CN116071271B - 一种用于平板电脑的图像捕获的分析方法 - Google Patents

一种用于平板电脑的图像捕获的分析方法 Download PDF

Info

Publication number
CN116071271B
CN116071271B CN202310206428.0A CN202310206428A CN116071271B CN 116071271 B CN116071271 B CN 116071271B CN 202310206428 A CN202310206428 A CN 202310206428A CN 116071271 B CN116071271 B CN 116071271B
Authority
CN
China
Prior art keywords
pixel point
image
captured
pixel
value
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
CN202310206428.0A
Other languages
English (en)
Other versions
CN116071271A (zh
Inventor
杨宗良
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.)
Shenzhen Yihua Intelligent Technology Co ltd
Original Assignee
Shenzhen Yihua Intelligent Technology Co ltd
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 Shenzhen Yihua Intelligent Technology Co ltd filed Critical Shenzhen Yihua Intelligent Technology Co ltd
Priority to CN202310206428.0A priority Critical patent/CN116071271B/zh
Publication of CN116071271A publication Critical patent/CN116071271A/zh
Application granted granted Critical
Publication of CN116071271B publication Critical patent/CN116071271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，提出了一种用于平板电脑的图像捕获的分析方法，包括：获取捕获图像，捕获灰度图，高斯模糊图；获取像素点的模糊值；获取捕获灰度图的边缘点；得到轮廓图和捕获颜色图像，获取中心像素点的局部区域；得到局部区域的若干条轮廓线；根据中心像素点和中心像素点所在局部区域轮廓线上的像素点的特征计算得到中心像素点的边缘环绕度；获得每个中心像素点的分量波动指数；得到每个中心像素点的模糊增强系数；获得每个像素点的隶属度；将所有隶属度去模糊化得到增强图像。本发明避免忽略局部密度不高但是位于参数区域边缘的像素点，避免人为书写习惯在不同公式中相同参数对应不同轮廓对模糊增强效果的影响。

Description

一种用于平板电脑的图像捕获的分析方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种用于平板电脑的图像捕获的分析方法。
背景技术
在工作和生活当中，图像捕获是经常发生的情况，例如在播放电视剧或者电影的过程中，人们会将精彩画面或者喜爱的演员画面进行截图保存；在上网课的过程中，对于关键知识点和复杂难点的画面进行保存等等。
在平板电脑上进行图像捕获时，图像的捕获分为两种，一是静态图像的抓取，二是动态图像的抓取。对于第一类静态图像的抓取，平板电脑能够通过自带的快捷截图方法实现；对于第二类动态图像的抓取，平板电脑往往需要结合播放软件的功能键进行实现。平板电脑的图像捕获还可以借助各类专业软件实现，例如HyperSnap, Stiiitch等等。在图像获取的过程中，由于图像分辨率与屏幕分辨率的大小不同或者图像在软件中被压缩编辑，这些因素会影响所捕获图像的清晰度，导致出现图像模糊的现象，使得捕获图像失去了原有的图像信息，无法直接进行保存。因此需要对平板电脑捕获的图像进行图像增强处理，保证平板电脑捕获图像的质量达到保存使用的标准。
发明内容
本发明提供一种用于平板电脑的图像捕获的分析方法，以解决现有的平板电脑在保存捕获图像前由于分辨率不同或者软件对图像的压缩编辑会造成图像模糊的问题，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于平板电脑的图像捕获的分析方法，该方法包括以下步骤：
获取捕获图像，根据捕获图像得到捕获灰度图，根据捕获灰度图得到高斯模糊图；
根据高斯模糊图每个像素点的灰度值和捕获灰度图每个像素点的灰度值计算像素点对应的模糊值；
获取捕获灰度图的边缘点，构成轮廓图，根据捕获图像得到捕获颜色图像，将捕获颜色图像中每个像素点作为中心像素点，在捕获颜色图像中获取每个中心像素点的局部区域；根据轮廓图得到捕获颜色图像的边缘点以及每个局部区域的若干条轮廓线；
根据中心像素点与中心像素点所在局部区域轮的廓线上的所有像素点在H通道、S通道、V通道三个分量的差值、中心像素点与中心像素点所在局部区域的轮廓线上的所有像素点的欧式距离以及所有相邻两条轮廓线中像素点欧式距离的最小值得到中心像素点的边缘环绕度；
获取捕获颜色图像每个中心像素点局部区域的每一行的行分量波动值和每一列的列分量波动值，根据所有行分量波动值和所有列分量波动值获得每个中心像素点的分量波动指数；
根据每个中心像素点的边缘环绕度和分量波动指数得到每个中心像素点的模糊增强系数；
根据捕获颜色图像中的每个中心像素点的模糊增强系数和捕获灰度图同一位置像素点的模糊度得到模糊集合的值，根据模糊集合的值得到每个像素点的隶属度；将所有像素点的隶属度进行去模糊化得到增强灰度图，根据增强灰度图得到增强图像。
优选的，所述根据高斯模糊图每个像素点的灰度值和捕获灰度图每个像素点的灰度值计算像素点对应的模糊值的方法为：
Figure SMS_1
Figure SMS_2
式中，
Figure SMS_3
是像素点i在捕获灰度图F中的灰度值，
Figure SMS_4
是像素点i在高斯模糊 图中的灰度值，
Figure SMS_5
是像素点i经过模糊处理后灰度值的变化量，
Figure SMS_6
是捕获灰度图内像 素点变化量的最大值，
Figure SMS_7
是像素点i的模糊值。
优选的，所述在捕获颜色图像中获取每个中心像素点的局部区域的方法为：
以捕获颜色图像中每个像素点为中心像素点，以中心像素点为中心得到自设大小的区域记为局部区域，若局部区域有一部分不在图像中时，只考虑局部区域与图像重合的部分。
优选的，根据中心像素点与中心像素点所在局部区域轮的廓线上的所有像素点在H通道、S通道、V通道三个分量的差值、中心像素点与中心像素点所在局部区域的轮廓线上的所有像素点的欧式距离以及所有相邻两条轮廓线中像素点欧式距离的最小值得到中心像素点的边缘环绕度的方法为：
Figure SMS_8
Figure SMS_9
式中，J是中心像素点i的局部区域中第J条轮廓线，
Figure SMS_11
是轮廓线J上边缘点的数量， j是轮廓线J上的边缘点，
Figure SMS_14
、
Figure SMS_17
、
Figure SMS_12
分别是中心像素点i与像素点j在H、S、V分量上分量值的 差值，
Figure SMS_15
是中心像素点i与边缘点j之间的欧式距离，
Figure SMS_18
是所有相邻两条轮廓线中像素点 欧式距离的最小值，
Figure SMS_20
是参数因子，
Figure SMS_13
是中心像素点i与轮廓线J的轮廓相似度，N是局部区 域
Figure SMS_16
内轮廓线的数量，
Figure SMS_19
是
Figure SMS_21
在局部区域内的分布方差，
Figure SMS_10
是像素点i的边缘环绕度。
优选的，所述获取捕获颜色图像每个中心像素点局部区域的每一行的行分量波动值和每一列的列分量波动值的方法为：
在捕获颜色图像的局部区域上，每一行或者每一列得到三个序列，每一行的三个序列分别是每一行所有像素点的H分量、S分量、V分量构成的三个序列，每一行的三个序列排序按照像素点的纵坐标从小到大排序；每一列的三个序列分别是每一列所有像素点的H分量、S分量、V分量构成的三个序列，每一列的三个序列排序按照像素点的横坐标从小到大排序；
获取每个中心像素点局部区域每个序列的波动指数，在中心像素点局部区域中每一行和每一列分别得到三个波动指数，将中心像素点局部区域每一行的三个波动指数相加得到中心像素点局部区域的每一行的行分量波动值，将中心像素点局部区域每一列的三个波动指数相加得到中心像素点局部区域的每一列的列分量波动值。
优选的，所述根据捕获颜色图像中的每个中心像素点的模糊增强系数和捕获灰度图同一位置像素点的模糊度得到模糊集合的值，根据模糊集合的值得到每个像素点的隶属度的计算方法为：
Figure SMS_22
Figure SMS_23
Figure SMS_24
Figure SMS_25
式中，
Figure SMS_28
是像素点i的模糊值，
Figure SMS_32
是像素点i对应的区域模糊集合A中的参数
Figure SMS_36
，
Figure SMS_29
是像素点i的模糊增强系数，
Figure SMS_31
和
Figure SMS_35
是捕获颜色图像中像素点模糊增强系数的最大值 和最小值，
Figure SMS_38
是模糊增强系数
Figure SMS_26
线性归一化后的结果，
Figure SMS_30
是像素点i对应的区域模糊集合A 中的参数
Figure SMS_34
，
Figure SMS_37
是捕获灰度图中像素点对应
Figure SMS_27
的均值，
Figure SMS_33
表示像素点i的隶属度。
本发明的有益效果是：本发明提出一种用于平板电脑的图像捕获的分析方法，针对平板电脑在捕获图像过程中，由于分辨率不同或者软件对图像的压缩编辑会造成图像模糊的问题，构建模糊增强系数，模糊增强系数通过像素点的边缘环绕度和分量波动指数计算，边缘环绕度和分量波动指数的计算考虑平板电脑捕获图像中发生模糊现象的两类区域中像素点的多个分量值，其有益效果在于，对于捕获图像中任意位置的模糊区域内的像素点都会得到较大的模糊增强系数，使得后续不同像素点之间的对比度更大，使得平板电脑的图像捕获更加清晰，图像质量最高。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供一种用于平板电脑的图像捕获的分析方法的流程示意图。
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。
请参阅图1，其示出了本发明一个实施例提供的一种用于平板电脑的图像捕获的分析方法流程图，该方法包括以下步骤：
步骤S001、利用图像截取软件获得平板电脑中的截取图像，对图像进行预处理得到捕获图像。
图像捕获分为静态图像的捕获和动态图形的捕获，在本实施例中，将静态图像作为捕获对象进行后续说明处理。例如，在上网课期间，学生需要对老师讲解的重难点公式推导过程画面进行截屏保存。首先在平板电脑上安装常用的截图工具，例如Stiiitch，截图软件的作用在于捕获平板电脑屏幕中的目标图像，安装截图软件能够避免平板电脑自带截图键不便用于图像播放软件的问题，所得截取图像为RGB图像。为了消除周围噪声的干扰，需要对所得截取图像进行预处理，常见的图像去噪技术包括：均值滤波去噪、高斯滤波去噪、双边滤波去噪等，为了保留较多图像细节，本实施例利用双边滤波去噪技术对截取图像进行预处理，得到预处理后的截取图像，本实施例中称为捕获图像，在本实施例中，目标对象为重难点公式的推导画面。
步骤S002、得到捕获灰度图，并将其进行高斯模糊得到高斯模糊图，根据捕获灰度图以及高斯模糊图像素点灰度值的差异得到每个像素点的模糊值。
在网课期间，学生需要对老师讲解的重难点公式推导过程进行截图保存，由于分辨率的不同或者图像传输过程中的压缩，老师的个人书写习惯等因素造成图像模糊，因此需要对捕获图像进行图像增强处理。
首先，将捕获图像进行灰度化得到捕获灰度图F，图像增强的目的在于让应当为黑色的像素点的灰度值更小，趋近于0，让应当为白色的像素点的灰度值更大，趋近于255，让应当为灰色的像素点的灰度值更接近0-255的中间值，增大像素点的对比度，使得捕获图像F更加清晰。当捕获图像F中发生模糊现象时，像素点的黑白程度就无法直接确定，像素点的黑白程度描述变得相对模糊，因为模糊区域内像素点的特点是看起来像是黑色，又像是灰色的。
对于捕获灰度图F，如果其中存在模糊区域，那么此时对捕获灰度图F进行模糊处理时，模糊区域的高频分量变化不大，清晰区域的高频分量变化较大，此时对捕获灰度图F进行模糊处理时，就可以根据捕获灰度图F像素点像素值的变化情况评估清晰度值的大小，像素点像素值的变化越大，说明捕获灰度图F中像素点的清晰度越高，像素点像素值的变化越小，说明捕获灰度图F中像素点的模糊度越高。
进一步的，对捕获灰度图F使用高斯模糊处理，得到高斯模糊图GF，高斯模糊处理为公知技术，具体过程不再赘述。
根据高斯模糊图GF每个像素点的灰度值和捕获灰度图F每个像素点的灰度值计算 像素点i对应的模糊值
Figure SMS_39
，具体公式如下：
Figure SMS_40
Figure SMS_41
式中，
Figure SMS_42
是像素点i在捕获灰度图F中的像素值，
Figure SMS_43
是像素点i在高斯模糊 图中的像素值，
Figure SMS_44
是像素点i经过模糊处理后像素值的变化量，
Figure SMS_45
是捕获灰度图F内像 素点变化量的最大值，
Figure SMS_46
是像素点i的模糊值，
Figure SMS_47
的值越大，说明像素点i在捕获图像F中的 模糊度越高。
对于捕获灰度图F而言，图像中包含模糊区域和非模糊区域，因此在本实施例中， 对每一个像素点都有两个模糊可能性的评价，一是像素点位于模糊区域，二是像素点位于 非模糊区域，因此本实施例中的区间模糊集合
Figure SMS_48
，其中的
Figure SMS_49
含义是认为像素点位 于模糊区域，
Figure SMS_50
的含义是像素点位于非模糊区域。
步骤S003、获取捕获颜色图像，根据每个像素点的颜色分量以及边缘轮廓得到每个像素点的边缘环绕度，根据捕获颜色图像每行和每列的波动指数得到每个像素点的分量波动指数，根据每个像素点的边缘和分量波动指数得到模糊增强系数。
当平板电脑的屏幕中显示老师推导重难点公式时，模糊现象通常发生在公式中几个参数相邻的边缘区域，这是由于书写过程中容易连笔的原因，因此像素点周围的参数轮廓边缘越多，像素点位于模糊区域的可能性越大，越应该确定像素点的隶属度；另一方面，像素点的位置越靠近参数轮廓的边缘，像素点位于模糊区域的可能性越大，越应该确定像素点的隶属度。
首先，利用canny边缘检测技术获取捕获灰度图F中所有参数的边缘轮廓，记为轮 廓图L，其次将捕获图像从RGB颜色空间转换到HSV颜色空间中得到捕获颜色图像，颜色空间 的转换为公知技术，具体转换过程不再详细赘述，在捕获颜色图像中，以每个像素点i为中 心点，构建大小为
Figure SMS_51
的区域记为局部区域
Figure SMS_52
，在本实施例中，
Figure SMS_53
；若局部区域有一 部分不在图像中时，只考虑局部区域与图像重合的部分，将轮廓图L中的所有边缘像素点在 捕获颜色图像中标记为边缘点，在每个局部区域中包含若干条轮廓线，每条轮廓线有若干 相连的边缘点构成，相连是指像素点周围8邻域存在另一个像素点，则认为这两个像素点相 连。
进一步的，将捕获颜色图像中的每个像素点记为中心像素点，根据中心像素点和中心像素点所在局部区域的轮廓线上的所有像素点在H通道、S通道、V通道三个分量的差值、中心像素点与中心像素点所在局部区域的轮廓线上的所有像素点的欧式距离以及轮廓图L中所有轮廓线中任意一条轮廓线上像素点与非自身轮廓线上像素点的欧式距离的最小值得到中心像素点的边缘环绕度，公式如下：
Figure SMS_54
Figure SMS_55
式中，J是局部区域
Figure SMS_56
中第J条轮廓线，
Figure SMS_61
是轮廓线J上边缘点的数量，j是轮廓线J上 的边缘点，
Figure SMS_65
、
Figure SMS_57
、
Figure SMS_62
分别是中心像素点i与边缘点j在H、S、V分量上分量值的差值，
Figure SMS_66
是中 心像素点i与边缘点j之间的欧式距离，
Figure SMS_68
是轮廓图L中所有相邻两条轮廓线中像素点欧 式距离的最小值，
Figure SMS_59
是参数因子，作用是避免分母为0，
Figure SMS_63
的大小取0.01，
Figure SMS_67
是中心像素点i与 轮廓线J的轮廓相似度，N是局部区域
Figure SMS_69
内轮廓线的数量，
Figure SMS_58
是
Figure SMS_60
在局部区域内的分布 方差，
Figure SMS_64
是像素点i的边缘环绕度。
中心像素点i越靠近局部区域
Figure SMS_70
内参数的轮廓线，
Figure SMS_71
的值越小，像素点与轮 廓线上的边缘点的分量值差值越大，与周围轮廓线的轮廓相似度分布差异越大，即
Figure SMS_72
越大， 像素点i越有可能位于捕获图像中公式中参数密集的区域。
进一步的，在捕获颜色图像上，在每一行或者每一列得到三个序列，其中第x行中 的所有像素点的H分量值构成一个H分量行序列
Figure SMS_73
，第x行中的所有像素点的S分量值构 成一个S分量行序列
Figure SMS_74
，第x行中的所有像素点的V分量值构成一个V分量行序列
Figure SMS_75
， 值得说明的是，序列的排序按照像素点的纵坐标从小到大排序，同理对于第y列得到H分量 列序列
Figure SMS_76
，S分量列序列
Figure SMS_77
，V分量列序列
Figure SMS_78
，值得注意的是，序列的排序按照像 素点的横坐标从小到大排序。
同时使用去趋势算法DFA获取每个序列的波动成分即波动指数，
Figure SMS_81
、
Figure SMS_83
、
Figure SMS_86
分别是序列
Figure SMS_82
、
Figure SMS_84
、
Figure SMS_87
的波动指数，
Figure SMS_89
、
Figure SMS_79
、
Figure SMS_85
分别是序列
Figure SMS_88
、
Figure SMS_90
、
Figure SMS_80
的波动指数，根据第x行或者第y列的三个波动指数得到第x行或者第y 列的分量波动值：
Figure SMS_91
Figure SMS_92
式中，
Figure SMS_95
、
Figure SMS_98
、
Figure SMS_102
分别是第x行的序列
Figure SMS_94
、
Figure SMS_97
、
Figure SMS_101
的波动指 数，
Figure SMS_104
、
Figure SMS_93
、
Figure SMS_100
分别是第y列的序列
Figure SMS_105
、
Figure SMS_106
、
Figure SMS_96
的波动指数，
Figure SMS_99
是第x行 的行分量波动值，
Figure SMS_103
是第y列的列分量波动值。
进一步的，根据每个中心像素点局部区域内每一行的行分量波动值和每一列的列分量波动值得到每个中心像素点的分量波动指数，公式如下：
Figure SMS_107
式中，
Figure SMS_109
是局部区域
Figure SMS_111
中第x行的行分量波动值，
Figure SMS_113
局部区域
Figure SMS_110
中第y列的列分 量波动值，
Figure SMS_112
是局部区域
Figure SMS_114
内的行数，
Figure SMS_115
是局部区域
Figure SMS_108
内的列数。
分量波动指数
Figure SMS_116
用于表征像素点在捕获颜色图像中像素点所在局部区域内分量 波动值的变化程度，分量波动指数
Figure SMS_117
越小反映在捕获颜色图像中表现为像素点局部区域内 H，S，V三分量值的变化次数较少，像素点位于轮廓相对简单且不与其他参数相邻的独立参 数上，像素点位于模糊区域的可能性越小。分量波动指数
Figure SMS_118
越大，说明像素点i在局部区域 内的分量波动值的变化越剧烈，变化趋势越复杂，像素点位于模糊区域的可能性越大。
进一步的，令捕获颜色图像上每个中心像素点的边缘环绕度和分量波动指数的乘积为每个中心像素点模糊增强系数，公式如下：
Figure SMS_119
式中，
Figure SMS_120
表示中心像素点i的分量波动指数，
Figure SMS_121
表示中心像素点i的边缘环绕度，
Figure SMS_122
表示中心像素点i的模糊增强系数。
模糊增强系数反映了像素点发生模糊现象的概率大小，
Figure SMS_123
越大，像素点i越有可能 位于捕获图像中公式中参数密集的区域，像素点i与周围相邻像素点在HSV颜色空间内的分 量值序列的波动指数
Figure SMS_124
越大，说明像素点分量值不稳定的程度越大，越有可能处于模糊区 域。因此像素点i的模糊增强系数
Figure SMS_125
越大，说明像素点位于模糊区域的概率越高。模糊增强 系数的有益效果在于考虑公式中像素点在局部区域内多个分量值序列的波动指数，对于不 同轮廓的参数避免忽略局部密度不高但是位于参数区域边缘的像素点，使得后续不同像素 点之间的对比度更大。
步骤S004、根据每个像素点的模糊增强系数和每个像素点对应的模糊度得到每个像素点的隶属度，根据每个像素点的隶属度去模糊化得到增强图像。
根据上述步骤，计算得到了捕获颜色图像中心像素点i的模糊增强系数，模糊增强系数越大，说明像素点位于捕获图像中的模糊区域的可能性越大。
首先，计算模糊集合，基于像素点的模糊增强系数q和模糊集合，计算像素点的隶 属度。以像素点i为例，计算像素点i的隶属度
Figure SMS_126
：
Figure SMS_127
Figure SMS_128
Figure SMS_129
Figure SMS_130
式中，
Figure SMS_140
是像素点i的模糊值，
Figure SMS_132
是像素点i对应的区域模糊集合A中的参数
Figure SMS_137
，
Figure SMS_133
的大小等于像素点i的模糊值
Figure SMS_136
，
Figure SMS_141
是像素点i的模糊系数，
Figure SMS_144
是像素点i的模糊增强系数，
Figure SMS_143
、
Figure SMS_147
是捕获颜色图像中所有像素点的模糊增强系数的最大值和最小值，
Figure SMS_134
是模糊增 强系数
Figure SMS_139
线性归一化后的结果，
Figure SMS_142
是像素点i对应的区域模糊集合A中的参数
Figure SMS_146
，
Figure SMS_145
是捕获 灰度图中像素点对应
Figure SMS_148
的均值。将参数
Figure SMS_131
、
Figure SMS_135
代入Hamacher模糊范数公式中得到像素点i 的隶属度
Figure SMS_138
。
利用归一化的模糊增强系数
Figure SMS_149
计算像素点对非模糊区域的隶属度
Figure SMS_150
，像素点的模 糊增强系数越大，模糊程度就越高，非模糊程度就越低，对应的参数
Figure SMS_151
就应该越小。优化参 数
Figure SMS_152
的有效效果在于利用图像中像素点自身位于非模糊区域的概率高低表征像素点对于 非模糊区域的归属程度，避免了人为设置指数对公式中不同轮廓参数增强效果的影响。
进一步的，根据上述步骤，遍历捕获图像中的所有像素点，分别计算每一个像素点 的隶属度，进一步的，对隶属度进行去模糊化，得到像素点i对应的增强灰度值，记为
Figure SMS_153
， 去模糊化可以利用模糊集的重心法实现，计算模糊集重心为公知技术，具体过程不再详细 赘述。根据增强灰度值的大小得到增强灰度图QH，将增强灰度图QH作为多尺度视网膜增强 算法MSR的输入，MSR的输出作为对应的增强图像QF，增强图像QF为RGB图像。
进一步的，获取平板电脑中包含目标对象的所有捕获图像，在本实施例中，目标对象为重难点公式的推导画面。依据上述流程分别获取每一幅捕获图像对应的增强图像，将所有增强图像按照时间顺序保存便于学生后续的复习参考。
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 (5)

1.一种用于平板电脑的图像捕获的分析方法，其特征在于，该方法包括以下步骤：
获取捕获图像，根据捕获图像得到捕获灰度图，根据捕获灰度图得到高斯模糊图；
根据高斯模糊图每个像素点的灰度值和捕获灰度图每个像素点的灰度值计算像素点对应的模糊值；
获取捕获灰度图的边缘点，构成轮廓图，根据捕获图像得到捕获颜色图像，将捕获颜色图像中每个像素点作为中心像素点，在捕获颜色图像中获取每个中心像素点的局部区域；根据轮廓图得到捕获颜色图像的边缘点以及每个局部区域的若干条轮廓线；
根据中心像素点与中心像素点所在局部区域的轮廓线上的所有像素点在H通道、S通道、V通道三个分量的差值、中心像素点与中心像素点所在局部区域的轮廓线上的所有像素点的欧式距离以及所有相邻两条轮廓线中像素点欧式距离的最小值得到中心像素点的边缘环绕度；
获取捕获颜色图像每个中心像素点局部区域的每一行的行分量波动值和每一列的列分量波动值，根据所有行分量波动值和所有列分量波动值获得每个中心像素点的分量波动指数；
根据每个中心像素点的边缘环绕度和分量波动指数得到每个中心像素点的模糊增强系数；
根据捕获颜色图像中的每个中心像素点的模糊增强系数和捕获灰度图同一位置像素点的模糊度得到模糊集合的值，根据模糊集合的值得到每个像素点的隶属度；将所有像素点的隶属度进行去模糊化得到增强灰度图，根据增强灰度图得到增强图像；
其中，边缘环绕度的获取方法为：
Figure QLYQS_1
Figure QLYQS_2
式中，J是中心像素点i的局部区域中第J条轮廓线，
Figure QLYQS_4
是轮廓线J上边缘点的数量，j是轮廓线J上的边缘点，/>
Figure QLYQS_7
、/>
Figure QLYQS_9
、/>
Figure QLYQS_6
分别是中心像素点i与像素点j在H、S、V分量上分量值的差值，
Figure QLYQS_10
是中心像素点i与边缘点j之间的欧式距离，/>
Figure QLYQS_12
是所有相邻两条轮廓线中像素点欧式距离的最小值，/>
Figure QLYQS_14
是参数因子，/>
Figure QLYQS_3
是中心像素点i与轮廓线J的轮廓相似度，N是局部区域/>
Figure QLYQS_8
内轮廓线的数量，/>
Figure QLYQS_11
是/>
Figure QLYQS_13
在局部区域内的分布方差，/>
Figure QLYQS_5
是像素点i的边缘环绕度。
2.根据权利要求1所述的一种用于平板电脑的图像捕获的分析方法，其特征在于，所述根据高斯模糊图每个像素点的灰度值和捕获灰度图每个像素点的灰度值计算像素点对应的模糊值的方法为：
Figure QLYQS_15
/>
Figure QLYQS_16
式中，
Figure QLYQS_17
是像素点i在捕获灰度图F中的灰度值，/>
Figure QLYQS_18
是像素点i在高斯模糊图中的灰度值，/>
Figure QLYQS_19
是像素点i经过模糊处理后灰度值的变化量，/>
Figure QLYQS_20
是捕获灰度图内像素点变化量的最大值，/>
Figure QLYQS_21
是像素点i的模糊值。
3.根据权利要求1所述的一种用于平板电脑的图像捕获的分析方法，其特征在于，所述在捕获颜色图像中获取每个中心像素点的局部区域的方法为：
以捕获颜色图像中每个像素点为中心像素点，以中心像素点为中心得到自设大小的区域记为局部区域，若局部区域有一部分不在图像中时，只考虑局部区域与图像重合的部分。
4.根据权利要求1所述的一种用于平板电脑的图像捕获的分析方法，其特征在于，所述获取捕获颜色图像每个中心像素点局部区域的每一行的行分量波动值和每一列的列分量波动值的方法为：
在捕获颜色图像的局部区域上，每一行或者每一列得到三个序列，每一行的三个序列分别是每一行所有像素点的H分量、S分量、V分量构成的三个序列，每一行的三个序列排序按照像素点的纵坐标从小到大排序；每一列的三个序列分别是每一列所有像素点的H分量、S分量、V分量构成的三个序列，每一列的三个序列排序按照像素点的横坐标从小到大排序；
获取每个中心像素点局部区域每个序列的波动指数，在中心像素点局部区域中每一行和每一列分别得到三个波动指数，将中心像素点局部区域每一行的三个波动指数相加得到中心像素点局部区域的每一行的行分量波动值，将中心像素点局部区域每一列的三个波动指数相加得到中心像素点局部区域的每一列的列分量波动值。
5.根据权利要求1所述的一种用于平板电脑的图像捕获的分析方法，其特征在于，所述根据捕获颜色图像中的每个中心像素点的模糊增强系数和捕获灰度图同一位置像素点的模糊度得到模糊集合的值，根据模糊集合的值得到每个像素点的隶属度的计算方法为：
Figure QLYQS_22
Figure QLYQS_23
Figure QLYQS_24
Figure QLYQS_25
式中，
Figure QLYQS_27
是像素点i的模糊值，/>
Figure QLYQS_33
是像素点i对应的区域模糊集合A中的参数/>
Figure QLYQS_36
，/>
Figure QLYQS_29
是像素点i的模糊增强系数，/>
Figure QLYQS_31
和/>
Figure QLYQS_35
是捕获颜色图像中像素点模糊增强系数的最大值和最小值，/>
Figure QLYQS_38
是模糊增强系数/>
Figure QLYQS_26
线性归一化后的结果，/>
Figure QLYQS_30
是像素点i对应的区域模糊集合A中的参数/>
Figure QLYQS_34
，/>
Figure QLYQS_37
是捕获灰度图中像素点对应/>
Figure QLYQS_28
的均值，/>
Figure QLYQS_32
表示像素点i的隶属度。/>
CN202310206428.0A 2023-03-07 2023-03-07 一种用于平板电脑的图像捕获的分析方法 Active CN116071271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310206428.0A CN116071271B (zh) 2023-03-07 2023-03-07 一种用于平板电脑的图像捕获的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310206428.0A CN116071271B (zh) 2023-03-07 2023-03-07 一种用于平板电脑的图像捕获的分析方法

Publications (2)

Publication Number Publication Date
CN116071271A CN116071271A (zh) 2023-05-05
CN116071271B true CN116071271B (zh) 2023-06-02

Family

ID=86175001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310206428.0A Active CN116071271B (zh) 2023-03-07 2023-03-07 一种用于平板电脑的图像捕获的分析方法

Country Status (1)

Country Link
CN (1) CN116071271B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468640B (zh) * 2023-06-20 2023-08-29 山东正禾大教育科技有限公司 一种用于互联网教学的视频图像增强方法
CN116563312B (zh) * 2023-07-11 2023-09-12 山东古天电子科技有限公司 一种用于双屏机显示图像分割方法
CN116863492B (zh) * 2023-09-04 2023-11-21 山东正禾大教育科技有限公司 一种移动数字出版系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236784A (zh) * 2010-05-07 2011-11-09 株式会社理光 屏幕区域检测方法及系统
WO2017128605A1 (zh) * 2016-01-26 2017-08-03 上海葡萄纬度科技有限公司 一种教育玩具套件及其基于hsv的魔方颜色识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2323102A1 (en) * 2009-10-23 2011-05-18 ST-Ericsson (France) SAS Image capturing aid
JP2012256202A (ja) * 2011-06-09 2012-12-27 Sony Corp 画像処理装置、および画像処理方法、並びにプログラム
CN105608676B (zh) * 2015-12-23 2018-06-05 浙江宇视科技有限公司 一种视频图像的增强方法及装置
CN105654438A (zh) * 2015-12-27 2016-06-08 西南技术物理研究所 基于局部直方图均衡的灰度图像拟合增强方法
JP6904842B2 (ja) * 2017-08-03 2021-07-21 キヤノン株式会社 画像処理装置、画像処理方法
US20190172180A1 (en) * 2017-12-04 2019-06-06 Canon U.S.A., Inc. Apparatus, system and method for dynamic encoding of speckle reduction compensation
KR102331104B1 (ko) * 2019-09-02 2021-11-24 가천대학교 산학협력단 팬텀에 대한 구조 영상 기반의 공간해상도와 화질의 동시 개선 신경망 학습을 통한 새로운 핵의학영상 재구성 시스템
CN111416974A (zh) * 2020-03-19 2020-07-14 深圳创维－Rgb电子有限公司 一种基于摄像头的电视屏幕获取方法、系统及智能终端
CN111882520B (zh) * 2020-06-16 2023-10-17 歌尔光学科技有限公司 一种屏幕缺陷检测方法、装置及头戴显示设备
CN113658067B (zh) * 2021-08-11 2022-08-12 沭阳天勤工具有限公司 一种基于人工智能的气密性检测中水体图像增强方法及系统
CN114529459B (zh) * 2022-04-25 2022-08-02 东莞市兆丰精密仪器有限公司 一种对图像边缘进行增强处理的方法和系统及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236784A (zh) * 2010-05-07 2011-11-09 株式会社理光 屏幕区域检测方法及系统
WO2017128605A1 (zh) * 2016-01-26 2017-08-03 上海葡萄纬度科技有限公司 一种教育玩具套件及其基于hsv的魔方颜色识别方法

Also Published As

Publication number Publication date
CN116071271A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN116071271B (zh) 一种用于平板电脑的图像捕获的分析方法
Jiang et al. Enlightengan: Deep light enhancement without paired supervision
CN108921800B (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
CN107945111B (zh) 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法
CN108460742A (zh) 一种基于bp神经网络的图像复原方法
Steffens et al. Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing
CN107944499A (zh) 一种针对前景背景同时建模的背景检测方法
JP2020197915A (ja) 画像処理装置、画像処理方法、及びプログラム
Tsai et al. Contrast compensation by fuzzy classification and image illumination analysis for back-lit and front-lit color face images
Wu et al. Reflectance-guided histogram equalization and comparametric approximation
CN115033721A (zh) 基于大数据的图像检索方法
Ghita et al. Texture Enhanced Histogram Equalization Using TV-${\rm L}^{1} $ Image Decomposition
Parekh et al. A survey of image enhancement and object detection methods
CN116912604B (zh) 模型训练方法、图像识别方法、装置以及计算机存储介质
He et al. A night low‐illumination image enhancement model based on small probability area filtering and lossless mapping enhancement
CN111476175A (zh) 适用于老年人脸比对的自适应拓扑图匹配方法及系统
Lakshmanan et al. Automatic contrast enhancement for low contrast images: A comparison of recent histogram based techniques
Ko et al. IceNet for interactive contrast enhancement
Dey Image Processing Masterclass with Python: 50+ Solutions and Techniques Solving Complex Digital Image Processing Challenges Using Numpy, Scipy, Pytorch and Keras (English Edition)
Chen et al. Blur kernel estimation of noisy-blurred image via dynamic structure prior
CN113658118A (zh) 图像噪声程度估计方法、装置、电子设备及存储介质
Konya et al. Adaptive methods for robust document image understanding
Hu et al. A Preprocessing Method of Facial Expression Image under Different Illumination
Chen et al. A depth iterative illumination estimation network for low-light image enhancement based on retinex theory
US20220092357A1 (en) Information processing apparatus, information processing method, and storage medium

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