CN116416164A - 一种紫外光路成像分辨率优化方法 - Google Patents
一种紫外光路成像分辨率优化方法 Download PDFInfo
- Publication number
- CN116416164A CN116416164A CN202310677316.3A CN202310677316A CN116416164A CN 116416164 A CN116416164 A CN 116416164A CN 202310677316 A CN202310677316 A CN 202310677316A CN 116416164 A CN116416164 A CN 116416164A
- Authority
- CN
- China
- Prior art keywords
- area
- clustering
- growth
- areas
- ultraviolet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003384 imaging method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 238000000149 argon plasma sintering Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 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
- G06T5/70—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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种紫外光路成像分辨率优化方法,包括:获取紫外图像;对紫外图像聚类获得聚类区域;获取聚类区域的均方误差,并得到引导图像;对聚类区域提取得到生长区域;获取生长区域的梯度主成分方向和主方向;根据生长区域的梯度主成分方向和主方向得到生长区域的连续性;根据生长区域的连续性得到生长区域为光发生散射区域的置信度,并获得纹理区域,根据聚类区域和纹理区域的灰度特征以及像素点的距离得到噪声影响程度;根据噪声影响程度得到的滤波权重,并得到去噪后的紫外图像,基于此进行分辨率优化。本发明对滤波权重进行自适应,使得去噪后的图像既具有较好的去噪效果,又不会使得图像过于平滑。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种紫外光路成像分辨率优化方法。
背景技术
紫外光路成像(UV imaging)是一种利用紫外线作为激发光源进行成像的技术。其原理是基于物质在紫外光照射下会发生荧光现象,即吸收紫外线后再重新辐射出长波长的可见光或近红外光,从而实现对样品的成像。具体来说,紫外光路成像系统通常包括以下三个部分:紫外光源、镜头和探测器。紫外光源可以产生适当波长的紫外线,使样品发生荧光;镜头将荧光信号转换为电子信号并放大;探测器将电子信号转化为图像,最终得到所需的紫外光路成像图像,通过紫外光路可以分析材料的表面形态、成分、结构和缺陷等信息,从而优化材料性能和设计新材料,紫外光成像可以提供高分辨率、高灵敏度和高特异性的成像结果,可以帮助研究人员深入了解样本的内部结构和功能以及各种生物分子之间的相互作用关系。由于紫外线具有更短的波长,因此它比可见光更容易被散射和吸收,这可能会导致分辨率问题。因此根据获得的图像的特征来观分析紫外光路成像的成像效果,进行对紫外光路的呈现分辨率进行优化。
在现有技术中,在对紫外光路的成像分辨率进行优化时,需要根据紫外光图像来进行分析,评价紫外光的成像效果。但是在评价其成像效果时,采集的紫外光路图像会受到较大程度的噪声干扰,因此需要对图像进行去噪处理。在现有算法中引导滤波具有较好的去噪效果,其中引导滤波的方向和像素点的权重关系到图像的去噪效果,因此本发明根据图像的灰度阴影特征和局部结构特征来获得引导滤波的去噪方向和权重,使其具有更好的去噪效果。
发明内容
本发明提供一种紫外光路成像分辨率优化方法,以解决紫外光路图像会受到较大程度的噪声干扰的问题,所采用的技术方案具体如下:
本发明一个实施例所提供的一种紫外光路成像分辨率优化方法,该方法包括以下步骤:
获取紫外图像;
对紫外图像聚类获得若干聚类区域;计算每个聚类区域的均方误差,将均方误差最小的聚类区域作为引导图像;对每个聚类区域提取得到若干生长区域;获取紫外图像中每个生长区域的梯度主成分方向和主方向;
根据每个生长区域的梯度主成分方向和主方向的差值以及像素点与相邻像素点的差值得到生长区域的连续性;
根据生长区域的连续性、生长区域与相邻生长区域的主方向差值以及灰度均值差值得到生长区域为光发生散射区域的置信度;根据生长区域为光发生散射区域的置信度得到纹理区域,根据每个聚类区域的灰度差异、聚类区域和所有纹理区域的灰度标准差以及聚类区域内相同灰度值像素点的距离得到噪声影响程度;根据噪声影响程度得到每个聚类区域的滤波权重,获取引导滤波方向,根据引导图像、引导滤波方向以及滤波权重对紫外图像去噪得到去噪后的紫外图像;
将去噪后的紫外图像进行分辨率优化。
优选的,所述对紫外图像聚类获得若干聚类区域的方法为:
对紫外图像使用DBSCAN算法进行聚类,获取预设聚类半径,获取聚类圆、核心点以及聚类条件,根据聚类圆、核心点以及聚类条件对每个像素点进行聚类,将所有像素点得到的聚类簇合并得到紫外图像的聚类区域。
优选的,所述获取聚类圆、核心点以及聚类条件的方法为:
将满足以像素点为圆心,聚类半径为半径的圆内存在3个及以上同类像素点,此时圆心的像素点为核心点,核心点为圆心,聚类半径为半径构成的圆为聚类圆;聚类条件为核心点与其对应的聚类圆内的像素点灰度值相差为1。
优选的,所述将所有像素点得到的聚类簇合并得到紫外图像的聚类区域的方法为:
若任意两个聚类簇内,像素点多的聚类簇有10%以上的像素点同时存在于像素点少的聚类簇中,那么就将两个聚类簇中的所有像素点合并为一个聚类簇中,若合并后存在一个像素点在多个聚类簇中,那么计算聚类簇的灰度均值和该像素点作差,将该像素点归类为差值最小时对应的聚类簇中,直到所有聚类簇无法合并后,紫外图像分为了多个类,每个类对应一个聚类区域。
优选的,所述对每个聚类区域提取得到若干生长区域的方法为:
对每个聚类区域使用区域生长法,区域生长的初始点为聚类区域内灰度值最小的像素点,其中每个生长区域内最大像素点和最小像素点的差值为4,将紫外图像遍历完成后,将所有生长区域中包含初始像素点的生长区域保留下来,将这部分生长区域保留作为生长区域。
优选的,所述获取紫外图像中每个生长区域的梯度主成分方向和主方向的方法为:
对于每个生长区域,获得生长区域的最小外接矩形,生长区域的最小外接矩形的长边所对应的方向是生长区域的主方向,计算紫外图像所有像素点的梯度方向,对于生长区域所有像素点的梯度方向进行主成分分析得到所有梯度方向对应的主成分方向记为生长区域的梯度主成分方向。
优选的,所述根据每个生长区域的梯度主成分方向和主方向的差值以及像素点与相邻像素点的差值得到生长区域的连续性的方法为:
式中,表示第/>个聚类区域中第/>个生长区域内像素点的数量,/>表示第/>个聚类区域中第/>个生长区域的第i个像素点的灰度值,/>表示第/>个聚类区域中第/>个生长区域的第i+1个像素点的灰度值,/>表示第/>个聚类区域中第/>个生长区域的第i+2个像素点的灰度值,/>表示第/>个聚类区域中第/>个生长区域的主方向,/>表示第/>个聚类区域中第/>个生长区域的梯度主成分方向,/>表示以自然常数为底的指数函数,/>表示第/>个聚类区域中第/>个生长区域的连续性。
优选的,所述根据生长区域的连续性、生长区域与相邻生长区域的主方向差值以及灰度均值差值得到生长区域为光发生散射区域的置信度的方法为:
对于每个生长区域将其相邻的生长区域记为相邻生长区域,将生长区域的灰度均值与主方向分别与每个相邻生长区域作差,将生长区域与每个相邻生长区域的两个差值相乘,将生长区域与所有相邻生长区域得到的乘积求均值,将均值与生长区域的连续性相乘得到生长区域为光发生散射区域的置信度。
优选的,所述根据每个聚类区域的灰度差异、聚类区域和所有纹理区域的灰度标准差以及聚类区域内相同灰度值像素点的距离得到噪声影响程度的方法为:
式中,表示第/>个聚类区域中第/>个像素点的灰度值,/>表示第/>个聚类区域的灰度均值,/>表示第/>个聚类区域中像素点的数量,/>表示第/>个聚类区域的灰度标准差,/>表示第/>个聚类区域中纹理区域的数量,/>表示第/>个聚类区域中第/>个纹理区域的灰度标准差,/>表示第/>个聚类区域中灰度值为/>的任意两个像素点欧式距离的均值,/>表示在第/>个聚类区域中相同灰度值的两个像素点之间距离的最大值,/>表示以自然常数为底的指数函数,/>表示第/>个区域的噪声影响程度。
本发明的有益效果是:本发明在通过引导滤波对图像进行去噪时,因为滤波权重和方向决定了图像的去噪效果,因此根据图像的特征,根据不同区域噪声的影响程度不同,对滤波权重进行自适应,使得去噪后的图像既具有较好的去噪效果,又不会使得图像过于平滑;在对滤波权重进行自适应时,因为是对噪声的评价受到图像纹理细节的影响,因此本发明根据图像中各区域的变化来识别出图像纹理区域,然后根据不同的纹理特征将光的散射纹理与原本的材料纹理进行区分,进而获得噪声的影响程度,最后获得不同区域的滤波权重和滤波方向。此方法获得的正规化参数能够有效的评价图像中不同区域噪声的影响影响程度,使得在进行去噪时有更好的去噪效果。
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为本发明一个实施例所提供的一种紫外光路成像分辨率优化方法的流程示意图。
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紫外光路成像分辨率优化方法流程图,该方法包括以下步骤:
步骤S001,根据紫外成像仪获取紫外图像。
使用紫外成像仪拍摄物体,获得紫外图像。
至此,获得紫外图像。
步骤S002,对紫外图像聚类得到若干聚类区域,聚类区域提取若干生长区域,根据生长区域的主方向和梯度主成分方向以及内部的像素点灰度差异得到生长区域的连续性。
在使用引导滤波对紫外图像进行去噪时,首先需要确定一个引导图像,在本实施例中根据图像的局部变化来确定引导图像。
具体的,首先对紫外图像使用DBSCAN聚类算法进行聚类,设置聚类半径为r,在本实施例中r为3,将聚类的最小点设置为3,即只有像素点周围半径为3的圆形邻域内存在3个同类像素点时,该像素点为核心点,聚类条件为核心点与其聚类半径构成的圆内的像素点灰度值相差为1,将以核心点为圆心,聚类半径构成的圆称为聚类圆,例如核心点灰度值为25,核心点对应的聚类圆内存在像素点灰度值23和24,那么24灰度值对应的像素点和核心点属于一类,23灰度值对应的像素点和核心点不属于一类。在紫外图像上,以每个像素点为聚类的起始点进行聚类,因此对于每个像素点得到若干聚类簇,将所有像素点得到的若干聚类簇进行合并,若任意两个聚类簇内,像素点多的聚类簇有10%以上的像素点同时存在于像素点少的聚类簇中,那么就将两个聚类簇中的所有像素点合并为一个聚类簇中,若合并后存在一个像素点在多个聚类簇中,那么计算聚类簇的灰度均值和该像素点作差,将该像素点归类为差值最小时对应的聚类簇中,直到所有聚类簇无法合并后,此时将紫外图像分为了多个类,将此时得到的类记为最终聚类簇。
将紫外图像根据所得到的最终聚类簇进行分割,每个最终聚类簇对应的所有像素点构成一个聚类区域,计算紫外图像上每个聚类区域内所有像素点灰度值的均方误差,该均方误差就表示最终聚类簇的噪声影响程度,均方误差为现有公式,在此不再赘述。
由于此时通过均方误差计算噪声的影响程度时是将每个像素点与其邻域像素点的差值来进行评价,其中会包含灰度变化较大的边缘部分,因此获得的噪声影响程度比实际的噪声影响程度大,那么在根据噪声影响程度进行去噪时就会造成图像的边缘的过渡平滑,因此需要计算噪声影响程度的真实值。此时将上述得到的均方误差记为噪声影响值,将此时噪声影响值最小的聚类区域作为引导图像。
根据上述得到的每个聚类区域使用区域生长法,区域生长的初始点为聚类区域内灰度值最小的像素点,其中每个生长区域内最大像素点和最小像素点的差值为4,将紫外图像遍历完成后,将所有生长区域中包含初始像素点的生长区域保留下来,其余的不做考虑,由此获得生长区域,此时的生长区域也是边缘所在区域,其中区域生长法为公知技术,在此不多做赘述。例如,初始点的灰度值为10,则生长区域的所有像素点灰度值都在10到14内。通过算子计算紫外图像中每个像素点的梯度幅值/>和梯度方向/>,对于每个生长区域所有像素点的梯度方向进行主成分分析得到梯度方向对应的主成分方向,记为梯度主成分方向,对于每个生长区域,得到其最小外接矩形,生长区域的最小外接矩形的长边所对应的方向是生长区域的主方向;指的说明的是,在此所提到的方向为角度。
根据每个生长区域的主方向和梯度主成分方向以及像素点与相邻像素点灰度值的差值判断生长区域的连续性,公式如下:
式中,表示第/>个聚类区域中第/>个生长区域内像素点的数量,/>表示第/>个聚类区域中第/>个生长区域的第i个像素点的灰度值,/>表示第/>个聚类区域中第/>个生长区域的第i+1个像素点的灰度值,/>表示第/>个聚类区域中第/>个生长区域的第i+2个像素点的灰度值,/>表示第/>个聚类区域中第/>个生长区域的主方向,/>表示第/>个聚类区域中第/>个生长区域的梯度主成分方向,/>表示以自然常数为底的指数函数,/>表示第/>个聚类区域中第/>个生长区域的连续性。
表示连续两个像素点之间的灰度差值,因为沿着纹理方向上像素点的灰度差异很小,因此若连续像素点的灰度差值越小,说明其连续性越大。/>表示生长区域的主方向与梯度主成分方向之间的差异,因为沿着生长区域的方向上像素点的灰度差异小,因此梯度主成分方向是与主方向呈现一定夹角的,那么夹角与趋向于/>,说明像素点的连续性越大。
至此,获得了每个生长区域的连续性。
步骤S003,根据生长区域的连续性得到为纹理区域的生长区域,根据纹理区域和聚类区域的灰度差异和像素点距离得到噪声影响程度,基于噪声影响程度得到滤波权重,并获得去噪后的紫外图像。
由于光发生散射时是从入射点向周围发散,形成多个光束,而材料本身的纹理不具备此特征,光发生散射形成的光束其灰度值的差异很小,并且是呈现均匀分布的,因此根据相邻生长区域之间的灰度差异和方向差异来进行描述,若其差值越小,说明是光影的置信度越大,基于此根据生长区域的连续性、生长区域与相邻生长区域的主方向差值以及灰度均值差值得到生长区域为光发生散射区域的置信度,公式如下:
式中,表示第/>个聚类区域中第/>个生长区域的连续性,/>表示第/>个聚类区域中第/>个生长区域的灰度均值,/>表示第/>个聚类区域中第/>个生长区域的灰度均值,/>表示第/>个聚类区域中第/>个生长区域相邻的生长区域的数量,/>表示第/>个聚类区域中第/>个生长区域的主方向,/>表示第/>个聚类区域中第/>个生长区域的主方向,/>表示以自然常数为底的指数函数,/>表示第/>个聚类区域中第/>个生长区域为光发生散射区域的置信度。
表示相邻两个生长区域的灰度差异,/>表示相邻生长区域之间主方向的差异,因为光发生散射形成的光束其灰度值的差异很小,并且是呈现均匀分布的,因此根据相邻生长区域之间的灰度差异和主方向差异来进行描述,若其差值越小,说明是光影的置信度越大。
给出光散射阈值,在本实施例中光散射阈值设定为0.3,当时,因为表示第/>个聚类区域的第a个生长区域为光散射引起的灰度变化区域,/>时,认为生长区域为原本的纹理区域。然后根据获得的纹理,然后计算噪声的影响程度。因为根据均方误差得到的噪声影响值相较于噪声影响程度会偏大,因此需要剔除由光散射引起的灰度变化区域,从而根据灰度变化较小区域来计算噪声的影响。将由光散射引起的灰度变化区域剔除后,所剩下的生长区域就是纹理区域,因此根据每个区域的变化来获得噪声影响程度,公式如下:
式中,表示第/>个聚类区域中第/>个像素点的灰度值,/>表示第/>个聚类区域的灰度均值,/>表示第/>个聚类区域中像素点的数量,/>表示第/>个聚类区域的灰度标准差,/>表示第/>个聚类区域中纹理区域的数量,/>表示第/>个聚类区域中第/>个纹理区域的灰度标准差,/>表示第/>个聚类区域中灰度值为/>的任意两个像素点欧式距离的均值,/>表示在第/>个聚类区域中相同灰度值的两个像素点之间距离的最大值,/>表示以自然常数为底的指数函数,/>表示第/>个区域的噪声影响程度。
表示第/>个聚类区域中像素点的差异,其表示受到噪声的影响程度,因为噪声像素点的灰度值与正常像素点的灰度值存在明显的差异,其灰度值较大,那么受到噪声的影响程度越大,其值越大。/>表示在第/>个聚类区域中整体的灰度值与检测到的边缘的灰度的差值,因为在计算噪声的影响程度时,会将边缘也进行计算,因此在这里减去边缘的灰度变化程度,即表示未受到边缘的影响程度。/>表示噪声像素点的分布,因为噪声像素点是随机的,而正常区域像素点的变化是有规律的,那么在若噪声的影响程度越大,其距离就会越小。因此计算聚类区域中灰度/>的像素点的距离来表示噪声的分布。
根据计算的每个聚类区域的噪声影响程度获取每个聚类区域不同的滤波权重,公式如下:
将每个生长区域的主方向作为引导滤波的方向,在进行引导滤波时,沿着纹理的方向会保留图像的细节,不会造成边缘的损失。在不同的聚类区域中,引导滤波的方向是不相同的,因此每个生长区域的主方向即是该生长区域的引导滤波方向。
根据上述获得的每个聚类区域的滤波权重和引导图像对图像进行去噪处理,引导滤波算法为公知技术,在此不再进行赘述。然后根据去噪后的紫外图像对紫外光路的成像分辨率来进行评价。
至此,得到了去噪后的紫外图像。
步骤S004,根据去噪后的紫外图像进行分辨率的优化。
通过上述方法获得去噪后的紫外图像,然后根据去噪后的紫外图像对其进行分辨率的评价,图像的分辨率是表示的是图像的最小细节,根据去噪后的紫外图像来获得图像的分辨率,因为随着波长的缩短,光的衍射效应会减弱,从而提高成像分辨率。当分辨率小于150ppi时,使用更高频率的紫外光源来提高紫外光路成像的分辨率。或使用更大直径的透镜,透镜的直径越大,它所能收集到的光线就越多,同时也可以减少像差和畸变等问题。
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 (9)
1.一种紫外光路成像分辨率优化方法,其特征在于,该方法包括以下步骤:
获取紫外图像;
对紫外图像聚类获得若干聚类区域;计算每个聚类区域的均方误差,将均方误差最小的聚类区域作为引导图像;对每个聚类区域提取得到若干生长区域;获取紫外图像中每个生长区域的梯度主成分方向和主方向;
根据每个生长区域的梯度主成分方向和主方向的差值以及像素点与相邻像素点的差值得到生长区域的连续性;
根据生长区域的连续性、生长区域与相邻生长区域的主方向差值以及灰度均值差值得到生长区域为光发生散射区域的置信度;根据生长区域为光发生散射区域的置信度得到纹理区域,根据每个聚类区域的灰度差异、聚类区域和所有纹理区域的灰度标准差以及聚类区域内相同灰度值像素点的距离得到噪声影响程度;根据噪声影响程度得到每个聚类区域的滤波权重,获取引导滤波方向,根据引导图像、引导滤波方向以及滤波权重对紫外图像去噪得到去噪后的紫外图像;
将去噪后的紫外图像进行分辨率优化。
2.根据权利要求1所述的一种紫外光路成像分辨率优化方法,其特征在于,所述对紫外图像聚类获得若干聚类区域的方法为:
对紫外图像使用DBSCAN算法进行聚类,获取预设聚类半径,获取聚类圆、核心点以及聚类条件,根据聚类圆、核心点以及聚类条件对每个像素点进行聚类,将所有像素点得到的聚类簇合并得到紫外图像的聚类区域。
3.根据权利要求2所述的一种紫外光路成像分辨率优化方法,其特征在于,所述获取聚类圆、核心点以及聚类条件的方法为:
将满足以像素点为圆心,聚类半径为半径的圆内存在3个及以上同类像素点,此时圆心的像素点为核心点,核心点为圆心,聚类半径为半径构成的圆为聚类圆;聚类条件为核心点与其对应的聚类圆内的像素点灰度值相差为1。
4.根据权利要求2所述的一种紫外光路成像分辨率优化方法,其特征在于,所述将所有像素点得到的聚类簇合并得到紫外图像的聚类区域的方法为:
若任意两个聚类簇内,像素点多的聚类簇有10%以上的像素点同时存在于像素点少的聚类簇中,那么就将两个聚类簇中的所有像素点合并为一个聚类簇中,若合并后存在一个像素点在多个聚类簇中,那么计算聚类簇的灰度均值和该像素点作差,将该像素点归类为差值最小时对应的聚类簇中,直到所有聚类簇无法合并后,紫外图像分为了多个类,每个类对应一个聚类区域。
5.根据权利要求1所述的一种紫外光路成像分辨率优化方法,其特征在于,所述对每个聚类区域提取得到若干生长区域的方法为:
对每个聚类区域使用区域生长法,区域生长的初始点为聚类区域内灰度值最小的像素点,其中每个生长区域内最大像素点和最小像素点的差值为4,将紫外图像遍历完成后,将所有生长区域中包含初始像素点的生长区域保留下来,将这部分生长区域保留作为生长区域。
6.根据权利要求1所述的一种紫外光路成像分辨率优化方法,其特征在于,所述获取紫外图像中每个生长区域的梯度主成分方向和主方向的方法为:
对于每个生长区域,获得生长区域的最小外接矩形,生长区域的最小外接矩形的长边所对应的方向是生长区域的主方向,计算紫外图像所有像素点的梯度方向,对于生长区域所有像素点的梯度方向进行主成分分析得到所有梯度方向对应的主成分方向记为生长区域的梯度主成分方向。
7.根据权利要求1所述的一种紫外光路成像分辨率优化方法,其特征在于,所述根据每个生长区域的梯度主成分方向和主方向的差值以及像素点与相邻像素点的差值得到生长区域的连续性的方法为:
8.根据权利要求1所述的一种紫外光路成像分辨率优化方法,其特征在于,所述根据生长区域的连续性、生长区域与相邻生长区域的主方向差值以及灰度均值差值得到生长区域为光发生散射区域的置信度的方法为:
对于每个生长区域将其相邻的生长区域记为相邻生长区域,将生长区域的灰度均值与主方向分别与每个相邻生长区域作差,将生长区域与每个相邻生长区域的两个差值相乘,将生长区域与所有相邻生长区域得到的乘积求均值,将均值与生长区域的连续性相乘得到生长区域为光发生散射区域的置信度。
9.根据权利要求1所述的一种紫外光路成像分辨率优化方法,其特征在于,所述根据每个聚类区域的灰度差异、聚类区域和所有纹理区域的灰度标准差以及聚类区域内相同灰度值像素点的距离得到噪声影响程度的方法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677316.3A CN116416164B (zh) | 2023-06-09 | 2023-06-09 | 一种紫外光路成像分辨率优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677316.3A CN116416164B (zh) | 2023-06-09 | 2023-06-09 | 一种紫外光路成像分辨率优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116416164A true CN116416164A (zh) | 2023-07-11 |
CN116416164B CN116416164B (zh) | 2023-08-15 |
Family
ID=87059687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677316.3A Active CN116416164B (zh) | 2023-06-09 | 2023-06-09 | 一种紫外光路成像分辨率优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416164B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563175A (zh) * | 2023-07-12 | 2023-08-08 | 中国科学院长春光学精密机械与物理研究所 | 光电成像设备系统固定噪声去除方法、装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030059103A1 (en) * | 2001-09-26 | 2003-03-27 | Dainippon Screen Mfg. Co., Ltd. | Surface inspection of object using image processing |
US20190050669A1 (en) * | 2017-08-10 | 2019-02-14 | Massachusetts Institute Of Technology | Methods and Apparatus for Imaging of Layers |
JPWO2020235145A1 (zh) * | 2019-05-23 | 2020-11-26 | ||
CN113538351A (zh) * | 2021-06-30 | 2021-10-22 | 国网山东省电力公司电力科学研究院 | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 |
WO2022037875A1 (en) * | 2020-08-19 | 2022-02-24 | Asml Netherlands B.V. | Apparatus and method for selecting high quality images from raw images automatically |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
-
2023
- 2023-06-09 CN CN202310677316.3A patent/CN116416164B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030059103A1 (en) * | 2001-09-26 | 2003-03-27 | Dainippon Screen Mfg. Co., Ltd. | Surface inspection of object using image processing |
US20190050669A1 (en) * | 2017-08-10 | 2019-02-14 | Massachusetts Institute Of Technology | Methods and Apparatus for Imaging of Layers |
JPWO2020235145A1 (zh) * | 2019-05-23 | 2020-11-26 | ||
WO2022037875A1 (en) * | 2020-08-19 | 2022-02-24 | Asml Netherlands B.V. | Apparatus and method for selecting high quality images from raw images automatically |
CN113538351A (zh) * | 2021-06-30 | 2021-10-22 | 国网山东省电力公司电力科学研究院 | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
Non-Patent Citations (4)
Title |
---|
"信息光学 光学信息处理、图像识别", 中国光学与应用光学文摘, no. 04 * |
余汪洋;陈祥光;吴磊;: "基于预分类的非局部被动毫米波图像去噪算法", 北京理工大学学报, no. 12 * |
张磊;杨甬英;张铁林;江佳斌;刘东;: "基于日盲区紫外成像的无人机着陆引导技术研究", 中国激光, no. 07 * |
马立新;张建宇;项庆;: "一种用于紫外成像系统的PCNN图像融合算法", 电力科学与工程, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563175A (zh) * | 2023-07-12 | 2023-08-08 | 中国科学院长春光学精密机械与物理研究所 | 光电成像设备系统固定噪声去除方法、装置和存储介质 |
CN116563175B (zh) * | 2023-07-12 | 2023-09-15 | 中国科学院长春光学精密机械与物理研究所 | 光电成像设备系统固定噪声去除方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116416164B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
US20200380655A1 (en) | Method and apparatus for detecting defect pattern on wafer based on unsupervised learning | |
TW202029071A (zh) | 用於判定空白光罩上之缺陷之類型及尺寸之系統及方法 | |
JPWO2007029467A1 (ja) | 画像処理方法及び画像処理装置 | |
CN116416164B (zh) | 一种紫外光路成像分辨率优化方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN113498528A (zh) | 图像缺陷确定方法与装置、电子设备及存储介质 | |
CN110502973A (zh) | 一种基于车载激光点云的道路标线自动化提取和识别方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN115035110B (zh) | 依据凹点切割及链码跟踪的纱线毛羽定量检测方法 | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN113936132A (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN110046639A (zh) | 一种基于超像素权重密度的高光谱影像噪声标签检测方法 | |
JP2004045356A (ja) | 表面欠陥検出方法 | |
Zhu et al. | Optimization of image processing in video-based traffic monitoring | |
CN115311278B (zh) | 一种对于纱线检测的纱线分割方法 | |
KR20120040004A (ko) | 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법 | |
CN115564705A (zh) | 用于精密标准件的毛刺检测精度增强方法及系统 |
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 |