CN116055900A - 一种基于摄像装置的图像质量修正方法 - Google Patents
一种基于摄像装置的图像质量修正方法 Download PDFInfo
- Publication number
- CN116055900A CN116055900A CN202310323251.2A CN202310323251A CN116055900A CN 116055900 A CN116055900 A CN 116055900A CN 202310323251 A CN202310323251 A CN 202310323251A CN 116055900 A CN116055900 A CN 116055900A
- Authority
- CN
- China
- Prior art keywords
- image
- image quality
- pickup device
- time
- image pickup
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明提供一种基于摄像装置的图像质量修正方法,属于摄像装置技术领域,具体包括:获取摄像装置的图像,当图像的图像质量不能满足要求时,且天气条件或者环境光强度均不存在异常时,至少基于摄像装置的运行时间、在运行时间内的特定天气条件的时长、存在疑似积灰的累计时长确定存在疑似故障时,获取在天气条件以及环境光强度正常时的图像作为历史图像,并基于历史图像的图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及图像的图像质量确定所述摄像装置的积灰程度,并基于积灰程度确定是否进行实时的图像的去噪处理以及告警信号的输出,从而进一步提升了图像质量修正的准确性和针对性。
Description
技术领域
本发明属于摄像装置技术领域,尤其涉及一种基于摄像装置的图像质量修正方法。
背景技术
为了实现对摄像装置的运行状态的确定以及图像质量的修正,在授权发明专利授权公告号CN103167313B《视频监控业务质量测试方法和系统、质量测试服务器》中通过以预定的时间间隔从视频监控业务服务器获得与设备信息对应的视频监控设备在当前时间采集的当前视频信息;在当前视频信息的图像质量指标超出预定范围时,从视频监控业务服务器获得视频监控设备的历史视频信息,并在此基础上计算参考基准值;判断当前视频信息的图像质量指标是否在参考基准值允许的范围内;若超出允许范围,质量测试服务器向质量管理服务器发送视频质量异常的警告信息,但是却存在以下技术问题:
忽视了结合天气条件、环境光强度进行图像质量以及运行状态的评估,例如在沙尘天气或者环境光强度较弱的情况下,图像质量都会比正常天气和光照强度下的图像质量较弱,因此若不能结合上述因素,则有可能会导致错误发出报警信息。
忽视了结合一段时间周期内的图像质量的分析结果进行运行状态的评估,对于摄像装置由于摄像头积灰导致的图像质量下降,其图像噪声不会立马发生变化,而是逐渐的导致图像质量的降低,而且在设定时间后同样会存在图像质量较差的问题,因此同样有可能会导致误报警。
针对上述技术问题,本发明提供了一种基于摄像装置的图像质量修正方法。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于摄像装置的图像质量修正方法。
一种基于摄像装置的图像质量修正方法,其特征在于,具体包括:
S11获取摄像装置的图像,并以预设的时间间隔对所述图像的图像质量进行分析,当所述图像的图像质量不能满足要求时,进入下一步;
S12判断是否所述摄像装置所处地区的天气条件或者环境光强度存在异常,若是,则对所述图像进行去噪处理,若否,则确定所述摄像装置存在疑似积灰,并进入步骤S13;
S13至少基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置是否存在疑似故障,若是,则进入步骤S14,若否,则对所述图像进行去噪处理;
S14获取所述摄像装置在天气条件以及环境光强度正常时的图像作为历史图像,并基于所述历史图像的图像质量分析结果得到图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,并基于所述积灰程度确定是否进行实时的图像的去噪处理以及告警信号的输出。
通过结合天气条件以及环境光强度进行筛选,从而避免了原有的简单的图像质量的简单比对导致的筛选错误的问题的出现,减少了环境因素的干扰,提升了判断的准确性,同时也实现了对疑似积灰的初步筛选。
通过进一步结合摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,进行存在疑似故障的判断,从而实现了从摄像装置的运行环境的角度对疑似故障的筛选,提升了判断的准确性,也减少了不必要的历史图像的筛选和进一步的对比,提升了判断和筛选的效率。
通过结合历史图像的图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,从而实现了从历史图像的角度对摄像装置的积灰程度的判断,不仅实现了从另外一个角度对摄像装置的判断,同时也进一步提升了积灰程度判断的效率和准确性。
另一方面,本申请实施例中提供一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于摄像装置的图像质量修正方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于摄像装置的图像质量修正方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显;
图1是一种基于摄像装置的图像质量修正方法的流程图;
图2是摄像装置存在疑似故障的判断的具体步骤的流程图;
图3是摄像装置的积灰程度判断的具体步骤的流程图;
图4是一种计算机系统的结构图;
图5是一种摄像机的结构图;
图6是一种计算机存储介质的结构图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
为解决上述问题,根据本发明的一个方面,如图1所示,提供了根据本发明的一种基于摄像装置的图像质量修正方法,其特征在于,具体包括:
S11获取摄像装置的图像,并以预设的时间间隔对所述图像的图像质量进行分析,当所述图像的图像质量不能满足要求时,进入下一步;
需要说明的是,所述预设的时间间隔根据所述摄像装置的数量、所述摄像装置所在地区的天气条件进行确定,其中所述摄像装置的数量越少,所述天气条件越差,则所述预设的时间间隔越短。
具体的举例说明,所述图像的图像质量可以通过图像噪声、峰值信噪比(Peak-Signal to Noise Ratio,PSNR)、均方误差(Mean Square Error,MSE)、对比度进行评价。
S12判断是否所述摄像装置所处地区的天气条件或者环境光强度存在异常,若是,则对所述图像进行去噪处理,若否,则确定所述摄像装置存在疑似积灰,并进入步骤S13;
需要说明的是,所述特定天气条件包括沙尘暴、降雨、降雪,当所述天气条件属于特定天气条件时,则确定所述天气条件存在异常。
通过结合天气条件以及环境光强度进行筛选,从而避免了原有的简单的图像质量的简单比对导致的筛选错误的问题的出现,减少了环境因素的干扰,提升了判断的准确性,同时也实现了对疑似积灰的初步筛选。
S13至少基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置是否存在疑似故障,若是,则进入步骤S14,若否,则对所述图像进行去噪处理;
需要说明的是,如图2所示,所述摄像装置存在疑似故障的判断的具体步骤为:
S21基于所述摄像装置存在疑似积灰的累计时长确定所述摄像装置是否存在潜在积灰,若是,则进入步骤S22,若否,则输出所述摄像装置无故障;
具体的举例说明,当摄像装置存在疑似积灰的累计时长大于2小时时,则确定所述摄像装置存在潜在积灰。
S22获取所述摄像装置的运行时间,并基于所述摄像装置的运行时间确定所述摄像装置是否存在疑似故障,若是,则确定所述摄像装置存在疑似故障,若否,则进入步骤S23;
具体的举例说明,当摄像装置的运行时间大于半年以上时,则确定所述摄像装置存在潜在积灰。
S23基于所述摄像装置在运行时间内的特定天气条件的时长,并基于所述摄像装置在运行时间内的特定天气条件的时长确定所述摄像装置是否存在疑似故障,若是,则确定所述摄像装置存在疑似故障,若否,则进入步骤S24;
具体的举例说明,当摄摄像装置在运行时间内的特定天气条件的时长大于120小时以上时,则确定所述摄像装置存在潜在积灰。
S24基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置的评估值,并基于所述评估值确定所述摄像装置是否存在疑似故障。
具体的举例说明,所述摄像装置的评估值采用基于PSO优化的LSTM模型进行确定,其中所述基于PSO优化的LSTM模型构建的具体步骤为:
将基于自适应权重的PSO算法与LSTM算法进行结合,构建组合模型。
步骤1数据预处理。包括异常值处理等步骤,并按7:3的比例切割为训练集与预测集。
步骤2初始化粒子种群X。设置粒子群种群规模、迭代次数、初始速度与位置区间。
步骤 3 初始化粒子速度、位置。随机产生一个X中粒子xi,0(α,ε,ρ),其中,(,ε,ρ)为粒子群的寻优参数,α为LSTM层的隐藏层单元数;ε为学习率;ρ为Dropout层丢弃概率。
步骤 4 设置本文模型的误差指标为适应度值 ,包 含 均 方 根 误 差(RootMean Square Error,RMSE)与平均绝对值误差(Mean Absolute Error,MAE)两种指标。其中,RMSE 通常表示为真实值与预测值偏差值的标准差;MAE 是绝对误差的平均值,通常表示为偏差在样本上的均值。对两种指标的定义如下:
式中,n为数据集内样本点数量;xi为第i个航迹样本点的实际值;xi为第i个航样本点的预测值。
步骤5根据适应度值变化,更新单个粒子的个体最优位置与全局最优位置,并更新自身的位置坐标与速度。
步骤6粒子群迭代更新,直至适应度值RMSE与MAE趋于稳定,并确定寻优参数(α,ε,ρ)数值。
步骤7将最优参数输入至LSTM网络,训练并进行预测。
在实际的操作过程中,需要对学习因子 c1和 c2进行自适应改进。其中,是粒子自我认知的体现,用于对粒子自身知识进行总结;是粒子社会认知的体现,用于向表现更好的粒子学习;在寻优初期,我们需要关注个体自我认识的能力,而后期则应注重个体获取社会信息的能力。由此其表达式为:
式中,g为当前迭代次数;gmax为最大迭代次数;e1和f1取值1,e2和f2取值2。
在本实施例中,通过进一步结合摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,进行存在疑似故障的判断,从而实现了从摄像装置的运行环境的角度对疑似故障的筛选,提升了判断的准确性,也减少了不必要的历史图像的筛选和进一步的对比,提升了判断和筛选的效率。
S14获取所述摄像装置在天气条件以及环境光强度正常时的图像作为历史图像,并基于所述历史图像的图像质量分析结果得到图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,并基于所述积灰程度确定是否进行实时的图像的去噪处理以及告警信号的输出。
需要说明的是,所述图像质量根据所述图像或者历史图像的噪声进行确定。
需要说明的是,当所述摄像装置存在疑似积灰的累计时长大于设定时长时,则确定所述摄像装置存在潜在积灰。
需要说明的是,如图3所示,所述摄像装置的积灰程度判断的具体步骤为:
S31基于所述图像的图像质量确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理;若否,则进入步骤S32;
S32获取所述摄像装置在相同的天气条件以及环境光强度时的图像质量最好的历史图像作为原始图像,基于所述原始图像的图像质量与所述图像的图像质量的差值作为图像质量变动量,并基于所述图像质量变动量确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理;若否,则进入步骤S33;
S33基于所述历史图像的图像分析结果确定出现图像质量异常的时间,并基于所述出现图像质量异常的时间确定所述图像质量异常的累计时间,并基于所述累计时间确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理,若否,则进入步骤S34;
S34基于在所述累计时间内的历史图像的图像质量的最差值确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理,若否,则进入步骤S35;
S35基于所述图像质量异常的累计时间、所述图像的图像质量、图像质量变动量、在所述累计时间内的历史图像的图像质量的最差值确定所述摄像装置的积灰程度。
需要说明的是,当所述积灰程度大于预设积灰程度值时,则确定进行实时的图像的去噪处理以及告警信号的输出。
在本实施例中,通过结合历史图像的图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,从而实现了从历史图像的角度对摄像装置的积灰程度的判断,不仅实现了从另外一个角度对摄像装置的判断,同时也进一步提升了积灰程度判断的效率和准确性。
为方便理解,本申请给出了一个最优实施例,其中所述最优实施例的具体步骤为:
图像的图像质量可以通过图像噪声、峰值信噪比(Peak-Signal to Noise Ratio,PSNR)、均方误差(Mean Square Error,MSE)、对比度进行评价,当图像质量小于设定值时,进行摄像装置所处地区的天气条件或者环境光强度是否存在异常的判断;
当摄像装置所处地区的天气条件或者环境光强度不存在异常时,确定所述摄像装置存在疑似积灰,基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置存在疑似故障时,其中进行所述摄像装置存在疑似故障的判断的具体步骤如图3所述,进入下一步骤;
获取所述摄像装置在天气条件以及环境光强度正常时的图像作为历史图像,并基于所述历史图像的图像质量分析结果得到图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,并当积灰程度大于预设的积灰值时,进行实时的图像的去噪处理以及告警信号的输出,其中进行积灰程度判断的具体步骤如图3所述,此处不再赘述。
在另外一种可能的实施例中,如图4所示,本申请实施例中提供一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于摄像装置的图像质量修正方法。
具体的,在上述的一种基于摄像装置的图像质量修正方法中,通过对摄像装置的积灰程度判断的具体步骤为:
S31基于所述图像的图像质量确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理;若否,则进入步骤S32;
S32获取所述摄像装置在相同的天气条件以及环境光强度时的图像质量最好的历史图像作为原始图像,基于所述原始图像的图像质量与所述图像的图像质量的差值作为图像质量变动量,并基于所述图像质量变动量确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理;若否,则进入步骤S33;
S33基于所述历史图像的图像分析结果确定出现图像质量异常的时间,并基于所述出现图像质量异常的时间确定所述图像质量异常的累计时间,并基于所述累计时间确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理,若否,则进入步骤S34;
S34基于在所述累计时间内的历史图像的图像质量的最差值确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理,若否,则进入步骤S35;
S35基于所述图像质量异常的累计时间、所述图像的图像质量、图像质量变动量、在所述累计时间内的历史图像的图像质量的最差值确定所述摄像装置的积灰程度。
需要说明的是,摄像装置的积灰程度采用基于PSO优化的LSTM模型进行确定,其中所述基于PSO优化的LSTM模型构建的具体步骤为:
将基于自适应权重的PSO算法与LSTM算法进行结合,构建组合模型。
步骤1数据预处理。包括异常值处理等步骤,并按7:3的比例切割为训练集与预测集。
步骤2初始化粒子种群X。设置粒子群种群规模、迭代次数、初始速度与位置区间。
步骤 3 初始化粒子速度、位置。随机产生一个X中粒子xi,0(α,ε,ρ),其中,(,ε,ρ)为粒子群的寻优参数,α为LSTM层的隐藏层单元数;ε为学习率;ρ为Dropout层丢弃概率。
步骤 4 设置本文模型的误差指标为适应度值 ,包 含 均 方 根 误 差(RootMean Square Error,RMSE)与平均绝对值误差(Mean Absolute Error,MAE)两种指标。其中,RMSE 通常表示为真实值与预测值偏差值的标准差;MAE 是绝对误差的平均值,通常表示为偏差在样本上的均值。对两种指标的定义如下:
式中,n为数据集内样本点数量;xi为第i个航迹样本点的实际值;xi为第i个航样本点的预测值。
步骤5根据适应度值变化,更新单个粒子的个体最优位置与全局最优位置,并更新自身的位置坐标与速度。
步骤6粒子群迭代更新,直至适应度值RMSE与MAE趋于稳定,并确定寻优参数(α,ε,ρ)数值。
步骤7将最优参数输入至LSTM网络,训练并进行预测。
在实际的操作过程中,需要对学习因子 c1和 c2进行自适应改进。其中,是粒子自我认知的体现,用于对粒子自身知识进行总结;是粒子社会认知的体现,用于向表现更好的粒子学习;在寻优初期,我们需要关注个体自我认识的能力,而后期则应注重个体获取社会信息的能力。由此其表达式为:
式中,g为当前迭代次数;gmax为最大迭代次数;e1和f1取值1,e2和f2取值2。
具体的,本实施例还提供了一种计算机系统,该计算机系统包括通过系统总线连接的处理器、存储器、网络接口和数据库;其中,该计算机系统的处理器用于提供计算和控制能力;该计算机系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的一种基于摄像装置的图像质量修正方法。
在另外一种可能的实施例中,如图5所示,本发明提供了一种摄像装置,所述摄像装置包括:
图像获取模块;图像质量分析模块;环境确定模块;异常分析模块;图像修正模块;
其中所述图像获取模块负责获取摄像装置的图像;
所述图像质量分析模块负责以预设的时间间隔对所述图像的图像质量进行分析,并确定所述图像的图像质量是否满足要求;
所述环境确定模块负责判断是否所述摄像装置所处地区的天气条件或者环境光强度存在异常;
所述异常分析模块负责至少基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置是否存在疑似故障;获取所述摄像装置在天气条件以及环境光强度正常时的图像作为历史图像,并基于所述历史图像的图像质量分析结果得到图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,并基于所述积灰程度确定是否进行实时的图像的去噪处理以及告警信号的输出;
所述图像修正模块负责进行图像的去噪处理以及告警信号的输出。
在另外一种可能的实施例中,如图6所示,本发明提供了一种计算机存储介质,
一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于摄像装置的图像质量修正方法。
需要说明的是,图像质量修正方法的具体步骤为:
图像的图像质量可以通过图像噪声、峰值信噪比(Peak-Signal to Noise Ratio,PSNR)、均方误差(Mean Square Error,MSE)、对比度进行评价,当图像质量小于设定值时,进行摄像装置所处地区的天气条件或者环境光强度是否存在异常的判断;
当摄像装置所处地区的天气条件或者环境光强度不存在异常时,确定所述摄像装置存在疑似积灰,基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置存在疑似故障时,其中进行所述摄像装置存在疑似故障的判断的具体步骤如图3所述,进入下一步骤;
获取所述摄像装置在天气条件以及环境光强度正常时的图像作为历史图像,并基于所述历史图像的图像质量分析结果得到图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,并当积灰程度大于预设的积灰值时,进行实时的图像的去噪处理以及告警信号的输出,其中进行积灰程度判断的具体步骤如图3所述,此处不再赘述。
具体的,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以 通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可 包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括 随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得, 诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强 型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM (RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于摄像装置的图像质量修正方法,其特征在于,具体包括:
获取摄像装置的图像,并以预设的时间间隔对所述图像的图像质量进行分析,当所述图像的图像质量不能满足要求时,进入下一步;
判断是否所述摄像装置所处地区的天气条件或者环境光强度存在异常,若是,则对所述图像进行去噪处理,若否,则确定所述摄像装置存在疑似积灰,并进入下一步骤;
至少基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置是否存在疑似故障,若是,则下一进入步骤,若否,则对所述图像进行去噪处理;
获取所述摄像装置在天气条件以及环境光强度正常时的图像作为历史图像,并基于所述历史图像的图像质量分析结果得到图像质量异常的累计时间、在累计时间内的历史图像的图像质量的最差值以及所述图像的图像质量确定所述摄像装置的积灰程度,并基于所述积灰程度确定是否进行实时的图像的去噪处理以及告警信号的输出。
2.如权利要求1所述的图像质量修正方法,其特征在于,所述预设的时间间隔根据所述摄像装置的数量、所述摄像装置所在地区的天气条件进行确定,其中所述摄像装置的数量越少,所述天气条件越差,则所述预设的时间间隔越短。
3.如权利要求1所述的图像质量修正方法,其特征在于,所述特定天气条件包括沙尘暴、降雨、降雪,当所述天气条件属于特定天气条件时,则确定所述天气条件存在异常。
4.如权利要求1所述的图像质量修正方法,其特征在于,所述摄像装置存在疑似故障的判断的具体步骤为:
基于所述摄像装置存在疑似积灰的累计时长确定所述摄像装置是否存在潜在积灰,若是,则进入下一步骤,若否,则输出所述摄像装置无故障;
获取所述摄像装置的运行时间,并基于所述摄像装置的运行时间确定所述摄像装置是否存在疑似故障,若是,则确定所述摄像装置存在疑似故障,若否,则进入下一步骤;
基于所述摄像装置在运行时间内的特定天气条件的时长,并基于所述摄像装置在运行时间内的特定天气条件的时长确定所述摄像装置是否存在疑似故障,若是,则确定所述摄像装置存在疑似故障,若否,则进入下一步骤;
基于所述摄像装置的运行时间、在运行时间内的特定天气条件的时长、所述摄像装置存在疑似积灰的累计时长,确定所述摄像装置的评估值,并基于所述评估值确定所述摄像装置是否存在疑似故障。
5.如权利要求1所述的图像质量修正方法,其特征在于,所述图像质量根据所述图像或者历史图像的噪声进行确定。
6.如权利要求1所述的图像质量修正方法,其特征在于,当所述摄像装置存在疑似积灰的累计时长大于设定时长时,则确定所述摄像装置存在潜在积灰。
7.如权利要求1所述的图像质量修正方法,其特征在于,所述摄像装置的积灰程度判断的具体步骤为:
基于所述图像的图像质量确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理;若否,则进入下一步骤;
获取所述摄像装置在相同的天气条件以及环境光强度时的图像质量最好的历史图像作为原始图像,基于所述原始图像的图像质量与所述图像的图像质量的差值作为图像质量变动量,并基于所述图像质量变动量确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理;若否,则进入下一步骤;
基于所述历史图像的图像分析结果确定出现图像质量异常的时间,并基于所述出现图像质量异常的时间确定所述图像质量异常的累计时间,并基于所述累计时间确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理,若否,则进入下一步骤;
基于在所述累计时间内的历史图像的图像质量的最差值确定是否需要进行告警信号的输出,若是,则输出告警信号并进行实时的图像的去噪处理,若否,则进入下一步骤;
基于所述图像质量异常的累计时间、所述图像的图像质量、图像质量变动量、在所述累计时间内的历史图像的图像质量的最差值确定所述摄像装置的积灰程度。
8.如权利要求1所述的图像质量修正方法,当所述积灰程度大于预设积灰程度值时,则确定进行实时的图像的去噪处理以及告警信号的输出。
9.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-8任一项所述的一种基于摄像装置的图像质量修正方法。
10.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8任一项所述的一种基于摄像装置的图像质量修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323251.2A CN116055900B (zh) | 2023-03-30 | 2023-03-30 | 一种基于摄像装置的图像质量修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323251.2A CN116055900B (zh) | 2023-03-30 | 2023-03-30 | 一种基于摄像装置的图像质量修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116055900A true CN116055900A (zh) | 2023-05-02 |
CN116055900B CN116055900B (zh) | 2023-06-09 |
Family
ID=86129836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310323251.2A Active CN116055900B (zh) | 2023-03-30 | 2023-03-30 | 一种基于摄像装置的图像质量修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116055900B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384980A (zh) * | 2023-05-25 | 2023-07-04 | 杭州青橄榄网络技术有限公司 | 一种报修方法与系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190340754A1 (en) * | 2016-12-22 | 2019-11-07 | Nokia Technologies Oy | An apparatus and associated method for imaging |
CN112036488A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于图像识别的事件识别方法、装置、设备及存储介质 |
CN112183353A (zh) * | 2020-09-28 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置和相关设备 |
US20210343012A1 (en) * | 2019-06-21 | 2021-11-04 | Tencent Technology (Shenzhen) Company Limited | Medical image classification method, model training method, computing device, and storage medium |
CN115022547A (zh) * | 2022-06-09 | 2022-09-06 | 小米汽车科技有限公司 | 车载摄像头清洗方法、装置、车辆、存储介质及芯片 |
CN115601245A (zh) * | 2021-07-07 | 2023-01-13 | 同方威视技术股份有限公司(Cn) | 阴影消除装置和方法、空盘识别装置和方法 |
CN115712873A (zh) * | 2022-11-18 | 2023-02-24 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 |
CN115761668A (zh) * | 2022-11-09 | 2023-03-07 | 长城汽车股份有限公司 | 摄像头的污渍识别方法、装置、车辆及存储介质 |
CN115830351A (zh) * | 2023-02-15 | 2023-03-21 | 杭州盐光文化艺术传播有限公司 | 图像处理方法、设备以及存储介质 |
-
2023
- 2023-03-30 CN CN202310323251.2A patent/CN116055900B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190340754A1 (en) * | 2016-12-22 | 2019-11-07 | Nokia Technologies Oy | An apparatus and associated method for imaging |
US20210343012A1 (en) * | 2019-06-21 | 2021-11-04 | Tencent Technology (Shenzhen) Company Limited | Medical image classification method, model training method, computing device, and storage medium |
CN112036488A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于图像识别的事件识别方法、装置、设备及存储介质 |
CN112183353A (zh) * | 2020-09-28 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置和相关设备 |
CN115601245A (zh) * | 2021-07-07 | 2023-01-13 | 同方威视技术股份有限公司(Cn) | 阴影消除装置和方法、空盘识别装置和方法 |
CN115022547A (zh) * | 2022-06-09 | 2022-09-06 | 小米汽车科技有限公司 | 车载摄像头清洗方法、装置、车辆、存储介质及芯片 |
CN115761668A (zh) * | 2022-11-09 | 2023-03-07 | 长城汽车股份有限公司 | 摄像头的污渍识别方法、装置、车辆及存储介质 |
CN115712873A (zh) * | 2022-11-18 | 2023-02-24 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 |
CN115830351A (zh) * | 2023-02-15 | 2023-03-21 | 杭州盐光文化艺术传播有限公司 | 图像处理方法、设备以及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384980A (zh) * | 2023-05-25 | 2023-07-04 | 杭州青橄榄网络技术有限公司 | 一种报修方法与系统 |
CN116384980B (zh) * | 2023-05-25 | 2023-08-25 | 杭州青橄榄网络技术有限公司 | 一种报修方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116055900B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116055900B (zh) | 一种基于摄像装置的图像质量修正方法 | |
US11675799B2 (en) | Anomaly detection system | |
Pfrommer et al. | Establishing causation in climate litigation: admissibility and reliability | |
US20110093157A1 (en) | System and method for selecting a maintenance operation | |
CN109873832B (zh) | 流量识别方法、装置、电子设备和存储介质 | |
CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
CN116257884B (zh) | 一种基于流量分析的电商平台客户数据处理方法与系统 | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN116233619B (zh) | 一种应用于人脸识别的补光控制方法 | |
CN113095563A (zh) | 一种人工智能模型预测结果的复审方法及装置 | |
CN117456609A (zh) | 一种异常行为检测方法、装置、设备及存储介质 | |
CN116453292B (zh) | 一种化工企业生产安全风险等级划分及预警方法 | |
CN116389108B (zh) | Ab实验方法、系统与存储介质 | |
CN108182492B (zh) | 一种资料同化方法及装置 | |
CN114897791A (zh) | 基于烛台理论的水质预测方法 | |
Rammohan et al. | Exploratory investigations for intelligent damage prognosis using hidden Markov models | |
CN113609990A (zh) | 目标建筑物的施工进度的确定方法、装置和服务器 | |
CN116469013B (zh) | 道路积水预测方法、装置、计算机设备及存储介质 | |
Jesus et al. | Systematic failure detection and correction in environmental monitoring systems | |
CN116452924B (zh) | 模型阈值调整方法、装置、电子设备及存储介质 | |
CN116878728B (zh) | 一种压力传感器故障检测分析处理系统 | |
CN116778696B (zh) | 一种基于视觉的城市内涝智能预警方法及系统 | |
CN118194503A (zh) | 一种飞行器的寿命预测方法、装置、设备及存储介质 | |
CN118094542A (zh) | 异常数据检测方法、装置、电子设备及存储介质 | |
CN116521485A (zh) | 一种api接口异常监测方法及装置 |
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 |