CN115797333B - 一种个性化定制的智能视觉训练方法 - Google Patents

一种个性化定制的智能视觉训练方法 Download PDF

Info

Publication number
CN115797333B
CN115797333B CN202310043608.1A CN202310043608A CN115797333B CN 115797333 B CN115797333 B CN 115797333B CN 202310043608 A CN202310043608 A CN 202310043608A CN 115797333 B CN115797333 B CN 115797333B
Authority
CN
China
Prior art keywords
target
area
pixel
super
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
Application number
CN202310043608.1A
Other languages
English (en)
Other versions
CN115797333A (zh
Inventor
蒋焱杰
田静
余成浩
刘卓林
朱晗骐
陈玥灿
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.)
Chengdu University of Traditional Chinese Medicine
Original Assignee
Chengdu University of Traditional Chinese Medicine
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 Chengdu University of Traditional Chinese Medicine filed Critical Chengdu University of Traditional Chinese Medicine
Priority to CN202310043608.1A priority Critical patent/CN115797333B/zh
Publication of CN115797333A publication Critical patent/CN115797333A/zh
Application granted granted Critical
Publication of CN115797333B publication Critical patent/CN115797333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及理疗技术领域,具体涉及一种个性化定制的智能视觉训练方法,该方法,包括:获取VR训练系统中受噪声影响的目标VR图像;获取超像素区域,并判断超像素区域是否为目标超像素区域;获取目标超像素区域的每个像素点的噪声随机数;获取最终VR图像,利用最终VR图像进行视觉训练。本发明通过自适应获取高斯滤波核来对目标VR图像去噪,从而在去除目标VR图像中的噪声的同时,能够最高程度的保证目标VR图像的细节信息,进而保证视觉训练时的图像质量。

Description

一种个性化定制的智能视觉训练方法
技术领域
本发明涉及理疗技术领域,具体涉及一种个性化定制的智能视觉训练方法。
背景技术
视觉训练是一种对眼睛和大脑的训练方式,重新训练大脑和眼睛之间的关系,如做眼睛运动一样,其是以持续性训练大脑视觉神经认知系统的刺激与训练。从而增加眼睛运动、聚焦、固视能力,双眼的合作与视觉处理能力,以及治疗弱视的视觉功能。
现有无障VR视觉训练系统,可以对不同视觉问题的用户提供定制化的视觉训练以及理疗方案,VR视觉训练的辅助治疗原理是增加对弱视眼的视觉刺激,训练过程中可以对训练者某一眼睛所看到画面的清晰度、对比度和融像,进行单独的调整。
然而,在利用无障VR视觉训练系统对眼睛训练过程中,由于VR训练系统受到电磁信号或传感器电容变化,在该变化过程中是光信号和电信号的转换,而光信号和电信号的转换过程受到一定干扰后就会导致VR图像产生噪声,因此,VR视觉训练系统对图像预处理模块的性能要求极高,现有预处理算法基本是基于阈值、滤波的方式对噪声进行平滑处理,尤其是滤波去噪方法,滤波核的滤波强度设置不合理会导致VR图像细节产生较大的损伤,从而影响视觉训练时的VR图像的质量,进而会降低训练效果。
发明内容
本发明提供一种个性化定制的智能视觉训练方法,以解决现有的VR图像的质量差,会导致视觉训练效果低的问题。
本发明的一种个性化定制的智能视觉训练方法采用如下技术方案:
获取VR训练系统中受噪声影响的目标VR图像;
将目标VR图像分为多个超像素区域,获取每个超像素区域的第一频谱信息区域与第二频谱信息区域,其中,第一频谱信息大于第二频谱信息,根据每个超像素区域中第一频谱信息区域与第二频谱信息区域的面积大小,判断超像素区域是否为目标超像素区域;
根据目标超像素区域对应的灰度均值、第一频谱信息区域及第二频谱信息区域,获取目标超像素区域的估测灰度均值,根据目标超像素区域的估测灰度均值及目标超像素区域的每个像素点的灰度值,获取目标超像素区域的每个像素点的噪声随机数;
获取所有目标超像素区域中每个像素点与其邻域像素点的噪声随机数的差值绝对值的标准差;利用滤波强度为差值绝对值的标准差、预设的滤波尺寸的高斯滤波核对目标VR图像进行去噪得到最终VR图像,利用最终VR图像进行视觉训练。
优选的,获取目标超像素区域的每个像素点的噪声随机数,包括:
获取目标超像素区域的每个像素点的灰度值与目标超像素区域的估测灰度均值的第一差值,并将第一差值作为目标超像素区域内对应的像素点的噪声随机数。
优选的,获取目标超像素区域的估测灰度均值,包括:
获取目标超像素区域对应的第一频谱信息区域与第二频谱信息区域的目标面积比值,并获取常数1与目标面积比值的第二差值;
获取目标超像素区域对应的第二频谱信息区域占目标超像素区域的所有频谱信息的面积占比;
将第二差值、面积占比以及灰度均值的乘积作为目标超像素区域的估测灰度均值。
优选的,将目标VR图像分为多个超像素区域,包括:
利用瓦片窗口对目标VR图像进行遍历得到多个窗口区域;
获取每两个窗口区域的相似度;
根据相似度对所有窗口区域进行分类,并将所有同类窗口区域合并得到超像素区域。
优选的,获取每两个窗口区域的相似度,包括:
获取每个窗口区域对应的像素点的灰度均值及灰度标准差;
将灰度均值及灰度标准差作为窗口区域的两个特征值;
根据每个窗口区域对应两个特征值计算每两个窗口区域的相似度。
优选的,当两个窗口区域的相似度大于预设的相似度阈值时,则将两个窗口区域分为一类,直至所有窗口区域均进行分类,得到多个类别的窗口区域。
优选的,获取每个超像素区域的第一频谱信息区域与第二频谱信息区域,包括:
获取每个超像素区域的频谱图像;
根据最大类间方差算法获取频谱图像的分割阈值;
根据分割阈值将频谱图像的频谱信息分为第一频谱信息与第二频谱信息;
根据频谱图像中的所有第一频谱信息得到第一频谱信息区域;
根据频谱图像中的所有第二频谱信息得到第二频谱信息区域。
优选的,判断超像素区域是否为目标超像素区域,包括:
将频谱图像的所有第一频谱信息对应的区域作为高频区域;
将频谱图像的所有第二频谱信息对应的区域作为低频区域;
获取第一频谱信息区域与第二频谱信息区域的面积比值;
将面积比值小于预设阈值时对应的超像素区域作为目标超像素区域。
本发明的一种个性化定制的智能视觉训练方法的有益效果是:
通过先获取受电磁干扰、传感器电容变化产生的高斯噪声的目标VR图像,然后将目标VR图像分为多个超像素区域,目的是由于元器件之间电磁干扰、传感器电容变化引起的噪声深度随机,故在目标VR图像上不同区域表现的影响程度不同,故需要先获取目标VR图像上的超像素区域,通过对目标VR图像的超像素区域进行分析,得到每个超像素区域的平均灰度值、该超像素区域在原始VR图像中对应区域的灰度均值以及该超像素区域内的噪声随机数均值之间的关系,故利用这个关系从所有超像素区域选出平均灰度值与其在原始VR图像中对应区域的灰度均值相近的目标超像素区域,进而使得后续利用目标超像素区域的平均灰度值来估测目标超像素区域时得到的噪声随机数会更可靠,故基于目标超像素区域的平均灰度值先估测目标超像素区域的估测灰度均值,以估测灰度均值作为原始VR图像中的对应区域的灰度均值,并结合目标超像素区域的灰度均值,来准确获取目标超像素区域的中每个像素点的噪声随机数,基于所有目标超像素区域的像素点与其邻域像素点的噪声随机数的差值绝对值的标准差来自适应设置高斯滤波核,由于高斯滤波核对图像高斯噪声随机数贴合程度较高,故在基于高斯滤波核对目标VR图像进行去噪,在去除目标VR图像中的噪声的同时,能够最高程度的保证目标VR图像的细节信息,从而保证了视觉训练时的图像质量。
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他的附图。
图1为本发明的一种个性化定制的智能视觉训练方法的实施例的流程图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种个性化定制的智能视觉训练方法的实施例,适用场景为:由于元器件之间电磁干扰、传感器电容变化引起的噪声基本都是高斯噪声,传统高斯噪声去噪有均值滤波、中值滤波及高斯滤波的方式,由于,VR系统针对不同视觉问题的训练者,均具有成熟的训练方案,包括VR图像模糊-清晰的渐变、近视-远视之间的转换、聚焦点的移动等等,无论哪种视觉训练方案,均是基于图像实现的训练过程,因此图像的质量不容忽视,故在进行视觉训练时需要重视图像细节,因此,传统算法的值、中值滤波去噪效果并不够理想,即均值、中值滤波的可调参数仅有滤波尺寸,因此,均值、中值滤波的平滑程度难以控制,而高斯滤波的平滑程度取决于滤波尺寸以及滤波强度,高斯滤波内的元素值权重服从二维正态分布,越靠近窗口中心点(也即当前滤波点),权重越大,且滤波强度由标准差控制,由于其自适应能力较优,故本发明通过自适应获取滤波核来进行高斯滤波去噪。
具体的,如图1所示,本实施例的方法具体包括:
S1、获取VR训练系统中受噪声影响的目标VR图像;
具体的,由于VR训练系统受到电磁信号或传感器电容变化,在该变化过程中是光信号和电信号的转换,而光信号和电信号的转换过程受到一定干扰后就会导致VR图像产生噪声,故,需要将VR训练系统对视觉训练时的噪声图像进行去噪,即需要获取受噪声影响的目标VR图像,其中,每个VR图像都多少受噪声的影响,具体的,VR图像为系统图库中个性化定制的VR图像,其中,个性化定制的意思为针对不同视觉问题的人群设定不同的VR图像形成的不同的训练方案,以达到针对性的视觉训练的效果,故本实施例以每个VR图像作为目标VR图像。
S2、获取超像素区域,并判断超像素区域是否为目标超像素区域;
具体的,将目标VR图像分为多个超像素区域,获取每个超像素区域的第一频谱信息区域与第二频谱信息区域,其中,第一频谱信息大于第二频谱信息,根据每个超像素区域中第一频谱信息区域与第二频谱信息区域的面积大小,判断超像素区域是否为目标超像素区域。
其中,获取超像素区域包括:利用瓦片窗口对目标VR图像进行遍历得到多个窗口区域,获取每两个窗口区域的相似度,根据相似度对所有窗口区域进行分类,并将所有同类窗口区域合并得到超像素区域;获取多个超像素区域的目的是:由于元器件之间电磁干扰、传感器电容变化引起的噪声深度随机,故在图像上不同区域表现的影响程度不同,故需要先获取存在噪声的目标VR图像上的局部区域及局部区域的特征参数,具体的,本实施例根据预设尺寸的瓦片窗口对目标VR图像进行遍历将目标VR图像分为多个窗口区域,其中,本实施例利用3*3瓦片窗口对目标VR图像进行遍历,得到每次遍历时对应的窗口区域,需要说明的是,瓦片窗口对图像遍历时,是每得到一个窗口区域,下一个窗口区域与上一个窗口区域相邻且不重叠,且该技术为现有技术,本实施例不再赘述。
其中,由于在图像上噪声分布在每一个像素点上,因此,以单个像素点为单位进行特征构建显然是不可行的,对于不规则像素块我们利用超像素的思想,抑制单个像素点的特征表达,突出群体特征,故获取每两个窗口区域的相似度包括:计算每个窗口区域内像素点的灰度均值以及灰度标准差,然后以每个窗口区域对应的灰度均值以及灰度标准差作为窗口区域的特征值,根据窗口区域的特征值构建相似度计算公式来计算两个窗口区域的相似度。
其中,相似度计算公式为:
式中,代表窗口区域与窗口区域的相似度;
表示窗口区域的灰度均值;
表示窗口区域的灰度均值的平方;
表示窗口区域的灰度均值;
表示窗口区域的灰度均值的平方;
表示窗口区域的灰度标准差;
表示窗口区域的灰度标准差;
表示窗口区域的灰度方差;
表示窗口区域的灰度方差;
需要说明的是,每个窗口区域对应的灰度均值以及灰度标准差作为窗口区域的特征值,故以特征值来计算两个窗口区域相似度,其中,相似度计算公式为现有技术公式,本实施例不再赘述。
然后,基于每两个窗口区域的相似度对目标VR图像上所有窗口区域进行分类,并进行同类合并得到超像素区域,具体的,本实施例设置相似度阈值为0.7,本实施例认为两个窗口区域的相似度大于0.7时,则认为两个窗口区域的特征相似,故将两个窗口区域分为一类,以此类推,将所有窗口区域分类,得到多个类别的窗口区域,将同类别的窗口区域合并得到对应的超像素区域。
需要说明的是,步骤S2是在噪声图像中将不同背景区域进行粗分割,允许误差存在,故颜色不同但相近的区域可能会分割为一个区域,差异明显的区域必然可以被分割,颜色不同但相近的区域可能会分割为一个区域对后续计算存在误差,但影响不大。
具体的,判断超像素区域是否为目标超像素区域;由于,元器件之间电磁干扰、传感器电容变化引起的噪声基本都是高斯噪声,且高斯噪声的几乎覆盖目标VR图像上的每个像素点,即每个像素点的噪点深度随机,但其概率密度服从高斯分布(正态分布),假设目标VR图像产生高斯噪声的过程是:通过将输入像素点与符合高斯分布函数的噪声随机数相加,即,在本实施例中,则为超像素区域内的灰度均值,等于超像素区域在原始VR图像中对应区域的灰度均值与该超像素区域内的噪声随机数均值之和,故本实施例中,为目标VR图像的灰度均值,为目标VR图像对应的原始VR图像的灰度均值,为随机数的噪声随机数均值,那么理论上来讲,仅从噪声图像上是无法获取每个含噪像素点上的噪声随机数。因此,本发明采用估测的原始VR图像的灰度均值方式来获取噪声随机数,进而为调节高斯滤波强度提供依据。
故,本实施例先获取每个超像素区域的第一频谱信息区域与第二频谱信息区域,其中,第一频谱信息大于第二频谱信息,根据每个超像素区域中第一频谱信息区域与第二频谱信息区域的面积大小,判断超像素区域是否为目标超像素区域。
其中,一般灰度均值作为评估该区域整体灰度的基本特征,但是在噪声图像上该区域内灰度均值存在可信度的特征属性,即需要确定是原始VR图像的灰度均值在噪声图像的灰度均值中的占比较高,还是噪声随机数均值在噪声图像的灰度均值中占比较高,即噪声图像的灰度均值受原始VR图像的灰度均值影响大,还是噪声随机数影响大,简单说就是黑色背景图像,即使噪声干扰,仍能看出是黑色图像,那么原始VR图像的灰度均值在噪声图像的灰度均值中的占比就较高,其中,噪声随机数越大,则其高频信息越突出,反之,噪声随机数越小,低频信息越突出,基于步骤S2得到了超像素区域,本实施例认为超像素区域的内部几乎为目标VR图像对应的原始VR图像的灰度均匀区域,故,高频信息来反应目标VR图像的噪声随机数对超像素区域内的灰度均值的影响程度,低频信息来反应原始VR图像的灰度均值对超像素区域内的灰度均值的影响程度,先获取每个超像素区域的第一频谱信息区域与第二频谱信息区域,具体的,获取每个超像素区域的第一频谱信息区域与第二频谱信息区域包括:获取每个超像素区域的频谱图像;根据最大类间方差算法获取频谱图像的分割阈值,其中,最大类间方差算法获取分割阈值是公知技术,本实施例不在赘述;根据分割阈值将频谱图像的频谱信息分为第一频谱信息与第二频谱信息;根据频谱图像中的所有第一频谱信息得到第一频谱信息区域;根据频谱图像中的所有第二频谱信息得到第二频谱信息区域,具体的,利用傅里叶变换将每个超像素区域转化为对应的频谱图像,然后对频谱图像中点的亮度值进行归一化,通过计算频谱图像中亮度值的最大类间方差,然后基于最大类间方差算法确定第一频谱信息与第二频谱信息的分割阈值,通过分割阈值将频谱图像中的频谱信息分为第一频谱信息与第二频谱信息,其中,第一频谱信息对应的区域作为高频区域,第二频谱信息对应的区域作为低频区域。
其中,为了获取所有超像素区域,获取原始VR图像中对应的灰度均值对超像素区域所在的目标VR图像中的灰度均值的影响较高的目标超像素区域,即噪声小的区域,对于影响较高的目标超像素区域,本实施例认为这些目标超像素区域尽管存在噪声,但目标超像素区域的灰度均值与原始VR图像的灰度均值相近,即可以将目标超像素区域内的灰度均值作为估测该目标超像素区域内噪声随机数的可靠参数,故本实施例,根据每个超像素区域中第一频谱信息区域与第二频谱信息区域的面积大小,判断超像素区域是否为目标超像素区域,具体的,将频谱图像中第一频谱信息区域与第二频谱信息区域的面积比值,记为表示第一频谱信息区域的面积,表示第二频谱信息区域的面积,若第一频谱信息区域比第二频谱信息区域的面积大,即,则认为超像素区域内噪声随机数对超像素区域的灰度均值的占比较高,即噪声随机数对超像素区域的灰度均值的影响大,反之,若第一频谱信息区域比第二频谱信息区域的面积小,即,则认为超像素区域内原始VR图像的灰度均值对超像素区域的灰度均值的占比较高,即原始VR图像的灰度均值对超像素区域的灰度均值的影响大,当,则认为超像素区域内的灰度均值可以评估该超像素区域的实际灰度值高低,即使在噪声图像上,即该目标超像素区域的灰度均值具有可信度,可信度即超像素区域在对应的原始VR图像的灰度均值对目标VR图像的灰度均值的影响较高,故,将第一频谱信息区域与第二频谱信息区域的面积比值小于预设阈值1时对应的超像素区域作为目标超像素区域,即将时对应的超像素区域作为目标超像素区域,需要说明的是,由于第一频谱信息区域与第二频谱信息区域的面积之和为1,故将两个第一频谱信息区域与第二频谱信息区域面积比值的阈值设置为1。
至此,得到了灰度均值与原始VR图像的灰度均值相近的目标超像素区域。
S3、获取目标超像素区域的每个像素点的噪声随机数;
具体的,根据目标超像素区域对应的灰度均值、第一频谱信息区域及第二频谱信息区域,获取目标超像素区域的估测灰度均值,根据目标超像素区域的估测灰度均值及目标超像素区域的每个像素点的灰度值,获取目标超像素区域的每个像素点的噪声随机数。
由于,目标超像素区域尽管存在噪声,但目标超像素区域的灰度均值与其在原始VR图像中对应区域的灰度均值相近,即可以将目标超像素区域内的灰度均值作为估测该目标超像素区域内噪声随机数的可靠参数,故根据目标超像素区域对应的灰度均值、第一频谱信息区域及第二频谱信息区域,获取目标超像素区域的估测灰度均值,具体的,获取目标超像素区域的估测灰度均值包括:获取目标超像素区域对应的第一频谱信息区域与第二频谱信息区域的目标面积比值,并获取常数1与目标面积比值的第二差值;获取目标超像素区域对应的第二频谱信息区域占目标超像素区域的所有频谱信息的面积占比;将第二差值、面积占比以及灰度均值的乘积作为目标超像素区域的估测灰度均值,其中,估测灰度均值的计算公式为:
式中,表示目标VR图像的第个目标超像素区域的估测灰度均值;
表示目标VR图像的第个目标超像素区域对应的频谱图像中的第一频谱信息区域的面积;
表示目标VR图像的第个目标超像素区域对应的频谱图像中的第二频谱信息区域的面积;
表示目标VR图像的第个目标超像素区域的灰度均值;
需要说明的是,表示目标VR图像的第个目标超像素区域对应的频谱图像中,第二频谱信息区域与频谱图像中频谱信息总量的面积占比,而等于第个目标超像素区域在原始VR图像中的对应区域的灰度均值与对应区域的高斯随机数均值之和,那么在中,理论上等于(/),即可变换为中,代表目标VR图像的第个目标超像素区域对应的频谱图像中,第一频谱信息区域的面积除以第二频谱区域的面积,当面积比值小于1,且该值越小,则代表以该目标超像素区域的灰度均值来获取目标超像素区域的估测灰度均值的可信度越高,也侧面反映了噪声随机数越小,那么在根据目标VR图像的第个目标超像素区域的灰度均值估测目标超像素区域的估测灰度均值的时,用作为约束系数,在0-1内越小,在0-1内越大,则估测的原始背景灰度均值相对于的下调程度较少,即作为的约束系数,故,可得到,化简后得到
基于目标超像素区域的估测灰度均值,结合目标超像素区域内的平均灰度值,等于目标超像素区域在原始VR图像中的对应区域的灰度均值与目标超像素区域内的噪声随机数均值,即本实施例中,将目标超像素区域的估测灰度均值作为原始VR图像中的对应区域的灰度均值,即可得到噪声随机数=目标超像素区域中每个像素点的灰度值-估测灰度均值,故可以获取目标超像素区域的每个像素点的噪声随机数,即获取目标超像素区域的每个像素点的灰度值与目标超像素区域的估测灰度均值的第一差值,并将第一差值作为目标超像素区域内对应的像素点的噪声随机数,噪声随机数的计算公式为:,式中,表示目标VR图像上第个目标超像素区域的第个像素点的灰度值,代表目标VR图像上第个目标超像素区域的第个像素点的噪声随机数,表示目标VR图像的第个目标超像素区域的估测灰度均值。
至此,即可得到所有目标超像素区域中的每个像素点的噪声随机数。
S4、获取最终VR图像,利用最终VR图像进行视觉训练;
具体的,获取所有目标超像素区域中每个像素点与其邻域像素点的噪声随机数的差值绝对值的标准差;利用滤波强度为差值绝对值的标准差、预设的滤波尺寸的高斯滤波核对目标VR图像进行去噪得到最终VR图像,利用最终VR图像进行视觉训练。
由于,目标超像素区域的灰度均值与原始VR图像的对应区域的灰度均值相近,故在原始VR图像中的对应区域的像素点上叠加得到的噪声随机数就较小,因此,选择所有目标超像素区域中的像素点的噪声随机数作为估测噪声随机数时,最终估测结果准确度较高,由于所得估测噪声随机数仍只有一部分,虽然无法估测所有的噪声随机数,但是可以根据已获得具有可信度的部分估测的噪声随机数,来自适应获取合适高斯滤波强度,以目标超像素区域的每个像素点为中心,获取所有目标超像素区域中每个像素点与其邻域像素点的噪声随机数的差值绝对值的标准差,其中,标准差计算公式为:
式中,表示所有目标超像素区域中每个像素点与其邻域像素点的噪声随机数的差值绝对值的标准差;
表示所有目标超像素区域中第个像素点对应的噪声随机数;
表示在所有目标超像素区域内第个像素点的邻域内的第个邻域像素点对应的噪声随机数;
表示所有目标超像素区域中的像素点的总数量;
表示所有目标超像素区域中每个像素点与其邻域像素点的噪声随机数的差值绝对值的均值;
需要说明的是,表示第个像素点对应的噪声随机数与其邻域内第r个邻域像素点对应的噪声随机数的差值绝对值,那么以表示所有目标超像素区域中每个像素点与其邻域像素点的噪声随机数的差值绝对值的均值则为第个像素点对应的噪声随机数与其8邻域内第r个邻域像素点对应的噪声随机数的平均差值绝对值,为差值绝对值的方差公式,方差公式为现有技术,本实施例不再赘述,至此,即得到了差值绝对值的标准差。
基于得到的标准差,由于本实施例中每个像素点的邻域大小为8邻域,故本实施例利用预设的滤波尺寸为3*3、滤波强度为的高斯滤波核对目标VR图像进行去噪得到最终VR图像,将最终VR图像作为视觉训练时的训练图像,以滤波强度为,即可最大程度贴合原始VR图像中的噪声随机深度,使得对噪声的平滑程度越贴合噪声深度,进而最大程度的保留原始VR图像的信息。
本发明的一种个性化定制的智能视觉训练方法,通过先获取受电磁干扰、传感器电容变化产生的高斯噪声的目标VR图像,然后基于相似度对目标VR图像的每个窗口区域进行分类,并得到超像素区域,目的是由于元器件之间电磁干扰、传感器电容变化引起的噪声深度随机,故在目标VR图像上不同区域表现的影响程度不同,故需要先获取目标VR图像上的超像素区域,通过对目标VR图像的超像素区域进行分析,得到每个超像素区域的平均灰度值等于该超像素区域在原始VR图像中的灰度均值与超像素区域内的噪声随机数均值之和,故利用这个关系从所有超像素区域选出平均灰度值与其在原始VR图像中对应区域的灰度均值相近的目标超像素区域,由于目标超像素区域的平均灰度值与其对应的其在原始VR图像中对应区域的灰度均值相近,故利用目标超像素区域的平均灰度值来估测目标超像素区域时得到的噪声随机数会更可靠,故基于目标超像素区域的平均灰度值先估测目标超像素区域的估测灰度均值,然后基于估测灰度均值及目标超像素区域的灰度均值来准确获取目标超像素区域的中每个像素点的噪声随机数,基于所有目标超像素区域的像素点与其邻域像素点的噪声随机数的差值绝对值的标准差来获取高斯滤波核,通过标准差来设计高斯滤波核,由于高斯滤波核对图像高斯噪声随机数贴合程度较高,故在基于高斯滤波核对目标VR图像进行去噪,在去除目标VR图像中的噪声的同时,能够最高程度的保证目标VR图像的细节信息,从而保证视觉训练时的图像质量。
以上所述仅为本发明的较佳实施例而已,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 (7)

1.一种个性化定制的智能视觉训练方法,其特征在于,包括:
获取VR训练系统中受噪声影响的目标VR图像;
将目标VR图像分为多个超像素区域,获取每个超像素区域的第一频谱信息区域与第二频谱信息区域,其中,第一频谱信息大于第二频谱信息,根据每个超像素区域中第一频谱信息区域与第二频谱信息区域的面积大小,判断超像素区域是否为目标超像素区域;
获取每个超像素区域的第一频谱信息区域与第二频谱信息区域,包括:
利用傅里叶变换将每个超像素区域转化为对应的频谱图像,对频谱图像中点的亮度值进行归一化,计算频谱图像中亮度值的最大类间方差,然后基于最大类间方差算法确定第一频谱信息与第二频谱信息的分割阈值;
通过分割阈值将频谱图像中的频谱信息分为第一频谱信息与第二频谱信息,其中,第一频谱信息对应的区域作为高频区域,第二频谱信息对应的区域作为低频区域;
根据目标超像素区域对应的灰度均值、第一频谱信息区域及第二频谱信息区域,获取目标超像素区域的估测灰度均值,根据目标超像素区域的估测灰度均值及目标超像素区域的每个像素点的灰度值,获取目标超像素区域的每个像素点的噪声随机数;
获取所有目标超像素区域中每个像素点与其邻域像素点的噪声随机数的差值绝对值的标准差;利用滤波强度为差值绝对值的标准差、预设的滤波尺寸的高斯滤波核对目标VR图像进行去噪得到最终VR图像,利用最终VR图像进行视觉训练。
2.根据权利要求1所述的一种个性化定制的智能视觉训练方法,其特征在于,获取目标超像素区域的每个像素点的噪声随机数,包括:
获取目标超像素区域的每个像素点的灰度值与目标超像素区域的估测灰度均值的第一差值,并将第一差值作为目标超像素区域内对应的像素点的噪声随机数。
3.根据权利要求1所述的一种个性化定制的智能视觉训练方法,其特征在于,获取目标超像素区域的估测灰度均值,包括:
获取目标超像素区域对应的第一频谱信息区域与第二频谱信息区域的目标面积比值,并获取常数1与目标面积比值的第二差值;
获取目标超像素区域对应的第二频谱信息区域占目标超像素区域的所有频谱信息的面积占比;
将第二差值、面积占比以及灰度均值的乘积作为目标超像素区域的估测灰度均值。
4.根据权利要求1所述的一种个性化定制的智能视觉训练方法,其特征在于,将目标VR图像分为多个超像素区域,包括:
利用瓦片窗口对目标VR图像进行遍历得到多个窗口区域;
获取每两个窗口区域的相似度;
根据相似度对所有窗口区域进行分类,并将所有同类窗口区域合并得到超像素区域。
5.根据权利要求4所述的一种个性化定制的智能视觉训练方法,其特征在于,获取每两个窗口区域的相似度,包括:
获取每个窗口区域对应的像素点的灰度均值及灰度标准差;
将灰度均值及灰度标准差作为窗口区域的两个特征值;
根据每个窗口区域对应两个特征值计算每两个窗口区域的相似度。
6.根据权利要求4所述的一种个性化定制的智能视觉训练方法,其特征在于,当两个窗口区域的相似度大于预设的相似度阈值时,则将两个窗口区域分为一类,直至所有窗口区域均进行分类,得到多个类别的窗口区域。
7.根据权利要求1所述的一种个性化定制的智能视觉训练方法,其特征在于,判断超像素区域是否为目标超像素区域,包括:
获取超像素区域的第一频谱信息区域与第二频谱信息区域的面积比值;
将面积比值小于预设阈值时对应的超像素区域作为目标超像素区域。
CN202310043608.1A 2023-01-29 2023-01-29 一种个性化定制的智能视觉训练方法 Active CN115797333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310043608.1A CN115797333B (zh) 2023-01-29 2023-01-29 一种个性化定制的智能视觉训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310043608.1A CN115797333B (zh) 2023-01-29 2023-01-29 一种个性化定制的智能视觉训练方法

Publications (2)

Publication Number Publication Date
CN115797333A CN115797333A (zh) 2023-03-14
CN115797333B true CN115797333B (zh) 2023-05-09

Family

ID=85429073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310043608.1A Active CN115797333B (zh) 2023-01-29 2023-01-29 一种个性化定制的智能视觉训练方法

Country Status (1)

Country Link
CN (1) CN115797333B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229276B (zh) * 2023-05-05 2023-07-28 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 基于计算机视觉的入河排污检测方法
CN116385313B (zh) * 2023-05-15 2023-08-25 南京师范大学 基于图像处理的婴幼儿人际沟通拼图训练系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102233116A (zh) * 2010-04-28 2011-11-09 成都中医药大学 治疗乳腺增生的药物组合物及其制备方法
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9706910B1 (en) * 2014-05-29 2017-07-18 Vivid Vision, Inc. Interactive system for vision assessment and correction
US10417771B2 (en) * 2015-05-14 2019-09-17 Intel Corporation Fast MRF energy optimization for solving scene labeling problems
CN105701477B (zh) * 2016-02-19 2017-07-14 中原工学院 一种基于平稳小波变换视觉显著性的织物疵点检测方法
EP3803687A4 (en) * 2018-05-27 2022-03-23 Elucid Bioimaging Inc. METHODS AND SYSTEMS FOR USING QUANTITATIVE IMAGING
CN109875863B (zh) * 2019-03-14 2021-07-20 江苏睿世力科技有限公司 基于双目视觉与脑力影像训练的头戴式vr视力提升系统
CN110575373A (zh) * 2019-08-30 2019-12-17 吴登智 一种基于vr一体机的视觉训练方法及系统
CN111938027A (zh) * 2020-08-25 2020-11-17 成都中医药大学 一种黄精地上部分禽畜饲料及其制备方法
CN114549481A (zh) * 2022-02-25 2022-05-27 河北工业大学 一种融合深度和宽度学习的深度伪造图像检测方法
CN115294138A (zh) * 2022-10-09 2022-11-04 如皋市中如新材料科技有限公司 一种基于高速混料机的混料均匀程度评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102233116A (zh) * 2010-04-28 2011-11-09 成都中医药大学 治疗乳腺增生的药物组合物及其制备方法
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法

Also Published As

Publication number Publication date
CN115797333A (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN115797333B (zh) 一种个性化定制的智能视觉训练方法
Dai et al. Retinal fundus image enhancement using the normalized convolution and noise removing
US9002131B2 (en) Method and system for enhancing image quality
CN107392866B (zh) 一种光照鲁棒的人脸图像局部纹理增强方法
CN108921800A (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
CN109636766B (zh) 基于边缘信息增强的偏振差分与光强图像多尺度融合方法
CN105654496B (zh) 基于视觉特性的仿生自适应模糊边缘检测方法
CN106408746B (zh) 一种安全线识别方法和装置
CN110458792B (zh) 人脸图像质量的评价方法及装置
CN116363021B (zh) 一种创伤患者护理评估智能采集系统
CN108710832A (zh) 一种无参考虹膜图像清晰度检测方法
CN114897882B (zh) 一种基于加权平均曲率滤波分解的遥感图像融合方法
CN110163825B (zh) 一种人类胚胎心脏超声图像去噪和增强方法
CN107292844B (zh) 全变差正则化变分随机共振自适应暗图像滤波增强方法
CN109859138A (zh) 一种基于人眼视觉特性的红外图像增强方法
CN106570837B (zh) 基于高斯多尺度空间的脑组织mri图像偏移场校正方法
Rao et al. De-noising of MRI brain tumor image using deep convolutional neural network
CN110852977B (zh) 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法
Lee et al. Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform
Kabir A rule based segmentation approaches to extract retinal blood vessels in fundus image
CN110647843A (zh) 一种人脸面部图像处理方法
CN111738943B (zh) 一种空域和频域相结合的医学图像增强方法
CN117649357B (zh) 一种基于图像增强的超声图像处理方法
CN115205205B (zh) 一种显示效果的智能评估方法及系统
CN108573472B (zh) 利用最小熵判断视觉感知饱和的图像自适应缩小方法

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