CN116109523B - 一种智能设计的图像缺陷点自动修复方法及系统 - Google Patents
一种智能设计的图像缺陷点自动修复方法及系统 Download PDFInfo
- Publication number
- CN116109523B CN116109523B CN202310375404.8A CN202310375404A CN116109523B CN 116109523 B CN116109523 B CN 116109523B CN 202310375404 A CN202310375404 A CN 202310375404A CN 116109523 B CN116109523 B CN 116109523B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- target level
- grid
- edge area
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 122
- 238000013461 design Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007499 fusion processing Methods 0.000 claims description 55
- 238000004088 simulation Methods 0.000 claims description 50
- 230000008439 repair process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能设计的图像缺陷点自动修复方法及系统，本技术方案通过对各个层级之间发生特征重叠的物体边缘区域进行网格化处理后完成修复，并依次对单个层级、相邻层级之间修复后的特征重叠区域进行融合处理，解决不同层级的图像边缘在叠加之后会与相邻层级的图像出现部分融合，而导致不同层级之间的图像边缘出现噪声的问题，能够对设计图像中不同层级之间的图像边缘出现噪声的缺陷点进行修复，从而提升设计图像的质量。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种智能设计的图像缺陷点自动修复方法及系统。
背景技术
随着计算机技术的发展，传统设计行业的工作模式也从手工绘制转移到计算机智能设计，利用设计软件完成设计图的制作，通过智能设计产生的设计图像可呈现多维的、具有层次感的观感。由于目前市面上的设计软件在运行过程中，基本上都是通过图层搭建的形式进行设计，也就是先搭建底层图像，再一层一层地构筑图像，最后搭建成多维的、具有层次感的设计图像。但在图层搭建的过程中，由于不同层级的图像边缘在叠加之后会与相邻层级的图像出现部分融合，导致不同层级之间的图像边缘出现噪声，严重地影响了设计图像的质量。
为了克服不同层级之间的图像边缘出现噪声的问题，现有技术中曾经有学者尝试利用图像过滤技术对噪声部分进行留白，但留白后的图像区域会出现空白处，对于设计图像来说同样是致命的缺陷，也没有提升到设计图像的质量。
因此，如何解决不同层级的图像边缘在叠加之后会与相邻层级的图像出现部分融合，而导致不同层级之间的图像边缘出现噪声的情况，成为了目前市面上亟需解决的一道难题。
发明内容
本发明提供了一种智能设计的图像缺陷点自动修复方法及系统，可以对设计图像中不同层级之间的图像边缘出现噪声的缺陷点进行修复，从而提升设计图像的质量。
为了解决上述技术问题，本发明实施例提供了一种智能设计的图像缺陷点自动修复方法，包括：
获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像；
在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域；
对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除；
确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值和所述缺陷点在所述目标层级特征图像中对应的物体特征，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格；
根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像；
当所有层级的特征图像均修复完成后，根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理，以及根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理，直到所有层级的特征图像均融合处理后，得到修复后的设计图像。
作为优选方案，所述获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像的步骤中，具体包括：
对识别得到的物体特征进行标记，对每个标记的物体特征上的线条进行识别，根据物体特征上各个线条形成的闭环情况，对标记的物体特征划分为完整个体和非完整个体；
对每一个完整个体在设计图像中的深度值进行判断，根据所述深度值的大小排序对所述完整个体按层级依次排列；
分别判断对每一个非完整个体与排列后的完整个体之间的位置关系，确定每一个非完整个体对应所在的层级，完成各个层级上的物体特征排列；
根据每个层级上的物体特征，生成对应多个层级的特征图像。
作为优选方案，所述在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域的步骤中，具体包括：
分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，得到目标边缘、上一层边缘和下一层边缘；
分别将所述目标边缘和上一层边缘投影到纵向水平面上，将所述纵向水平面上出现的交叉点作为所述目标层级特征图像与上一层特征图像的特征重叠点；
分别将所述目标边缘和下一层边缘投影到横向水平面上，将所述横向水平面上出现的交叉点作为所述目标层级特征图像与下一层特征图像的特征重叠点；
对所有的特征重叠点在对应目标层级特征图像中所对应位置上的阴影区域进行识别，将识别到的阴影区域作为所述目标层级特征图像的噪声区域。
作为优选方案，所述对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除的步骤中，具体包括：
对所述目标层级特征图像进行网格化处理，对生成的每一个网格中的色度值进行识别，并对所述噪声区域对应网格的色度值进行提取；
在所述噪声区域对应网格中分别对两个相邻网格之间的色度值进行计算，当两个相邻网格的差值大于预设阈值时，确定该两个相邻的网格为疑似缺陷点；
分别对两个相邻网格的周边相邻网格对应的色度值进行提取并计算平均差值，将两个相邻网格中对应的平均差值大的网格作为缺陷点；
对确定的所有缺陷点进行删除。
作为优选方案，所述确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值和所述缺陷点在所述目标层级特征图像中对应的物体特征，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格的步骤中，具体包括：
根据缺陷点在所述目标层级特征图像中对应的物体特征，确定所述缺陷点的物体类型；
根据预设规则，确定所述缺陷点的物体类型所对应的色度值序列；其中，所述色度值序列设置有不同网格距离而对应的色度值参数；
确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值，以及所述目标网络在所述目标层级特征图像中对应的物体特征中的位置关系，在所述色度值序列中确定所述缺陷点的色度值参数；
根据所述缺陷点的色度值参数，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格。
作为优选方案，所述根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像的步骤中，具体包括：
建立空间直角坐标系，根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，在所述空间直角坐标系中确定所述模拟网格和所述物体边缘区域中每个网格的坐标系数；
根据所述模拟网格分别与所述物体边缘区域中每个网格的空间距离，按比例生成所述物体边缘区域中每个网格所对应的透明度值；
分别根据所述物体边缘区域中每个网格所对应的透明度值，提取所述物体边缘区域中每个网格对应的网格图像；
对生成的所有网格图像和所述模拟网格上的图像进行融合，得到修复后的目标层级特征图像。
作为优选方案，所述根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理的步骤中，具体包括：
确定所述修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的第一物体边缘区域；
分别将所述第一物体边缘区域和上一层特征图像投影到纵向水平面上，确定所述纵向水平面上的第一重叠区域图像；
将所述第一重叠区域图像与所述第一物体边缘区域进行第一图像融合处理，将融合处理后生成的图像在所述上一层特征图像上对应的区域进行替换。
作为优选方案，所述根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理的步骤中，具体包括：
确定所述修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的第二物体边缘区域；
分别将所述第二物体边缘区域和下一层特征图像投影到横向水平面上，确定所述横向水平面上的第二重叠区域图像；
将所述第二重叠区域图像与所述第二物体边缘区域进行第二图像融合处理，将融合处理后生成的图像在所述目标层级特征图像上对应的区域进行替换。
相应地，本发明另一实施例还提供了一种智能设计的图像缺陷点自动修复系统，包括：图像分层模块、特征识别模块、缺陷删除模块、网格修复模块、图像融合模块和设计图像模块；
所述图像分层模块，用于获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像；
所述特征识别模块，用于在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域；
所述缺陷删除模块，用于对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除；
所述网格修复模块，用于确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值和所述缺陷点在所述目标层级特征图像中对应的物体特征，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格；
所述图像融合模块，用于根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像；
所述设计图像模块，用于当所有层级的特征图像均修复完成后，根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理，以及根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理，直到所有层级的特征图像均融合处理后，得到修复后的设计图像。
作为优选方案，所述图像分层模块具体用于：对识别得到的物体特征进行标记，对每个标记的物体特征上的线条进行识别，根据物体特征上各个线条形成的闭环情况，对标记的物体特征划分为完整个体和非完整个体；对每一个完整个体在设计图像中的深度值进行判断，根据所述深度值的大小排序对所述完整个体按层级依次排列；分别判断对每一个非完整个体与排列后的完整个体之间的位置关系，确定每一个非完整个体对应所在的层级，完成各个层级上的物体特征排列；根据每个层级上的物体特征，生成对应多个层级的特征图像。
作为优选方案，所述特征识别模块具体用于：分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，得到目标边缘、上一层边缘和下一层边缘；分别将所述目标边缘和上一层边缘投影到纵向水平面上，将所述纵向水平面上出现的交叉点作为所述目标层级特征图像与上一层特征图像的特征重叠点；分别将所述目标边缘和下一层边缘投影到横向水平面上，将所述横向水平面上出现的交叉点作为所述目标层级特征图像与下一层特征图像的特征重叠点；对所有的特征重叠点在对应目标层级特征图像中所对应位置上的阴影区域进行识别，将识别到的阴影区域作为所述目标层级特征图像的噪声区域。
作为优选方案，所述缺陷删除模块具体用于：对所述目标层级特征图像进行网格化处理，对生成的每一个网格中的色度值进行识别，并对所述噪声区域对应网格的色度值进行提取；在所述噪声区域对应网格中分别对两个相邻网格之间的色度值进行计算，当两个相邻网格的差值大于预设阈值时，确定该两个相邻的网格为疑似缺陷点；分别对两个相邻网格的周边相邻网格对应的色度值进行提取并计算平均差值，将两个相邻网格中对应的平均差值大的网格作为缺陷点；对确定的所有缺陷点进行删除。
作为优选方案，所述网格修复模块具体用于：根据缺陷点在所述目标层级特征图像中对应的物体特征，确定所述缺陷点的物体类型；根据预设规则，确定所述缺陷点的物体类型所对应的色度值序列；其中，所述色度值序列设置有不同网格距离而对应的色度值参数；确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值，以及所述目标网络在所述目标层级特征图像中对应的物体特征中的位置关系，在所述色度值序列中确定所述缺陷点的色度值参数；根据所述缺陷点的色度值参数，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格。
作为优选方案，所述图像融合模块具体用于：建立空间直角坐标系，根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，在所述空间直角坐标系中确定所述模拟网格和所述物体边缘区域中每个网格的坐标系数；根据所述模拟网格分别与所述物体边缘区域中每个网格的空间距离，按比例生成所述物体边缘区域中每个网格所对应的透明度值；分别根据所述物体边缘区域中每个网格所对应的透明度值，提取所述物体边缘区域中每个网格对应的网格图像；对生成的所有网格图像和所述模拟网格上的图像进行融合，得到修复后的目标层级特征图像。
作为优选方案，所述设计图像模块用于根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理的步骤中，具体包括：确定所述修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的第一物体边缘区域；分别将所述第一物体边缘区域和上一层特征图像投影到纵向水平面上，确定所述纵向水平面上的第一重叠区域图像；将所述第一重叠区域图像与所述第一物体边缘区域进行第一图像融合处理，将融合处理后生成的图像在所述上一层特征图像上对应的区域进行替换。
作为优选方案，所述设计图像模块用于根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理的步骤中，具体包括：确定所述修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的第二物体边缘区域；分别将所述第二物体边缘区域和下一层特征图像投影到横向水平面上，确定所述横向水平面上的第二重叠区域图像；将所述第二重叠区域图像与所述第二物体边缘区域进行第二图像融合处理，将融合处理后生成的图像在所述目标层级特征图像上对应的区域进行替换。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的智能设计的图像缺陷点自动修复方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的智能设计的图像缺陷点自动修复方法。
相比于现有技术，本发明实施例具有如下有益效果：
本技术方案通过对各个层级之间发生特征重叠的物体边缘区域进行网格化处理后完成修复，并依次对单个层级、相邻层级之间修复后的特征重叠区域进行融合处理，解决不同层级的图像边缘在叠加之后会与相邻层级的图像出现部分融合，而导致不同层级之间的图像边缘出现噪声的问题，能够对设计图像中不同层级之间的图像边缘出现噪声的缺陷点进行修复，从而提升设计图像的质量。
附图说明
图1 ：为本发明实施例提供的一种智能设计的图像缺陷点自动修复方法的步骤流程图；
图2 ：为本发明实施例提供的一种智能设计的图像缺陷点自动修复系统的结构示意图；
图3 ：为本发明实施例提供的终端设备的一种实施例的结构示意图。
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他实施例，都属于本发明保护的范围。
实施例一：请参照图1，为本发明实施例提供的一种智能设计的图像缺陷点自动修复方法的步骤流程图，包括步骤101至步骤106，各步骤具体如下：
步骤101，获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像。
在本实施例中，所述步骤101具体包括：步骤1011，对识别得到的物体特征进行标记，对每个标记的物体特征上的线条进行识别，根据物体特征上各个线条形成的闭环情况，对标记的物体特征划分为完整个体和非完整个体；步骤1012，对每一个完整个体在设计图像中的深度值进行判断，根据所述深度值的大小排序对所述完整个体按层级依次排列；步骤1013，分别判断对每一个非完整个体与排列后的完整个体之间的位置关系，确定每一个非完整个体对应所在的层级，完成各个层级上的物体特征排列；步骤1014，根据每个层级上的物体特征，生成对应多个层级的特征图像。
具体地，为了提高设计图像的图像质量，我们需要对每一层级图像的特征进行优化处理，在这一过程中，需要对设计图像的各个层级进行分层，针对每一层级的图像在下一步骤中进行处理。本步骤利用相邻两个层级间物体特征重叠的特性，首先分离出完整个体和非完整个体的物体特征，然后根据不同层级图像会由于层级空间而导致各个层级的空间深度不同，通过对完整个体的深度值从大到小排列，深度值越大的完整个体，则说明其层级越往后。接着根据排列后的完整个体与非完整个体之间的位置关系，即可知道各个物体特征的空间位置。例如完整个体A叠加在非完整个体B上面，则可以说明B的层级是A的下一层级。最后根据排列完成之后的层级可以确定各个层级的物体特征对应的特征图像。
步骤102，在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域。
在本实施例中，所述步骤102具体包括：步骤1021，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，得到目标边缘、上一层边缘和下一层边缘；步骤1022，分别将所述目标边缘和上一层边缘投影到纵向水平面上，将所述纵向水平面上出现的交叉点作为所述目标层级特征图像与上一层特征图像的特征重叠点；步骤1023，分别将所述目标边缘和下一层边缘投影到横向水平面上，将所述横向水平面上出现的交叉点作为所述目标层级特征图像与下一层特征图像的特征重叠点；步骤1024，对所有的特征重叠点在对应目标层级特征图像中所对应位置上的阴影区域进行识别，将识别到的阴影区域作为所述目标层级特征图像的噪声区域。
具体地，对分离的每一层级的特征图像进行噪声识别，以便于后续图像质量提升。由于噪声出现的原因是由于不同层级之间物体边缘特征重叠而产生的结果，所以本步骤主要目的是为了识别出每个层级中的物体边缘，从而识别出噪声区域。为了使得说明更加清楚，我们在对每一层级进行处理时，将该层级称为“目标层级”，可以理解的是，除了第一层级图像不具备“上一层特征图像”，以及最后一层级图像不具备“下一层特征图像”以外，其他的层级图像理应具备“上一层特征图像”和“下一层特征图像”。在实际应用中，为了使图像中的噪声区域提取得更准确，通过研究表明，目标层级特征图像和上一层特征图像在特征重叠形成噪声的区域主要是纵向水平的区域特征，而在横向的特征像素中反而会更清晰，在综合生成图像之后，实际上是纵向水平的噪声影响了横向水平上的特征像素，而目标层级特征图像和下一层特征图像则在横向水平上的噪声影响了纵向水平上的特征像素。因此，我们通过对目标边缘和上一层边缘投影到纵向水平面上，将出现的交叉点定义为噪声区域；而将目标边缘和下一层边缘投影到横向水平面上，将出现的交叉点定义为噪声区域，以便于后续步骤对噪声区域进行优化处理。
步骤103，对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除。
在本实施例中，所述步骤103具体包括：步骤1031，对所述目标层级特征图像进行网格化处理，对生成的每一个网格中的色度值进行识别，并对所述噪声区域对应网格的色度值进行提取；步骤1032，在所述噪声区域对应网格中分别对两个相邻网格之间的色度值进行计算，当两个相邻网格的差值大于预设阈值时，确定该两个相邻的网格为疑似缺陷点；步骤1033，分别对两个相邻网格的周边相邻网格对应的色度值进行提取并计算平均差值，将两个相邻网格中对应的平均差值大的网格作为缺陷点；步骤1034，对确定的所有缺陷点进行删除。
具体地，虽然上一步骤识别到噪声区域，但我们还需要谨慎，如果直接将噪声区域进行删除，那很有可能出现现有技术中的“留白”问题，最后效果可能也不好。然而在噪声区域中有部分像素网格其实是可以继续使用的，我们只要把色度完全发生变化的像素网格剔除即可，使得更多有效的像素网格可以留下，可以让噪声区域更好的“还原现场”之外，还便于后续在对图像进行融合时，令修复的网格可以从附近抓取有用的、可复制的像素网格，从而提高图像的质量。因此，在本步骤中，我们利用相邻网格中的色度值之差确定疑似缺陷点，再取周边网格的平均值，即可判断出形成噪声的真正缺陷点。
步骤104，确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值和所述缺陷点在所述目标层级特征图像中对应的物体特征，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格。
在本实施例中，所述步骤104具体包括：步骤1041，根据缺陷点在所述目标层级特征图像中对应的物体特征，确定所述缺陷点的物体类型；步骤1042，根据预设规则，确定所述缺陷点的物体类型所对应的色度值序列；其中，所述色度值序列设置有不同网格距离而对应的色度值参数；步骤1043，确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值，以及所述目标网络在所述目标层级特征图像中对应的物体特征中的位置关系，在所述色度值序列中确定所述缺陷点的色度值参数；步骤1044，根据所述缺陷点的色度值参数，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格。
具体地，通过缺陷点所在图像中对应的物体特征，可以确定该缺陷点属于哪个物体类型。在预先设置的规则或表格中，记录了不同物体类型在图像中的色度值序列，通过缺陷点相邻的目标网格，可以找到缺陷点在预设规则中的色度值参数，从而进行修复。可以理解的是，具体的修复工具利用市面上的修复工具即可，此处不作限定。
步骤105，根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像。
在本实施例中，所述步骤105具体包括：步骤1051，建立空间直角坐标系，根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，在所述空间直角坐标系中确定所述模拟网格和所述物体边缘区域中每个网格的坐标系数；步骤1052，根据所述模拟网格分别与所述物体边缘区域中每个网格的空间距离，按比例生成所述物体边缘区域中每个网格所对应的透明度值；步骤1053，分别根据所述物体边缘区域中每个网格所对应的透明度值，提取所述物体边缘区域中每个网格对应的网格图像；步骤1054，对生成的所有网格图像和所述模拟网格上的图像进行融合，得到修复后的目标层级特征图像。
具体地，在对缺陷点的网格进行修复之后，为了克服修复之后的网格与周边网格不相匹配、不协调的情况，进一步提高图像整体的质量，我们需要对每个层级的图像进行单独的处理。在本步骤中，通过修复后的模拟网格在目标层级特征图像中的物体边缘区域的位置关系，确定空间距离，按比例生成物体边缘区域中每个网格所对应的透明度值，距离模拟网格越近，则透明度越小；可以理解的是，具体透明度的比例值可以根据实际应用进行调整变换，此处不作限定。最后，根据不同透明度生成的网格图像与模拟网格上图像进行融合即可，此时，模拟网格上即可具备周边网格上的部分物体像素特征，使得单个层级的图像整体效果更接近原始图像，质量更高。
步骤106，当所有层级的特征图像均修复完成后，根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理，以及根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理，直到所有层级的特征图像均融合处理后，得到修复后的设计图像。
具体地，在完成上个步骤对单个层级图像进行融合的处理步骤之后，为了进一步提高整个设计图像的质量，我们需要对整个设计图像中不同层级之间相邻层级的图像进行融合处理，以达到优化整个设计图像的目的。在本步骤中主要涉及两个方案，第一方面是目标层级特征图像与上一层特征图像之间的图像融合；第二方面是目标层级特征图像与下一层特征图像之间的图像融合。下面将进行详细说明。
在本实施例的第一方面中，所述步骤106中根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理的步骤中，具体包括：步骤10611，确定所述修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的第一物体边缘区域；步骤10612，分别将所述第一物体边缘区域和上一层特征图像投影到纵向水平面上，确定所述纵向水平面上的第一重叠区域图像；步骤10613，将所述第一重叠区域图像与所述第一物体边缘区域进行第一图像融合处理，将融合处理后生成的图像在所述上一层特征图像上对应的区域进行替换。
具体地，如上述步骤102中所述，通过研究表明，目标层级特征图像和上一层特征图像在特征重叠形成噪声的区域主要是纵向水平的区域特征，而在横向的特征像素中反而会更清晰，在综合生成图像之后，实际上是纵向水平的噪声影响了横向水平上的特征像素。因此，我们通过将第一物体边缘区域和上一层特征图像投影到纵向水平面上，得到第一重叠区域图像，并将第一重叠区域图像与第一物体边缘区域进行第一图像融合处理，即可完成区域替换，实现目标层级特征图像和上一层特征图像进行融合的目的。
在本实施例的第二方面中，所述步骤106中根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理的步骤中，具体包括：步骤10621，确定所述修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的第二物体边缘区域；步骤10622，分别将所述第二物体边缘区域和下一层特征图像投影到横向水平面上，确定所述横向水平面上的第二重叠区域图像；步骤10623，将所述第二重叠区域图像与所述第二物体边缘区域进行第二图像融合处理，将融合处理后生成的图像在所述目标层级特征图像上对应的区域进行替换。
具体地，如上述步骤102中所述，通过研究表明，目标层级特征图像和下一层特征图像在特征重叠形成噪声的区域主要是横向水平的区域特征，而在纵向的特征像素中反而会更清晰，在综合生成图像之后，实际上是横向水平的噪声影响了纵向水平上的特征像素。因此，我们通过第二物体边缘区域和下一层特征图像投影到横向水平面上，得到第二重叠区域图像，并将第二重叠区域图像与所述第二物体边缘区域进行第二图像融合处理，即可完成区域替换，实现目标层级特征图像和下一层特征图像进行融合的目的。
本技术方案通过对各个层级之间发生特征重叠的物体边缘区域进行网格化处理后完成修复，并依次对单个层级、相邻层级之间修复后的特征重叠区域进行融合处理，解决不同层级的图像边缘在叠加之后会与相邻层级的图像出现部分融合，而导致不同层级之间的图像边缘出现噪声的问题，能够对设计图像中不同层级之间的图像边缘出现噪声的缺陷点进行修复，从而提升设计图像的质量。
实施例二，请参照图2，本发明另一实施例提供了一种智能设计的图像缺陷点自动修复系统的结构示意图，包括：图像分层模块、特征识别模块、缺陷删除模块、网格修复模块、图像融合模块和设计图像模块。
所述图像分层模块，用于获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像。
在本实施例中，所述图像分层模块具体用于：对识别得到的物体特征进行标记，对每个标记的物体特征上的线条进行识别，根据物体特征上各个线条形成的闭环情况，对标记的物体特征划分为完整个体和非完整个体；对每一个完整个体在设计图像中的深度值进行判断，根据所述深度值的大小排序对所述完整个体按层级依次排列；分别判断对每一个非完整个体与排列后的完整个体之间的位置关系，确定每一个非完整个体对应所在的层级，完成各个层级上的物体特征排列；根据每个层级上的物体特征，生成对应多个层级的特征图像。
所述特征识别模块，用于在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域。
在本实施例中，所述特征识别模块具体用于：分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，得到目标边缘、上一层边缘和下一层边缘；分别将所述目标边缘和上一层边缘投影到纵向水平面上，将所述纵向水平面上出现的交叉点作为所述目标层级特征图像与上一层特征图像的特征重叠点；分别将所述目标边缘和下一层边缘投影到横向水平面上，将所述横向水平面上出现的交叉点作为所述目标层级特征图像与下一层特征图像的特征重叠点；对所有的特征重叠点在对应目标层级特征图像中所对应位置上的阴影区域进行识别，将识别到的阴影区域作为所述目标层级特征图像的噪声区域。
所述缺陷删除模块，用于对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除。
在本实施例中，所述缺陷删除模块具体用于：对所述目标层级特征图像进行网格化处理，对生成的每一个网格中的色度值进行识别，并对所述噪声区域对应网格的色度值进行提取；在所述噪声区域对应网格中分别对两个相邻网格之间的色度值进行计算，当两个相邻网格的差值大于预设阈值时，确定该两个相邻的网格为疑似缺陷点；分别对两个相邻网格的周边相邻网格对应的色度值进行提取并计算平均差值，将两个相邻网格中对应的平均差值大的网格作为缺陷点；对确定的所有缺陷点进行删除。
所述网格修复模块，用于确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值和所述缺陷点在所述目标层级特征图像中对应的物体特征，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格。
在本实施例中，所述网格修复模块具体用于：根据缺陷点在所述目标层级特征图像中对应的物体特征，确定所述缺陷点的物体类型；根据预设规则，确定所述缺陷点的物体类型所对应的色度值序列；其中，所述色度值序列设置有不同网格距离而对应的色度值参数；确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值，以及所述目标网络在所述目标层级特征图像中对应的物体特征中的位置关系，在所述色度值序列中确定所述缺陷点的色度值参数；根据所述缺陷点的色度值参数，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格。
所述图像融合模块，用于根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像。
在本实施例中，所述图像融合模块具体用于：建立空间直角坐标系，根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，在所述空间直角坐标系中确定所述模拟网格和所述物体边缘区域中每个网格的坐标系数；根据所述模拟网格分别与所述物体边缘区域中每个网格的空间距离，按比例生成所述物体边缘区域中每个网格所对应的透明度值；分别根据所述物体边缘区域中每个网格所对应的透明度值，提取所述物体边缘区域中每个网格对应的网格图像；对生成的所有网格图像和所述模拟网格上的图像进行融合，得到修复后的目标层级特征图像。
所述设计图像模块，用于当所有层级的特征图像均修复完成后，根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理，以及根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理，直到所有层级的特征图像均融合处理后，得到修复后的设计图像。
在本实施例的第一方面中，所述设计图像模块用于根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理的步骤中，具体包括：确定所述修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的第一物体边缘区域；分别将所述第一物体边缘区域和上一层特征图像投影到纵向水平面上，确定所述纵向水平面上的第一重叠区域图像；将所述第一重叠区域图像与所述第一物体边缘区域进行第一图像融合处理，将融合处理后生成的图像在所述上一层特征图像上对应的区域进行替换。
在本实施例的第二方面中，所述设计图像模块用于根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理的步骤中，具体包括：确定所述修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的第二物体边缘区域；分别将所述第二物体边缘区域和下一层特征图像投影到横向水平面上，确定所述横向水平面上的第二重叠区域图像；将所述第二重叠区域图像与所述第二物体边缘区域进行第二图像融合处理，将融合处理后生成的图像在所述目标层级特征图像上对应的区域进行替换。
实施例三：本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的智能设计的图像缺陷点自动修复方法。
实施例四：请参照图3，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的智能设计的图像缺陷点自动修复方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序、计算机程序），所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（SmartMedia Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能设计的图像缺陷点自动修复方法，其特征在于，包括：
获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像；
在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域；
对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除；
确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值和所述缺陷点在所述目标层级特征图像中对应的物体特征，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格；
根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像；
当所有层级的特征图像均修复完成后，根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理，以及根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理，直到所有层级的特征图像均融合处理后，得到修复后的设计图像。
2.如权利要求1所述的智能设计的图像缺陷点自动修复方法，其特征在于，所述获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像的步骤中，具体包括：
对识别得到的物体特征进行标记，对每个标记的物体特征上的线条进行识别，根据物体特征上各个线条形成的闭环情况，对标记的物体特征划分为完整个体和非完整个体；
对每一个完整个体在设计图像中的深度值进行判断，根据所述深度值的大小排序对所述完整个体按层级依次排列；
分别判断对每一个非完整个体与排列后的完整个体之间的位置关系，确定每一个非完整个体对应所在的层级，完成各个层级上的物体特征排列；
根据每个层级上的物体特征，生成对应多个层级的特征图像。
3.如权利要求1所述的智能设计的图像缺陷点自动修复方法，其特征在于，所述在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域的步骤中，具体包括：
分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，得到目标边缘、上一层边缘和下一层边缘；
分别将所述目标边缘和上一层边缘投影到纵向水平面上，将所述纵向水平面上出现的交叉点作为所述目标层级特征图像与上一层特征图像的特征重叠点；
分别将所述目标边缘和下一层边缘投影到横向水平面上，将所述横向水平面上出现的交叉点作为所述目标层级特征图像与下一层特征图像的特征重叠点；
对所有的特征重叠点在对应目标层级特征图像中所对应位置上的阴影区域进行识别，将识别到的阴影区域作为所述目标层级特征图像的噪声区域。
4.如权利要求1所述的智能设计的图像缺陷点自动修复方法，其特征在于，所述对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除的步骤中，具体包括：
对所述目标层级特征图像进行网格化处理，对生成的每一个网格中的色度值进行识别，并对所述噪声区域对应网格的色度值进行提取；
在所述噪声区域对应网格中分别对两个相邻网格之间的色度值进行计算，当两个相邻网格的差值大于预设阈值时，确定该两个相邻的网格为疑似缺陷点；
分别对两个相邻网格的周边相邻网格对应的色度值进行提取并计算平均差值，将两个相邻网格中对应的平均差值大的网格作为缺陷点；
对确定的所有缺陷点进行删除。
5.如权利要求1所述的智能设计的图像缺陷点自动修复方法，其特征在于，所述根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像的步骤中，具体包括：
建立空间直角坐标系，根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，在所述空间直角坐标系中确定所述模拟网格和所述物体边缘区域中每个网格的坐标系数；
根据所述模拟网格分别与所述物体边缘区域中每个网格的空间距离，按比例生成所述物体边缘区域中每个网格所对应的透明度值；
分别根据所述物体边缘区域中每个网格所对应的透明度值，提取所述物体边缘区域中每个网格对应的网格图像；
对生成的所有网格图像和所述模拟网格上的图像进行融合，得到修复后的目标层级特征图像。
6.如权利要求5所述的智能设计的图像缺陷点自动修复方法，其特征在于，所述根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理的步骤中，具体包括：
确定所述修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的第一物体边缘区域；
分别将所述第一物体边缘区域和上一层特征图像投影到纵向水平面上，确定所述纵向水平面上的第一重叠区域图像；
将所述第一重叠区域图像与所述第一物体边缘区域进行第一图像融合处理，将融合处理后生成的图像在所述上一层特征图像上对应的区域进行替换。
7.如权利要求6所述的智能设计的图像缺陷点自动修复方法，其特征在于，所述根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理的步骤中，具体包括：
确定所述修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的第二物体边缘区域；
分别将所述第二物体边缘区域和下一层特征图像投影到横向水平面上，确定所述横向水平面上的第二重叠区域图像；
将所述第二重叠区域图像与所述第二物体边缘区域进行第二图像融合处理，将融合处理后生成的图像在所述目标层级特征图像上对应的区域进行替换。
8.一种智能设计的图像缺陷点自动修复系统，其特征在于，包括：图像分层模块、特征识别模块、缺陷删除模块、网格修复模块、图像融合模块和设计图像模块；
所述图像分层模块，用于获取设计图像，对所述设计图像中的物体特征进行识别，根据所述物体特征对所述设计图像进行分层，得到多个层级的特征图像；
所述特征识别模块，用于在所述多个层级的特征图像中选择目标层级特征图像，同时确定所述目标层级的上一层特征图像和下一层特征图像，分别对所述目标层级特征图像、上一层特征图像和下一层特征图像中的物体边缘进行特征识别，将所述目标层级特征图像中出现特征重叠的物体边缘区域作为所述目标层级特征图像的噪声区域；
所述缺陷删除模块，用于对所述目标层级特征图像进行网格化处理，对所述噪声区域对应网格的色度值进行识别，根据相邻网格之间的色度值的差值，在所述噪声区域对应网格中确定缺陷点，并对所述缺陷点进行删除；
所述网格修复模块，用于确定与所述缺陷点相邻的目标网格，根据所述目标网格的色度值和所述缺陷点在所述目标层级特征图像中对应的物体特征，对已经删除的缺陷点对应的网格区域进行修复，生成模拟网格；
所述图像融合模块，用于根据所述模拟网格在所述目标层级特征图像中的物体边缘区域的位置关系，将所述模拟网格与对应的物体边缘区域进行图像融合处理，得到修复后的目标层级特征图像；
所述设计图像模块，用于当所有层级的特征图像均修复完成后，根据修复后的目标层级特征图像与上一层特征图像之间出现特征重叠的物体边缘区域进行第一图像融合处理，以及根据修复后的目标层级特征图像与下一层特征图像之间出现特征重叠的物体边缘区域进行第二图像融合处理，直到所有层级的特征图像均融合处理后，得到修复后的设计图像。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的智能设计的图像缺陷点自动修复方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的智能设计的图像缺陷点自动修复方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375404.8A CN116109523B (zh) | 2023-04-11 | 2023-04-11 | 一种智能设计的图像缺陷点自动修复方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375404.8A CN116109523B (zh) | 2023-04-11 | 2023-04-11 | 一种智能设计的图像缺陷点自动修复方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116109523A CN116109523A (zh) | 2023-05-12 |
| CN116109523B true CN116109523B (zh) | 2023-06-30 |
Family
ID=86262402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310375404.8A Active CN116109523B (zh) | 2023-04-11 | 2023-04-11 | 一种智能设计的图像缺陷点自动修复方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109523B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009126621A2 (en) * | 2008-04-07 | 2009-10-15 | Tufts University | Methods and apparatus for image restoration |
| GB201712974D0 (en) * | 2017-08-14 | 2017-09-27 | Nokia Technologies Oy | Image processing |
| CN112053318A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
| CN112884669A (zh) * | 2021-02-25 | 2021-06-01 | 电子科技大学 | 基于多尺度内容注意力机制的图像修复方法、存储介质和终端 |
| CN113096119A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 |
| WO2022116109A1 (en) * | 2020-12-03 | 2022-06-09 | Boe Technology Group Co., Ltd. | Computer-implemented method for defect analysis, apparatus for defect analysis, computer-program product, and intelligent defect analysis system |
| CN114638748A (zh) * | 2020-12-16 | 2022-06-17 | 阿里巴巴集团控股有限公司 | 图像处理方法、图像修复方法、计算机设备、存储介质 |
| CN115239698A (zh) * | 2022-08-19 | 2022-10-25 | 中科云遥(深圳)科技有限公司 | 基于剖分网格图像多层级特征融合的变化检测方法及系统 |
| CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712084B (zh) * | 2018-12-10 | 2021-01-19 | 上海奕瑞光电子科技股份有限公司 | 一种图像修复方法、图像修复系统及平板探测器 |
-
2023
- 2023-04-11 CN CN202310375404.8A patent/CN116109523B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009126621A2 (en) * | 2008-04-07 | 2009-10-15 | Tufts University | Methods and apparatus for image restoration |
| GB201712974D0 (en) * | 2017-08-14 | 2017-09-27 | Nokia Technologies Oy | Image processing |
| CN112053318A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
| WO2022116109A1 (en) * | 2020-12-03 | 2022-06-09 | Boe Technology Group Co., Ltd. | Computer-implemented method for defect analysis, apparatus for defect analysis, computer-program product, and intelligent defect analysis system |
| CN114638748A (zh) * | 2020-12-16 | 2022-06-17 | 阿里巴巴集团控股有限公司 | 图像处理方法、图像修复方法、计算机设备、存储介质 |
| CN112884669A (zh) * | 2021-02-25 | 2021-06-01 | 电子科技大学 | 基于多尺度内容注意力机制的图像修复方法、存储介质和终端 |
| CN113096119A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 |
| CN115239698A (zh) * | 2022-08-19 | 2022-10-25 | 中科云遥(深圳)科技有限公司 | 基于剖分网格图像多层级特征融合的变化检测方法及系统 |
| CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
Non-Patent Citations (1)
| Title |
|---|
| "内窥检测与物探技术在排水设施管网排查中的应用";杨雷 等;《能源与环保》;正文第113-117页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116109523A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103279936B (zh) | 基于画像的人脸伪照片自动合成及修正方法 | |
| CN107369204B (zh) | 一种从单幅照片恢复出场景基本三维结构的方法 | |
| CN103186894B (zh) | 一种自适应分块的多聚焦图像融合方法 | |
| CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
| CN107437085A (zh) | 一种提升ocr识别率的方法、装置及可读存储介质 | |
| US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
| CN111768415A (zh) | 一种无量化池化的图像实例分割方法 | |
| CN103761708B (zh) | 基于轮廓匹配的图像修复方法 | |
| CN114143519A (zh) | 投影图像自动匹配幕布区域的方法及装置，投影仪 | |
| CN111553870B (zh) | 一种基于分布式系统的图像处理方法 | |
| CN109300127A (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
| CN110136052A (zh) | 一种图像处理方法、装置和电子设备 | |
| CN112163996A (zh) | 一种基于图像处理的平角视频融合方法 | |
| CN114862642A (zh) | 一种短视频可见水印去除的方法及计算机可读存储介质 | |
| CN116109523B (zh) | 一种智能设计的图像缺陷点自动修复方法及系统 | |
| CN117095300B (zh) | 建筑图像处理方法、装置、计算机设备和存储介质 | |
| CN118229625A (zh) | 基于对图输入的pcb裸板缺陷检测方法及相关设备 | |
| WO2024087163A1 (zh) | 坏点检测模型训练方法、坏点检测方法以及坏点修复方法 | |
| RU2470368C2 (ru) | Способ обработки изображений | |
| CN106504203A (zh) | 一种应用筛选策略的块匹配图像修复方法 | |
| CN116149987A (zh) | 一种图形滑块的自动验证方法 | |
| CN116167925A (zh) | 图像修复方法、装置、电子设备及计算机可读存储介质 | |
| CN114283081B (zh) | 基于金字塔加速的深度恢复方法、电子设备及存储介质 | |
| CN115690180A (zh) | 一种矢量地图配准方法、配准系统、电子设备及存储介质 | |
| CA2997335C (en) | Automatically generating image datasets for use in image recognition and detection |
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 |