方向邻近的像素点的向量,将所述水平方向邻近的像素点的向量和所述竖直方向邻近的像素点的向量叉乘,得到每个所述像素点的法向量。
6.一种深度图像增强装置,其特征在于,所述深度图像增强装置包括:
深度图像预处理模块,用于将原始深度图的数据按预设比例压缩,对压缩后的所述原始深度图二值化处理,获得第一深度图;
深度图像补偿模块,用于获取所述第一深度图中图像的轮廓,筛选出所述轮廓中的丢点区域,对所述丢点区域进行像素补偿,得到第二深度图;
深度图像法向量模块,用于获取所述第二深度图中的每个像素点的向量,计算每个所述像素点的向量外积,得到每个所述像素点的法向量;
深度图像渲染模块,用于根据每个所述像素点的法向量,生成所述第二深度图的法向量信息,通过所述法向量信息对所述第二深度图进行渲染,得到物体表面信息被增强的第三深度图;
重映射模块,用于选定所述第三深度图中的侧重区域,获取所述侧重区域的像素值分布概率,根据所述像素值分布概率将所述像素值重新映射到所述侧重区域的灰阶范围中,得到第四深度图;
卷积模块,用于将所述第三深度图与表示所述第三深度图多个梯度方向的预设卷积核做卷积计算,得到所述第三深度图的多个方向的梯度图,将多个方向的所述梯度图对应的像素相加,得到第五深度图。
7.一种深度图像增强设备,其特征在于,所述深度图像增强设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的深度图像增强程序,其中所述深度图像增强程序被所述处理器执行时,实现如权利要求1至5中任一项所述的深度图像增强方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有深度图像增强程序,其中所述深度图像增强程序被处理器执行时,实现如权利要求1至5中任一项所述的深度图像增强方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210513565.4A CN114881878B (zh) | 2022-05-12 | 2022-05-12 | 深度图像增强方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210513565.4A CN114881878B (zh) | 2022-05-12 | 2022-05-12 | 深度图像增强方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881878A CN114881878A (zh) | 2022-08-09 |
CN114881878B true CN114881878B (zh) | 2023-07-18 |
Family
ID=82675983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210513565.4A Active CN114881878B (zh) | 2022-05-12 | 2022-05-12 | 深度图像增强方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881878B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542967B (zh) * | 2023-06-29 | 2023-10-03 | 厦门微图软件科技有限公司 | 一种锂电池极柱缺陷的检测方法、装置以及设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292965B (zh) * | 2017-08-03 | 2020-10-13 | 北京航空航天大学青岛研究院 | 一种基于深度图像数据流的虚实遮挡处理方法 |
US10755426B2 (en) * | 2018-05-23 | 2020-08-25 | Apple Inc. | Efficient scene depth map enhancement for low power devices |
CN110910372B (zh) * | 2019-11-23 | 2021-06-18 | 郑州智利信信息技术有限公司 | 基于深度卷积神经网络的匀光板缺陷检测方法 |
CN111105405B (zh) * | 2019-12-24 | 2020-12-25 | 芜湖楚睿智能科技有限公司 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
CN113139997B (zh) * | 2020-01-19 | 2023-03-21 | 武汉Tcl集团工业研究院有限公司 | 一种深度图处理方法、存储介质及终端设备 |
CN113126944B (zh) * | 2021-05-17 | 2021-11-09 | 北京的卢深视科技有限公司 | 深度图的显示方法、显示装置、电子设备及存储介质 |
CN114066779B (zh) * | 2022-01-13 | 2022-05-06 | 杭州蓝芯科技有限公司 | 一种深度图滤波方法及装置、电子设备、存储介质 |
-
2022
- 2022-05-12 CN CN202210513565.4A patent/CN114881878B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于快速行进算法的深度图像增强算法;孟恬 等;《计算机应用与软件》;34(08);第225-230页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114881878A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
Parker et al. | An approach to license plate recognition | |
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN105046254A (zh) | 字符识别方法及装置 | |
CN115631117B (zh) | 缺陷检测用的图像增强方法、装置、检测系统及存储介质 | |
CN114881878B (zh) | 深度图像增强方法、装置、设备及存储介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN111797766A (zh) | 识别方法、识别装置、计算机可读存储介质和车辆 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN114998217A (zh) | 确定玻璃基板缺陷等级的方法、计算机设备及存储介质 | |
CN116051542B (zh) | 缺陷检测方法及缺陷检测装置 | |
CN116503414B (zh) | 屏幕缺陷检测方法、装置、计算机设备和存储介质 | |
CN116342589A (zh) | 一种跨视场划痕缺陷连续性检测方法和系统 | |
CN115239595A (zh) | 一种包装印刷品二维码合格性检测方法 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN114359414A (zh) | 镜头脏污识别方法、装置、计算机设备及存储介质 | |
CN114359147A (zh) | 裂缝检测方法、装置、服务器及存储介质 | |
Jawas | Image based automatic water meter reader | |
CN113505622A (zh) | 一种自动识别多条码与led灯的测试系统及方法 | |
CN112668578A (zh) | 指针式仪表读数方法、装置、计算机设备和存储介质 | |
CN112308848A (zh) | 一种废钢货车挡板状态识别方法、系统、电子设备及介质 | |
CN116843892B (zh) | Aoi场景轮廓识别方法 | |
CN116542994A (zh) | 图像分割方法及装置 |
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 |