CN115100209B - 一种基于摄像机的图像质量的修正方法及修正系统 - Google Patents

一种基于摄像机的图像质量的修正方法及修正系统 Download PDF

Info

Publication number
CN115100209B
CN115100209B CN202211036360.8A CN202211036360A CN115100209B CN 115100209 B CN115100209 B CN 115100209B CN 202211036360 A CN202211036360 A CN 202211036360A CN 115100209 B CN115100209 B CN 115100209B
Authority
CN
China
Prior art keywords
correction
image
corrected
defect
video
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
Application number
CN202211036360.8A
Other languages
English (en)
Other versions
CN115100209A (zh
Inventor
李慧萍
殷光强
王治国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Zhide Tianfu Network Information Technology Co ltd
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202211036360.8A priority Critical patent/CN115100209B/zh
Publication of CN115100209A publication Critical patent/CN115100209A/zh
Application granted granted Critical
Publication of CN115100209B publication Critical patent/CN115100209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Studio Devices (AREA)

Abstract

本发明公开了一种基于摄像机的图像质量的修正方法及修正系统，涉及图像质量技术，先获取摄像机的原始图像及对应的视频日志数据，视频日志数据基于时间序延伸出图像；基于图像进行缺陷遍历，并圈定对应的缺陷领域；将缺陷领域的外轮廓和面积作为第一修正因素，并将与缺陷领域相邻的清楚领域作为第二修正因素，基于第一修正因素和第二修正因素调整图像的修正策略，对图像进行修正，以修正图像；基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试；当动作关联度测试通过时，则将修正视频基于替换栏替换至当前的视频，并用修正图像替换图像。本发明能及时发现异常区域，保证修正视频的图像质量。

Description

一种基于摄像机的图像质量的修正方法及修正系统
技术领域
本发明涉及图像质量技术，尤其涉及一种基于摄像机的图像质量的修正方法及修正系统。
背景技术
随着科技的发展，摄像机应用于各大场景，并且对环境进行拍摄，以形成对应的图像和视频，其中，在摄像机的拍摄过程中，所拍摄的视频图像存在多种和多个不同的图像缺陷区域，此时，图像需要在整体质量的把控下进行分析，从而完成修正。而现有的修正方法中均对多个缺陷区域采用单一修正策略进行修正，导致现有的图像的修正质量较低，对于图像质量要求较高时，无法得到满足。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种具有更好修正策略的基于摄像机的图像质量的修正方法及修正系统。
一种基于摄像机的图像质量的修正方法，包括：
获取摄像机的原始图像及对应的视频日志数据，其中，视频日志数据基于时间序延伸出图像；
基于图像进行缺陷遍历，并圈定对应的缺陷领域；
将缺陷领域的外轮廓和面积作为第一修正因素，并将与缺陷领域相邻的清楚领域作为第二修正因素，基于第一修正因素和第二修正因素调整图像的修正策略，对图像进行修正，以形成修正图像；
基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试；
当动作关联度测试通过时，将修正视频基于替换栏替换至当前的视频，并用修正图像替换图像。
具体的，获取摄像机的原始图像及对应的视频日志数据，其中，视频日志数据基于时间序延伸出图像，包括：
获取摄像机的原始图像，并记录各图像的摘录时间；
将各摘录时间归类以形成时间序，并基于时间序定位对应的视频日志数据；
对各视频日志数据进行归类，并聚合形成待修正数据；
基于待修正数据进行差异遍历，并定格差异数据；
标记差异数据，并根据差异数据引导图像的缺陷区域。
具体的，基于图像进行缺陷遍历，并圈定对应的缺陷领域，包括：
对图像进行图像扫描，并对图像中各区域进行遍历；具体的，基于图像中各区域进行单独遍历，并且各区域的遍历同步进行；
在遍历的过程中，基于缺陷特征的标的进行定位寻找，以凸显缺陷线段；
基于缺陷线段的延伸拓展缺陷区域，其中，沿着缺陷线段进行环形闭环延伸，以圈定缺陷领域。
具体的，将缺陷领域的外轮廓和面积作为第一修正因素，并将与缺陷领域相邻的清楚领域作为第二修正因素，基于第一修正因素和第二修正因素调整图像的修正策略，对图像进行修正，以修正图像，包括：
凸显缺陷领域的外轮廓，并同步测算缺陷领域的面积；
抽取缺陷领域的边角处，并且以缺陷领域的边角处作为参考基点，基于参考基点标记缺陷领域的面积；
将缺陷领域的外轮廓和面积作为第一修正因素，此时，参考基点作为缺陷领域的修正边界点；
记录与缺陷领域相邻的清楚领域，并基于清楚领域确定清楚系数，且将与缺陷领域相邻的清楚领域作为第二修正因素；
基于第一修正因素和第二修正因素调整图像的修正策略，并且各图像的修正策略单独处理对应的缺陷区域，其中，图像的修正策略为模糊修正、线条粗细修正或折线修正；
测算缺陷领域的清楚系数，并且将缺陷领域的清楚系数逐步调整至清楚领域的清楚系数，对图像进行修正，以形成修正图像。
具体的，基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试，包括：
对多个修正图像按照时间序依次排列；
基于多个修正图像依次进行动作展示，并且基于动作的轨迹进行关联测试，此时，在关联测试时修正图像中具有一动态的轨迹点；
多个修正图像在时间帧的带动下形成修正视频，并且轨迹点基于时间帧的推进而动态调整，并且对于修正视频进行动作关联度测试；
测算轨迹点所形成的轨迹，并实时监控斜率的改变，此时，斜率持续维持在预设范围内。
具体的，当动作关联度测试通过时，将修正视频基于替换栏替换至当前的视频，并用修正图像替换图像，包括：
若斜率沿着预设范围进行调整，且最后斜率不在预设范围内，则当动作关联度测试不通过；
在当动作关联度测试不通过时，触发不通过调整策略，并且基于不通过调整策略将预设范围的下限值进行定格，将预设范围的下限值作为参考值；
将参考值作为参考，并逐级调整斜率，斜率在调整过程中进行递增，并且每次的递增变化量逐步增加，以保证斜率最终大于或等于参考值；
另外，若斜率沿着预设范围进行调整，则当动作关联度测试通过；
基于替换栏调控修正视频和当前的视频的切换，此时，将修正视频基于替换栏替换至当前的视频，此时，替换栏作为一键转化，并且嵌入有视频格式运算；
用修正图像替换图像，并对比修正图像和图像，以凸显此次图像差异度；
基于图像差异度推断摄像机的拍摄状态。
具体的，还包括：
将修正图像和图像进行对比，以确定图像差异度；
将图像差异度作为修正数据，此时，修正数据可以为动态数据；
以修正数据作为学习数据进行学习模型的构建，以形成修正模块；
修正模块内置有学习模块，并基于学习模块调整修正模块的成长，以应对不同的摄像机的使用环境。
具体的，还包括：
基于所述修正模块修正所述图像，并记录对应的所述修正数据；
所述学习模块基于所述修正数据进行状态改变，并且输出再学习数据；
基于所述再学习数据进行所述修正模块的学习系数的调整。
本发明还提供了一种基于摄像机的图像质量的修正系统，基于摄像机的图像质量的修正系统包括：
获取模块：用于获取摄像机的图像及对应的视频日志数据，其中，所述视频日志数据基于时间序延伸出所述图像；
遍历模块：用于基于所述图像进行缺陷遍历，并圈定对应的缺陷领域；
修正模块：用于将所述缺陷领域的外轮廓和面积作为第一修正因素，并将与所述缺陷领域相邻的清楚领域作为第二修正因素，基于所述第一修正因素和所述第二修正因素调整所述图像的修正策略，基于所述图像进行修正，以修正图像；
测试模块：用于基于多个所述修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于所述修正视频进行动作关联度测试；
替换模块：用于当所述动作关联度测试通过时，将所述修正视频基于替换栏替换至当前的视频，并将所述修正图像替换所述图像。
进一步地，修正模块内置有学习模块和经验模块，学习模块用于基于外界环境进行自我学习；经验模块用于存储以往的学习数据，并融合于学习模块。
有益技术效果：通过本发明提供的方法及系统，根据对图像的修正反向调整视频，并且基于图像的缺陷领域的外轮廓和面积、清楚领域调整图像的修正策略，以形成多种修正策略，并针对性的对图形的局部区域进行修正，同时能够采用不同修正策略同步处理不同的缺陷领域，大大提高的图像的修正效率和修正质量，另外，基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试，以便于维护基于图像形成的视频的关联度和一致性，提高视频的整体质量，也能及时发现修正视频中的画图异常区域，保证了修正视频的图像质量。
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，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地介绍，显而易见的，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的附图。
图1是本发明实施例中的基于摄像机的图像质量的修正方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
请参阅图1，图1是本发明实施例中的基于摄像机的图像质量的修正方法的流程示意图。
如图1所示，一种基于摄像机的图像质量的修正方法，方法包括：
获取摄像机的原始图像及对应的视频日志数据，其中，视频日志数据基于时间序延伸出图像；
在本发明具体实施过程中，具体的步骤可以为：获取摄像机的原始图像，并记录各图像的摘录时间；将各摘录时间归类以形成时间序，并基于时间序定位对应的视频日志数据；对各视频日志数据进行归类，并聚合形成待修正数据；基于待修正数据进行差异遍历，并定格差异数据；标记差异数据，并根据差异数据引导图像的缺陷区域。
其中，将各摘录时间归类以形成时间序，并且基于时间序定位对应的视频日志数据，以便于对应图像和视频日志数据，并且对各视频日志数据进行归类，并聚合形成待修正数据，以便于基于待修正数据进行数据调整和数据差异遍历，提高数据处理的效率。另外，基于待修正数据进行差异遍历，并定格差异数据；标记差异数据，并根据差异数据引导图像的缺陷区域。
基于图像进行缺陷遍历，并圈定对应的缺陷领域；
在本发明具体实施过程中，具体的步骤可以为：对图像进行图像扫描，并对图像中各区域进行遍历，具体的，基于图像中各区域进行单独遍历，并且各区域的遍历同步进行；在遍历的过程中，基于缺陷特征的标的进行定位寻找，以凸显缺陷线段；基于缺陷线段的延伸拓展缺陷区域，其中，沿着缺陷线段进行环形闭环延伸，以圈定缺陷领域。
其中，基于图像中各区域分别进行单独遍历，并且各区域的遍历同步进行，各区域采用独立的遍历，并且同步进行遍历，以便于保证图像的个性化遍历，提高图像遍历的效率和准确率，能够针对不同的区域进行单独遍历。另外，在遍历的过程中，基于缺陷特征的标的进行定位寻找，以凸显缺陷线段；基于缺陷线段的延伸拓展缺陷区域，其中，沿着缺陷线段进行环形闭环延伸，以圈定缺陷领域。
将缺陷领域的外轮廓和面积作为第一修正因素，并将与缺陷领域相邻的清楚领域作为第二修正因素，基于第一修正因素和第二修正因素调整图像的修正策略，对图像进行修正，以形成修正图像；
在本发明具体实施过程中，具体的步骤可以为：凸显缺陷领域的外轮廓，并同步测算缺陷领域的面积；抽取缺陷领域的边角处，并且以缺陷领域的边角处作为参考基点，基于参考基点标记缺陷领域的面积；将缺陷领域的外轮廓和面积作为第一修正因素，此时，参考基点作为缺陷领域的修正边界点；记录与缺陷领域相邻的清楚领域，并基于清楚领域确定清楚系数，且将与缺陷领域相邻的清楚领域作为第二修正因素；基于第一修正因素和第二修正因素调整图像的修正策略，并且各图像的修正策略单独处理对应的缺陷区域，其中，图像的修正策略为模糊修正、线条粗细修正或/和折线修正的一种或几种；测算缺陷领域的清楚系数，对图像进行修正，以形成修正图像。
其中，基于第一修正因素和第二修正因素调整图像的修正策略，并且结合缺陷领域的外轮廓、面积和清楚领域进行多个因素的影响，以便于图像的修正策略适配缺陷领域的处理，此时，图像的修正策略为模糊修正、线条粗细修正或/和折线修正。另外，测算缺陷领域的清楚系数，并且将缺陷领域的清楚系数逐步调整至清楚领域的清楚系数，并形成修正图像，以保证修正图像的清楚度和准确率。
另外，抽取缺陷领域的边角处，并且以缺陷领域的边角处作为参考基点，基于参考基点标记缺陷领域的面积。
基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试；
在本发明具体实施过程中，具体的步骤可以为：对多个修正图像按照时间序依次排列；基于多个修正图像依次进行动作展示，并且基于动作的轨迹进行关联测试，此时，在关联测试时修正图像中具有一动态的轨迹点；多个修正图像在时间帧的带动下形成修正视频，并且轨迹点基于时间帧的推进而动态调整，并且对于修正视频进行动作关联度测试；测算轨迹点所形成的轨迹，并实时监控斜率的改变，此时，斜率持续维持在预设范围内。
其中，对多个修正图像按照时间序依次排列；基于多个修正图像依次进行动作展示，并且基于动作的轨迹进行关联测试，以便于跟踪多个修正图像在时间序依的演变，并且轨迹点基于时间帧的推进而动态调整，以便于多个修正图像的演算顺畅性，此时，测算轨迹点所形成的轨迹，并实时监控斜率的改变，此时，斜率持续维持在预设范围内，以确保多个修正图像之间的关联度。
当动作关联度测试通过时，则将修正视频基于替换栏替换至当前的视频，并用修正图像替换图像；
在本发明具体实施过程中，具体的步骤包括：若斜率沿着预设范围进行调整，则当动作关联度测试通过；基于替换栏调控修正视频和当前的视频的切换，此时，将修正视频基于替换栏替换至当前的视频，此时，替换栏作为一键转化，并且嵌入有视频格式运算；用修正图像替换图像，并对比修正图像和图像，以凸显此次图像差异度；基于图像差异度推断摄像机的拍摄状态。
其中，在当动作关联度测试通过时，基于替换栏调控修正视频和当前的视频的切换，此时，将修正视频基于替换栏替换至当前的视频，并且替换栏作为一键转化，并且嵌入有视频格式运算，保证修正视频和当前的视频的切换。
若斜率沿着预设范围进行调整，且最后斜率不在预设范围内，则当动作关联度测试不通过；在当动作关联度测试不通过时，触发不通过调整策略，并且基于不通过调整策略将预设范围的下限值进行定格，将预设范围的下限值作为参考值；将参考值作为参考，并逐级调整斜率，斜率在调整过程中进行递增，并且每次的递增变化量逐步增加，以保证斜率最终大于或等于参考值。
另外，将修正图像替换图像，并对比修正图像和图像，以凸显此次图像差异度；基于图像差异度推断摄像机的拍摄状态。
基于摄像机的图像质量的修正方法还包括：将修正图像和图像进行对比，以确定图像差异度；将图像差异度作为修正数据，此时，修正数据可以为动态数据；以修正数据作为学习数据进行学习模型的构建，以形成修正模块；修正模块内置有学习模块，并基于学习模块调整修正模块的成长，以应对不同的摄像机的使用环境。
另外，基于摄像机的图像质量的修正方法还包括：基于修正模块修正图像，并记录对应的修正数据，学习模块基于修正数据进行状态改变，并且输出再学习数据；基于再学习数据进行修正模块的学习系数的调整。
在本发明实施例中，通过本发明实施例中的方法，根据对图像的修正反向调整视频，并且基于图像的缺陷领域的外轮廓和面积、清楚领域调整图像的修正策略，以形成多种修正策略，并针对性的对图形的局部区域进行修正，同时能够采用不同修正策略同步处理不同的缺陷领域，大大提高的图像的修正效率和修正质量，另外，基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试，以便于维护基于图像形成的视频的关联度和一致性，提高视频的整体质量，也能及时发现修正视频中的画图异常区域，保证了修正视频的图像质量。
实施例2
一种基于摄像机的图像质量的修正系统，基于摄像机的图像质量的修正系统包括：
获取模块：用于获取摄像机的图像及对应的视频日志数据，其中，视频日志数据基于时间序延伸出图像；
遍历模块：用于基于图像进行缺陷遍历，并圈定对应的缺陷领域；
修正模块：用于将缺陷领域的外轮廓和面积作为第一修正因素，并将与缺陷领域相邻的清楚领域作为第二修正因素，基于第一修正因素和第二修正因素调整图像的修正策略，对图像进行修正，以修正图像，其中，以图像复制后的图像副本进行修正；
测试模块：用于基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试；
替换模块：用于当动作关联度测试通过时，则将修正视频基于替换栏替换至当前的视频，并用修正图像替换图像。
其中，修正模块内置有学习模块和经验模块，学习模块用于基于外界环境进行自我学习；经验模块用于存储以往的学习数据，并融合于学习模块，通过经验模块存储大量的学习数据，并且对学习数据进行分类，以便于进行集群式管理，并且对不同类型的学习数据进行筛选，以便于实现不同数据的交叉利用，提高学习模块的输出准确性。
另外，测试模块内置有防误模块，防误模块用于对关联测试进行结果监控，并且对各修正图像进行标引，以便于基于不同的标引记录随着时间帧进行排序，从而避免修正图像在排序上的防误，保证了修正视频的处理。
另外，测试模块还设有调整模块，调整模块用于对修正视频进行清晰度修正，并且对各修正视频进行清晰度监控，以便于修正视频的清晰度进行修正，并且调控修正视频的输出效果。
本发明提供了一种基于摄像机的图像质量的修正方法及修正系统，根据对图像的修正反向调整视频，并且基于图像的缺陷领域的外轮廓和面积、清楚领域调整图像的修正策略，以形成多种修正策略，并针对性的对图形的局部区域进行修正，同时能够采用不同修正策略同步处理不同的缺陷领域，大大提高的图像的修正效率和修正质量，另外，基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试，以便于维护基于图像形成的视频的关联度和一致性，提高视频的整体质量，也能及时发现修正视频中的画图异常区域，保证了修正视频的图像质量。
另外，以上对本发明实施例所提供的基于摄像机的图像质量的修正方法及修正系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于摄像机的图像质量的修正方法，其特征在于，包括步骤：
获取摄像机的原始图像及对应的视频日志数据，其中，视频日志数据基于时间序延伸出图像；
基于图像进行缺陷遍历，并圈定对应的缺陷领域；
将缺陷领域的外轮廓和面积作为第一修正因素，并将与缺陷领域相邻的清楚领域作为第二修正因素，基于第一修正因素和第二修正因素调整图像的修正策略，对图像进行修正，以形成修正图像；
基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试；
当动作关联度测试通过时，将修正视频基于替换栏替换至当前的视频，并用修正图像替换图像；
所述将缺陷领域的外轮廓和面积作为第一修正因素，并将与缺陷领域相邻的清楚领域作为第二修正因素，基于第一修正因素和第二修正因素调整图像的修正策略，对图像进行修正，以修正图像，具体包括：
凸显缺陷领域的外轮廓，并同步测算缺陷领域的面积；
抽取缺陷领域的边角处，并且以缺陷领域的边角处作为参考基点，基于参考基点标记缺陷领域的面积；
将缺陷领域的外轮廓和面积作为第一修正因素，此时，参考基点作为缺陷领域的修正边界点；
记录与缺陷领域相邻的清楚领域，并基于清楚领域确定清楚系数，且将与缺陷领域相邻的清楚领域作为第二修正因素；
基于第一修正因素和第二修正因素调整图像的修正策略，并且各图像的修正策略单独处理对应的缺陷区域，其中，图像的修正策略为模糊修正、线条粗细修正或折线修正；
测算缺陷领域的清楚系数，并且将缺陷领域的清楚系数逐步调整至清楚领域的清楚系数，对图像进行修正，以形成修正图像；
所述基于多个修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于修正视频进行动作关联度测试，具体包括：
对多个修正图像按照时间序依次排列；
基于多个修正图像依次进行动作展示，并且基于动作的轨迹进行关联测试，此时，在关联测试时修正图像中具有一动态的轨迹点；
多个修正图像在时间帧的带动下形成修正视频，并且轨迹点基于时间帧的推进而动态调整，并且对于修正视频进行动作关联度测试；
测算轨迹点所形成的轨迹，并实时监控斜率的改变，此时，斜率持续维持在预设范围内。
2.根据权利要求1所述的基于摄像机的图像质量的修正方法，其特征在于，获取摄像机的原始图像及对应的视频日志数据，其中，视频日志数据基于时间序延伸出图像，包括：
获取摄像机的原始图像，并记录各图像的摘录时间；
将各摘录时间归类以形成时间序，并基于时间序定位对应的视频日志数据；
对各视频日志数据进行归类，并聚合形成待修正数据；
基于待修正数据进行差异遍历，并定格差异数据；
标记差异数据，并根据差异数据引导图像的缺陷区域。
3.根据权利要求2所述的基于摄像机的图像质量的修正方法，其特征在于，基于图像进行缺陷遍历，并圈定对应的缺陷领域，包括：
对图像进行图像扫描，并对图像中各区域进行遍历；具体的，基于图像中各区域进行单独遍历，并且各区域的遍历同步进行；
在遍历的过程中，基于缺陷特征的标的进行定位寻找，以凸显缺陷线段；
基于缺陷线段的延伸拓展缺陷区域，其中，沿着缺陷线段进行环形闭环延伸，以圈定缺陷领域。
4.根据权利要求1所述的基于摄像机的图像质量的修正方法，其特征在于，当动作关联度测试通过时，将修正视频基于替换栏替换至当前的视频，并用修正图像替换图像，包括：
若斜率沿着预设范围进行调整，且最后斜率不在预设范围内，则当动作关联度测试不通过；
在当动作关联度测试不通过时，触发不通过调整策略，并且基于不通过调整策略将预设范围的下限值进行定格，将预设范围的下限值作为参考值；
将参考值作为参考，并逐级调整斜率，斜率在调整过程中进行递增，并且每次的递增变化量逐步增加，以保证斜率最终大于或等于参考值；
另外，若斜率沿着预设范围进行调整，则当动作关联度测试通过；
基于替换栏调控修正视频和当前的视频的切换，此时，将修正视频基于替换栏替换至当前的视频，此时，替换栏作为一键转化，并且嵌入有视频格式运算；
用修正图像替换图像，并对比修正图像和图像，以凸显此次图像差异度；
基于图像差异度推断摄像机的拍摄状态。
5.根据权利要求4所述的基于摄像机的图像质量的修正方法，其特征在于，还包括：
将修正图像和图像进行对比，以确定图像差异度；
将图像差异度作为修正数据，此时，修正数据为动态数据；
以修正数据作为学习数据进行学习模型的构建，以形成修正模块；
修正模块内置有学习模块，并基于学习模块调整修正模块的成长，以应对不同的摄像机的使用环境。
6.根据权利要求5所述的基于摄像机的图像质量的修正方法，其特征在于，还包括：
基于所述修正模块修正所述图像，并记录对应的所述修正数据；
所述学习模块基于所述修正数据进行状态改变，并且输出再学习数据；
基于所述再学习数据进行所述修正模块的学习系数的调整。
7.一种基于摄像机的图像质量的修正系统，其特征在于，所述基于摄像机的图像质量的修正系统包括：
获取模块：用于获取摄像机的图像及对应的视频日志数据，其中，所述视频日志数据基于时间序延伸出所述图像；
遍历模块：用于基于所述图像进行缺陷遍历，并圈定对应的缺陷领域；
修正模块：用于将所述缺陷领域的外轮廓和面积作为第一修正因素，并将与所述缺陷领域相邻的清楚领域作为第二修正因素，基于所述第一修正因素和所述第二修正因素调整所述图像的修正策略，基于所述图像进行修正，以修正图像；具体包括：凸显缺陷领域的外轮廓，并同步测算缺陷领域的面积；抽取缺陷领域的边角处，并且以缺陷领域的边角处作为参考基点，基于参考基点标记缺陷领域的面积；将缺陷领域的外轮廓和面积作为第一修正因素，此时，参考基点作为缺陷领域的修正边界点；记录与缺陷领域相邻的清楚领域，并基于清楚领域确定清楚系数，且将与缺陷领域相邻的清楚领域作为第二修正因素；基于第一修正因素和第二修正因素调整图像的修正策略，并且各图像的修正策略单独处理对应的缺陷区域，其中，图像的修正策略为模糊修正、线条粗细修正或折线修正；测算缺陷领域的清楚系数，并且将缺陷领域的清楚系数逐步调整至清楚领域的清楚系数，对图像进行修正，以形成修正图像；
测试模块：用于基于多个所述修正图像进行关联测试，并在时间帧的带动下形成修正视频，且对于所述修正视频进行动作关联度测试；具体包括：对多个修正图像按照时间序依次排列；基于多个修正图像依次进行动作展示，并且基于动作的轨迹进行关联测试，此时，在关联测试时修正图像中具有一动态的轨迹点；多个修正图像在时间帧的带动下形成修正视频，并且轨迹点基于时间帧的推进而动态调整，并且对于修正视频进行动作关联度测试；测算轨迹点所形成的轨迹，并实时监控斜率的改变，此时，斜率持续维持在预设范围内；
替换模块：用于当所述动作关联度测试通过时，将所述修正视频基于替换栏替换至当前的视频，并将所述修正图像替换所述图像。
8.根据权利要求7所述的修正系统，其特征在于，所述修正模块内置有学习模块和经验模块，所述学习模块用于基于外界环境进行自我学习；所述经验模块用于存储以往的学习数据，并融合于所述学习模块。
CN202211036360.8A 2022-08-28 2022-08-28 一种基于摄像机的图像质量的修正方法及修正系统 Active CN115100209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036360.8A CN115100209B (zh) 2022-08-28 2022-08-28 一种基于摄像机的图像质量的修正方法及修正系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036360.8A CN115100209B (zh) 2022-08-28 2022-08-28 一种基于摄像机的图像质量的修正方法及修正系统

Publications (2)

Publication Number Publication Date
CN115100209A CN115100209A (zh) 2022-09-23
CN115100209B true CN115100209B (zh) 2022-11-08

Family

ID=83300151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036360.8A Active CN115100209B (zh) 2022-08-28 2022-08-28 一种基于摄像机的图像质量的修正方法及修正系统

Country Status (1)

Country Link
CN (1) CN115100209B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984126A (zh) * 2022-12-05 2023-04-18 北京拙河科技有限公司 一种基于输入指令的光图像修正方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069801A (zh) * 2015-08-17 2015-11-18 江苏物联网研究发展中心 基于图像质量诊断的视频图像预处理方法
CN107316008A (zh) * 2017-06-09 2017-11-03 西安电子科技大学 基于投影不变描述子的视频同步方法
CN110567969A (zh) * 2019-09-05 2019-12-13 浙江翼晟科技有限公司 用于织物缺陷检测的图像识别方法及其系统
CN111028213A (zh) * 2019-12-04 2020-04-17 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质
CN111127376A (zh) * 2019-12-13 2020-05-08 无锡科技职业学院 一种数字视频文件修复方法及装置
CN112634170A (zh) * 2020-12-30 2021-04-09 平安科技（深圳）有限公司 一种模糊图像修正的方法、装置、计算机设备及存储介质
CN112633130A (zh) * 2020-12-18 2021-04-09 成都三零凯天通信实业有限公司 一种基于关键点修复图像的人脸去口罩方法
CN113259721A (zh) * 2021-06-18 2021-08-13 长视科技股份有限公司 一种视频数据的发送方法及电子设备
CN113487166A (zh) * 2021-06-30 2021-10-08 桐乡市五疆科技发展有限公司 一种基于卷积神经网络的化纤飘丝质量检测方法及系统
CN113902894A (zh) * 2021-10-26 2022-01-07 中国人民解放军火箭军工程大学 一种基于图像处理的条式水平仪自动读数识别方法
CN113916893A (zh) * 2021-09-29 2022-01-11 逸美德科技股份有限公司 模切产品缺陷的检测方法
CN114359322A (zh) * 2021-12-31 2022-04-15 科大讯飞股份有限公司 图像校正、拼接方法及相关装置、设备、系统和存储介质
CN114674826A (zh) * 2022-03-01 2022-06-28 广东省科学院智能制造研究所 基于布匹的视觉检测方法及检测系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7548659B2 (en) * 2005-05-13 2009-06-16 Microsoft Corporation Video enhancement
GB201711412D0 (en) * 2016-12-30 2017-08-30 Maxu Tech Inc Early entry
CN109194877B (zh) * 2018-10-31 2021-03-02 Oppo广东移动通信有限公司 图像补偿方法和装置、计算机可读存储介质和电子设备
GB201904857D0 (en) * 2019-04-05 2019-05-22 Univ Oxford Innovation Ltd Quality assessment in video endosscopy
US11483574B2 (en) * 2019-12-26 2022-10-25 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for emotion and perception based video compression and video perception enhancement
CN112616018B (zh) * 2020-12-15 2022-03-11 深圳市普汇智联科技有限公司 一种可堆叠的全景视频实时拼接方法
CN113936220B (zh) * 2021-12-14 2022-03-04 深圳致星科技有限公司 图像处理方法、存储介质、电子设备及图像处理装置
CN114926464B (zh) * 2022-07-20 2022-10-25 平安银行股份有限公司 在双录场景下的图像质检方法、图像质检装置及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069801A (zh) * 2015-08-17 2015-11-18 江苏物联网研究发展中心 基于图像质量诊断的视频图像预处理方法
CN107316008A (zh) * 2017-06-09 2017-11-03 西安电子科技大学 基于投影不变描述子的视频同步方法
CN110567969A (zh) * 2019-09-05 2019-12-13 浙江翼晟科技有限公司 用于织物缺陷检测的图像识别方法及其系统
CN111028213A (zh) * 2019-12-04 2020-04-17 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质
CN111127376A (zh) * 2019-12-13 2020-05-08 无锡科技职业学院 一种数字视频文件修复方法及装置
CN112633130A (zh) * 2020-12-18 2021-04-09 成都三零凯天通信实业有限公司 一种基于关键点修复图像的人脸去口罩方法
CN112634170A (zh) * 2020-12-30 2021-04-09 平安科技（深圳）有限公司 一种模糊图像修正的方法、装置、计算机设备及存储介质
CN113259721A (zh) * 2021-06-18 2021-08-13 长视科技股份有限公司 一种视频数据的发送方法及电子设备
CN113487166A (zh) * 2021-06-30 2021-10-08 桐乡市五疆科技发展有限公司 一种基于卷积神经网络的化纤飘丝质量检测方法及系统
CN113916893A (zh) * 2021-09-29 2022-01-11 逸美德科技股份有限公司 模切产品缺陷的检测方法
CN113902894A (zh) * 2021-10-26 2022-01-07 中国人民解放军火箭军工程大学 一种基于图像处理的条式水平仪自动读数识别方法
CN114359322A (zh) * 2021-12-31 2022-04-15 科大讯飞股份有限公司 图像校正、拼接方法及相关装置、设备、系统和存储介质
CN114674826A (zh) * 2022-03-01 2022-06-28 广东省科学院智能制造研究所 基于布匹的视觉检测方法及检测系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Masked Face Detection Algorithm in the Dense Crowd Based on Federated Learning";Rui Zhu 等;《Hindawi》;20211004;1-8 *
"Video-Based Two-Stage Network for Optical Glass Sub-Millimeter Defect Detection";Zhou Han 等;《AI》;20220626;第3卷(第3期);571-581 *
"医学图像的预处理与配准算法的研究";王治国;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20160915(第（2016）09期);I138-411 *
"基于视频序列的图像拼接关键技术研究";张哲;《中国博士学位论文全文数据库 (基础科学辑)》;20210815(第（2021）08期);I138-15 *
一种用于实时数字稳像的全分辨率运动补偿方法;翟博等;《北京航空航天大学学报》;20160415(第04期);127-136 *

Also Published As

Publication number Publication date
CN115100209A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN112991330B (zh) 基于知识蒸馏的正样本工业缺陷检测方法
WO2018130104A1 (zh) 人头检测方法、电子设备和存储介质
CN115100209B (zh) 一种基于摄像机的图像质量的修正方法及修正系统
CN109993775B (zh) 基于特征补偿的单目标跟踪方法
KR20200012334A (ko) 반도체 장치의 불량 검출 방법
CN110598698B (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN112990335A (zh) 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统
CN114155213A (zh) 基于主动学习的芯片缺陷检测方法和装置
CN110267101B (zh) 一种基于快速三维拼图的无人机航拍视频自动抽帧方法
CN112613428B (zh) 基于平衡损失的Resnet-3D卷积牛视频目标检测方法
JP4407985B2 (ja) 画像処理方法及び装置並びに記憶媒体
CN116051560B (zh) 基于胚胎多维度信息融合的胚胎动力学智能预测系统
CN115829983B (zh) 一种基于知识蒸馏的高速工业场景视觉质量检测方法
CN108921023A (zh) 一种确定低质量人像数据的方法及装置
JP2019028591A (ja) モデル学習装置、学習済みモデルの生成方法、プログラム、学習済みモデル、監視装置、および監視方法
Rizzi et al. Unsupervised digital movie restoration with spatial models of color
CN116433634A (zh) 一种基于域自适应的工业图像异常检测方法
CN110503092B (zh) 基于领域适应的改进ssd监控视频目标检测方法
CN112446376A (zh) 一种工业图像智能分割压缩方法
CN112669238B (zh) 一种色彩校正后的数字图像精确恢复原图的方法
CN112884135A (zh) 一种基于边框回归的数据标注校正方法
CN110503664B (zh) 一种基于改进的局部自适应灵敏度背景建模方法
US11978189B2 (en) Defect detection method and apparatus
CN105184809A (zh) 运动对象检测方法和运动对象检测装置
CN113762366B (zh) 一种增材制造成形状态预测控制方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20240409

Address after: Room 1703, 17th Floor, Unit 1, Building 1, No. 555, Middle Section of Yizhou Avenue, High tech Zone, Chengdu City, Sichuan Province, 610041

Patentee after: Sichuan Zhide Tianfu network information technology Co.,Ltd.

Country or region after: China

Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan)

Patentee before: University of Electronic Science and Technology of China

Country or region before: China

TR01 Transfer of patent right