CN117974482A - 一种用于增强异常检测能力的图像增强方法、系统和设备 - Google Patents
一种用于增强异常检测能力的图像增强方法、系统和设备 Download PDFInfo
- Publication number
- CN117974482A CN117974482A CN202311200844.6A CN202311200844A CN117974482A CN 117974482 A CN117974482 A CN 117974482A CN 202311200844 A CN202311200844 A CN 202311200844A CN 117974482 A CN117974482 A CN 117974482A
- Authority
- CN
- China
- Prior art keywords
- image
- quality inspection
- processed image
- processed
- gray
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 28
- 230000005856 abnormality Effects 0.000 title claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 21
- 230000008569 process Effects 0.000 abstract description 19
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种用于增强异常检测能力的图像增强方法、系统和设备,其中,方法包括:获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像;对所述第一处理图像进行背景模糊处理,得到第二处理图像;根据所述第一处理图像和所述第二处理图像,得到增强图像。本发明对于质检过程中采集的图像中的噪音进行处理,对图像中异常位置进行针对性的分离,增强了异常位置的显示程度,减少噪音的干扰,解决了产品质检过程中因采集过程中不可控环境因素导致的噪音影响,提升了异常检测能力。本发明提出的图像增强方法有效地减少图像内不均匀对比度的影响,强化了异常部分的显示,有助于提高异常检测人员和异常检测模型的效率和精度。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种用于增强异常检测能力的图像增强方法、系统和设备。
背景技术
随着计算机视觉的发展,计算机视觉技术在异常检测领域的应用也越来越多,异常检测使我们能够从生产流程中修复或消除那些处于不良状态的部件。
现有的实现产品异常检测所用的图像大都是结构光图像或射线图像、红外图像、超声图像等。这些图像在采集过程中易受工厂粉尘、扫描设备以及水下采集时的水流密度和浑浊度影响,容易产生伪缺陷,噪音,亮度不均匀等,在采集过程中的伪缺陷会影响异常检测精度。在采集过程中大量的噪音也会降低产品异常检测人员对图像的识别能力,由于现在大部分异常检测和监控都是使用机器学习或深度学习算法进行检测,这种带有噪音和不均匀对比度的图像会极大地影响深度学习模型学习和预测能力。
发明内容
基于此,有必要针对上述技术问题,提供一种用于增强异常检测能力的图像增强方法、系统和设备。
一种用于增强异常检测能力的图像增强方法,包括以下步骤:
在其中一个实施例中,获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像包括:
将所述质检图像转换为灰度图形式,得到质检灰度图像;
对所述质检灰度图像进行归一化处理,得到归一化处理图像;
对所述归一化处理图像进行直方图均衡化,得到第一处理图像。
在其中一个实施例中,对所述质检灰度图像进行归一化处理,得到归一化处理图像包括:
根据如下公式对所述质检灰度图像进行归一化处理:
其中,xnorm表示归一化公式,xk表示第k个像素点,xmin表示质检灰度图像中最小灰度值,xmax表示质检灰度图像中最大灰度值。
在其中一个实施例中,对所述归一化处理图像进行直方图均衡化,得到第一处理图像包括:
根据如下公式对所述归一化处理图像进行直方图均衡化:
其中,H(v)表示灰度转换公式,round()表示四舍五入函数,cdf(i)表示图像累积分布函数,M表示归一化处理图像的长度,N表示归一化处理图像的宽度,cdfmin表示累积分布函数最小值,L表示图像位深度,i表示灰度值i,j表示灰度值j,px(j)表示灰度为j的像素出现的概率,px(i)表示灰度为i的像素出现的概率,n表示归一化处理图像中所有像素点,ni表示灰度为i的像素点个数。
在其中一个实施例中,对所述第一处理图像进行背景模糊处理,得到第二处理图像包括:
对所述第一处理图像中的每个像素点进行权重重置,得到第二处理图像。
在其中一个实施例中,对所述第一处理图像中的每个像素点进行权重重置,得到第二处理图像包括:
根据如下公式进行权重重置:
其中,G(x,y)表示二维高斯函数,σ表示标准差,x表示当前像素点的横坐标,y表示当前像素点的纵坐标。
一种用于增强异常检测能力的图像增强系统,用于实现如上所述的一种用于增强异常检测能力的图像增强方法,包括:
灰度处理模块,用于获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像;
模糊处理模块,用于对所述第一处理图像进行背景模糊处理,得到第二处理图像;
图像增强模块,用于根据所述第一处理图像和所述第二处理图像,得到增强图像。
一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述各个实施例中所述的一种用于增强异常检测能力的图像增强方法的步骤。
相比于现有技术,本发明的优点及有益效果在于:本发明对于质检过程中采集的图像中的噪音进行处理,对图像中异常位置进行针对性的分离,增强了异常位置的显示程度,减少噪音的干扰,解决了产品质检过程中因采集过程中不可控环境因素导致的噪音影响,提升了异常检测能力。本发明提出的图像增强方法有效地减少图像内不均匀对比度的影响,强化了异常部分的显示,有助于提高异常检测人员和异常检测模型的效率和精度。
附图说明
图1为一个实施例中一种用于增强异常检测能力的图像增强方法的流程示意图;
图2为一个实施例中质检图像示意图;
图3为一个实施例中归一化处理图像示意图;
图4为一个实施例中第一处理图像示意图;
图5为一个实施例中第二处理图像示意图;
图6为一个实施例中一种用于增强异常检测能力的图像增强系统的结构示意图;
图7为一个实施例中设备的内部结构示意图。
具体实施方式
在进行本发明具体实施方式说明之前,先对本发明的整体构思进行如下说明:
本发明主要是异常检测过程研发的,目前现有的实现产品异常检测所用的图像大都是结构光图像或射线图像、红外图像、超声图像等。这些图像在采集过程中易受工厂粉尘、扫描设备以及水下采集时的水流密度和浑浊度影响,容易产生伪缺陷,噪音,亮度不均匀等,在采集过程中的伪缺陷会影响异常检测精度。在采集过程中大量的噪音也会降低产品异常检测人员对图像的识别能力,由于现在大部分异常检测和监控都是使用机器学习或深度学习算法进行检测,这种带有噪音和不均匀对比度的图像会极大地影响深度学习模型学习和预测能力。
发明人经过分析发现,出现上面的这些问题的主要原因是待检测图像清晰度不够,将待检测图像进行清晰度处理,将图像增强就可以避免前述问题了。因此本发明提出了一种用于增强异常检测能力的图像增强方法,将待检测图像进行灰度处理,然后对灰度处理后的图像进行背景处理,将灰度处理后的图像消除背景处理后的处理完成的背景,即可得到清晰的图像。
介绍完本发明的整体构思后,为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在一个实施例中,如图1所示,提供了一种用于增强异常检测能力的图像增强方法,包括以下步骤:
步骤S101,获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像。
具体地,通过无损检测设备或者质量监测设备采集待检测产品的质检图像。在一个实施例中,质检图像如图2所示。
在本实施例中,将质检图像转换为灰度图像,然后经过灰度处理,可以对其中的一些噪音进行控制,使得图像中的缺陷更加清晰。
在此基础上,获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像包括:
将所述质检图像转换为灰度图形式,得到质检灰度图像;
对所述质检灰度图像进行归一化处理,得到归一化处理图像;
对所述归一化处理图像进行直方图均衡化,得到第一处理图像。
具体的,使用去色工具,将质检图像转变为灰度图形式,得到质检灰度图像,对质检灰度图像进行归一化处理,将图片的灰度值分布均匀,得到归一化处理图像。然后将第一处理图像转换为具有均衡直方图的图像,得到第一处理图像。
在此基础上,对所述质检灰度图像进行归一化处理,得到归一化处理图像包括:
根据如下公式对所述质检灰度图像进行归一化处理:
其中,xnorm表示归一化公式,xk表示第k个像素点,xmin表示质检灰度图像中最小灰度值,xmax表示质检灰度图像中最大灰度值。
具体的,获取质检灰度图像中最大灰度值和最小灰度值,通过归一化公式,将质检灰度图像中每个像素点的灰度进行处理,即可得到归一化处理图像。在一个实施例中,处理后得到的归一化处理图像如图3所示。
在本实施例中,对质检灰度图像进行归一化处理,可以使得图像的对比度增强,能够更好的展示图像的细节和特征,提高图像的视觉效果和信息量。
在此基础上,对所述归一化处理图像进行直方图均衡化,得到第一处理图像包括:
根据如下公式对所述归一化处理图像进行直方图均衡化:
其中,H(v)表示灰度转换公式,round()表示四舍五入函数,cdf(i)表示图像累积分布函数,M表示归一化处理图像的长度,N表示归一化处理图像的宽度,cdfmin表示累积分布函数最小值,L表示图像位深度,i表示灰度值i,j表示灰度值j,px(j)表示灰度为j的像素出现的概率,px(i)表示灰度为i的像素出现的概率,n表示归一化处理图像中所有像素点,ni表示灰度为i的像素点个数。
具体的,通过灰度变换公式将归一化处理图像转换为具有均衡直方图的第一处理图像,即在每个灰度级上都具有相同的像素点数。不同位次的图像位深度L都不同,8位次的归一化处理图像的图像位深度L为256,16位次的归一化处理图像的图像位深度L为65536。在一个实施例中,处理得到的第一处理图像如图4所示。
在本实施例中,将归一化处理图像通过直方图均衡化,得到第一处理图像,能够增加图像的局部对比度,尤其是当图像的有用数据的对比度相当接近的时候,通过这种方法,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度。对于背景和前景都太亮或者太暗的图像非常有用,对图像中更好的骨骼结构显示以及曝光过度或者曝光不足图像中更好的细节显示。
步骤S102,对所述第一处理图像进行背景模糊处理,得到第二处理图像。
具体地,对第一处理图像中每一个像素点根据高斯函数的权重重新计算,生成模糊后的仅有背景的第二处理图像。
在此基础上,对所述第一处理图像进行背景模糊处理,得到第二处理图像包括:
对所述第一处理图像中的每个像素点进行权重重置,得到第二处理图像。在此基础上,
对所述第一处理图像中的每个像素点进行权重重置,得到第二处理图像包括:
根据如下公式进行权重重置:
其中,G(x,y)表示二维高斯函数,σ表示标准差,x表示当前像素点的横坐标,y表示当前像素点的纵坐标。
具体的,将每个像素点都重新进行权重计算,在一个实施例中,横坐标和纵坐标的标准差计算方式不同,横坐标的标准差通过如下公式计算sigmaX=0.3×[(ksize.width-1)×0.5-1]+0.8,纵坐标的标准差通过如下公式计算sigmaY=0.3×[(ksize.height-1)×0.5-1]+0.8,其中ksize是自己设置的值,在本实施例中取值(65,65),即ksize.width=65,ksize.height=65。处理得到的第二处理图像如图5所示。
在本实施例中,对第一处理图像进行高斯模糊,重新计算每个像素点的权重,能够可以更好地保留图像的细节信息。
步骤S103,根据所述第一处理图像和所述第二处理图像,得到增强图像。
具体地,因为第二处理图像仅为背景图像,将第二处理图像和第一处理图像进行对比,将第一处理图像中的第二处理图像(背景图像)去除,得到去除无用背景的增强图像。
本发明提供的一种用于增强异常检测能力的图像增强方法,对于质检过程中采集的图像中的噪音进行处理,对图像中异常位置进行针对性的分离,增强了异常位置的显示程度,减少噪音的干扰,解决了产品质检过程中因采集过程中不可控环境因素导致的噪音影响,提升了异常检测能力。本发明提出的图像增强方法有效地减少图像内不均匀对比度的影响,强化了异常部分的显示,有助于提高异常检测人员和异常检测模型的效率和精度。
需要说明的是,本发明实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本发明的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本发明还提供了一种用于增强异常检测能力的图像增强系统。
参考图6,一种用于增强异常检测能力的图像增强系统,包括:
灰度处理模块601,用于获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像;
模糊处理模块602,用于对所述第一处理图像进行背景模糊处理,得到第二处理图像;
图像增强模块603,用于根据所述第一处理图像和所述第二处理图像,得到增强图像。
为了描述的方便,描述以上系统时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的系统用于实现前述任一实施例中相应的一种用于增强异常检测能力的图像增强方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本发明还提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的一种用于增强异常检测能力的图像增强方法。
图7示出了本实施例所提供的一种更为具体的设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的设备用于实现前述任一实施例中相应的一种用于增强异常检测能力的图像增强方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
另外,为简化说明和讨论,并且为了不会使本发明实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出系统,以便避免使本发明实施例难以理解,并且这也考虑了以下事实,即关于这些框图系统的实施方式的细节是高度取决于将要实施本发明实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、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 (8)
1.一种用于增强异常检测能力的图像增强方法,其特征在于,包括:
获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像;
对所述第一处理图像进行背景模糊处理,得到第二处理图像;
根据所述第一处理图像和所述第二处理图像,得到增强图像。
2.根据权利要求1所述一种用于增强异常检测能力的图像增强方法,其特征在于,所述获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像包括:
将所述质检图像转换为灰度图形式,得到质检灰度图像;
对所述质检灰度图像进行归一化处理,得到归一化处理图像;
对所述归一化处理图像进行直方图均衡化,得到第一处理图像。
3.根据权利要求2所述一种用于增强异常检测能力的图像增强方法,其特征在于,所述对所述质检灰度图像进行归一化处理,得到归一化处理图像包括:
根据如下公式对所述质检灰度图像进行归一化处理:
其中,xnorm表示归一化公式,xk表示第k个像素点,xmin表示质检灰度图像中最小灰度值,xmax表示质检灰度图像中最大灰度值。
4.根据权利要求2所述一种用于增强异常检测能力的图像增强方法,其特征在于,所述对所述归一化处理图像进行直方图均衡化,得到第一处理图像包括:
根据如下公式对所述归一化处理图像进行直方图均衡化:
其中,H(v)表示灰度转换公式,round()表示四舍五入函数,cdf(i)表示图像累积分布函数,M表示归一化处理图像的长度,N表示归一化处理图像的宽度,cdfmin表示累积分布函数最小值,L表示图像位深度,i表示灰度值i,j表示灰度值j,px(j)表示灰度为j的像素出现的概率,px(i)表示灰度为i的像素出现的概率,n表示归一化处理图像中所有像素点,ni表示灰度为i的像素点个数。
5.根据权利要求1所述一种用于增强异常检测能力的图像增强方法,其特征在于,所述对所述第一处理图像进行背景模糊处理,得到第二处理图像包括:
对所述第一处理图像中的每个像素点进行权重重置,得到第二处理图像。
6.根据权利要求5所述一种用于增强异常检测能力的图像增强方法,其特征在于,所述对所述第一处理图像中的每个像素点进行权重重置,得到第二处理图像包括:
根据如下公式进行权重重置:
其中,G(x,y)表示二维高斯函数,σ表示标准差,x表示当前像素点的横坐标,y表示当前像素点的纵坐标。
7.一种用于增强异常检测能力的图像增强系统,其特征在于,用于实现如权利要求1-6所述的一种用于增强异常检测能力的图像增强方法,包括:
灰度处理模块,用于获取待检测的质检图像,对所述质检图像进行灰度处理,得到第一处理图像;
模糊处理模块,用于对所述第一处理图像进行背景模糊处理,得到第二处理图像;
图像增强模块,用于根据所述第一处理图像和所述第二处理图像,得到增强图像。
8.一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200844.6A CN117974482A (zh) | 2023-09-18 | 2023-09-18 | 一种用于增强异常检测能力的图像增强方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200844.6A CN117974482A (zh) | 2023-09-18 | 2023-09-18 | 一种用于增强异常检测能力的图像增强方法、系统和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974482A true CN117974482A (zh) | 2024-05-03 |
Family
ID=90846757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311200844.6A Pending CN117974482A (zh) | 2023-09-18 | 2023-09-18 | 一种用于增强异常检测能力的图像增强方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974482A (zh) |
-
2023
- 2023-09-18 CN CN202311200844.6A patent/CN117974482A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN106920245B (zh) | 一种边界检测的方法及装置 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
US20210390282A1 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
CN115661161B (zh) | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 | |
CN109035167B (zh) | 对图像中的多个人脸进行处理的方法、装置、设备和介质 | |
CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
CN112507897A (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
CN112862706A (zh) | 路面裂缝图像预处理方法、装置、电子设备及存储介质 | |
CN111882565A (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
CN117191816B (zh) | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 | |
CN111031307A (zh) | 一种摄像模组检测方法、装置、电子设备及介质 | |
CN112419275A (zh) | 图像质量确定方法、装置及系统 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN117974482A (zh) | 一种用于增强异常检测能力的图像增强方法、系统和设备 | |
CN115512203A (zh) | 信息检测方法、装置、设备及存储介质 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
US10679336B2 (en) | Detecting method, detecting apparatus, and computer readable storage medium | |
CN112132135A (zh) | 一种基于图像处理的电网传输线检测方法、存储介质 | |
Golodov et al. | Weld segmentation and defect detection in radiographic images of pipe welds | |
CN110738683A (zh) | 一种计算机视觉跟踪方法及装置 | |
CN114998282B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN110189272B (zh) | 用于处理图像的方法、装置、设备和存储介质 | |
US20230061884A1 (en) | Control method of image signal processor and control device for performing the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |