CN116883292B - 基于伪高斯的图像方向场获取方法、系统及计算机设备 - Google Patents
基于伪高斯的图像方向场获取方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN116883292B CN116883292B CN202311147303.1A CN202311147303A CN116883292B CN 116883292 B CN116883292 B CN 116883292B CN 202311147303 A CN202311147303 A CN 202311147303A CN 116883292 B CN116883292 B CN 116883292B
- Authority
- CN
- China
- Prior art keywords
- image
- pseudo
- gaussian
- gradient
- image block
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 22
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于伪高斯的图像方向场获取方法、系统及计算机设备。基于伪高斯的图像方向场获取方法,包括:将图像划分为多个互不重叠的图像块;获取各图像块中每个像素点的第一方向梯度和第二方向梯度;获取各图像块的平均平方梯度;将图像划分为多层子图像,各层子图像均具有不同尺度的图像块;获取各层子图像的方向场;将各层子图像的方向场进行伪高斯融合;基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域;对标记出的高曲率区域和噪声区域进行修正。本发明解决了基于梯度方法对噪声敏感的问题,同时保证了高曲率区域的准确性,优化了计算的复杂程度,提高了方向场计算的准确性和效率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于伪高斯的图像方向场获取方法、系统及计算机设备。
背景技术
目前方向场的计算方式主要有三种,分别为:基于梯度、傅里叶变换以及基于模型的方向场计算方法,其中:基于梯度的方向场计算方法,主要是通过计算指纹图像每个像素点的灰度变化得到梯度向量,根据梯度变化得到指纹方向场,由于梯度的计算是基于像素级的,因此该方法极易受到噪声的干扰,从而得到错误的方向场;基于傅里叶变换的方向场计算方法,通过计算局部图像的傅里叶变换,得到频域上的峰值,其峰值连线与纹路方向垂直从而获得指纹的方向场,该方法计算复杂,方向场计算速度较慢;基于模型的方向场计算方法,通过建立指纹方向场模型,根据前面计算得到的奇异点位置估计全局的方向场,该方法主要通过奇异点位置去预测指纹纹路的方向,而局部指纹往往是平滑的没有奇异点,因此预测出的指纹方向场比较平滑。
发明内容
本发明的目的在于,提供一种基于伪高斯的图像方向场获取方法、系统及计算机设备,具有可以准确并快速地计算出高噪声区域以及指纹高曲率区域的方向场,大大提高了指纹的匹配准确率等优点。
为解决现有技术中的问题,第一方面,本发明提供一种基于伪高斯的图像方向场获取方法,包括:
将图像划分为多个互不重叠的图像块,各所述图像块均包括多个像素点;
获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度;所述第一方向与所述第二方向相垂直,且均与所述图像块的表面相平行;
获取各所述图像块的平均平方梯度;
将所述图像划分为多层子图像,各层所述子图像均具有不同尺度的图像块;
获取各层所述子图像的方向场;
将各层所述子图像的方向场进行伪高斯融合;
基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域;
对标记出的所述高曲率区域和所述噪声区域进行修正。
可选地,基于索贝尔算子获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度。
可选地,基于如下公式获取各所述图像块的平均平方梯度:
;
;
式中,为图像块(u,v)的第一方向梯度;/> 为图像块(u,v)的第二方向梯度;Gx(u,v)为图像块(u,v)第一方向的平均平方梯度;Gy(u,v)为图像块(u,v)第二方向的平均平方梯度;i为图像块(u,v)中心的像素点的横坐标,j为图像块(u,v)中心的像素点的纵坐标;w为正整数。
可选地,基于如下公式获取各层所述子图像的方向场:
;
;
式中,为第q层以图像块(m, n)为中心,半径为k / 2的第一方向的平均平方梯度累积和;/>为第q层以图像块(m, n)为中心,半径为k / 2的第二方向的平均平方梯度累积和;/>为以图像块(m,n)第一方向的平均平方梯度;/>为图像块(m,n)第二方向的平均平方梯度;k为正整数。
可选地,基于如下公式将各层所述子图像的方向场进行伪高斯融合:
;
;
;
式中,Gxg(u,v)为图像块(u,v)进行伪高斯融合后第一方向的平均平方梯度和;Gyg(u,v)为图像块(u,v)进行伪高斯融合后第二方向的平均平方梯度和;μq为伪高斯融合系数;为图像块(u,v)的方向;L为大于1的整数;/>为第q层方向块的第一方向平均平方梯度累积和;/>为第q层方向块的第二方向平均平方梯度累积和;/>为第q-1层方向块的第一方向平均平方梯度累积和;/>为第q-1层方向块的第二方向平均平方梯度累积和;/>为图像块(u,v)的第一方向平均平方梯度;/>为图像块(u,v)的第二方向平均平方梯度。
可选地,对标记出的所述高曲率区域和所述噪声区域进行修正,包括:
基于伪高斯融合的图像块的周围方向场变化程度调整所述融合系数,并基于调整后的融合系数对标记出的所述高曲率区域和所述噪声区域进行修正。
可选地,基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域,包括:
若周围方向场连续变化角度之和大于预设角度,则伪高斯融合的图像块为高曲率区域;
若周围方向场连续变化角度之和小于或等于所述预设角度,且周围方向场的方差大于预设值,则伪高斯融合的图像块为噪声区域。
可选地,所述图像包括指纹图像。
第二方面,本发明还提供一种基于伪高斯的图像方向场获取系统,所述基于伪高斯的图像方向场获取系统包括:
图像块划分模块,用于将图像划分为多个互不重叠的图像块,各所述图像块均包括多个像素点;
方向梯度获取模块,与所述图像块划分模块相连接,用于获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度;所述第一方向与所述第二方向相垂直,且均与所述图像块的表面相平行;
平均平方梯度获取模块,用于获取各所述图像块的平均平方梯度;
子图像划分模块,用于将所述图像划分为多层子图像,各层所述子图像均具有不同尺度的图像块;
方向场获取模块,用于获取各层所述子图像的方向场;
伪高斯融合模块,用于将各层所述子图像的方向场进行伪高斯融合;
标记模块,用于基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域;
修正模块,与所述标记模块相连接,用于对标记出的所述高曲率区域和所述噪声区域进行修正。
第三方面,本发明还提供一种计算机设备,包括存储器和处理器,所述处理器存储有计算机程序,所述处理器执行所述计算机程序时,实现第一方面中任一项所述的基于伪高斯的图像方向场获取方法。
如上所述,本发明的基于伪高斯的图像方向场获取方法、系统及计算机设备,具有以下有益效果:本发明借助伪高斯拟合来获取图像方向场,解决了基于梯度方法对噪声敏感的问题,同时保证了高曲率区域的准确性,优化了计算的复杂程度,提高了方向场计算的准确性和效率。
附图说明
图1为本发明实施例一中提供的基于伪高斯的图像方向场获取方法的流程图。
图2为本发明实施例一中提供的基于伪高斯的图像方向场获取方法中不同尺度的方向场的图像块的示意图;其中,图2中的(a)图为尺度为9的方向场的图像块的示意图;图2中的(b)图为尺度为7的方向场的图像块的示意图;图2中的(c)图为尺度为5的方向场的图像块的示意图;图2中的(d)图为尺度为3的方向场的图像块的示意图。
图3为本发明实施例一中提供的基于伪高斯的图像方向场获取方法中标记出高曲率区域和噪声区域的图像块的示意图。
图4为本发明实施例一中提供的基于伪高斯的图像方向场获取方法中融合后的图像块进行修正前后对照图;其中,图4中的(a)图为修正前的融合后的图像块的示意图;图4中的(b)图为修正后的融合后的图像块的示意图。
图5为本发明的基于伪高斯的图像方向场获取系统的结构框图。
元件标号说明:1、图像块划分模块,2、方向梯度获取模块,3、平均平方梯度获取模块,4、子图像划分模块,5、方向场获取模块,6、伪高斯融合模块,7、标记模块,8、修正模块。
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。
以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是,在本发明的揭露中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底” “内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
实施例一
请参阅图1所示,本发明提供一种基于伪高斯的图像方向场获取方法,包括:
S10:将图像划分为多个互不重叠的图像块,各所述图像块均包括多个像素点;
S20:获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度;所述第一方向与所述第二方向相垂直,且均与所述图像块的表面相平行;
S30:获取各所述图像块的平均平方梯度;
S40:将所述图像划分为多层子图像,各层所述子图像均具有不同尺度的图像块;
S50:获取各层所述子图像的方向场;
S60:将各层所述子图像的方向场进行伪高斯融合;
S70:基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域;
S80:对标记出的所述高曲率区域和所述噪声区域进行修正。
本发明借助伪高斯拟合来获取图像方向场,解决了基于梯度方法对噪声敏感的问题,同时保证了高曲率区域的准确性,优化了计算的复杂程度,提高了方向场计算的准确性和效率。
作为示例,步骤S10中,将图像可以按照的尺寸划分为多个互不重叠的所述图像块;W为正整数,W的取值可以根据实际需要进行设定,本实施例中,W可以为但不仅限于4,在其他示例中W也可以为1、2、3、5或者其他数值。
作为示例,步骤S20中,基于索贝尔算子(Sobel算子)获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度。具体的,像素点的坐标可以记为(i,j),其中,i和j均可以为任意数值,第一方向梯度可以为沿x方向的梯度(即水平梯度),第二方向梯度可以为沿y方向的梯度(即垂直梯度);即可以基于索贝尔算子获取各所述图像块中每个像素点(i,j)的x方向的梯度和y方向的梯度。
作为示例,步骤S30中,基于如下公式获取各所述图像块的平均平方梯度,具体的基于如下公式计算以像素点(i,j)为中心的图像块(u,v)的平均平方梯度,其中,u和v均为任意数值:
; (1)
; (2)
公式(1)及公式(2)中,为图像块(u,v)的第一方向梯度;/>为图像块(u,v)的第二方向梯度;/>为图像块(u,v)第一方向的平均平方梯度;/>为图像块(u,v)第二方向的平均平方梯度;i为图像块(u,v)中心的像素点的横坐标,j为图像块(u,v)中心的像素点的纵坐标;w为正整数。
作为示例,步骤S40中,各层所述子图像均为不同尺度的图像块的集合,各层所述子图像中心的图像块均为相同的图像块(u,v)。
具体的,第q层子图像的尺度可以为k*k, />,其中,p为最内层的子图像的尺度,q为子图像的总层数,q的取值范围为0、1、2、3…L,/>为相邻所述子图像的间隔。本实施例中,若p取值为3, L的取值为3,则q的取值为0,1,2或3;若/>的取值为1,则k的取值可以为3、5、7或9。
作为示例,基于如下公式获取各层所述子图像的方向场:
; (3)
; (4)
式中,为第q层以图像块(m, n)为中心,半径为k / 2的第一方向的平均平方梯度累积和;/>为第q层以图像块(m, n)为中心,半径为k / 2的第二方向的平均平方梯度累积和;/>为以图像块(m,n)第一方向的平均平方梯度;/>为图像块(m,n)第二方向的平均平方梯度;k为正整数。
作为示例,步骤S60中,基于如下公式将各层所述子图像的方向场进行伪高斯融合:
; (5)
; (6)
; (7)
式中, 为图像块(u,v)进行伪高斯融合后第一方向的平均平方梯度和;为图像块(u,v)进行伪高斯融合后第二方向的平均平方梯度和;μq为伪高斯融合系数; />为图像块(u,v)的方向;L为大于1的整数;/>为第q层方向块的第一方向平均平方梯度累积和;/>为第q层方向块的第二方向平均平方梯度累积和;/>为第q-1层方向块的第一方向平均平方梯度累积和;/>为第q-1层方向块的第二方向平均平方梯度累积和;/>为图像块(u,v)的第一方向平均平方梯度;/>为图像块(u,v)的第二方向平均平方梯度。
作为示例,基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域,包括:
若周围方向场连续变化角度之和大于预设角度,则伪高斯融合的图像块为高曲率区域;
若周围方向场连续变化角度之和小于或等于所述预设角度,且周围方向场的方差大于预设值,则伪高斯融合的图像块为噪声区域。
具体的,判断伪高斯融合的图像块(u,v)的周围方向场变化角度和;更为具体的,以图像块(u,v)为中心选取半径为r的方向场块进行计算,如果连续变化角度之和θdsum(u,v)超过120°,则将该方向场块标记为高曲率部分。
;(8)
如果连续方向变化角度变化小,但均方差Dθ(u,v)较大,则认为该方向场块为噪声区域;本实施中,若Dθ(u,v)超过70,则将该方向场块标记为噪声区域。
;(9)
;(10)
公式(9)和公式(10)中,为以Dθ(u,v)为中心的周围方向场的均值。如图3所示,图3中的浅色区域即为标记出的高曲率区域以及噪声区域。
作为示例,步骤S70中,对标记出的所述高曲率区域和所述噪声区域进行修正,包括:
基于伪高斯融合的图像块的周围方向场变化程度调整所述融合系数μq,并基于调整后的融合系数对标记出的所述高曲率区域和所述噪声区域进行修正。
具体的,当曲率变化过快时,最小尺度层的方向场的系数增加,最大尺度的方向场的系数降低;当为噪声区域时,需要将最小尺度层的方向场融合系数降低,最大尺度层的方向场融合系数增大。按上述方法修正前后的图像块分别如图4中的(a)图和图4中的(b)图所示。由图4可知,可以明显看到修正后的高曲率区域以及噪声区域的方向场更加准确。
本实施例中,基于伪高斯的图像方向场获取方法可以包括如下步骤:首先将图像划分为的图像块;然后使用Sobel算子计算图像块内各像素点的水平梯度和垂直梯度;然后计算图像块的平均平方梯度;再按照不同尺度将图像块分成不同层,分别计算每层对应的方向场(其中,小尺度下的方向场在指纹变化较大部分更加敏感准确,在高曲率部分,计算结果更加贴合,但同时对噪声也更加敏感,当噪声较大时,计算出的方向场准确性会下降;大尺度下的方向场增加了信噪比,当噪声比较大时,能更好的估计出信号区域的方向场);最后每层根据计算出来的方向场的均方差设置不同的系数,进行伪高斯融合;本实施例中,可以将图像分为4层进行融合,伪高斯融合可以提高数据的精度和可靠性,同时也可以减少噪声,但随之带来的问题是计算量庞大,因此本发明提出了伪高斯融合方法,只将每层对角线上的四邻域方向场进行融合,在保证计算结果的准确性时,大大减少了融合中的运算量;对于融合后的方向场进行周围方向场变化程度进行统计,如果连续变化程度大,则将该区域标记为高曲率区,如果连续变化方向小但是方向场方差大则标记为噪声区域;标记出高曲率区域和噪声区域后,根据变化差值,调整融合系数,重新计算该区域的方向场;对于融合后的方向场进行周围方向场变化程度进行统计,周围方向区域取该块周围方向块的累积变化,并计算方向场周围的均方差,并根据计算结果对融合系数进行动态调整,矫正高曲率区域以及噪声区域计算结果。该方法大大提高了噪声区域以及高曲率区域的方向场的准确性。
作为示例,所述图像可以包括指纹图像。
本发明基于梯度的方向场计算方法,提出了基于伪高斯实现的多尺度指纹方向场计算,其中,大尺度下的方向场信噪比增加,具有较强的抗噪性,但是在信号变化过快的高曲率区域会损失信号的真实性,因此同时计算小尺度下的方向场提高高曲率区域信号的准确性,然后将不同尺度下的方向场进行融合,通过对高斯融合进行简化,提出了伪高斯融合计算方法,减少了高斯计算过程的运算量,提高了算法的运算速度以及准确性,最后对计算出的方向场进行区域划分并且根据区域对方向场融合系数进行动态调整。该方法解决了基于梯度方法对噪声敏感的问题,同时保证了高曲率区域的准确性,优化了计算的复杂程度,提高了方向场计算的准确性和效率。
实施例二
请结合图1至图4参阅图5,本实施例中还提供一种基于伪高斯的图像方向场获取系统,所述基于伪高斯的图像方向场获取系统包括:
图像块划分模块1,所述图像块划分模块用于将图像划分为多个互不重叠的图像块,各所述图像块均包括多个像素点;
方向梯度获取模块2,所述方向梯度获取模块2与所述图像块划分模块1相连接,用于获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度;所述第一方向与所述第二方向相垂直,且均与所述图像块的表面相平行;
平均平方梯度获取模块3,所述平均平方梯度获取模块3用于获取各所述图像块的平均平方梯度;
子图像划分模块4,所述子图像划分模块4用于将所述图像划分为多层子图像,各层所述子图像均具有不同尺度的图像块;
方向场获取模块5,所述方向场获取模块5用于获取各层所述子图像的方向场;
伪高斯融合模块6,所述伪高斯融合模块6用于将各层所述子图像的方向场进行伪高斯融合;
标记模块7,所述标记模块7用于基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域;
修正模块8,所述修正模块8与所述标记模块7相连接,用于对标记出的所述高曲率区域和所述噪声区域进行修正。
本实施例还提供一种计算机设备,包括存储器和处理器,所述处理器存储有计算机程序,所述处理器执行所述计算机程序时,实现如实施例一中任一项所述的基于伪高斯的图像方向场获取方法。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于伪高斯的图像方向场获取方法,其特征在于,包括:
将图像划分为多个互不重叠的图像块,各所述图像块均包括多个像素点;
获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度;所述第一方向与所述第二方向相垂直,且均与所述图像块的表面相平行;所述第一方向为水平方向,所述第二方向为垂直方向;
获取各所述图像块的平均平方梯度;
将所述图像划分为多层子图像,各层所述子图像均具有不同尺度的图像块;
获取各层所述子图像的方向场;
将各层所述子图像的对角线上的四邻域方向场进行伪高斯融合;
基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域;
对标记出的所述高曲率区域和所述噪声区域进行修正。
2.根据权利要求1所述的基于伪高斯的图像方向场获取方法,其特征在于,基于索贝尔算子获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度。
3.根据权利要求1所述的基于伪高斯的图像方向场获取方法,其特征在于,基于如下公式获取各所述图像块的平均平方梯度:
式中,为图像块(u,v)的第一方向梯度;/>为图像块(u,v)的第二方向梯度;Gx(u,v)为图像块(u,v)第一方向的平均平方梯度;Gy(u,v)为图像块(u,v)第二方向的平均平方梯度;i为图像块(u,v)中心的像素点的横坐标,j为图像块(u,v)中心的像素点的纵坐标;w为正整数 。
4.根据权利要求1所述的基于伪高斯的图像方向场获取方法,其特征在于,基于如下公式获取各层所述子图像的方向场:
式中,为第q层以图像块(m, n)为中心,半径为k / 2的第一方向的平均平方梯度累积和;/>为第q层以图像块(m, n)为中心,半径为k / 2的第二方向的平均平方梯度累积和;/>为以图像块(m,n)第一方向的平均平方梯度;/>为图像块(m,n)第二方向的平均平方梯度;k为正整数。
5.根据权利要求4所述的基于伪高斯的图像方向场获取方法,其特征在于,基于如下公式将各层所述子图像的方向场进行伪高斯融合:
式中,Gxg(u,v)为图像块(u,v)进行伪高斯融合后第一方向的平方梯度和; Gyg(u,v)为图像块(u,v)进行伪高斯融合后第二方向的平方梯度和;μq为伪高斯融合系数;为图像块(u,v)的方向;L为大于1的整数;/>为第q层方向块的第一方向平均平方梯度累积和;/>为为第q层方向块的第二方向平均平方梯度累积和;/>为第q-1层方向块的第一方向平均平方梯度累积和;/>为第q-1层方向块的第二方向平均平方梯度累积和;/>为图像块(u,v)的第一方向平均平方梯度;/>为图像块(u,v)的第二方向平均平方梯度。
6.根据权利要求5所述的基于伪高斯的图像方向场获取方法,其特征在于,对标记出的所述高曲率区域和所述噪声区域进行修正,包括:
基于伪高斯融合的图像块的周围方向场变化程度调整所述融合系数,并基于调整后的融合系数对标记出的所述高曲率区域和所述噪声区域进行修正。
7.根据权利要求1所述的基于伪高斯的图像方向场获取方法,其特征在于,基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域,包括:
若周围方向场连续变化角度之和大于预设角度,则伪高斯融合的图像块为高曲率区域;
若周围方向场连续变化角度之和小于或等于所述预设角度,且周围方向场的方差大于预设值,则伪高斯融合的图像块为噪声区域。
8.根据权利要求1至7中任一项所述的基于伪高斯的图像方向场获取方法,其特征在于,所述图像包括指纹图像。
9.一种基于伪高斯的图像方向场获取系统,其特征在于,所述基于伪高斯的图像方向场获取系统包括:
图像块划分模块,用于将图像划分为多个互不重叠的图像块,各所述图像块均包括多个像素点;
方向梯度获取模块,与所述图像块划分模块相连接,用于获取各所述图像块中每个像素点的第一方向梯度和第二方向梯度;所述第一方向与所述第二方向相垂直,且均与所述图像块的表面相平行;所述第一方向为水平方向,所述第二方向为垂直方向;
平均平方梯度获取模块,用于获取各所述图像块的平均平方梯度;
子图像划分模块,用于将所述图像划分为多层子图像,各层所述子图像均具有不同尺度的图像块;
方向场获取模块,用于获取各层所述子图像的方向场;
伪高斯融合模块,用于将各层所述子图像的对角线上的四邻域方向场进行伪高斯融合;
标记模块,用于基于伪高斯融合的图像块的周围方向场变化程度及周围方向场的方差,标记出高曲率区域和噪声区域;
修正模块,与所述标记模块相连接,用于对标记出的所述高曲率区域和所述噪声区域进行修正。
10.一种计算机设备,包括存储器和处理器,所述处理器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1至8中任一项所述的基于伪高斯的图像方向场获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147303.1A CN116883292B (zh) | 2023-09-07 | 2023-09-07 | 基于伪高斯的图像方向场获取方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147303.1A CN116883292B (zh) | 2023-09-07 | 2023-09-07 | 基于伪高斯的图像方向场获取方法、系统及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883292A CN116883292A (zh) | 2023-10-13 |
CN116883292B true CN116883292B (zh) | 2023-11-28 |
Family
ID=88272099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311147303.1A Active CN116883292B (zh) | 2023-09-07 | 2023-09-07 | 基于伪高斯的图像方向场获取方法、系统及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883292B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4215414A (en) * | 1978-03-07 | 1980-07-29 | Hughes Aircraft Company | Pseudogaussian video output processing for digital display |
CN101414350A (zh) * | 2007-12-14 | 2009-04-22 | 浙江师范大学 | 一种融合多参考节点整体对齐和方向场的指纹图像匹配方法 |
JP2010218236A (ja) * | 2009-03-17 | 2010-09-30 | Dainippon Printing Co Ltd | 画像処理装置 |
CN102880869A (zh) * | 2012-08-10 | 2013-01-16 | 西安电子科技大学 | 基于先验知识的马尔科夫随机场指纹方向场提取方法 |
US8625921B1 (en) * | 2008-09-26 | 2014-01-07 | Google Inc. | Method for image processing using local statistics convolution |
CN105279742A (zh) * | 2015-11-19 | 2016-01-27 | 中国人民解放军国防科学技术大学 | 一种快速的基于分块噪声能量估计的图像去噪方法 |
CN106407920A (zh) * | 2016-09-07 | 2017-02-15 | 深圳芯启航科技有限公司 | 指纹图像的条纹噪声消除方法 |
CN107273877A (zh) * | 2017-07-24 | 2017-10-20 | 云南大学 | 加权的多尺度复合窗指纹方向场建立方法及分级平滑算法 |
CN109993703A (zh) * | 2017-12-29 | 2019-07-09 | 展讯通信(上海)有限公司 | 多尺度图像降噪方法及装置 |
CN111274902A (zh) * | 2020-01-15 | 2020-06-12 | 浙江大学 | 用多头掩模均衡融和单元的手势深度图像连续检测方法 |
CN115546136A (zh) * | 2022-09-29 | 2022-12-30 | 青岛海信医疗设备股份有限公司 | 一种医学图像的图像处理方法、设备及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026404B2 (en) * | 2005-10-20 | 2015-05-05 | Syracuse University | Methods of improving detectors and classifiers using optimized stochastic resonance noise |
FR2978273B1 (fr) * | 2011-07-22 | 2013-08-09 | Thales Sa | Procede de reduction du bruit dans une sequence d'images fluoroscopiques par filtrage temporel et spatial |
IL247245B (en) * | 2016-08-11 | 2019-01-31 | Technion Res & Dev Foundation | Systems and methods for printing 3D models |
-
2023
- 2023-09-07 CN CN202311147303.1A patent/CN116883292B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4215414A (en) * | 1978-03-07 | 1980-07-29 | Hughes Aircraft Company | Pseudogaussian video output processing for digital display |
CN101414350A (zh) * | 2007-12-14 | 2009-04-22 | 浙江师范大学 | 一种融合多参考节点整体对齐和方向场的指纹图像匹配方法 |
US8625921B1 (en) * | 2008-09-26 | 2014-01-07 | Google Inc. | Method for image processing using local statistics convolution |
JP2010218236A (ja) * | 2009-03-17 | 2010-09-30 | Dainippon Printing Co Ltd | 画像処理装置 |
CN102880869A (zh) * | 2012-08-10 | 2013-01-16 | 西安电子科技大学 | 基于先验知识的马尔科夫随机场指纹方向场提取方法 |
CN105279742A (zh) * | 2015-11-19 | 2016-01-27 | 中国人民解放军国防科学技术大学 | 一种快速的基于分块噪声能量估计的图像去噪方法 |
CN106407920A (zh) * | 2016-09-07 | 2017-02-15 | 深圳芯启航科技有限公司 | 指纹图像的条纹噪声消除方法 |
CN107273877A (zh) * | 2017-07-24 | 2017-10-20 | 云南大学 | 加权的多尺度复合窗指纹方向场建立方法及分级平滑算法 |
CN109993703A (zh) * | 2017-12-29 | 2019-07-09 | 展讯通信(上海)有限公司 | 多尺度图像降噪方法及装置 |
CN111274902A (zh) * | 2020-01-15 | 2020-06-12 | 浙江大学 | 用多头掩模均衡融和单元的手势深度图像连续检测方法 |
CN115546136A (zh) * | 2022-09-29 | 2022-12-30 | 青岛海信医疗设备股份有限公司 | 一种医学图像的图像处理方法、设备及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116883292A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103456003B (zh) | 对象跟踪装置及方法以及错误特征点剔除装置及方法 | |
CN111612841B (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
CN111415390A (zh) | 一种基于地面纹理的定位导航方法及装置 | |
CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
CN105118086A (zh) | 3d-aoi设备中的3d点云数据配准方法及系统 | |
CN103544492B (zh) | 基于深度图像三维曲面几何特征的目标识别方法和装置 | |
CN102956532B (zh) | 用于对齐晶片以用于制造的系统和方法 | |
CN111833405B (zh) | 基于机器视觉的标定识别方法及装置 | |
CN109544643A (zh) | 一种摄像机图像校正方法及装置 | |
CN112146848A (zh) | 一种确定摄像头的畸变参数的方法及装置 | |
CN114998773B (zh) | 适用于无人机系统航拍图像的特征误匹配剔除方法及系统 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN116883292B (zh) | 基于伪高斯的图像方向场获取方法、系统及计算机设备 | |
Pan et al. | An efficient method for skew correction of license plate | |
CN116958218A (zh) | 一种基于标定板角点对齐的点云与图像配准方法及设备 | |
CN116258752A (zh) | 配准方法、配准装置、电子设备和计算机可读存储介质 | |
CN110765993A (zh) | 基于ai算法的sem图形量测方法 | |
CN116819561A (zh) | 一种点云数据匹配方法、系统、电子设备及存储介质 | |
CN115018922A (zh) | 畸变参数标定方法、电子设备和计算机可读存储介质 | |
CN113723406A (zh) | 一种对冠脉造影图像进行支架定位的处理方法和装置 | |
CN111856895A (zh) | Ccd曝光机的对位方法、装置及其计算机可读存储介质 | |
CN107146244A (zh) | 基于pbil算法的图像配准方法 | |
CN113393513B (zh) | 电影银幕穿孔测量方法、测量装置及计算设备 | |
WO2024042995A1 (ja) | 光検出装置、および光検出システム | |
CN103198452B (zh) | 基于定位图形顶点的快速响应矩阵码第四顶点的定位方法 |
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 |