CN114972374A - 一种用于投影大屏融合的影像自适应分割方法 - Google Patents
一种用于投影大屏融合的影像自适应分割方法 Download PDFInfo
- Publication number
- CN114972374A CN114972374A CN202210463205.8A CN202210463205A CN114972374A CN 114972374 A CN114972374 A CN 114972374A CN 202210463205 A CN202210463205 A CN 202210463205A CN 114972374 A CN114972374 A CN 114972374A
- Authority
- CN
- China
- Prior art keywords
- pixel
- brightness
- projection
- pixels
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims 7
- 238000005286 illumination Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种用于投影大屏融合的影像自适应分割方法,包括:根据所有目标图像的亮度通道计算每个像素的综合亮度特征集合,对每个像素的所有领域像素的亮度特征集合中的综合亮度特征进行聚类,获得每个领域像素的初始融合程度以及期望投影亮度特征,进而获得每个像素的投影亮度特征,根据每个像素的投影亮度特征更新每个领域像素的初始融合程度;进而迭代更新每个像素的投影亮度特征和投影亮度准确度,获得投影亮度准确度最大时的每个像素的最终投影亮度特征,并根据所有像素最终投影亮度特征获得亮度不一致区域。本发明排除了图像亮度特征的干扰,准确的自适应的分割出影像上投影仪投影光照亮度不一致的区域。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种用于投影大屏融合的影像自适应分割方法。
背景技术
在指挥监控中心、网管中心、电影放映厅等场景,为了提高视觉感受,对大画面,多色彩,高亮度,高分辨率显示效果的需求越来越强烈。以往通过单个投影机很难投影出高分辨率的图像,现如今,通过投影融合技术可以将多个投影机投影的图像拼接融合在一起,达到高分辨率显示效果提高视觉感受。
在大屏幕投影融合获得高分辨率影响时,相互融合的图像需要保证具有相同的亮度,但是当投影融合的图像越多时,在屏幕上获得高分辨率影像的亮度越难以统一,原因是由于运行投影融合算法时亮度计算与调节存在误差,而误差的积累会导致亮度不统一,更重要的原因是存在诸如:投影仪亮度无法调高导致投影仪的亮度无法适配其他投影仪的亮度、投影仪黑白平衡没调节好或者投影仪投射的光强不均匀有色差、投影仪因发热或故障等原因无法按预期进行亮度调节等问题,使得整个投影融合过程十分麻烦耗时,尤其是在投影很高分辨率和光影信息细节丰富的图像时,亮度不一致会大大降低视觉体验,限制了投影融合朝着更高分辨率的方向发展。
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用于投影大屏融合的影像自适应分割方法,所采用的技术方案具体如下:
本发明提供了一种用于投影大屏融合的影像自适应分割方法,所述方法包括以下步骤:
采集投影大屏上在预设时间段内显示的任意目标图像,对任意目标图像的色相通道进行超像素分割,获得任意目标图像的所有超像素块,根据所述超像素块内的每个像素在任意目标图像的亮度通道上的灰度值,计算每个像素在任意目标图像上的综合亮度特征,根据预设时间段内所有时刻显示的所有目标图像,统计每个像素在所有目标图像上的综合亮度特征,获得每个像素的综合亮度特征集合;
获取每个像素在预设范围内的所有领域像素,对每个像素的所有领域像素的亮度特征集合中的综合亮度特征进行聚类,获得每个像素的所有领域像素的参考类别,根据所述所有参考类别得到每个像素的投影亮度特征;
结合每个像素的所有领域像素在任意目标图像上的综合亮度特征,根据每个像素的投影亮度特征,获得每个像素的每个领域像素的融合程度,根据所述融合程度对每个像素的所有领域像素的参考类别进行融合,得到每个像素的最终投影亮度特征,根据所有像素的最终投影亮度特征获得亮度不一致区域,通过投影仪对亮度不一致区域进行补光。
进一步地,所述的每个像素在任意目标图像上的综合亮度特征的获取步骤包括:
首先获取任意目标图像的亮度通道,并对所述亮度通道进行低通滤波,获得滤波图像,然后以每个像素为中心,构建第一预设大小的窗口,并获取每个像素在任意目标图像上所属的超像素块;
获取所述窗口内的且在所述超像素块上的所有像素,根据所述所有像素在所述滤波图像上的灰度值,获得所述所有像素的梯度向量,将所述所有像素的梯度向量进行主成分分析,获得投影方差最大的第一主成分方向,最后构建一个向量,所述向量的方向是所述第一主成分方向,所述向量的长度为的第一主成分方向的投影方差,将所述向量作为每个像素在任意目标图像上的综合亮度特征。
进一步地,所述的每个像素的投影亮度特征的获取步骤包括:
以每个像素为中心,构建第二预设大小的窗口,所述窗口内的像素都是每个像素的领域像素,利用均值漂移聚类算法,对每个领域像素的综合亮度特征集合中的综合亮度特征进行聚类,获得每个领域像素对应的所有类别,只保留所述所有类别中包含综合亮度特征个数最多的类别,称为每个领域像素的参考类别,获取所述每个参考类别中所有综合亮度特征的均值,将所述均值称为每个领域像素的期望投影亮度特征;
计算每个领域像素的初始融合程度,对于每个像素的所有领域像素,以所有领域像素的初始融合程度为权重对所有领域像素的期望投影亮度特征进行加权求和,获得的结果作为所述每个像素的投影亮度特征。
进一步地,所述的每个像素的每个领域像素的融合程度的获取步骤包括:
对于每个像素的每个领域像素,计算每个领域像素在任意目标图像上的综合亮度特征与每个像素的投影亮度特征的差值,所述差值作为所述每个领域像素的图像亮度特征;
获取每个像素在任意目标图像上所属的超像素块,获取每个像素的所有领域像素中属于所述超像素块内的领域像素构成的领域像素集合,对所述领域像素集合中所有领域像素的图像亮度特征进行DBSCAN聚类,获得所有聚类结果的类间差异的倒数,所述类间差异的倒数作为每个像素在任意目标图像上的投影特征置信度;
获取一个目标图像集合,所述目标图像集合必须能够满足:每个领域像素的参考类别中所有的综合亮度特征均是从所述的目标图像集合中的所有目标图像上获得的;
对于目标图像集合中所有目标图像,计算每个像素在所述所有目标图像上的投影特征置信度的均值,所述均值为每个领域像素的融合程度。
进一步地,所述的每个像素的最终投影亮度特征的获取步骤包括:
对于每个像素的每个领域像素,计算每个领域像素的初始融合程度与融合程度的和,将获得的结果重新作为每个领域像素的初始融合程度;
然后对于每个像素的所有领域像素,重新根据所有领域像素的初始融合程度以及所有领域像素的期望投影亮度特征,重新获得每个像素的投影亮度特征,并将所有领域像素的初始融合程度的均值作为每个像素的投影亮度准确度;
结合每个像素的所有领域像素在任意目标图像上的综合亮度特征,重复迭代地根据每个像素的投影亮度特征,获得每个像素的每个领域像素的融合程度,根据所述融合程度重新获得每个像素的每个领域像素的初始融合程度,进而重复迭代地获得每个像素的投影亮度准确度;
获取每个像素的投影亮度准确度取最大值时每个像素的投影亮度特征,将所述的投影亮度特征作为每个像素的最终投影亮度特征。
进一步地,所述的亮度不一致区域的获取步骤包括:
计算每个像素的最终投影亮度的模长,将所有像素对应的所述模长视为一个投影亮度分布图,对投影亮度分布图进行高斯平滑处理,将处理后的投影亮度图进行阈值分割,获得的连通域就是亮度不一致区域。
进一步地,所述的每个领域像素的初始融合程度的获取步骤包括:
每个领域像素的参考类别中所有综合亮度特征之间两两计算欧式距离,获得的所有欧式距离的均值的倒数作为每个领域像素的初始融合程度。
进一步地,所述的所有聚类结果的类间差异的获取步骤包括:
获取所有聚类结果中包含类别最多的聚类结果,记为第一类别,获取每个聚类结果中的所有综合亮度特征与第一类别中的所有综合亮度特征的欧式距离,将其中最小的欧式距离作为每个聚类结果的偏离程度,所有聚类结果的偏离程度的均值作为所述的类间差异。
进一步地,所述的任意目标图像的采集方法是通过安装在投影机上的相机采集获得的,所述相机正对大屏幕。
本发明具有如下有益效果:本发明根据多张目标图像上相同颜色区域的亮度信息,获得每个像素的投影亮度特征和图像亮度特征,并不断的迭代更新投影亮度特征,使得每个像素的投影亮度特征尽可能准确,排除了图像亮度特征的干扰,准确的自适应的分割出影像上投影仪投影光照亮度不一致的区域,最后通过补光的方法来提升投影大屏的视觉效果。
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所提供的一种用于投影大屏融合的影像自适应分割方法的流程图;
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用于投影大屏融合的影像自适应分割方法,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用于投影大屏融合的影像自适应分割方法的具体方案。
请参阅图1,其示出了本发明一种用于投影大屏融合的影像自适应分割方法,其特征在于,该方法包括以下步骤:
步骤S001,获取投影大屏上的目标图像,根据目标图像获得每个像素的综合亮度特征集合。
投影仪上安装一个RGB相机,相机正对着投影大屏,采集投影大屏上显示的图像,将采集的图像称为目标图像,相机每一秒采集一个目标图像,连续采集T秒总共获得T个目标图像,本发明以T=150为例进行叙述。
由于本发明需要获取投影仪在大屏幕上投影的光照亮度是否一样,以及亮度不一样的区域,因此需要首先获取目标图像的亮度信息,具体方法为:将第t个目标图像由RGB颜色空间转换到HSV颜色空间,在HSV颜色空间获得第t个目标图像的亮度通道I1t,对I1t进行高斯滤波,去除高频的纹理信息,获得的结果记为I2t,I2t用于表征目标图像上每个像素的亮度分布信息;所述的高斯滤波的滤波核大小为17×17。
目标图像上每个像素的亮度分布信息受两个因素的影响,或者说有两个因素叠加而成,一个是所投影的图像上本来所自带的亮度信息,简称为图像亮度信息,另一个是投影仪向大屏幕投影的光照的亮度信息,简称为投影亮度信息;由于每个像素的亮度分布信息受两个因素的影响的,因此无法直接根据I2t获得投影仪在大屏幕上投影的光照亮度是否一样,即无法直接获得不同位置的投影亮度信息是否一样。
本发明认为在颜色一样的区域内图像亮度信息也是一样的条件下,能够准确的、无干扰的获得不同位置的投影亮度信息,虽然该条件可能不成立、存在随机性,但是后续通过T张目标图像的分析和处理依然能够获得准确合理的结果。
接下来需要获取颜色一样的区域,具体方法为:获取在HSV颜色空间获得第t个目标图像的色相通道I3t,对I3t进行高斯滤波,滤波核大小为17×17;利用SLIC超像素分割算法对滤波结果进行超像素分割,获得所有的第t个目标图像上的所有超像素块,每个超像素块具有相似的颜色,每个超像素块就是所述的颜色一样的区域。本发明后续不考虑面积小于目标图像面积十五分之一的超像素块,以及后续不对这些超像素块内的像素进行分析与计算。
本发明需要通过分析同一个超像素块内不同像素的亮度信息来获得投影仪投影的光照的亮度不一致性,可以避免不同超像素块之间的亮度信息的差异带来的影响和干扰。那么首先需要获得超像素块内每个像素的亮度信息所具有的特征,具体方法为:对于一个像素p,其在第t个目标图像上所有的超像素块为Spt,以像素p为中心,构建一个K1×K1的窗口,本发明K1=13,获取处于该窗口内的且属于超像素块Spt的所有像素,获取这些像素在I2t上的灰度值,根据这些像素的灰度值计算这些像素的梯度,这些像素的梯度用于表示亮度的变化信息,所述的梯度是一个二维向量;本发明期望获得这些像素的亮度的整体变化趋势,因此先对这些像素的梯度进行主成分分析,获得每个主成分方向以及每个主成分方向的投影方差,因为投影方差最大的主成分方向最能够表征这些像素的亮度变化趋势,因此以投影方差的最大值为模长,投影方差最大的主成分方向为向量方向,构建出一个二维的向量,称为像素p在第t个目标图像的综合亮度特征v1pt,v1pt的模长越长表示这些像素整体上具有一个越大的亮度变化趋势,v1pt的方向表示亮度变化的主要方向,本发明利用v1pt来表示第p个像素在第t个目标图像上的局部范围内的亮度分布信息,其中的局部范围特指的是第t个目标图像上同一个超像素块上的局部范围。
对于T个图像,将集合Qp={v1p1,v1p2,…,v1pt,…,v1pT}称为像素p的综合亮度特征集合。
步骤S002、根据每个像素在预设范围内的所有领域像素的亮度特征集合得到每个像素的投影亮度特征。
像素p的综合亮度特征集合Qp表示的是像素p在不同时刻的目标图像上的超像素块内的亮度分布信息,所述的亮度分布信息是由图像亮度信息和投影亮度信息叠加而成的;考虑到:投影仪上的一些让投影光照亮度不统一的因素在短时间内是不会改变的,而且只在较大范围内这种不统一性在视觉上才会更加明显,因此投影亮度信息在一段时间内认为是不变的,而且认为同一时刻相邻位置的投影亮度信息不会存在剧烈的局部变化,而是缓慢平滑的变化的;那么本发明认为投影亮度信息在所有目标图像上都是一样的,并且在同一个目标图像上的局部范围内不同像素位置的投影亮度信息也是近似一样的。
基于此,本发明利用如下方法估计出每个像素的投影亮度信息:以像素p为中心,构建一个K2×K2的窗口,本发明K2=7,窗口内的所有像素点均是像素p的领域像素,那么一共有A=K2×K2个领域像素,像素p的第a个领域像素的综合亮度特征集合记为Qpa={v1pa1,v1pa2,…,v1pat,…,v1paT},其中v1pat表示的就是像素p的第a个领域像素在第t个目标图像上的综合亮度特征;需要说明的是像素p的所有邻域像素包含着像素p。
对Qpa中的所有综合亮度特征利用均值漂移聚类算法进行聚类,获得所有类别,然后只保留包含综合亮度特征数目最多的类别,该类别称为像素p的第a个领域像素的参考类别,也就是说Qpa中的所有综合亮度特征中有大量综合亮度特征集中的出现在参考类别中,本发明获取这个参考类别中所有综合亮度特征的均值,记为v2pa,那么可以认为像素p的第a个领域像素在所有目标图像上综合亮度特征基本上是围绕着v2pa进行分布的,考虑到像素p的第a个领域像素在所有目标图像上的投影亮度信息是一样的,那么v2pa就能够用来表征像素p的第a个领域像素在所有目标图像上的投影亮度信息,将v2pa称为像素p的第a个领域像素的期望投影亮度特征。
又考虑到像素p的所有邻域像素的投影亮度信息相似,为了进一步准确的获得像素p的领域像素的投影亮度信息,需要对像素p的所有邻域像素的期望投影亮度特征进行融合,融合的结果记为v3p,那么像素p的所有邻域像素的投影亮度信息就用v3p来表征,将v3p称为像素p的投影亮度特征,其计算方法为即v3p是所有邻域像素的期望投影亮度特征的加权融合结果。
其中wpa表示的是像素p的第a个领域像素的初始融合程度,wpa的计算方法为:像素p的第a个领域像素的参考类别中所有综合亮度特征之间两两计算的欧式距离,获得的所有的欧式距离的均值记为xpa,那么wpa越大说明像素p的第a个领域像素的参考类别中所有综合亮度特征越集中分布在一起,说明像素p的第a个领域像素的期望投影亮度特征越可靠、引入的噪声干扰或不确定性越少、越接近真实得投影亮度信息,因此就越关注v2pa;
按照像素p的投影亮度特征的计算方法,同理可获得所有像素的投影亮度特征。
步骤003、根据每个像素的投影亮度特征获得每个像素的最终投影亮度特征。
但是为了更近一步的获取到更加准确的投影亮度信息,本发明需要在获得v3p的基础上来分析目标图像上同一个超像素块内的图像亮度信息,并根据图像亮度信息获得更加准确的投影亮度信息,具体方法如下:
由于亮度分布信息是由图像亮度信息和投影亮度信息叠加而成的,那么可以认为图像亮度信息等于亮度分布信息与投影亮度信息的差值;本发明利用图像亮度特征来表征所述的图像亮度信息,那么,在第t个目标图像上,像素p的第a个领域像素的图像亮度特征为v4pat=v1pat-v3p;其中v1pat表示像素p的第a个领域像素在第t个目标图像上的综合亮度特征,用于表征像素p的第a个领域像素的亮度分布信息;v3p表示像素a的投影亮度特征v3p,用于表征像素p周围所有像素的投影亮度信息。同理,在第t个目标图像上可获取像素p所有领域像素的图像亮度特征。
对于像素p在第t个目标图像上所属的超像素块Spt,获取像素p的所有领域像素中属于超像素块Spt内的领域像素构成的领域像素集合,对这个领域像素集合中所有领域像素的图像亮度特征进行DBSCAN聚类,获得所有类别,同一个类别中的所有图像亮度特征是连续分布的,没有离群的图像亮度特征的;然后获得所有类别的类间差异,记为ypt,将作为像素p在第t个目标图像上的投影特征置信度;其中ypt+1是为了防止分母为0;
其中ypt的计算方法为:获取所有类别中包含图像亮度特征数量最多的聚类结果,记为第一类别,该类别中的图像亮度特征数量最多且连续分布,那么该类别能够的反应像素p在第t个图像上的主要图像亮度信息;然后计算每个类别中的所有综合亮度特征与第一类别中的所有综合亮度特征的欧式距离,将其中最小的欧式距离作为每个类别的偏离程度,所有类别的偏离程度的均值作为所述的类间差异ypt。ypt越大说明像素p在第t个目标图像上的超像素块内的图像亮度特征越不一样,那么就不再过多的关注第t个目标图像,第t个目标图像的投影特征置信度就越小;相反,ypt越小说明像素p在第t个目标图像上的超像素块内的图像亮度特征越是一样的,那么根据第t个目标图像上计算的投影亮度特征就更加准确,因为能够排除图像亮度特征的影响,避免引入随机的、不确定的噪声数据,那么就越多的关注第t个目标图像,因此第t个目标图像的投影特征置信度就越大。
进一步地,对于像素p的第a个领域像素的参考类别,根据步骤S001可知,该参考类别中的综合特征向量是像素p的第a个领域像素在不同目标图像上获取到的,将这些不同目标图像构成一个目标图像集合,然后计算每个像素在目标图像集合中所有目标图像上的投影特征置信度的均值,该均值为像素p的第a个领域像素的融合程度w1pa,w1pa越大,说明目标图像集合中的目标图像的投影特征置信度越大,说明目标图像集合中的目标图像上的同一超像素块中的图像亮度信息越是一样的,那么从这些目标图像上更能准确的表征出投影亮度信息,即从像素p的第a个领域像素的参考类别上更能准确的表征出投影亮度信息,又因为本发明用像素p的第a个领域像素的期望投影亮度特征v2pa来表示这种投影亮度信息,正如步骤S002所述:计算像素p的领域像素的投影亮度信息时,需要对像素p的所有邻域像素的期望投影亮度特征进行融合,那么在这个融合过程中就更加关注v2pa;相反,当w1pa越小时,不用太关注v2pa。
那么将w1pa+wpa的值重新作为像素p的第a个领域像素的初始融合程度wpa,然后再按照步骤S002所述,重新获得像素p的投影亮度特征最后计算像素p的所有领域像素的初始融合程度的均值,称为像素p的投影亮度准确度;像素p的投影亮度准确度越大,说明像素p的所有领域像素在目标图像集合上的超像素块内的图像亮度信息越一样,说明获得的投影亮度特征v3p越准确可信。
接着按照步骤S003所述,重新根据像素p的投影亮度特征获得像素p所有领域像素的融合程度,然后根据像素p所有领域像素的期望投影亮度特征,重新获得像素p的投影亮度特征和投影亮度准确度。不断重复这个过程N次,本发明N=5,获取这N次中像素p的投影亮度准确度取最大值时像素p的投影亮度特征,将该投影亮度特征作为像素p的最终投影亮度特征,该最终投影亮度特征表征的就时像素p最终的准确的投影亮度信息。
本发明通过不断迭代更新的方法获得了像素p的最终投影亮度特征,在这个过程中通过关注满足“在颜色一样的区域内图像亮度信息也是一样的”这一条件下的目标图像数据,使得像素p获得的投影亮度特征尽可能准确,避免了由于图像亮度信息的干扰。
步骤S004、通过所有像素的最终投影亮度特征获得目标图像上的亮度不一致区域。
计算每个像素的最终投影亮度的模长,模长越长说明每个像素投影亮度越不一致,将所有像素对应的所述模长视为一个投影亮度分布图,对投影亮度分布图进行高斯平滑处理,高斯核的大小为17×17,将处理后的投影亮度图进行阈值分割,获得灰度值大于阈值的连通域,该阈值本发明设置为2.0,获得的连通域就是亮度不一致区域,这个亮度不一致区域就是由于投影仪投影光照亮度不均匀的区域。
为了让亮度不一致区域的亮度变得亮度一致,那么需要用一个新的投影机在该区域进行投影融合,达到补光的目的。
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 (9)
1.一种用于投影大屏融合的影像自适应分割方法,其特征在于,该方法包括以下步骤:
采集投影大屏上在预设时间段内显示的任意目标图像,对任意目标图像的色相通道进行超像素分割,获得任意目标图像的所有超像素块,根据所述超像素块内的每个像素在任意目标图像的亮度通道上的灰度值,计算每个像素在任意目标图像上的综合亮度特征,根据预设时间段内所有时刻显示的所有目标图像,统计每个像素在所有目标图像上的综合亮度特征,获得每个像素的综合亮度特征集合;
获取每个像素在预设范围内的所有领域像素,对每个像素的所有领域像素的亮度特征集合中的综合亮度特征进行聚类,获得每个像素的所有领域像素的参考类别,根据所述所有参考类别得到每个像素的投影亮度特征;
结合每个像素的所有领域像素在任意目标图像上的综合亮度特征,根据每个像素的投影亮度特征,获得每个像素的每个领域像素的融合程度,根据所述融合程度对每个像素的所有领域像素的参考类别进行融合,得到每个像素的最终投影亮度特征,根据所有像素的最终投影亮度特征获得亮度不一致区域,通过投影仪对亮度不一致区域进行补光。
2.根据权利要求1所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的每个像素在任意目标图像上的综合亮度特征的获取步骤包括:
首先获取任意目标图像的亮度通道,并对所述亮度通道进行低通滤波,获得滤波图像,然后以每个像素为中心,构建第一预设大小的窗口,并获取每个像素在任意目标图像上所属的超像素块;
获取所述窗口内的且在所述超像素块上的所有像素,根据所述所有像素在所述滤波图像上的灰度值,获得所述所有像素的梯度向量,将所述所有像素的梯度向量进行主成分分析,获得投影方差最大的第一主成分方向,最后构建一个向量,所述向量的方向是所述第一主成分方向,所述向量的长度为的第一主成分方向的投影方差,将所述向量作为每个像素在任意目标图像上的综合亮度特征。
3.根据权利要求1所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的每个像素的投影亮度特征的获取步骤包括:
以每个像素为中心,构建第二预设大小的窗口,所述窗口内的像素都是每个像素的领域像素,利用均值漂移聚类算法,对每个领域像素的综合亮度特征集合中的综合亮度特征进行聚类,获得每个领域像素对应的所有类别,只保留所述所有类别中包含综合亮度特征个数最多的类别,称为每个领域像素的参考类别,获取所述每个参考类别中所有综合亮度特征的均值,将所述均值称为每个领域像素的期望投影亮度特征;
计算每个领域像素的初始融合程度,对于每个像素的所有领域像素,以所有领域像素的初始融合程度为权重对所有领域像素的期望投影亮度特征进行加权求和,获得的结果作为所述每个像素的投影亮度特征。
4.根据权利要求1所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的每个像素的每个领域像素的融合程度的获取步骤包括:
对于每个像素的每个领域像素,计算每个领域像素在任意目标图像上的综合亮度特征与每个像素的投影亮度特征的差值,所述差值作为所述每个领域像素的图像亮度特征;
获取每个像素在任意目标图像上所属的超像素块,获取每个像素的所有领域像素中属于所述超像素块内的领域像素构成的领域像素集合,对所述领域像素集合中所有领域像素的图像亮度特征进行DBSCAN聚类,获得所有聚类结果的类间差异的倒数,所述类间差异的倒数作为每个像素在任意目标图像上的投影特征置信度;
获取一个目标图像集合,所述目标图像集合必须能够满足:每个领域像素的参考类别中所有的综合亮度特征均是从所述的目标图像集合中的所有目标图像上获得的;
对于目标图像集合中所有目标图像,计算每个像素在所述所有目标图像上的投影特征置信度的均值,所述均值为每个领域像素的融合程度。
5.根据权利要求1所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的每个像素的最终投影亮度特征的获取步骤包括:
对于每个像素的每个领域像素,计算每个领域像素的初始融合程度与融合程度的和,将获得的结果重新作为每个领域像素的初始融合程度;
然后对于每个像素的所有领域像素,重新根据所有领域像素的初始融合程度以及所有领域像素的期望投影亮度特征,重新获得每个像素的投影亮度特征,并将所有领域像素的初始融合程度的均值作为每个像素的投影亮度准确度;
结合每个像素的所有领域像素在任意目标图像上的综合亮度特征,重复迭代地根据每个像素的投影亮度特征,获得每个像素的每个领域像素的融合程度,根据所述融合程度重新获得每个像素的每个领域像素的初始融合程度,进而重复迭代地获得每个像素的投影亮度准确度;
获取每个像素的投影亮度准确度取最大值时每个像素的投影亮度特征,将所述的投影亮度特征作为每个像素的最终投影亮度特征。
6.根据权利要求1所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的亮度不一致区域的获取步骤包括:
计算每个像素的最终投影亮度的模长,将所有像素对应的所述模长视为一个投影亮度分布图,对投影亮度分布图进行高斯平滑处理,将处理后的投影亮度图进行阈值分割,获得的连通域就是亮度不一致区域。
7.根据权利要求3所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的每个领域像素的初始融合程度的获取步骤包括:
每个领域像素的参考类别中所有综合亮度特征之间两两计算欧式距离,获得的所有欧式距离的均值的倒数作为每个领域像素的初始融合程度。
8.根据权利要求4所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的所有聚类结果的类间差异的获取步骤包括:
获取所有聚类结果中包含类别最多的聚类结果,记为第一类别,获取每个聚类结果中的所有综合亮度特征与第一类别中的所有综合亮度特征的欧式距离,将其中最小的欧式距离作为每个聚类结果的偏离程度,所有聚类结果的偏离程度的均值作为所述的类间差异。
9.根据权利要求1所述的一种用于投影大屏融合的影像自适应分割方法,其特征在于,所述的任意目标图像的采集方法是通过安装在投影机上的相机采集获得的,所述相机正对大屏幕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463205.8A CN114972374A (zh) | 2022-04-28 | 2022-04-28 | 一种用于投影大屏融合的影像自适应分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463205.8A CN114972374A (zh) | 2022-04-28 | 2022-04-28 | 一种用于投影大屏融合的影像自适应分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972374A true CN114972374A (zh) | 2022-08-30 |
Family
ID=82978738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210463205.8A Pending CN114972374A (zh) | 2022-04-28 | 2022-04-28 | 一种用于投影大屏融合的影像自适应分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972374A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115266777A (zh) * | 2022-09-19 | 2022-11-01 | 江苏芸裕金属制品有限公司 | 一种钢丝绳芯输送带实时监控方法 |
-
2022
- 2022-04-28 CN CN202210463205.8A patent/CN114972374A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115266777A (zh) * | 2022-09-19 | 2022-11-01 | 江苏芸裕金属制品有限公司 | 一种钢丝绳芯输送带实时监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200068151A1 (en) | Systems and methods for processing low light images | |
CN111353948B (zh) | 一种图像降噪方法、装置及设备 | |
CN102025959B (zh) | 从低清晰度视频产生高清晰度视频的系统与方法 | |
US20120314971A1 (en) | Automatic exposure correction of images | |
JPH1023452A (ja) | 画像抽出装置および方法 | |
CN112270688B (zh) | 一种前景提取方法、装置、设备及存储介质 | |
CN105023260A (zh) | 一种全景图像融合方法及融合装置 | |
WO2003047234A2 (en) | System and method for providing multi-sensor super-resolution | |
CN110443800B (zh) | 视频图像质量的评价方法 | |
CN108846818A (zh) | 去除摩尔纹的方法、装置、终端及计算机可读存储介质 | |
Niu et al. | Visually consistent color correction for stereoscopic images and videos | |
CN114972374A (zh) | 一种用于投影大屏融合的影像自适应分割方法 | |
CN111031241B (zh) | 图像处理方法及其装置、终端和计算机可读存储介质 | |
CN113706393A (zh) | 视频增强方法、装置、设备及存储介质 | |
CN106846250B (zh) | 一种基于多尺度滤波的超分辨率重建方法 | |
CN105574844B (zh) | 辐射响应函数估计方法和装置 | |
Niu et al. | Matting-based residual optimization for structurally consistent image color correction | |
Kang et al. | Hierarchical palette extraction based on local distinctiveness and cluster validation for image recoloring | |
JP4369030B2 (ja) | 画像補正方法および装置ならびに画像補正プログラムを記録したコンピュータ読取可能な記録媒体 | |
Van Vo et al. | High dynamic range video synthesis using superpixel-based illuminance-invariant motion estimation | |
Bianco et al. | Image quality assessment by preprocessing and full reference model combination | |
Popowicz et al. | Isoline based image colorization | |
Kim et al. | Efficient-HDRTV: Efficient SDR to HDR Conversion for HDR TV | |
CN113762016A (zh) | 关键帧选取方法和装置 | |
Lukac et al. | Vector operators for color image zooming |
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 |