CN116563312A - 一种用于双屏机显示图像分割方法 - Google Patents

一种用于双屏机显示图像分割方法 Download PDF

Info

Publication number
CN116563312A
CN116563312A CN202310840233.1A CN202310840233A CN116563312A CN 116563312 A CN116563312 A CN 116563312A CN 202310840233 A CN202310840233 A CN 202310840233A CN 116563312 A CN116563312 A CN 116563312A
Authority
CN
China
Prior art keywords
liquid crystal
image
screen
double
fuzzy
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
Application number
CN202310840233.1A
Other languages
English (en)
Other versions
CN116563312B (zh
Inventor
杜付斌
王政元
吴建康
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.)
Shandong Gutian Electronic Technology Co ltd
Original Assignee
Shandong Gutian Electronic 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 Shandong Gutian Electronic Technology Co ltd filed Critical Shandong Gutian Electronic Technology Co ltd
Priority to CN202310840233.1A priority Critical patent/CN116563312B/zh
Publication of CN116563312A publication Critical patent/CN116563312A/zh
Application granted granted Critical
Publication of CN116563312B publication Critical patent/CN116563312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20024—Filtering details
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Liquid Crystal Display Device Control (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)

Abstract

本发明公开一种用于双屏机显示图像分割方法，涉及图像处理技术领域。所述方法包括：获取双屏机图像数据，对双屏机图像数据进行预处理，得到液晶灰度图像；计算液晶灰度图像中用于反映像素点差异变化特征的液晶图像模糊因子；根据双屏机中两个不同液晶屏幕图像中像素点的灰度值，计算双屏液晶模糊距离特征数值；根据双屏液晶模糊距离特征数值对双屏机模糊区域进行分割。本发明能够有效规避灰度特征对双屏液晶图像中模糊边缘细节表征不清晰的缺陷，同时有效地避免了传统算法中基于灰度欧式距离进行聚类时对模糊图像细节特点划分不当的问题，进一步提高了对双屏及显示图像划分的准确性效果。

Description

一种用于双屏机显示图像分割方法
技术领域
本发明涉及图像处理技术领域，尤其涉及用于双屏机显示图像分割方法。
背景技术
显示屏机按照其内部固件结构通常可以分为OLED屏幕和LCD屏幕，LCD屏幕不同于OLED屏幕的自发光性质，需要使用背光板对屏幕进行点亮，这种工作过程会导致LCD显示屏在显示过程中呈现对比度不高，屏幕显示图像质量较差的缺点。为了避免传统LCD屏幕的缺陷使用双屏技术进行优化处理，但双屏机由于存在两块液晶屏幕，此时双屏机图像成像容易出现模糊区域，影响观看体验。因此，需要对双屏机显示的图像的模糊异常进行检测，对双屏机模糊区域进行分割处理。
发明内容
本发明提供了一种用于双屏机显示图像分割方法，包括：
获取双屏机图像数据，对双屏机图像数据进行预处理，得到液晶灰度图像；
计算液晶灰度图像中用于反映像素点差异变化特征的液晶图像模糊因子；
根据双屏机中两个不同液晶屏幕图像中像素点的灰度值，计算双屏液晶模糊距离特征数值；
根据双屏液晶模糊距离特征数值对双屏机模糊区域进行分割。
如上所述的一种用于双屏机显示图像分割方法，其中，双屏机包括前后两块液晶面板，设下层液晶面板为第一液晶板，上层液晶面板为第二液晶板，对两个液晶板中的图像数据使用传感器进行采集，得到第一液晶灰度图像数据和第二液晶图像彩色数据。
如上所述的一种用于双屏机显示图像分割方法，其中，对双屏机图像数据进行预处理，具体为：对采集获取得到的第一液晶图像数据和第二液晶图像RGB三个不同通道的数据使用高斯滤波方法进行优化处理；以及将处理后的RGB空间下的第二液晶图像使用加权平均法进行转化得到第二液晶灰度图像。
如上所述的一种用于双屏机显示图像分割方法，其中，计算液晶灰度图像中用于反映像素点差异变化特征的液晶图像模糊因子，具体包括：
分别计算第一液晶灰度图像和第二液晶灰度图像的液晶差异系数；
根据液晶差异系数计算对应液晶图像模糊因子，所述液晶图像模糊因子用于反映像素点差异变化特征。
如上所述的一种用于双屏机显示图像分割方法，其中，计算第一液晶差异系数，第二液晶差异系数/>，其中，/>为第一液晶灰度图像数据中像素点/>位置处的像素点灰度数值大小；/>为第二液晶灰度图像数据中像素点/>位置处的像素点灰度数值大小；/>、/>分别表示在第一液晶灰度图像数据和第二液晶灰度图像数据中局部窗口区域中像素点位置为/>和/>的像素点；n为像素总个数。
如上所述的一种用于双屏机显示图像分割方法，其中，根据液晶差异系数计算液晶图像模糊因子：第一液晶图像模糊因子、第二液晶图像模糊因子/>，/>分别表示在第一液晶灰度图像和第二液晶灰度图像中以像素点/>为中心的局部窗口区域所确定的第一液晶局部图像和第二液晶局部图像的平均灰度数值大小；/>和/>则分别表示了第一液晶局部图像和第二液晶局部图像中最大最小灰度数值的大小。
如上所述的一种用于双屏机显示图像分割方法，其中，计算双屏液晶模糊距离特征数值，具体包括：
以像素点为中心的局部窗口区域中不同位置处的像素点计算获取得到相应的梯度特征数值；
构建液晶梯度序列；
根据液晶梯度序列和液晶图像模糊因子计算双屏液晶模糊距离特征数值。
如上所述的一种用于双屏机显示图像分割方法，其中，第一液晶梯度序列和第二液晶梯度序列，/>为第一液晶灰度图像中像素点/>位置处的第j个像素点计算获取得到的梯度特征数值大小，/>为第二液晶灰度图像中像素点/>位置处的第j个像素点计算获取得到的梯度特征数值大小，/>表示以像素点/>为中心的局部窗口区域中所有不同的像素点总个数。
如上所述的一种用于双屏机显示图像分割方法，其中，通过公式计算双屏液晶模糊距离特征数值/>的大小，/>为计算两个序列的距离差值的DTW函数。
如上所述的一种用于双屏机显示图像分割方法，其中，根据双屏液晶模糊距离特征数值对双屏机模糊区域进行分割，具体包括：
将不同像素点位置计算得到的双屏液晶模糊距离特征数值构成模糊特征图像，使用K-Means聚类算法对其进行聚类；
聚类优化函数，分别表示第/>类中第/>个像素点位置的模糊距离特征信息和第/>类的类中心像素点的模糊距离特征信息；K表示聚类完成后划分为模糊像素点类和清晰像素点类；/>表示当前类别中对应的像素点总个数；/>分别表示第/>类中第/>个像素点位置的坐标特征信息和第/>类的类中心像素点的坐标特征信息；/>表示距离计算函数；
通过结合双屏图像中模糊距离特征信息对双屏图像中模糊异常区域进行聚类划分，当该聚类优化函数取值最小时划分结束。
本发明实现的有益效果如下：本发明结合双屏机中两个不同液晶图像的数值变化特征构建计算得到了第一液晶差异系数和第二液晶差异系数的大小，并结合该液晶差异系数的进一步计算得到相应的第一液晶模糊因子和第二液晶模糊因子的数值大小，从而有效的规避了灰度特征对双屏液晶图像中模糊边缘细节表征不清晰的缺陷。同时，本发明根据双屏机两个液晶图像的差异变化特点进一步计算构造了双屏机液晶图像模糊距离，并结合该模糊距离对传统K-Means算法进行优化改进，有效地避免了传统算法中基于灰度欧式距离进行聚类时对模糊图像细节特点划分不当的问题，进一步提高了对双屏及显示图像划分的准确性效果。
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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种用于双屏机显示图像分割方法流程图。
具体实施方式
下面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。
实施例
如图1所示，本发明实施例一提供一种用于双屏机显示图像分割方法，包括：
步骤110、获取双屏机图像数据，对双屏机图像数据进行预处理，得到液晶灰度图像。
双屏机主要包括前后两块液晶面板，假设下层的液晶面板为第一液晶板，上层的液晶面板为第二液晶板，对两个液晶板中的图像数据使用传感器进行采集，得到第一液晶灰度图像数据，受限于液晶板构成的特点，采集获取得到的第一液晶图像数据属于灰度数据，其数值应位于区间上。第二液晶板采集获取得到的图像数据记为第二液晶图像色彩数据，为了符合色彩变化特点，该数据具有RGB三个不同的颜色通道，每个通道的数值应位于区间/>上。
为了避免采集过程中由于传感器异常出现的离群噪声点对后续进一步计算过程中的影响，对采集获取得到的第一液晶图像数据和第二液晶图像RGB三个不同通道的数据使用高斯滤波方法进行优化处理，尽可能减弱甚至消除采集过程中异常噪声对后续进一步计算过程中的影响。同时，为了便于后续对双液晶屏中不同位置处图像细节特征计算分析，将处理后的RGB空间下的第二液晶图像使用加权平均法进行转化得到第二液晶灰度图像。
步骤120、计算液晶灰度图像中用于反映像素点差异变化特征的液晶图像模糊因子。
当液晶屏中图像出现模糊异常时，根据上述步骤获取得到的第一液晶灰度图像数据和第二液晶灰度图像数据在模糊异常区域处与正常像素点区域处的数值会出现较大的变化，根据液晶灰度图像的异常变化特点进行计算：计算第一液晶差异系数，第二液晶差异系数/>，其中，/>为第一液晶灰度图像数据中像素点/>位置处的像素点灰度数值大小；/>为第二液晶灰度图像数据中像素点/>位置处的像素点灰度数值大小；以对应的像素点/>为中心可以构建得到大小为的窗口，/>取经验值为/>，在以像素点/>为中心构成的大小为/>的局部窗口区域中，假设所有的像素点总个数为/>；/>、/>分别表示在第一液晶灰度图像数据和第二液晶灰度图像数据中局部窗口区域中像素点位置为/>和/>的像素点。
在屏幕正常区域中不同位置处的像素点之间存在一定的数值差异使得屏幕图像的边缘细节特征得以正常显示，此时计算得到的液晶图像中对应区域像素点位置处图像越模糊时计算得到的第一液晶差异系数和第二液晶差异系数/>的数值相对较大。反之，当某个液晶板中出现异常模糊变化时，像素点/>位置与局部窗口中其他像素点的数值差异相对较小，此时计算得到的第一液晶差异系数/>和第二液晶差异系数/>的数值也会相应减小。
当液晶图像中对应局部窗口区域中像素点出现模糊异常情况时，此时对应局部窗口区域中不同像素点位置处的灰度数值应分布在以像素点为中心的局部窗口区域中的均值附近，不同像素点位置处的数值变化差异相对越小。因此对该像素点/>为中心局部窗口区域可以进一步计算得到相应差值变化系数：/>、，其中，/>为第一液晶图像模糊因子，/>为第二液晶图像模糊因子，/>分别表示在第一液晶灰度图像和第二液晶灰度图像中以像素点/>为中心的局部窗口区域所确定的第一液晶局部图像和第二液晶局部图像的平均灰度数值大小，在第一液晶灰度图像中以像素点/>为中心的局部窗口区域即为第一液晶局部图像，在第二液晶灰度图像中以像素点/>为中心的局部窗口区域即为第二液晶局部图像；/>和/>则分别表示了第一液晶局部图像和第二液晶局部图像中最大最小灰度数值的大小。
当双屏机第一液晶局部图像中不同像素点位置处的最大最小差异越小，说明此时第一液晶局部图像中像素点数值跨度越大，且当前像素点与局部图像中的像素点平均数值相差越大说明的对应局部图像的对应像素点位置的差异越大，图像边缘细节对比越明显，图像越清晰，此时计算得到第一液晶图像模糊因子/>的数值会相对越小；反之，当对应局部窗口图像中最大和最小像素点的数值差异越小，说明数值跨度越小，同时像素点/>与平均数值相差也越小，说明该像素点/>位置处的局部特征细节对比不明显，此时图像细节较为模糊，计算得到的第一液晶图像模糊因子的数值也会相对越大。同理对于第二液晶图像中不同位置处的像素点数值也有相同的数值变化特点。
在采集获取得到双屏机图像中，若液晶灰度图像较为模糊时，在模糊区域处不同像素点的灰度数值分布较为集中，数值变化差异不明显。因此对双屏液晶图像中第一液晶灰度图像和第二液晶灰度图像不同区域的像素点灰度数值异常变化情况进行计算表征。当以像素点为中心的局部窗口区域中不同像素点灰度差异变化情况较小，说明对应区域的灰度数值变化情况不明显，有较大可能为液晶图像的模糊区域。
为了对双屏机图像中不同区域的像素点局部模糊情况进行进一步精确表征，对双屏机图像中的数值分布特点变化特点进一步计算。通过对局部中液晶图像的最大最小灰度数值差距分布越小，同时当前第i个位置处的像素点与区域中不同像素点灰度均值差距越小，说明该局部窗口区域中不同位置处的液晶图像数值的分布越集中，则该像素点计算得到的模糊因子的数值会相对较大，表明该像素点有较大可能为对应液晶图像中模糊区域的像素点。
通过对该液晶图像中不同位置像素点局部图像区域中灰度数值差异变化分布情况计算得到相应像素点的液晶图像模糊因子数值大小对图像中像素点模糊情况进行较为准确的计算表征，同时该液晶图像模糊因子数值大小可以反映出液晶灰度图像中的像素点差异变化特征，即可以反映出液晶灰度图像中像素点的差异变化情况。
步骤130、根据双屏机中两个不同液晶屏幕图像中像素点的灰度值，计算双屏液晶模糊距离特征数值。
由于双屏机存在两块不同的液晶面板，当这两块液晶面板之间的图像数据出现较大的差异时，此时双屏机最终呈现的图像细节也会相对比较模糊，因此需要对双屏机中两个不同液晶屏幕图像中像素点的灰度值进行进一步计算分析。
当液晶图像较为清晰时其对应局部窗口区域中的像素点数值变化较为尖锐，此时像素点的局部梯度特征会与处于模糊状态下的液晶图像出现较大差异。因此对于以像素点为中心的局部窗口区域中不同位置处的像素点均可以计算获取得到相应的梯度特征数值，梯度计算的具体方法和过程为公知技术，在此不再赘述。假设像素点/>位置处计算获取得到的梯度特征数值大小为/>，以像素点/>为中心的局部窗口区域中不同像素点位置处均可以计算得到相应的梯度特征数值，由此可以构建得到第一液晶梯度序列和第二液晶梯度序列。/>为第一液晶灰度图像中像素点/>位置处的第j个像素点计算获取得到的梯度特征数值大小，/>为第二液晶灰度图像中像素点位置处的第j个像素点计算获取得到的梯度特征数值大小，/>表示了以像素点/>为中心的局部窗口区域中所有不同的像素点总个数。
通过公式计算双屏液晶模糊距离特征数值/>的大小，/>为计算两个序列的距离差值的DTW函数，其具体计算方法为公知技术，在此不再赘述。当两个不同位置处的液晶板计算得到的液晶梯度序列变化差异越大，则计算获取得到的两个序列之间的DTW距离也会相应越大，说明此时以像素点/>为中心的局部窗口区域中两个不同液晶图像的差异较大，此时会导致双屏机显示的图像出现细节模糊的缺点。对第一液晶图像模糊因子/>和第二液晶图像模糊因子/>做差比较，计算两个不同液晶图像局部模糊变化情况，当第一液晶图像模糊因子和第二液晶图像模糊因子相差越大，此时说明像素点/>位置区域中图像出现模糊异常的可能性越高。
步骤140、根据双屏液晶模糊距离特征数值对双屏机模糊区域进行分割。
通过上述计算分析可以获取得到像素点位置处的双屏液晶模糊距离特征/>的数值大小，对于双屏机中不同位置处的像素点均可以计算获取得到相应的模糊距离特征数值的大小。当双屏机两个不同液晶图像的模糊距离较小时，说明此时的对应像素点区域的差异较小，此时图像较为清晰，反之对于计算得到的模糊距离较大的点越有可能表示了双屏机中较为模糊的像素点区域。
将不同像素点位置计算得到的模糊距离特征数值构成模糊特征图像，模糊特征图像上较为模糊的像素点数值和较为清晰的像素点数值之间具有较为明显的差异，使用K-Means聚类算法对其进行聚类。
其中令K=2表示聚类完成后划分为模糊像素点类和清晰像素点类，表示共有两个不同的聚类中心，分别取最大最小的模糊特征距离所在像素点作为两个不同类别像素点的初始聚类中心。
其中，为聚类优化函数；/>分别表示第/>类中第/>个像素点位置的模糊距离特征信息和第/>类的类中心像素点的模糊距离特征信息；/>表示当前类别中对应的像素点总个数；/>分别表示第/>类中第/>个像素点位置的坐标特征信息和第/>类的类中心像素点的坐标特征信息。/>表示距离计算函数，本发明使用欧式距离进行计算。
通过结合双屏图像中模糊距离特征信息对双屏图像中模糊异常区域进行聚类划分，当该聚类优化函数取值最小时认为划分结束。对于划分后得到的两个不同类别，由于模糊像素点类的模糊距离特征较小，因此在划分后的两类中取模糊特征距离均值较小的一类作为双屏图像中模糊异常区域，完成对双屏机显示图像的划分。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种用于双屏机显示图像分割方法，其特征在于，包括：
获取双屏机图像数据，对双屏机图像数据进行预处理，得到液晶灰度图像；
计算液晶灰度图像中用于反映像素点差异变化特征的液晶图像模糊因子；
根据双屏机中两个不同液晶屏幕图像中像素点的灰度值，计算双屏液晶模糊距离特征数值；
根据双屏液晶模糊距离特征数值对双屏机模糊区域进行分割。
2.如权利要求1所述的一种用于双屏机显示图像分割方法，其特征在于，双屏机包括前后两块液晶面板，设下层液晶面板为第一液晶板，上层液晶面板为第二液晶板，对两个液晶板中的图像数据使用传感器进行采集，得到第一液晶灰度图像数据和第二液晶图像彩色数据。
3.如权利要求2所述的一种用于双屏机显示图像分割方法，其特征在于，对双屏机图像数据进行预处理，具体为：对采集获取得到的第一液晶图像数据和第二液晶图像RGB三个不同通道的数据使用高斯滤波方法进行优化处理；以及将处理后的RGB空间下的第二液晶图像使用加权平均法进行转化得到第二液晶灰度图像。
4.如权利要求1所述的一种用于双屏机显示图像分割方法，其特征在于，计算液晶灰度图像中用于反映像素点差异变化特征的液晶图像模糊因子，具体包括：
分别计算第一液晶灰度图像和第二液晶灰度图像的液晶差异系数；
根据液晶差异系数计算对应液晶图像模糊因子，所述液晶图像模糊因子用于反映像素点差异变化特征。
5.如权利要求4所述的一种用于双屏机显示图像分割方法，其特征在于：
计算第一液晶差异系数，第二液晶差异系数其中，/>为第一液晶灰度图像数据中像素点/>位置处的像素点灰度数值大小；/>为第二液晶灰度图像数据中像素点/>位置处的像素点灰度数值大小；/>、分别表示在第一液晶灰度图像数据和第二液晶灰度图像数据中局部窗口区域中像素点位置为/>和/>的像素点；n为像素总个数。
6.如权利要求5所述的一种用于双屏机显示图像分割方法，其特征在于：
根据液晶差异系数计算液晶图像模糊因子：第一液晶图像模糊因子、第二液晶图像模糊因子，/>分别表示在第一液晶灰度图像和第二液晶灰度图像中以像素点/>为中心的局部窗口区域所确定的第一液晶局部图像和第二液晶局部图像的平均灰度数值大小；/>和/>则分别表示了第一液晶局部图像和第二液晶局部图像中最大最小灰度数值的大小。
7.如权利要求6所述的一种用于双屏机显示图像分割方法，其特征在于，计算双屏液晶模糊距离特征数值，具体包括：
以像素点为中心的局部窗口区域中不同位置处的像素点计算获取得到相应的梯度特征数值；
构建液晶梯度序列；
根据液晶梯度序列和液晶图像模糊因子计算双屏液晶模糊距离特征数值。
8.如权利要求7所述的一种用于双屏机显示图像分割方法，其特征在于，第一液晶梯度序列和第二液晶梯度序列，/>为第一液晶灰度图像中像素点/>位置处的第j个像素点计算获取得到的梯度特征数值大小，/>为第二液晶灰度图像中像素点位置处的第j个像素点计算获取得到的梯度特征数值大小，/>表示以像素点/>为中心的局部窗口区域中所有不同的像素点总个数。
9.如权利要求8所述的一种用于双屏机显示图像分割方法，其特征在于，通过公式计算双屏液晶模糊距离特征数值/>的大小，/>为计算两个序列的距离差值的DTW函数。
10.如权利要求9所述的一种用于双屏机显示图像分割方法，其特征在于，根据双屏液晶模糊距离特征数值对双屏机模糊区域进行分割，具体包括：
将不同像素点位置计算得到的双屏液晶模糊距离特征数值构成模糊特征图像，使用K-Means聚类算法对其进行聚类；
聚类优化函数，/>分别表示第/>类中第/>个像素点位置的模糊距离特征信息和第/>类的类中心像素点的模糊距离特征信息；K表示聚类完成后划分为模糊像素点类和清晰像素点类；/>表示当前类别中对应的像素点总个数；/>分别表示第/>类中第/>个像素点位置的坐标特征信息和第/>类的类中心像素点的坐标特征信息；/>表示距离计算函数；
通过结合双屏图像中模糊距离特征信息对双屏图像中模糊异常区域进行聚类划分，当该聚类优化函数取值最小时划分结束。
CN202310840233.1A 2023-07-11 2023-07-11 一种用于双屏机显示图像分割方法 Active CN116563312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310840233.1A CN116563312B (zh) 2023-07-11 2023-07-11 一种用于双屏机显示图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310840233.1A CN116563312B (zh) 2023-07-11 2023-07-11 一种用于双屏机显示图像分割方法

Publications (2)

Publication Number Publication Date
CN116563312A true CN116563312A (zh) 2023-08-08
CN116563312B CN116563312B (zh) 2023-09-12

Family

ID=87503889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310840233.1A Active CN116563312B (zh) 2023-07-11 2023-07-11 一种用于双屏机显示图像分割方法

Country Status (1)

Country Link
CN (1) CN116563312B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778520A (zh) * 2023-08-11 2023-09-19 山东省大数据中心 一种海量证照数据质量检验方法
CN116863492A (zh) * 2023-09-04 2023-10-10 山东正禾大教育科技有限公司 一种移动数字出版系统

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009130820A1 (ja) * 2008-04-21 2009-10-29 シャープ株式会社 画像処理装置、表示装置、画像処理方法、プログラムおよび記録媒体
CN101882303A (zh) * 2010-06-03 2010-11-10 董永平 一种自适应滤波器实现多波段图像自动分割的方法
CN103020978A (zh) * 2012-12-14 2013-04-03 西安电子科技大学 结合多阈值分割与模糊聚类的sar图像变化检测方法
CN103366367A (zh) * 2013-06-19 2013-10-23 西安电子科技大学 基于像素数聚类的模糊c-均值灰度图像分割方法
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN103942780A (zh) * 2014-03-27 2014-07-23 北京工业大学 基于改进模糊连接度算法的丘脑及其子结构分割方法
CN104751185A (zh) * 2015-04-08 2015-07-01 西安电子科技大学 基于均值漂移遗传聚类的sar图像变化检测方法
CN105654453A (zh) * 2014-11-10 2016-06-08 华东师范大学 一种鲁棒性的fcm图像分割方法
CN106340023A (zh) * 2016-08-22 2017-01-18 腾讯科技（深圳）有限公司 图像分割的方法和装置
CN107341800A (zh) * 2017-07-10 2017-11-10 西安电子科技大学 基于超像素显著性分析的sar图像变化检测方法
CN108876871A (zh) * 2018-06-15 2018-11-23 广东数相智能科技有限公司 基于圆拟合的图像处理方法、装置与计算机可读存储介质
CN109145921A (zh) * 2018-08-29 2019-01-04 江南大学 一种基于改进的直觉模糊c均值聚类的图像分割方法
CN109389608A (zh) * 2018-10-19 2019-02-26 山东大学 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法
CN109712149A (zh) * 2018-12-25 2019-05-03 杭州世平信息科技有限公司 一种基于小波能量和模糊c均值的图像分割方法
CN111474177A (zh) * 2020-05-06 2020-07-31 深圳市斑马视觉科技有限公司 基于计算机视觉的液晶屏幕背光异物缺陷检测方法
US20200272399A1 (en) * 2017-10-11 2020-08-27 Zte Corporation Image processing method and apparatus
CN113379752A (zh) * 2021-04-09 2021-09-10 合肥工业大学 一种用于双层液晶屏显示的图像分割算法
CN114037710A (zh) * 2021-10-13 2022-02-11 北京百度网讯科技有限公司 图像分割方法、装置、电子设备和存储介质
CN114387642A (zh) * 2021-12-24 2022-04-22 中国农业银行股份有限公司 图像分割方法、装置、设备和存储介质
CN114494096A (zh) * 2022-02-11 2022-05-13 合肥工业大学 一种用于双层液晶屏显示的图像分割方法及系统
CN115131566A (zh) * 2022-07-25 2022-09-30 北京帝测科技股份有限公司 基于超像素和改进模糊c均值聚类的自动图像分割方法
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN115601364A (zh) * 2022-12-14 2023-01-13 惠州威尔高电子有限公司（Cn） 基于图像分析的金手指电路板检测方法
CN115797342A (zh) * 2023-02-06 2023-03-14 深圳市鑫旭飞科技有限公司 一种工业控制电容触摸lcd显示总成缺陷检测方法
CN116071271A (zh) * 2023-03-07 2023-05-05 深圳市熠华智能科技有限公司 一种用于平板电脑的图像捕获的分析方法

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009130820A1 (ja) * 2008-04-21 2009-10-29 シャープ株式会社 画像処理装置、表示装置、画像処理方法、プログラムおよび記録媒体
CN101882303A (zh) * 2010-06-03 2010-11-10 董永平 一种自适应滤波器实现多波段图像自动分割的方法
CN103020978A (zh) * 2012-12-14 2013-04-03 西安电子科技大学 结合多阈值分割与模糊聚类的sar图像变化检测方法
CN103366367A (zh) * 2013-06-19 2013-10-23 西安电子科技大学 基于像素数聚类的模糊c-均值灰度图像分割方法
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN103942780A (zh) * 2014-03-27 2014-07-23 北京工业大学 基于改进模糊连接度算法的丘脑及其子结构分割方法
CN105654453A (zh) * 2014-11-10 2016-06-08 华东师范大学 一种鲁棒性的fcm图像分割方法
CN104751185A (zh) * 2015-04-08 2015-07-01 西安电子科技大学 基于均值漂移遗传聚类的sar图像变化检测方法
CN106340023A (zh) * 2016-08-22 2017-01-18 腾讯科技（深圳）有限公司 图像分割的方法和装置
CN107341800A (zh) * 2017-07-10 2017-11-10 西安电子科技大学 基于超像素显著性分析的sar图像变化检测方法
US20200272399A1 (en) * 2017-10-11 2020-08-27 Zte Corporation Image processing method and apparatus
CN108876871A (zh) * 2018-06-15 2018-11-23 广东数相智能科技有限公司 基于圆拟合的图像处理方法、装置与计算机可读存储介质
CN109145921A (zh) * 2018-08-29 2019-01-04 江南大学 一种基于改进的直觉模糊c均值聚类的图像分割方法
CN109389608A (zh) * 2018-10-19 2019-02-26 山东大学 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法
CN109712149A (zh) * 2018-12-25 2019-05-03 杭州世平信息科技有限公司 一种基于小波能量和模糊c均值的图像分割方法
CN111474177A (zh) * 2020-05-06 2020-07-31 深圳市斑马视觉科技有限公司 基于计算机视觉的液晶屏幕背光异物缺陷检测方法
CN113379752A (zh) * 2021-04-09 2021-09-10 合肥工业大学 一种用于双层液晶屏显示的图像分割算法
CN114037710A (zh) * 2021-10-13 2022-02-11 北京百度网讯科技有限公司 图像分割方法、装置、电子设备和存储介质
CN114387642A (zh) * 2021-12-24 2022-04-22 中国农业银行股份有限公司 图像分割方法、装置、设备和存储介质
CN114494096A (zh) * 2022-02-11 2022-05-13 合肥工业大学 一种用于双层液晶屏显示的图像分割方法及系统
CN115131566A (zh) * 2022-07-25 2022-09-30 北京帝测科技股份有限公司 基于超像素和改进模糊c均值聚类的自动图像分割方法
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN115601364A (zh) * 2022-12-14 2023-01-13 惠州威尔高电子有限公司（Cn） 基于图像分析的金手指电路板检测方法
CN115797342A (zh) * 2023-02-06 2023-03-14 深圳市鑫旭飞科技有限公司 一种工业控制电容触摸lcd显示总成缺陷检测方法
CN116071271A (zh) * 2023-03-07 2023-05-05 深圳市熠华智能科技有限公司 一种用于平板电脑的图像捕获的分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
J. SELVAKUMAR等: "Brain tumor segmentation and its area calculation in brain MR images using K-mean clustering and Fuzzy C-mean algorithm", 《IEEE-INTERNATIONAL CONFERENCE ON ADVANCES IN ENGINEERING, SCIENCE AND MANAGEMENT (ICAESM -2012)》, pages 186 - 190 *
加小红: "面向图像分割的模糊C均值聚类算法及其在油藏驱替中的应用研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, vol. 2022, no. 6, pages 019 - 31 *
郑姣: "基于模糊理论的图像分割算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2013, no. 5, pages 138 - 1896 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778520A (zh) * 2023-08-11 2023-09-19 山东省大数据中心 一种海量证照数据质量检验方法
CN116778520B (zh) * 2023-08-11 2023-11-10 山东省大数据中心 一种海量证照数据质量检验方法
CN116863492A (zh) * 2023-09-04 2023-10-10 山东正禾大教育科技有限公司 一种移动数字出版系统
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

Also Published As

Publication number Publication date
CN116563312B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN116563312B (zh) 一种用于双屏机显示图像分割方法
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN107657606B (zh) 一种显示装置的亮度缺陷检测方法与装置
CN109727233B (zh) 一种lcd缺陷检测方法
WO2019206209A1 (zh) 基于机器学习的眼底图像检测方法、装置及系统
CN115797342B (zh) 一种工业控制电容触摸lcd显示总成缺陷检测方法
CN116485785B (zh) 一种太阳能电池片的表面缺陷检测方法
CN116309559B (zh) 一种中硼硅玻璃生产瑕疵智能识别方法
CN116990323B (zh) 一种高精密印刷版视觉检测系统
CN109801286B (zh) 一种lcd导光板的表面缺陷检测方法
CN110996096B (zh) 一种基于结构相似性差异度的色调映射图像质量评价方法
CN102982542A (zh) 一种基于相位一致性的眼底图像血管分割方法
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
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
CN114119591A (zh) 一种显示屏画面质量检测方法
CN116990993B (zh) 一种lcd显示面板质量检测方法
CN112017130B (zh) 基于自适应各向异性全变分正则化的图像复原方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN115100208A (zh) 一种基于直方图和动态光源的薄膜表面缺陷评估方法
CN117058033A (zh) 一种基于肾活检切片的肾小球病理影像增强方法
CN117152159B (zh) 一种复杂布料印花瑕疵检测方法及系统
CN117011291B (zh) 一种手表外壳质量视觉检测方法
CN116612125B (zh) 基于人工智能的食药品胶囊质量检测方法
CN115861318B (zh) 一种棉花加工生产质量检测方法
TWI498830B (zh) 不均勻光線下的車牌辨識方法及系統

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