CN117893611A - 一种图像传感器的脏污检测方法、装置和计算机设备 - Google Patents
一种图像传感器的脏污检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117893611A CN117893611A CN202410292468.6A CN202410292468A CN117893611A CN 117893611 A CN117893611 A CN 117893611A CN 202410292468 A CN202410292468 A CN 202410292468A CN 117893611 A CN117893611 A CN 117893611A
- Authority
- CN
- China
- Prior art keywords
- image data
- dirt
- information
- frequency information
- dirty
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000011109 contamination Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 19
- 238000003708 edge detection Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像传感器的脏污检测方法、装置和计算机设备。所述方法包括:获取待测图像传感器采集的原始图像数据;对原始图像数据进行预处理,得到预处理后的图像数据;利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息;获取高频信息中的脏污信息;基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污信息,确定预处理后的图像数据中的脏污信息;基于预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。采用本方法能够解决现有的图像传感器的脏污检测方式,存在检测结果准确率不高或者检测效率低的问题。
Description
技术领域
本申请涉及图像检测技术领域,特别是涉及一种图像传感器的脏污检测方法、装置和计算机设备。
背景技术
随着科技的发展,摄像技术逐渐被广泛应用。而摄像设备在生产和装配的过程中,可能会因为灰尘、皮屑等异物附着在传感器上,而导致摄像设备在成像时存在阴影形式的脏污,继而影响摄像设备在实际应用中的效果。因此,需要对摄像设备的图像传感器上的脏污进行检测。
目前常用的图像传感器的脏污检测方法主要采用人工检测方法,基于亮度差或梯度差的检测方法,或基于深度学习的检测方法等方法。但是,人工检测方法效率较低,且受检测人员自身判断及检测环境的影响,使得检测效率和检测结果的准确率不高;基于亮度差或梯度差的检测方法在检测未经镜头阴影校正的图像时准确率不高;基于深度学习的检测方法则需要大量的样本进行图像传感器的脏污检测,计算量过大,检测效率较低。
针对现有的图像传感器的脏污检测方式,存在检测结果准确率不高或者检测效率低的问题,目前还没有提出有效的解决方案。
发明内容
基于此,有必要针对上述技术问题,提供一种图像传感器的脏污检测方法、装置和计算机设备。
第一方面,本申请提供了一种图像传感器的脏污检测方法。所述方法包括:
获取待测图像传感器采集的原始图像数据;
对所述原始图像数据进行预处理,得到预处理后的图像数据;
利用拉普拉斯金字塔,获取所述预处理后的图像数据的高频信息;
获取所述高频信息中的脏污信息;
基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污信息,确定所述预处理后的图像数据中的脏污信息;
基于所述预处理后的图像数据中的所述脏污信息,对所述待测图像传感器进行脏污检测。
在其中一个实施例中,所述对所述原始图像数据进行预处理,得到预处理后的图像数据,包括以下步骤:
对所述原始图像数据进行黑电平校正,得到黑电平校正后的多帧图像数据;
对所述黑电平校正后的多帧图像数据进行灰度处理,得到多帧灰度图像;
对多帧所述灰度图像进行融合,得到所述原始图像数据的灰度图像;
将所述原始图像数据的灰度图像,作为所述预处理后的图像数据。
在其中一个实施例中,所述对所述黑电平校正后的多帧图像数据进行灰度处理,得到所述原始图像数据的灰度图像,包括以下步骤:
对所述黑电平校正后的多帧图像数据进行灰度处理,得到多帧灰度图像;
对多帧所述灰度图像进行融合,得到所述原始图像数据的灰度图像。
在其中一个实施例中,所述获取所述高频信息中的脏污信息,包括以下步骤:
对所述高频信息进行边缘检测,得到所述高频信息的边缘特征;
对所述边缘特征进行霍夫圆检测,得到所述高频信息中的脏污信息。
在其中一个实施例中,所述对所述边缘特征进行霍夫圆检测,得到所述高频信息中的脏污信息,包括以下步骤:
对所述边缘特征进行所述霍夫圆检测,得到所述高频信息中脏污的数量、所述高频信息中每个脏污外接圆的半径和所述高频信息中每个脏污外接圆的圆心的位置。
在其中一个实施例中,所述基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污信息,确定所述预处理后的图像数据中的脏污信息,包括以下步骤:
基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污的数量、所述高频信息中每个脏污外接圆的半径和所述高频信息中每个脏污外接圆的圆心的位置,确定所述预处理后的图像数据中的脏污的数量、所述预处理后的图像数据中的每个脏污的深浅信息、所述预处理后的图像数据中的每个脏污外接圆的半径和所述预处理后的图像数据中的每个脏污外接圆的圆心的位置。
在其中一个实施例中,在确定所述预处理后的图像数据中的脏污的数量、所述预处理后的图像数据中的每个脏污的深浅信息、所述预处理后的图像数据中的每个脏污外接圆的半径和所述预处理后的图像数据中的每个脏污外接圆的圆心的位置之后,还包括以下步骤:
基于所述预处理后的图像数据中的每个脏污的灰度差,调整脏污外接圆的半径,得到调整后的脏污信息。
在其中一个实施例中,在确定所述预处理后的图像数据中的脏污的数量、所述预处理后的图像数据中的每个脏污的深浅信息、所述预处理后的图像数据中的每个脏污外接圆的半径和所述预处理后的图像数据中的每个脏污外接圆的圆心的位置之后,还包括以下步骤:
基于所述预处理后的图像数据中的每个脏污的灰度的梯度值,调整脏污外接圆的半径,得到调整后的脏污信息。
第二方面,本申请还提供了一种图像传感器的脏污检测装置。所述装置包括:
数据获取模块,用于获取待测图像传感器采集的原始图像数据;
预处理模块,用于对所述原始图像数据进行预处理,得到预处理后的图像数据;
高频信息获取模块,用于利用拉普拉斯金字塔,获取所述预处理后的原始图像数据的高频信息;
脏污获取模块,用于获取所述高频信息中的脏污信息;
脏污确定模块,用于基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污信息,确定所述预处理后的图像数据中的脏污信息;
以及脏污检测模块,用于基于所述预处理后的图像数据中的所述脏污信息,对所述待测图像传感器进行脏污检测。
在其中一个实施例中,还包括GUI界面;
所述GUI界面用于输入脏污检测的需求;所述GUI界面还用于显示与所述脏污检测的需求所对应的脏污检测结果。
第三方面,本申请还提供了一种计算机设备。所述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第一方面所述的图像传感器的脏污检测方法。
上述图像传感器的脏污检测方法、装置和计算机设备,通过获取原始图像数据,并对原始图像数据进行预处理,得到预处理后的图像数据,进而利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息,获取高频信息中的脏污信息,以及根据拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,确定预处理后的图像数据中的脏污信息,最后,根据预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。其通过拉普拉斯金字塔来获取预处理后的图像数据的高频信息,并根据高频信息,以及预处理之后的图像数据之间的对应关系,以及高频信息中的脏污信息,来确定预处理后的图像数据中的脏污信息,在进行脏污检测时,并不依赖于原始图像数据的背景值较均匀的约束条件,也不依赖大量的样本信息,简化了图像传感器的脏污检测的流程,减少了图像传感器的脏污检测的过程的计算量,能够保证检测结果的准确性和效率,解决了现有的图像传感器的脏污检测方式,存在检测结果准确率不高或者检测效率低的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一实施例提供的图像传感器的脏污检测方法的终端的硬件结构框图;
图2为本申请一实施例提供的图像传感器的脏污检测方法的流程图;
图3为本申请一实施例提供的Sobel边缘检测算子的示意图;
图4为本申请一优选实施例提供的图像传感器的脏污检测方法的流程图;
图5为本申请一实施例提供的图像传感器的脏污检测装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是本实施例的图像传感器的脏污检测方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可以包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的图像传感器的脏污检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种图像传感器的脏污检测方法,图2是本实施例的图像传感器的脏污检测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S210,获取待测图像传感器采集的原始图像数据。
上述原始图像数据,可以是利用摄像设备的待测图像传感器所拍摄到的未经过处理的Raw图像。例如,可以是利用内窥镜的待测图像传感器所拍摄到的未经过处理的Raw图像。具体地,可以是Bayer格式中的GBRG排列方式。上述获取待测图像传感器采集的原始图像数据,可以是利用待测图像传感器对目标区域进行拍摄,得到多帧Bayer格式的原始图像,即Raw数据。上述目标区域,可以是预先设定的被拍摄区域,也可以在预设的场景下的被拍摄区域。本步骤通过摄像设备的待测图像传感器来采集原始图像数据,便于后续对获取到的原始图像数据进行预处理。
步骤S220,对原始图像数据进行预处理,得到预处理后的图像数据。
在本步骤中,上述预处理,可以是对原始图像数据进行黑电平校正处理、灰度处理、多帧融合处理等其中的一种或多种处理。本步骤通过对原始图像数据进行预处理,能够实现对原始图像数据的时域降噪,便于后续获取预处理后的图像数据的高频信息。上述高频信息,可以是相邻区域之间灰度差较大的部分的信息。
步骤S230,利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息。
上述拉普拉斯金字塔,可以是通过对原始图像数据进行下采样、滤波和上采样之后,得到新的图像数据,然后将原始图像与新的图像数据作差,得到原始图像数据的高频信息的过程。上述利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息,可以是首先对预处理后的图像数据进行滤波,得到第一滤波后的图像数据,对第一滤波后的图像数据进行下采样,得到第一下采样后的图像数据,对第一下采样后的图像数据进行上采样,得到第一上采样后的图像数据,对第一上采样后的图像数据进行滤波,得到第二滤波后的图像数据,将预处理后的图像数据与第二滤波后的图像数据作差,得到拉普拉斯金字塔中的第一层的高频信息;对上述第一下采样后的图像数据进行滤波,得到第三滤波后的图像数据,对第三滤波后的图像数据进行下采样,得到第二下采样后的图像数据,对第二下采样后的图像数据进行上采样,得到第二上采样后的图像数据,对第二上采样后的图像数据进行滤波,得到第四滤波后的图像数据,将第二下采样后的图像数据与第四滤波后的图像数据作差,得到拉普拉斯金字塔中的第二层的高频信息;对上述第二下采样后的图像数据进行滤波,得到第五滤波后的图像数据,对第五滤波后的图像数据进行下采样,得到第三下采样后的图像数据,对第三下采样后的图像数据进行上采样,得到第三上采样后的图像数据,对第三上采样后的图像数据进行滤波,得到第六滤波后的图像数据,将第三下采样后的图像数据与第六滤波后的图像数据作差,得到拉普拉斯金字塔中的第三层的高频信息;以此类推,得到拉普拉斯金字塔的各个层的高频信息;可以是根据具体需求,将拉普拉斯金字塔所输出的某一层的高频信息,作为预处理后的图像数据的高频信息。上述拉普拉斯金字塔的各个层的高频信息,可以是拉普拉斯金字塔所输出的不同尺度的高频信息,具体地,可以是随着层数的增加尺寸逐渐减小的高频信息。上述根据具体需求,将拉普拉斯金字塔所输出的某一层的高频信息,作为预处理后的图像数据的高频信息,例如,可以将拉普拉斯金字塔输出的第四层的高频信息,作为预处理后的图像数据的高频信息。需要说明的是,拉普拉斯金字塔输出的高频信息的层数越大,则图像中的噪声强度越小,后续进行脏污检测的步骤所用时间和内存开销就越小。但是,拉普拉斯金字塔输出的高频信息的层数越大,图像的分辨率越低,图像中的特征信息越小。因此,可以根据具体需求,选取拉普拉斯金字塔输出的合适的层数的高频信息,作为预处理后的图像数据的高频信息。
步骤S240,获取高频信息中的脏污信息。
需要说明的是,一般情况下,摄像设备的图像传感器上的脏污是以污点的形式存在,因此,在脏污检测的过程中,为了简易计算过程,可以将脏污近似为圆形进行计算。上述高频信息中的脏污信息,可以是高频信息中的脏污的数量、高频信息中的每个脏污外接圆的半径和高频信息中的每个脏污外接圆的圆心的位置。
步骤S250,基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污信息,确定预处理后的图像数据中的脏污信息。
因为拉普拉斯金字塔所输出的高频信息,为随着层数的增加而尺寸减小的高频信息。具体地,拉普拉斯金字塔输出的第一层的高频信息,是通过一次下采样和一次上采样之后的图像数据,因此,第一层的高频信息与预处理后的图像数据的尺寸相同;拉普拉斯金字塔输出的第二层的高频信息,是通过两次下采样和一次上采样之后的图像数据,因此,预处理后的图像数据的尺寸与第二层的高频信息的尺寸比为2,即2(下采样次数-上采样次数);拉普拉斯金字塔输出的第三层的高频信息,是通过三次下采样和一次上采样之后的图像数据,因此,预处理后的图像数据的尺寸与第三层的高频信息的尺寸比为4;以此类推,可以得到预处理后的图像数据的尺寸与各层的高频信息的尺寸的对应关系。进一步地,可以得到预处理后的图像数据与各层的高频信息的对应关系。另外,拉普拉斯金字塔的输入数据为预处理后的图像数据。因此,拉普拉斯金字塔的输入数据与输出的高频信息之间,存在一定大小的比例关系,这个比例关系的大小与下采样的次数和上采样的次数有关。基于此,可以根据高频信息中的脏污信息,以及高频信息与预处理后的图像数据之间的对应关系,来确定预处理后的图像数据中的脏污信息。
上述预处理后的图像数据中的脏污信息,可以是预处理后的图像数据中的脏污的数量、预处理后的图像数据中的每个脏污的深浅信息、预处理后的图像数据中的每个脏污外接圆的半径和预处理后的图像数据中的每个脏污外接圆的圆心的位置。上述基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污信息,确定预处理后的图像数据中的脏污信息,可以是基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,确定预处理后的图像数据的高频信息和预处理后的图像数据之间的对应关系;基于预处理后的图像数据的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污信息,确定预处理后的图像数据中的脏污信息。
步骤S260,基于预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。
上述基于预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测,可以是基于预处理后的图像数据中的脏污信息,以及预设的脏污的阈值信息,对待测图像传感器进行脏污检测。上述预设的脏污的阈值信息,可以包括预设的脏污的数量的阈值信息,预设的反映脏污深浅的灰度值的阈值信息,预设的脏污的最大半径的阈值信息等其中的一种或多种。上述对待测图像传感器进行脏污检测,具体可以当预处理后的图像数据中的脏污信息中脏污的个数大于或等于预设的脏污的数量的阈值信息时,判定待测图像传感器脏污检测不通过;当预处理后的图像数据中的脏污信息中脏污的个数小于预设的脏污的数量的阈值信息时,判定待测图像传感器脏污检测通过;当预处理后的图像数据中的脏污信息中存在脏污的深浅信息大于或等于预设的脏污的深浅的阈值信息时,判定待测图像传感器脏污检测不通过;当预处理后的图像数据中的脏污信息中所有脏污的深浅信息均小于预设的脏污的深浅的阈值信息时,判定待测图像传感器脏污检测通过;当预处理后的图像数据中的脏污信息中存在脏污外接圆的半径大于或等于预设的脏污外接圆的最大半径的阈值信息时,判定待测图像传感器脏污检测不通过;当预处理后的图像数据中的脏污信息中所有脏污外接圆的半径均小于预设的脏污外接圆的最大半径的阈值信息时,判定待测图像传感器脏污检测通过。需要说明的是,在进行待测图像传感器的脏污检测的过程中,只要满足任一种检测不通过的条件,则认定待测图像传感器的脏污检测不通过。
优选地,可以基于预处理后的图像数据中的脏污信息,以及预设的深脏污的阈值信息和预设的浅脏污的阈值信息,来确定脏污信息中深脏污的个数和浅脏污的个数。进而基于预设的深脏污的数量阈值信息,以及预设的浅脏污的数量阈值信息,对待测图像传感器进行脏污检测。具体地,当脏污的灰度信息大于或等于预设的深脏污阈值时,则认为当前的脏污为深脏污;当脏污的灰度信息大于或等于预设的浅脏污阈值,且小于预设的深脏污阈值时,则认为当前的脏污为浅脏污。当脏污的灰度信息小于预设的浅脏污阈值时,此脏污在允许范围内或可能是误判,可以舍弃此脏污。上述预设的深脏污阈值和预设的浅脏污阈值,可以根据具体情景而具体设定,只要能够达到识别出深脏污和浅脏污即可,本实施例在此不做具体限定。
优选地,可以基于预处理后的图像数据的脏污信息,以及预设的大脏污的阈值信息和小脏污的阈值信息,来确定脏污信息中大脏污的个数和小脏污的个数。进而基于预设的大脏污的数量阈值,以及预设的小脏污的数量阈值,对待测图像传感器进行脏污检测。
上述步骤S210至步骤S260,通过获取原始图像数据,并对原始图像数据进行预处理,得到预处理后的图像数据,进而利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息,获取高频信息中的脏污信息,以及根据拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,确定预处理后的图像数据中的脏污信息,最后,根据预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。其通过拉普拉斯金字塔来获取预处理后的图像数据的高频信息,并根据高频信息,以及预处理之后的图像数据之间的对应关系,以及高频信息中的脏污信息,来确定预处理后的图像数据中的脏污信息,在进行脏污检测时,并不依赖于原始图像数据的背景值较均匀的约束条件,也不依赖大量的样本信息,简化了图像传感器的脏污检测的流程,减少了图像传感器的脏污检测的过程的计算量,能够保证检测结果的准确性和效率,解决了现有的图像传感器的脏污检测方式,存在检测结果准确率不高或者检测效率低的问题。
在一个实施例中,步骤S220,对原始图像数据进行预处理,得到预处理后的图像数据,包括以下步骤:
步骤S222,对原始图像数据进行黑电平校正,得到黑电平校正后的多帧图像数据。
上述黑电平校正,可以是调整原始图像数据的像素值范围。例如,12bit的多帧原始图像数据的像素值范围为[blc,212],则可以通过黑电平校正,将原始图像数据的像素值范围校正为[0,212-blc]。具体地黑电平校正的过程,可以首先计算当前像素值减去blc的值,进而得到新的图像数据的像素值范围为[0,212-blc],得到校正后的图像数据。原始图像数据中的黑电平值blc主要包括传感器电路中的暗电流和传感器模数转换过程为了保证暗部细节人为加上的一个值。
步骤S224,对黑电平校正后的多帧图像数据进行灰度处理,得到多帧灰度图像。
上述对黑电平校正后的多帧图像数据进行灰度处理,可以是将校正后的图像数据三个颜色分量的像素值按照一定比例求和作为校正后的图像数据的灰度图像,还可以是将校正后的图像数据某一个颜色分量的像素值,作为校正后的图像数据的灰度图像。
步骤S226,对多帧灰度图像进行融合,得到原始图像数据的灰度图像。
其中,上述对多帧灰度图像进行融合,可以采用平均法、加权平均法等方法对多帧灰度图像进行融合,将融合后的灰度图像,作为原始图像数据的灰度图像。上述原始图像数据的灰度图像,可以是将黑电平校正后的多帧图像数据的灰度图像进行融合,所得到的一帧融合后的灰度图像,将融合后的灰度图像,作为原始图像数据的灰度图像。
步骤S228,将原始图像数据的灰度图像,作为预处理后的图像数据。
上述步骤S222至步骤S228,其通过对多帧原始图像数据进行黑电平校正,得到黑电平校正后的多帧图像数据,进而对校正后的图像数据进行灰度处理,得到多帧灰度图像,并对多帧灰度图像进行融合,得到原始图像数据的灰度图像。其通过对原始图像数据进行预处理,能够实现对原始图像数据的时域降噪,便于后续获取预处理后的图像数据的高频信息,对多帧灰度图像进行融合,得到原始图像数据的灰度图像,利用融合后的灰度图像,对预处理后的图像数据进行脏污信息的获取,能够减轻算法对噪声较大的图像数据的检测误差。
在一个实施例中,步骤S240,获取高频信息中的脏污信息,包括以下步骤:
步骤S242,对高频信息进行边缘检测,得到高频信息的边缘特征。
上述对高频信息进行边缘检测,可以采用预设的边缘检测算法,对高频信息进行边缘检测。上述预设的边缘检测算法,可以是Sobel边缘检测算子。图3为Sobel边缘检测算子的示意图。
本实施例所采用的Sobel边缘检测算子,其在传统水平和垂直方向的基础上增加了两个斜对角方向的算子模板,以准确检测不同方向的边缘特征,提高边缘检测的准确性。需要说明的是,上述对高频信息进行边缘检测的方法,可以是Sobel边缘检测算子,也可以是其他的边缘检测方法,只要能够通过边缘检测方法,得到高频信息的边缘特征即可,具体的边缘检测方法,本实施例在此不做具体限定。
步骤S244,对边缘特征进行霍夫圆检测,得到高频信息中的脏污信息。
本实施例中,通过霍夫圆检测,获取高频信息中的脏污信息中的脏污的数量、高频信息中的每个脏污外接圆的半径和高频信息中的每个脏污外接圆的圆心的位置。
上述步骤S242至步骤S244,其通过对高频信息进行边缘检测,得到高频信息的边缘特征,进而对高频信息的边缘特征进行霍夫圆检测,得到边缘特征中各个圆的圆心和半径,进而得到高频信息中的脏污信息中的脏污的数量、高频信息中的每个脏污外接圆的半径和高频信息中的每个脏污外接圆的圆心的位置。
具体地,在一个实施例中,步骤S244,对边缘特征进行霍夫圆检测,得到高频信息中的脏污信息,可以包括以下步骤:
步骤S2442,对边缘特征进行霍夫圆检测,得到高频信息中脏污的数量、高频信息中每个脏污外接圆的半径和高频信息中每个脏污外接圆的圆心的位置。
另外,在一个实施例中,步骤S250,基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污信息,确定预处理后的图像数据中的脏污信息,包括:
步骤S252,基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污的数量、高频信息中每个脏污外接圆的半径和高频信息中每个脏污外接圆的圆心的位置,确定预处理后的图像数据中的脏污的数量、预处理后的图像数据中的每个脏污的深浅信息、预处理后的图像数据中的每个脏污外接圆的半径和预处理后的图像数据中的每个脏污外接圆的圆心的位置。
在本步骤中,上述每个脏污的深浅信息,可以是每个脏污的圆形区域内的各个像素的灰度值的平均值和其周围环形区域内的各个像素的灰度值的平均值。本步骤通过拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污的数量、高频信息中每个脏污外接圆的半径和高频信息中每个脏污外接圆的圆心的位置,在预处理后的图像数据中确定脏污的数量、每个脏污的深浅信息、每个脏污外接圆的圆心的位置、每个脏污外接圆的半径。
进一步地,在一个实施例中,在步骤S252之后,还包括以下步骤:
步骤S254,基于预处理后的图像数据中的每个脏污的灰度差,调整脏污外接圆的半径,得到调整后的脏污信息。
考虑到拉普拉斯金字塔的上采样和下采样操作,可能会对脏污信息的大小的准确性产生影响。例如,小分辨率图像上的脏污信息经过比例映射,在原分辨率图像上表现为个别脏污的外接圆偏大,即,通过基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,得到的脏污信息中的圆形脏污可能存在圆的半径偏大的情况。此时,可以通过圆形脏污内的灰度差来判定是否需要对脏污外接圆的半径进行调整。具体地,上述基于预处理后的图像数据中的每个脏污的灰度差,调整脏污外接圆的半径,可以是在原脏污区域的圆心不变的情况下,按照预设的步长,减小脏污外接圆的半径,得到第一脏污区域,将原脏污区域与第一脏污区域的区域差,作为第二脏污区域;根据第二脏污区域的灰度信息与第一脏污区域的灰度信息之间的灰度差的绝对值,判定是否对原脏污的大小进行调节;当灰度差的绝对值大于或等于预设的第一灰度差阈值时,将第一脏污区域作为新的脏污区域;重复上述步骤,直至灰度差的绝对值小于预设的第一灰度差阈值为止,将此时按照预设的步长减小后的脏污区域,作为调整后的脏污区域;若当灰度差的绝对值小于预设的第一灰度差阈值,则不对原脏污区域进行调节。
优选地,上述基于预处理后的图像数据中的每个脏污的灰度信息,调整脏污外接圆的半径,还可以是在原脏污区域的圆心不变的情况下,按照预设的步长,增加脏污外接圆的半径,得到第三脏污区域,将第三脏污区域与原脏污区域的区域差,作为第四脏污区域;根据第四脏污区域的灰度信息与原脏污区域的灰度信息之间的灰度差的绝对值,判定是否对原脏污外接圆的大小进行调节;当灰度差的绝对值小于预设的第二灰度差阈值时,将第三脏污区域作为新的脏污区域;重复上述步骤,直至灰度差大于或等于预设的灰度差阈值时,将此时半径按照预设的步长增加后的脏污区域,作为调整后的脏污区域。
优选地,在确定调整后的脏污区域后,可以通过调整后的脏污区域的灰度值,与调整后的脏污区域的周围的区域的灰度值之间的灰度差的绝对值,判断此脏污的深浅信息,进而可以对此脏污进行深脏污、浅脏污和允许的极浅脏污的判定,进而可以剔除误判脏污和极浅脏污。具体地,当调整后的脏污区域的周围的区域的灰度值之间的灰度差的绝对值,小于预设的极浅脏污阈值时,判定此脏污为极浅脏污。当调整后的脏污区域的周围的区域的灰度值之间的灰度差的绝对值,小于预设的误判脏污阈值时,判定此脏污为误判脏污,也可以直接将极浅脏污认定为误判脏污。当调整后的脏污区域的周围的区域的灰度值之间的灰度差的绝对值,大于或等于预设的深脏污阈值时,判定此脏污为深脏污。当调整后的脏污区域的周围的区域的灰度值之间的灰度差的绝对值,大于预设的极浅脏污阈值且小于预设的深脏污阈值时,判定此脏污为浅脏污。
另外,在一个实施例中,在步骤S252之后,还包括以下步骤:
步骤S256,基于预处理后的图像数据中的每个脏污的灰度的梯度值,调整脏污外接圆的半径,得到调整后的脏污信息。
上述获取脏污的灰度的梯度值,可以是在原脏污区域的圆心不变的情况下,按照预设的步长,减小原脏污圆的半径,得到第一脏污区域,将原脏污区域与第一脏污区域的区域差,作为第二脏污区域,第二脏污区域的灰度值和第一脏污区域的灰度值的灰度差的梯度值,为脏污的灰度的梯度值。上述基于预处理后的图像数据中的每个脏污的灰度的梯度值,调整脏污外接圆的半径,可以是在原脏污区域的圆心不变的情况下,按照预设的步长,减小脏污外接圆的半径,得到第一脏污区域,将原脏污区域与第一脏污区域的区域差,作为第二脏污区域;根据第二脏污区域的灰度值与第一脏污区域的灰度值的灰度差的梯度值,判定是否对原脏污的大小进行调节;当灰度差的梯度值大于或等于预设的第一梯度阈值时,将第一脏污区域作为新的脏污区域;重复上述步骤,直至灰度差的梯度值小于预设的第一梯度阈值为止,将此时按照预设的步长减小后的脏污区域,作为调整后的脏污区域;若当灰度差的梯度值小于预设的第一梯度阈值,则不对原脏污区域进行调节。
下面通过优选实施例对本实施例进行描述和说明。
图4是本申请一优选实施例提供的图像传感器的脏污检测方法的流程图。如图4所示,该图像传感器的脏污检测方法包括以下步骤:
步骤S410,利用待测图像传感器对目标区域进行拍摄,得到多帧原始图像数据;原始图像数据为Bayer格式的Raw数据;
步骤S420,对多帧原始图像数据进行黑电平校正,得到校正后的多帧图像数据;
步骤S430,对校正后的多帧图像数据进行灰度处理,得到预处理后的图像数据;
步骤S440,利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息;
步骤S450,对高频信息进行边缘检测,得到高频信息的边缘特征;
步骤S460,对边缘特征进行霍夫圆检测,得到高频信息中的脏污信息;
步骤S470,基于预处理后的图像数据的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污信息,确定预处理后的图像数据中的脏污信息;
步骤S480,基于预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。
上述步骤S410至步骤S480,通过获取原始图像数据,并对原始图像数据进行预处理,得到预处理后的图像数据,进而利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息,获取高频信息中的脏污信息,以及根据拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,确定预处理后的图像数据中的脏污信息,最后,根据预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。其通过拉普拉斯金字塔来获取预处理后的图像数据的高频信息,并根据高频信息,以及预处理之后的图像数据之间的对应关系,以及高频信息中的脏污信息,来确定预处理后的图像数据中的脏污信息,在进行脏污检测时,并不依赖于原始图像数据的背景值较均匀的约束条件,也不依赖大量的样本信息,简化了图像传感器的脏污检测的流程,减少了图像传感器的脏污检测的过程的计算量,能够保证检测结果的准确性和效率,解决了现有的图像传感器的脏污检测方式,存在检测结果准确率不高或者检测效率低的问题。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,在本实施例中还提供了一种图像传感器的脏污检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在一个实施例中,图5是本申请一实施例提供的图像传感器的脏污检测装置的结构框图,如图5所示,该图像传感器的脏污检测装置,包括:
数据获取模块51,用于获取待测图像传感器采集的原始图像数据;
预处理模块52,用于对原始图像数据进行预处理,得到预处理后的图像数据;
高频信息获取模块53,用于利用拉普拉斯金字塔,获取预处理后的原始图像数据中的高频信息;
脏污获取模块54,用于获取高频信息中的脏污信息;
脏污确定模块55,用于基于拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,以及高频信息中的脏污信息,确定预处理后的图像数据中的脏污信息;
以及脏污检测模块56,用于基于预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。
上述图像传感器的脏污检测装置,通过获取原始图像数据,并对原始图像数据进行预处理,得到预处理后的图像数据,进而利用拉普拉斯金字塔,获取预处理后的图像数据的高频信息,获取高频信息中的脏污信息,以及根据拉普拉斯金字塔中的高频信息和预处理后的图像数据之间的对应关系,确定预处理后的图像数据中的脏污信息,最后,根据预处理后的图像数据中的脏污信息,对待测图像传感器进行脏污检测。其通过拉普拉斯金字塔来获取预处理后的图像数据的高频信息,并根据高频信息,以及预处理之后的图像数据之间的对应关系,以及高频信息中的脏污信息,来确定预处理后的图像数据中的脏污信息,在进行脏污检测时,并不依赖于原始图像数据的背景值较均匀的约束条件,也不依赖大量的样本信息,简化了图像传感器的脏污检测的流程,减少了图像传感器的脏污检测的过程的计算量,能够保证检测结果的准确性和效率,解决了现有的图像传感器的脏污检测方式,存在检测结果准确率不高或者检测效率低的问题。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中,图像传感器的脏污检测装置还包括GUI界面。
上述GUI(Graphics User Interface,图形用户界面)界面,可以是采用图形的方式来显示计算机操作的用户界面,可以是计算机和用户的对话接口。用户可以通过GUI界面输入脏污检测的需求,并显示与脏污检测需求所对应的脏污检测结果。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施例中的任意一种图像传感器的脏污检测方法。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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于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,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像传感器的脏污检测方法,其特征在于,所述方法包括:
获取待测图像传感器采集的原始图像数据;
对所述原始图像数据进行预处理,得到预处理后的图像数据;
利用拉普拉斯金字塔,获取所述预处理后的图像数据的高频信息;
获取所述高频信息中的脏污信息;
基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污信息,确定所述预处理后的图像数据中的脏污信息;
基于所述预处理后的图像数据中的所述脏污信息,对所述待测图像传感器进行脏污检测。
2.根据权利要求1所述的图像传感器的脏污检测方法,其特征在于,所述对所述原始图像数据进行预处理,得到预处理后的图像数据,包括:
对所述原始图像数据进行黑电平校正,得到黑电平校正后的多帧图像数据;
对所述黑电平校正后的多帧图像数据进行灰度处理,得到多帧灰度图像;
对多帧所述灰度图像进行融合,得到所述原始图像数据的灰度图像;
将所述原始图像数据的灰度图像,作为所述预处理后的图像数据。
3.根据权利要求1所述的图像传感器的脏污检测方法,其特征在于,所述获取所述高频信息中的脏污信息,包括:
对所述高频信息进行边缘检测,得到所述高频信息的边缘特征;
对所述边缘特征进行霍夫圆检测,得到所述高频信息中的脏污信息。
4.根据权利要求3所述的图像传感器的脏污检测方法,其特征在于,所述对所述边缘特征进行霍夫圆检测,得到所述高频信息中的脏污信息,包括:
对所述边缘特征进行所述霍夫圆检测,得到所述高频信息中脏污的数量、所述高频信息中每个脏污外接圆的半径和所述高频信息中每个脏污外接圆的圆心的位置。
5.根据权利要求4所述的图像传感器的脏污检测方法,其特征在于,所述基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污信息,确定所述预处理后的图像数据中的脏污信息,包括:
基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污的数量、所述高频信息中每个脏污外接圆的半径和所述高频信息中每个脏污外接圆的圆心的位置,确定所述预处理后的图像数据中的脏污的数量、所述预处理后的图像数据中的每个脏污的深浅信息、所述预处理后的图像数据中的每个脏污外接圆的半径和所述预处理后的图像数据中的每个脏污外接圆的圆心的位置。
6.根据权利要求5所述的图像传感器的脏污检测方法,其特征在于,在确定所述预处理后的图像数据中的脏污的数量、所述预处理后的图像数据中的每个脏污的深浅信息、所述预处理后的图像数据中的每个脏污外接圆的半径和所述预处理后的图像数据中的每个脏污外接圆的圆心的位置之后,还包括:
基于所述预处理后的图像数据中的每个脏污的灰度差,调整脏污外接圆的半径,得到调整后的脏污信息。
7.根据权利要求5所述的图像传感器的脏污检测方法,其特征在于,在确定所述预处理后的图像数据中的脏污的数量、所述预处理后的图像数据中的每个脏污的深浅信息、所述预处理后的图像数据中的每个脏污外接圆的半径和所述预处理后的图像数据中的每个脏污外接圆的圆心的位置之后,还包括:
基于所述预处理后的图像数据中的每个脏污的灰度的梯度值,调整脏污外接圆的半径,得到调整后的脏污信息。
8.一种图像传感器的脏污检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待测图像传感器采集的原始图像数据;
预处理模块,用于对所述原始图像数据进行预处理,得到预处理后的图像数据;
高频信息获取模块,用于利用拉普拉斯金字塔,获取所述预处理后的原始图像数据的高频信息;
脏污获取模块,用于获取所述高频信息中的脏污信息;
脏污确定模块,用于基于所述拉普拉斯金字塔中的所述高频信息和所述预处理后的图像数据之间的对应关系,以及所述高频信息中的脏污信息,确定所述预处理后的图像数据中的脏污信息;
以及脏污检测模块,用于基于所述预处理后的图像数据中的所述脏污信息,对所述待测图像传感器进行脏污检测。
9.根据权利要求8所述的图像传感器的脏污检测装置,其特征在于,还包括GUI界面;
所述GUI界面用于输入脏污检测的需求;所述GUI界面还用于显示与所述脏污检测的需求所对应的脏污检测结果。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的图像传感器的脏污检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410292468.6A CN117893611B (zh) | 2024-03-14 | 2024-03-14 | 一种图像传感器的脏污检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410292468.6A CN117893611B (zh) | 2024-03-14 | 2024-03-14 | 一种图像传感器的脏污检测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893611A true CN117893611A (zh) | 2024-04-16 |
CN117893611B CN117893611B (zh) | 2024-06-11 |
Family
ID=90644482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410292468.6A Active CN117893611B (zh) | 2024-03-14 | 2024-03-14 | 一种图像传感器的脏污检测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893611B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9639926B1 (en) * | 2015-03-23 | 2017-05-02 | Uchicago Argonne, Llc | Image processing tool for automatic feature recognition and quantification |
CN113012173A (zh) * | 2021-04-12 | 2021-06-22 | 中国医学科学院北京协和医院 | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 |
WO2022082904A1 (zh) * | 2020-10-20 | 2022-04-28 | 诚瑞光学(深圳)有限公司 | 镜头脏污检测方法、装置和设备 |
CN115601760A (zh) * | 2022-11-04 | 2023-01-13 | 广东工业大学(Cn) | 一种柔印首件的缺陷评估方法 |
CN115761672A (zh) * | 2022-11-16 | 2023-03-07 | 常州星宇车灯股份有限公司 | 用于车辆摄像头上污物的检测方法、检测系统和检测装置 |
CN116012322A (zh) * | 2022-12-26 | 2023-04-25 | 浙江华睿科技股份有限公司 | 一种相机脏污检测方法、装置、设备及介质 |
US20230230229A1 (en) * | 2021-02-23 | 2023-07-20 | Boe Technology Group Co., Ltd. | Method and apparatus for analyzing biochip image, computer device, and storage medium |
CN116681623A (zh) * | 2023-06-28 | 2023-09-01 | 北京理工大学 | 基于多级拉普拉斯金字塔去噪的sar图像目标检测方法 |
CN116958058A (zh) * | 2023-06-26 | 2023-10-27 | 深圳市辰卓科技有限公司 | 镜头脏污检测方法、装置及图像检测设备 |
CN116977895A (zh) * | 2023-06-29 | 2023-10-31 | 浙江华诺康科技有限公司 | 用于通用相机镜头的污渍检测方法、装置及计算机设备 |
-
2024
- 2024-03-14 CN CN202410292468.6A patent/CN117893611B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9639926B1 (en) * | 2015-03-23 | 2017-05-02 | Uchicago Argonne, Llc | Image processing tool for automatic feature recognition and quantification |
WO2022082904A1 (zh) * | 2020-10-20 | 2022-04-28 | 诚瑞光学(深圳)有限公司 | 镜头脏污检测方法、装置和设备 |
US20230230229A1 (en) * | 2021-02-23 | 2023-07-20 | Boe Technology Group Co., Ltd. | Method and apparatus for analyzing biochip image, computer device, and storage medium |
CN113012173A (zh) * | 2021-04-12 | 2021-06-22 | 中国医学科学院北京协和医院 | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 |
CN115601760A (zh) * | 2022-11-04 | 2023-01-13 | 广东工业大学(Cn) | 一种柔印首件的缺陷评估方法 |
CN115761672A (zh) * | 2022-11-16 | 2023-03-07 | 常州星宇车灯股份有限公司 | 用于车辆摄像头上污物的检测方法、检测系统和检测装置 |
CN116012322A (zh) * | 2022-12-26 | 2023-04-25 | 浙江华睿科技股份有限公司 | 一种相机脏污检测方法、装置、设备及介质 |
CN116958058A (zh) * | 2023-06-26 | 2023-10-27 | 深圳市辰卓科技有限公司 | 镜头脏污检测方法、装置及图像检测设备 |
CN116681623A (zh) * | 2023-06-28 | 2023-09-01 | 北京理工大学 | 基于多级拉普拉斯金字塔去噪的sar图像目标检测方法 |
CN116977895A (zh) * | 2023-06-29 | 2023-10-31 | 浙江华诺康科技有限公司 | 用于通用相机镜头的污渍检测方法、装置及计算机设备 |
Non-Patent Citations (3)
Title |
---|
ZHANG, HAOWEN等: "Learnable PM diffusion coefficients and reformative coordinate attention network for low dose CT denoising", PHYSICS IN MEDICINE AND BIOLOGY, 21 December 2023 (2023-12-21) * |
王方超等: "海洋背景下的海面舰船快速检测算法", 激光与红外, no. 05, 20 May 2016 (2016-05-20) * |
赵爱罡;王宏力;杨小冈;陆敬辉;黄鹏杰;: "基于非线性局部滤波的红外小目标检测方法", 工程科学学报, no. 11, 5 December 2016 (2016-12-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117893611B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Multi-scale optimal fusion model for single image dehazing | |
CN108288264B (zh) | 一种广角摄像头模组脏污测试方法 | |
CN110830795B (zh) | 一种图像传感器坏点检测方法、装置及电子设备 | |
CN110992272B (zh) | 基于深度学习的暗光图像增强方法、装置、设备及介质 | |
CN110648316B (zh) | 一种基于深度学习的钢卷端面边缘检测方法 | |
CN109413411B (zh) | 一种监控线路的黑屏识别方法、装置及服务器 | |
CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
JP2007536662A (ja) | 画像ノイズを低減することによる画像データ処理方法および該方法を実行するカメラ組み込み手段 | |
CN112200160A (zh) | 基于深度学习的直读水表读数识别方法 | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
CN113888438A (zh) | 图像处理方法、装置及存储介质 | |
CN111242884A (zh) | 图像坏点检测、校正方法及装置、存储介质、摄像设备 | |
CN112017109A (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN114359149A (zh) | 基于实时图像边缘增强的坝岸险情视频检测方法及系统 | |
CN114792310A (zh) | 一种LCD屏幕中边缘模糊的Mura缺陷检测方法 | |
JP2021052238A (ja) | 付着物検出装置および付着物検出方法 | |
CN113610041A (zh) | 一种用于指针式仪表的读数识别方法及设备 | |
CN117893611B (zh) | 一种图像传感器的脏污检测方法、装置和计算机设备 | |
CN116958058A (zh) | 镜头脏污检测方法、装置及图像检测设备 | |
KR20140038749A (ko) | 영상 왜곡 보정 장치 및 방법 | |
CN113902739B (zh) | Nut线夹缺陷识别方法、装置及设备、可读存储介质 | |
CN116385370A (zh) | 鱼眼图像处理方法、装置、电子设备和存储介质 |
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 |