CN116612272A - 一种图像处理智能数字化的检测系统及其检测方法 - Google Patents

一种图像处理智能数字化的检测系统及其检测方法 Download PDF

Info

Publication number
CN116612272A
CN116612272A CN202310399266.7A CN202310399266A CN116612272A CN 116612272 A CN116612272 A CN 116612272A CN 202310399266 A CN202310399266 A CN 202310399266A CN 116612272 A CN116612272 A CN 116612272A
Authority
CN
China
Prior art keywords
image
brightness
identified
initial image
initial
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.)
Pending
Application number
CN202310399266.7A
Other languages
English (en)
Inventor
姚政鹏
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.)
Wuhan Xin Microelectronics Technology Co ltd
Original Assignee
Wuhan Xin Microelectronics 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 Wuhan Xin Microelectronics Technology Co ltd filed Critical Wuhan Xin Microelectronics Technology Co ltd
Priority to CN202310399266.7A priority Critical patent/CN116612272A/zh
Publication of CN116612272A publication Critical patent/CN116612272A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，公开了一种图像处理智能数字化的检测方法，包括：获取包含待识别目标的初始图像；进行全局显著性度量，得到全局显著性度量结果；采用亮度增强算法以增强初始图像，得到亮度增强图像；对亮度增强图像采用预设的方法进行图像特征提取；采用视区追踪方法分割亮度增强图像，以构建背景与待识别目标的指示向量，得到初始图像的背景图；对背景图进行排序，以实现初始图像的待识别目标检测。本发明提供的图像处理智能数字化的检测系统及其检测方法，利用图像分割，获得背景图像和前景图像，并对图像进行加权融合，背景图排序，提取图像的显著信息，得到图像的待识别目标，提高待识别目标边缘清晰度，同时提高检测准确率。

Description

一种图像处理智能数字化的检测系统及其检测方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种图像处理智能数字化的检测系统及其检测方法。
背景技术
图像显著性目标检测是指利用计算机模拟人眼的视觉注意力机制，从图像中提取人类感兴趣的区域，是计算机视觉领域的关键技术之一。
图像显著性目标检测的现有技术中，根据所提取图像特征类型的不同，图像显著性目标检测方法分为手工模型和深度学习模型。图像显著性目标检测的手工模型是指根据图像手工特征，例如颜色、纹理、位置和梯度，计算区域的显著值，但低级的图像手工特征无法描述对象的语义信息，在复杂场景中，无法精确描述对象边界；图像显著性目标检测的深度学习模型是指利用卷积神经网络提取图像的高级语义特征计算图像显著值，得到更丰富的深度特征，进而得到更准确的检测结果，但采用深度卷积神经网络会丢失图像显著性目标的位置信息和细节信息，在检测图像显著目标时可能会引入误导信息，导致检测到的图像显著性目标不完整。
同时，在可见光下，由于背景嘈杂和天气气候恶劣的情况，增加了图像检测的难度，导致不能检测出可见光图像中的目标区域，并且边缘较为模糊，导致检测准确率较低。
发明内容
本发明提供了一种图像处理智能数字化的检测系统及其检测方法，利用图像分割，获得背景图像和前景图像，并对图像进行加权融合，背景图排序，提取图像的显著信息，得到图像的待识别目标，提高待识别目标边缘清晰度，同时提高检测准确率。
本发明提供了一种图像处理智能数字化的检测方法，包括：
获取包含待识别目标的初始图像；其中，所述待识别目标包括人体目标或物体目标，所述物体目标在所述初始图像中具有完整的轮廓；
对所述初始图像进行全局显著性度量，得到所述初始图像的全局显著性度量结果；
根据所述全局显著性度量结果采用亮度增强算法以增强所述初始图像，得到亮度增强图像；
对所述亮度增强图像采用预设的方法进行图像特征提取；其中，所述图像特征包括亮度、颜色以及方向；
采用视区追踪的方法分割所述亮度增强图像，以构建关于初始图像背景与待识别目标的指示向量，得到所述初始图像的背景图；
对所述背景图进行排序，以实现所述初始图像的待识别目标检测。
进一步地，所述对所述初始图像进行全局显著性度量，得到所述初始图像的全局显著性度量结果的步骤，包括：
分析所述初始图像空间位置之间的竞争关系，在多次迭代后，以拉大显著图与非显著位置之间的显著度差异，其公式为：
其中，Fij为第i类第j幅特征图，为第l次迭代得到的显著图，/>为/>的直方图；
规则化处理所述初始图像特征图对应的显著图，并合并参数，其公式为：
其中，FNumi为第i类特征中的特征图数目；
利用规则化运算符计算与所述初始图像各特征象对应的位置显著图，得到所述初始图像的全局显著性度量结果，其公式为：
其中，Di为第i类对应的显著图，CNum为特征类别的数量。
进一步地，所述根据所述全局显著性度量结果采用亮度增强算法以增强所述初始图像，得到亮度增强图像的步骤，包括：
根据所述全局显著性度量结果，利用亮度加强算法设定发生器，产生多张曝光影像，形成曝光图集，将所述曝光图集表示为：
Pi＝f(P,ki)
其中，P为图像增强之前的原有像素点，ki为曝光率，f为图像增强参数；
对曝光图集中的每一张曝光影像进行加权，i个权重组成一个权重图集，归一化处理结果为：
其中，为按照元素划分的参数，Wi为第i个图集的权重矩阵；
重建权重图集，其公式为：
其中，c为色彩三通道中的通道，为生成器生成的第i个曝光图，/>为加权重构参数；
将所述多张曝光影像合并为一幅具有设定亮度的影像。
进一步地，所述对所述亮度增强图像采用预设的方法进行图像特征提取的步骤，包括：
提取所述亮度增强图像的亮度特征，其公式为：
基于提取的所述亮度特征，形成亮度灰度图，对所述亮度增强图像进行高斯滤波处理，获得不同尺度间图像亮度特征的差异情况，其公式为：
I＝(C·S)＝|I(C)-I(S)|
其中，(C·S)为特征的不同尺度参数；
采用高斯金字塔转换图像颜色特征，其公式为：
RG(C·S)＝|R(C)-G(S)-G(C)-R(S)|
采用滤波器提取所述亮度增强图像的方向特征，其公式为：
对亮度增强图像进行不同尺度变换，计算图像在不同尺度之间的特征差异信息，其公式为：
O(C·S·θ)＝|O(C·S)-O(S·θ)|
得到所述亮度增强图像的图像特征。
进一步地，所述采用视区追踪的方法分割所述亮度增强图像，以构建关于初始图像背景与待识别目标的指示向量，得到所述初始图像的背景图的步骤，包括：
对所述亮度增强图像进行超像素分割，得到闭环图，记作I(V,E)，将分割后的图的节点V定义为X＝{x1,x2,…,xm,xm+1,…,xn}；其中，n为节点的个数；
计算背景点上标记点之间的相似度，将图的度量矩阵表示为D＝diag{d11,d22,…,dmn}；
构建关于初始图像背景与待识别目标的指示向量，将被标记的点记作0，未被标记的点记作1，对标记点与背景点排序评分，其公式为：
T(k+1)＝asT(k)+(1-α)y
其中，k为排序值的贡献参数，T为临近节点的排序参数，y为节点的邻域传播参数。
进一步地，对所述背景图进行排序，以实现所述初始图像的待识别目标检测的步骤，包括：
对所述背景图进行排序，并合并排序结果，获取一次排序后的前景显著图；
根据所述前景显著图得到所述初始图像的待识别目标，其公式为：
其中，a、b均为经验值，R0为图像融合参数。
如图2所示，本发明还提供了一种图像处理智能数字化的检测系统，包括：
获取模块，用于获取包含待识别目标的初始图像；其中，所述待识别目标包括人体目标或物体目标，所述物体目标在所述初始图像中具有完整的轮廓；
度量模块，用于对所述初始图像进行全局显著性度量，得到所述初始图像的全局显著性度量结果；
增强模块，用于根据所述全局显著性度量结果采用亮度增强算法以增强所述初始图像，得到亮度增强图像；
提取模块，用于对所述亮度增强图像采用预设的方法进行图像特征提取；其中，所述图像特征包括亮度、颜色以及方向；
分割模块，用于采用视区追踪的方法分割所述亮度增强图像，以构建关于初始图像背景与待识别目标的指示向量，得到所述初始图像的背景图；
排序模块，用于对所述背景图进行排序，以实现所述初始图像的待识别目标检测。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明对原始图像进行全局显著性度量，根据度量结果运用亮度增强算法增强可见光图像后，提取图像亮度、颜色以及方向的特征信息，采用视区追踪的方法分割可见光图像，构建关于图像背景与目标的指示向量，并对背景图排序，实现初始图像的待识别目标检测，以提高待识别目标边缘清晰度，同时提高检测准确率。
附图说明
图1为本发明一实施例的方法流程示意图。
图2为本发明一实施例的装置结构示意图。
图3为本发明一实施例的计算机设备内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种图像处理智能数字化的检测方法，包括：
S1、获取包含待识别目标的初始图像；其中，所述待识别目标包括人体目标或物体目标，所述物体目标在所述初始图像中具有完整的轮廓，由于人体轮廓具有特点，因而人体目标在图像中可不具有完整性，即当人体大部分位于图像边缘时亦可进行目标检测；
S2、对所述初始图像进行全局显著性度量，得到所述初始图像的全局显著性度量结果；
步骤S2具体包括：
S21、可见光的图像中各个像元都有区别，每个特征图会对应着响应的位置显著图，将这些特征图相结合，结合后形成显著图，且显著图中的像元较多，差异也较大，因而，分析所述初始图像空间位置之间的竞争关系，在多次迭代后，以拉大显著图与非显著位置之间的显著度差异，其公式为：
其中，Fij为第i类第j幅特征图，为第l次迭代得到的显著图，/>为/>的直方图；
S22、在步骤S21的基础上，规则化处理所述初始图像特征图对应的显著图，并合并参数，其公式为：
其中，FNumi为第i类特征中的特征图数目；
S23、利用规则化运算符计算与所述初始图像各特征象对应的位置显著图，得到所述初始图像的全局显著性度量结果，其公式为：
其中，Si为第i类对应的显著图，CNum为特征类别的数量。经过如上步骤对图像全局显著性度量，得到基础的特征信息。
S3、根据所述全局显著性度量结果采用亮度增强算法以增强所述初始图像，得到亮度增强图像；在一幅输入影像中，利用亮度加强算法设定发生器，产生多曝光影像，并按指定的参数将该影像合并为一幅具有适当亮度的影像。
步骤S3具体包括：
S31、根据所述全局显著性度量结果，利用亮度加强算法设定发生器，产生多张曝光影像，形成曝光图集，将所述曝光图集表示为：
Pi＝f(P,ki)
其中，P为图像增强之前的原有像素点，ki为曝光率，f为图像增强参数；
S32、计算时，对曝光图集中的每一张曝光影像进行加权，i个权重组成一个权重图集，归一化处理结果为：
其中，为按照元素划分的参数，Wi为第i个图集的权重矩阵；当曝光程度较高时，得到更大的权重，当曝光量大时，加权系数降低。
S33、重建权重图集，其公式为：
其中，c为色彩三通道中的通道，为生成器生成的第i个曝光图，/>为加权重构参数；
S34、将所述多张曝光影像合并为一幅具有设定亮度的影像，经过如上步骤对初始图像增强，为后续图像检测提供基础。
S4、对所述亮度增强图像采用预设的方法进行图像特征提取；其中，所述图像特征包括亮度、颜色以及方向；其中，亮度特征为图像最基本的特征，能够反映出图像中物体的明暗程度。
步骤S4具体包括：
S41、对于一个RGB空间，提取所述亮度增强图像的亮度特征，其公式为：
S42、基于提取的所述亮度特征，形成亮度灰度图，对所述亮度增强图像进行高斯滤波处理，获得不同尺度间图像亮度特征的差异情况，其公式为：
I＝(C·S)＝|I(C)-I(S)|
其中，(C·S)为特征的不同尺度参数；
S43、采用高斯金字塔转换图像颜色特征，其公式为：
RG(C·S)＝|R(C)-G(S)-G(C)-R(S)|
S44、方向特征为图像重要特征之一，能够反映出图像边缘信息，对于边缘检测以及目标分割具有重要意义，因而采用4个Gabor滤波器提取所述亮度增强图像的方向特征，Gabor函数主要由正弦函数调制下的高斯函数组成，其公式为：
基于Gabor函数的特征，能够提取的是图像与当前滤波器方向垂直的方向信息。
S45、在Gabor函数的基础上，对亮度增强图像进行不同尺度变换，计算图像在不同尺度之间的特征差异信息，得到图像的相关特征，其公式为：
O(C·S·θ)＝|O(C·S)-O(S·θ)|
S46、得到所述亮度增强图像的图像特征。
S5、采用视区追踪的方法分割所述亮度增强图像，以构建关于初始图像背景与待识别目标的指示向量，得到所述初始图像的背景图；在检测中出现多个目标，需要进一步分割目标，采用视区追踪的方法分割图像，在特征图上产生大小不同的候选矩形框，确定框中是背景还是待检测目标。
步骤S5具体包括：
S51、对所述亮度增强图像进行超像素分割，得到闭环图，记作I(V,E)，将分割后的图的节点V定义为X＝{x1,x2,…,xm,xm+1,…,xn}；其中，n为节点的个数；
S52、计算背景点上标记点之间的相似度，将图的度量矩阵表示为D＝diag{d11,d22,…,dmn}；
S53、构建关于初始图像背景与待识别目标的指示向量，将被标记的点记作0，未被标记的点记作1，对标记点与背景点排序评分，其公式为：
T(k+1)＝asT(k)+(1-α)y
其中，k为排序值的贡献参数，T为临近节点的排序参数，y为节点的邻域传播参数；按照上述步骤对相邻节点进行分类，最后排序的分数值对应于背景分类图的显著性。
S6、对所述背景图进行排序，以实现所述初始图像的待识别目标检测。
步骤S6具体包括：
S61、对所述背景图进行排序，并合并排序结果，获取一次排序后的前景显著图，能够抑制背景的干扰；
S62、根据所述前景显著图得到所述初始图像的待识别目标，其公式为：
其中，a、b均为经验值，R0为图像融合参数，经过如上步骤抑制背景环境以及其他因素的影响，得到目标的检测结果。
如图2所示，本发明还提供了一种图像处理智能数字化的检测系统，包括：
获取模块1，用于获取包含待识别目标的初始图像；其中，所述待识别目标包括人体目标或物体目标，所述物体目标在所述初始图像中具有完整的轮廓；
度量模块2，用于对所述初始图像进行全局显著性度量，得到所述初始图像的全局显著性度量结果；
增强模块3，用于根据所述全局显著性度量结果采用亮度增强算法以增强所述初始图像，得到亮度增强图像；
提取模块4，用于对所述亮度增强图像采用预设的方法进行图像特征提取；其中，所述图像特征包括亮度、颜色以及方向；
分割模块5，用于采用视区追踪的方法分割所述亮度增强图像，以构建关于初始图像背景与待识别目标的指示向量，得到所述初始图像的背景图；
排序模块6，用于对所述背景图进行排序，以实现所述初始图像的待识别目标检测。
在一个实施例中，度量模块2，包括：
分析单元，用于分析所述初始图像空间位置之间的竞争关系，在多次迭代后，以拉大显著图与非显著位置之间的显著度差异，其公式为：
其中，Fij为第i类第j幅特征图，为第l次迭代得到的显著图，/>为/>的直方图；
规则化处理单元，用于规则化处理所述初始图像特征图对应的显著图，并合并参数，其公式为：
其中，CNumi为第i类特征中的特征图数目；
计算单元，用于利用规则化运算符计算与所述初始图像各特征象对应的位置显著图，得到所述初始图像的全局显著性度量结果，其公式为：
其中，Si为第i类对应的显著图，CNum为特征类别的数量。
在一个实施例中，增强模块3，包括：
设定单元，用于根据所述全局显著性度量结果，利用亮度加强算法设定发生器，产生多张曝光影像，形成曝光图集，将所述曝光图集表示为：
Pi＝f(P,ki)
其中，P为图像增强之前的原有像素点，ki为曝光率，f为图像增强参数；
加权单元，用于对曝光图集中的每一张曝光影像进行加权，i个权重组成一个权重图集，归一化处理结果为：
其中，为按照元素划分的参数，Wi为第i个图集的权重矩阵；
重建单元，用于重建权重图集，其公式为：
其中，c为色彩三通道中的通道，为生成器生成的第i个曝光图，/>为加权重构参数；
合并单元，用于将所述多张曝光影像合并为一幅具有设定亮度的影像。
在一个实施例中，提取模块4，包括：
提取单元，用于提取所述亮度增强图像的亮度特征，其公式为：
形成单元，用于基于提取的所述亮度特征，形成亮度灰度图，对所述亮度增强图像进行高斯滤波处理，获得不同尺度间图像亮度特征的差异情况，其公式为：
I＝(C·S)＝|I(C)-I(S)|
其中，(C·S)为特征的不同尺度参数；
转换单元，用于采用高斯金字塔转换图像颜色特征，其公式为：
RG(C·S)＝|R(C)-G(S)-G(C)-R(S)|
方向特征提取单元，用于采用滤波器提取所述亮度增强图像的方向特征，其公式为：
尺度变换单元，用于对亮度增强图像进行不同尺度变换，计算图像在不同尺度之间的特征差异信息，其公式为：
O(C·S·θ)＝|O(C·S)-O(S·θ)|
图像特征单元，用于得到所述亮度增强图像的图像特征。
在一个实施例中，分割模块5，包括：
超像素分割单元，用于对所述亮度增强图像进行超像素分割，得到闭环图，记作I(V,E)，将分割后的图的节点V定义为X＝{x1,x2,…,xm,xm+1,…,xn}；其中，n为节点的个数；
矩阵表示单元，用于计算背景点上标记点之间的相似度，将图的度量矩阵表示为D＝diag{d11,d22,…,dmn}；
构建单元，用于构建关于初始图像背景与待识别目标的指示向量，将被标记的点记作0，未被标记的点记作1，对标记点与背景点排序评分，其公式为：
T(k+1)＝asT(k)+(1-α)y
其中，k为排序值的贡献参数，T为临近节点的排序参数，y为节点的邻域传播参数。
在一个实施例中，排序模块6，包括：
合并排序单元，用于对所述背景图进行排序，并合并排序结果，获取一次排序后的前景显著图；
待识别目标单元，用于根据所述前景显著图得到所述初始图像的待识别目标，其公式为：
其中，a、b均为经验值，R0为图像融合参数。
上述各模块、单元均是用于对应执行上述图像处理智能数字化的检测方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
如图3所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备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，该计算机设计的处理器用于提供计算和控制能力。该计算机设备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。该计算机设备的数据库用于存储图像处理智能数字化的检测方法的过程需要的所有数据。该计算机设备的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图像处理智能数字化的检测方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个图像处理智能数字化的检测方法。
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与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，本申请所提供的和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。非易失性存储器可以包括只读存储器(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通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种图像处理智能数字化的检测方法，其特征在于，包括：
获取包含待识别目标的初始图像；其中，所述待识别目标包括人体目标或物体目标，所述物体目标在所述初始图像中具有完整的轮廓；
对所述初始图像进行全局显著性度量，得到所述初始图像的全局显著性度量结果；
根据所述全局显著性度量结果采用亮度增强算法以增强所述初始图像，得到亮度增强图像；
对所述亮度增强图像采用预设的方法进行图像特征提取；其中，所述图像特征包括亮度、颜色以及方向；
采用视区追踪的方法分割所述亮度增强图像，以构建关于初始图像背景与待识别目标的指示向量，得到所述初始图像的背景图；
对所述背景图进行排序，以实现所述初始图像的待识别目标检测。
2.根据权利要求1所述的图像处理智能数字化的检测方法，其特征在于，所述对所述初始图像进行全局显著性度量，得到所述初始图像的全局显著性度量结果的步骤，包括：
分析所述初始图像空间位置之间的竞争关系，在多次迭代后，以拉大显著图与非显著位置之间的显著度差异，其公式为：
其中，Fij为第i类第j幅特征图，为第l次迭代得到的显著图，/>为/>的直方图；
规则化处理所述初始图像特征图对应的显著图，并合并参数，其公式为：
其中，FNumi为第i类特征中的特征图数目；
利用规则化运算符计算与所述初始图像各特征象对应的位置显著图，得到所述初始图像的全局显著性度量结果，其公式为：
其中，Si为第i类对应的显著图，CNum为特征类别的数量。
3.根据权利要求2所述的图像处理智能数字化的检测方法，其特征在于，所述根据所述全局显著性度量结果采用亮度增强算法以增强所述初始图像，得到亮度增强图像的步骤，包括：
根据所述全局显著性度量结果，利用亮度加强算法设定发生器，产生多张曝光影像，形成曝光图集，将所述曝光图集表示为：
Pi＝f(P,ki)
其中，P为图像增强之前的原有像素点，ki为曝光率，f为图像增强参数；
对曝光图集中的每一张曝光影像进行加权，i个权重组成一个权重图集，归一化处理结果为：
其中，为按照元素划分的参数，Wi为第i个图集的权重矩阵；
重建权重图集，其公式为：
其中，c为色彩三通道中的通道，为生成器生成的第i个曝光图，/>为加权重构参数；
将所述多张曝光影像合并为一幅具有设定亮度的影像。
4.根据权利要求3所述的图像处理智能数字化的检测方法，其特征在于，所述对所述亮度增强图像采用预设的方法进行图像特征提取的步骤，包括：
提取所述亮度增强图像的亮度特征，其公式为：
基于提取的所述亮度特征，形成亮度灰度图，对所述亮度增强图像进行高斯滤波处理，获得不同尺度间图像亮度特征的差异情况，其公式为：
I＝(C·S)＝|I(C)-I(S)|
其中，(C·S)为特征的不同尺度参数；
采用高斯金字塔转换图像颜色特征，其公式为：
RG(C·S)＝|R(C-G(S-G(C-R(S)|
采用滤波器提取所述亮度增强图像的方向特征，其公式为：
对亮度增强图像进行不同尺度变换，计算图像在不同尺度之间的特征差异信息，其公式为：
O(C·S·θ)＝|O(C·S)-O(S·θ)|
得到所述亮度增强图像的图像特征。
5.根据权利要求4所述的图像处理智能数字化的检测方法，其特征在于，所述采用视区追踪的方法分割所述亮度增强图像，以构建关于初始图像背景与待识别目标的指示向量，得到所述初始图像的背景图的步骤，包括：
对所述亮度增强图像进行超像素分割，得到闭环图，记作I(V,E)，将分割后的图的节点V定义为X＝{x1,x2,…,xm,xm+1,…,xn}；其中，n为节点的个数；
计算背景点上标记点之间的相似度，将图的度量矩阵表示为D＝diag{d11,d22,…,dmn}；
构建关于初始图像背景与待识别目标的指示向量，将被标记的点记作0，未被标记的点记作1，对标记点与背景点排序评分，其公式为：
T(k+1)＝adT(k)+(1-α)y
其中，k为排序值的贡献参数，T为临近节点的排序参数，y为节点的邻域传播参数。
6.根据权利要求5所述的图像处理智能数字化的检测方法，其特征在于，对所述背景图进行排序，以实现所述初始图像的待识别目标检测的步骤，包括：
对所述背景图进行排序，并合并排序结果，获取一次排序后的前景显著图；
根据所述前景显著图得到所述初始图像的待识别目标，其公式为：
其中，a、b均为经验值，R0为图像融合参数。
7.一种图像处理智能数字化的检测系统，其特征在于，包括：
获取模块，用于获取包含待识别目标的初始图像；其中，所述待识别目标包括人体目标或物体目标，所述物体目标在所述初始图像中具有完整的轮廓。
CN202310399266.7A 2023-04-14 2023-04-14 一种图像处理智能数字化的检测系统及其检测方法 Pending CN116612272A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310399266.7A CN116612272A (zh) 2023-04-14 2023-04-14 一种图像处理智能数字化的检测系统及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310399266.7A CN116612272A (zh) 2023-04-14 2023-04-14 一种图像处理智能数字化的检测系统及其检测方法

Publications (1)

Publication Number Publication Date
CN116612272A true CN116612272A (zh) 2023-08-18

Family

ID=87680740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310399266.7A Pending CN116612272A (zh) 2023-04-14 2023-04-14 一种图像处理智能数字化的检测系统及其检测方法

Country Status (1)

Country Link
CN (1) CN116612272A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457520A (zh) * 2023-10-25 2024-01-26 武汉昕微电子科技有限公司 一种半导体元器件的缺陷检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457520A (zh) * 2023-10-25 2024-01-26 武汉昕微电子科技有限公司 一种半导体元器件的缺陷检测方法及系统
CN117457520B (zh) * 2023-10-25 2024-05-31 武汉昕微电子科技有限公司 一种半导体元器件的缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN111080628B (zh) 图像篡改检测方法、装置、计算机设备和存储介质
CN111046880B (zh) 一种红外目标图像分割方法、系统、电子设备及存储介质
Xie et al. Multilevel cloud detection in remote sensing images based on deep learning
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
JP6330385B2 (ja) 画像処理装置、画像処理方法およびプログラム
CN111723860A (zh) 一种目标检测方法及装置
CN111353512B (zh) 障碍物分类方法、装置、存储介质和计算机设备
CN111325769B (zh) 一种目标对象检测方法及装置
CN110516541B (zh) 文本定位方法、装置、计算机可读存储介质和计算机设备
CN112669323B (zh) 图像处理方法及相关设备
CN111401387B (zh) 异常样本构建方法、装置、计算机设备和存储介质
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN112101386B (zh) 文本检测方法、装置、计算机设备和存储介质
CN110969171A (zh) 基于改进卷积神经网络的图像分类模型、方法及应用
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN112818821B (zh) 基于可见光和红外光的人脸采集源检测方法和装置
CN113378812A (zh) 一种基于Mask R-CNN和CRNN的数字表盘识别方法
CN111274964A (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN112949453A (zh) 烟火检测模型的训练方法、烟火检测方法及设备
CN116612272A (zh) 一种图像处理智能数字化的检测系统及其检测方法
CN111402185B (zh) 一种图像检测方法及装置
CN117437691A (zh) 一种基于轻量化网络的实时多人异常行为识别方法及系统
CN117422677A (zh) 一种机载端用电力线路图像缺陷检测方法、装置及系统
CN117218672A (zh) 一种基于深度学习的病案文字识别方法及系统
CN110751163B (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备

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