CN118014991B - 基于机器视觉的瘢痕轮廓快速检测方法 - Google Patents
基于机器视觉的瘢痕轮廓快速检测方法 Download PDFInfo
- Publication number
- CN118014991B CN118014991B CN202410410564.6A CN202410410564A CN118014991B CN 118014991 B CN118014991 B CN 118014991B CN 202410410564 A CN202410410564 A CN 202410410564A CN 118014991 B CN118014991 B CN 118014991B
- Authority
- CN
- China
- Prior art keywords
- super pixel
- scar
- super
- pixel block
- difference
- 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
- 231100000241 scar Toxicity 0.000 title claims abstract description 215
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims description 43
- 238000010606 normalization Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 6
- 230000037311 normal skin Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 208000032544 Cicatrix Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 230000037387 scars Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037390 scarring Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉的瘢痕轮廓快速检测方法,包括:采集若干人员的待检测颈部图像;根据不同超像素块之间L通道值以及a通道值的分布差异情况,得到每个超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度;根据超像素块的瘢痕亮差显著程度与瘢痕色差显著程度之间的关联影响情况,以及每个像素点的b通道值,得到每个超像素块的轮廓相似程度;根据轮廓相似程度进行瘢痕轮廓检测。本发明提高了瘢痕检测结果的准确性,提高了瘢痕轮廓快速检测的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的瘢痕轮廓快速检测方法。
背景技术
现有方法对瘢痕的检测方式通常利用CA(Context-Aware)显著性检测算法检测瘢痕,而传统的CA(Context-Aware)显著性检测算法会分割图像获取若干超像素块,从而检测不同超像素块的显著性;但由于瘢痕的表面结构呈不规律分布,使瘢痕可能存在与多个不同的超像素块中,从而使瘢痕的部分区域并不能被检测出来,降低了瘢痕检测结果的准确性。
发明内容
本发明提供基于机器视觉的瘢痕轮廓快速检测方法,以解决现有的问题:由于瘢痕的表面结构呈不规律分布,使传统的CA(Context-Aware)显著性检测算法获取的超像素块中,导致瘢痕可能存在与多个不同的超像素块中,从而使瘢痕的部分区域并不能被检测出来,降低了瘢痕检测结果的准确性。
本发明的基于机器视觉的瘢痕轮廓快速检测方法采用如下技术方案:
包括以下步骤:
采集若干人员的待检测颈部图像,所述待检测颈部图像包含多个超像素块,每个超像素块包含多个像素点,每个像素点对应Lab空间下的一个L通道值、一个a通道值以及一个b通道值;
根据不同超像素块之间L通道值以及a通道值的分布差异情况,得到每个超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度,所述瘢痕色差显著程度用于描述超像素块中瘢痕颜色与其他超像素块中整体颜色之间的差异,瘢痕亮差显著程度用于描述超像素块中瘢痕亮度与其他超像素块中整体亮度之间的差异;
根据超像素块的瘢痕亮差显著程度与瘢痕色差显著程度之间的关联影响情况,以及每个像素点的b通道值,得到每个超像素块的轮廓相似程度;根据轮廓相似程度进行瘢痕轮廓检测。
优选的,所述根据不同超像素块之间L通道值以及a通道值的分布差异情况,得到每个超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度,包括的具体方法为:
对于任意一张待检测颈部图像,根据第个超像素块与其他超像素块之间a通道值的整体差异情况,以及第/>个超像素块中a通道值的分布规律情况,得到第/>个超像素块的瘢痕色差显著因子;获取所有超像素块的瘢痕色差显著因子,将所有超像素块的瘢痕色差显著因子进行线性归一化,将归一化后的每个瘢痕色差显著因子记为瘢痕色差显著程度;
根据第个超像素块中所有像素点的L通道值,获取第/>个超像素块中的若干高亮度像素点;
将第个超像素块中每个高亮度像素点与第/>个超像素块的重心之间的欧式距离,记为每个高亮度像素点的参考亮度距离;根据第/>个超像素块的瘢痕色差显著程度,以及第/>个超像素块中所有高像素点的参考亮度距离的分布情况,得到第/>个超像素块的瘢痕亮差显著因子;
获取所有超像素块的瘢痕亮差显著因子,将所有的瘢痕亮差显著因子进行线性归一化,将归一化后的每个瘢痕亮差显著因子记为瘢痕亮差显著程度。
优选的,所述根据第个超像素块与其他超像素块之间a通道值的整体差异情况,以及第/>个超像素块中a通道值的分布规律情况,得到第/>个超像素块的瘢痕色差显著因子,包括的具体方法为:
将第个超像素块中所有像素点的a通道值的均值,记为第/>个超像素块的第一均值;将除第/>个超像素块以外的第/>个超像素块中所有像素点的a通道值的均值,记为除第/>个超像素块以外第/>个超像素块的第二均值;将第/>个超像素块的第一均值与除第/>个超像素块以外第/>个超像素块的第二均值的差值,记为除第/>个超像素块以外第/>个超像素块的第一差值;将除第/>个超像素块以外所有超像素块的第一差值的均值,记为第/>个超像素块的第三均值;
将第个超像素块中所有像素点的a通道值的方差的反比例值,记为第/>个超像素块的第一反比例值;
将第个超像素块的第三均值与第/>个超像素块的第一反比例值的乘积,记为第/>个超像素块的瘢痕色差显著因子。
优选的,所述根据第个超像素块中所有像素点的L通道值,获取第/>个超像素块中的若干高亮度像素点,包括的具体方法为:
将第个超像素块中的所有像素点按照L通道值从大到小的顺序进行排序,将排序后的序列记为亮度像素序列;
对于亮度像素序列中任意两个相邻的像素点,在这两个像素点中,将第一个像素点记为第一参考像素点,将第二个像素点记为第二参考像素点,将第一参考像素点与第二参考像素点之间L通道值的差值的绝对值记为参考亮度差异值;将参考亮度差异值的最大值对应的第一参考像素点记为亮度分界像素点;将亮度像素序列中亮度分界像素点之前的每个像素点记为高亮度像素点。
优选的,所述根据第个超像素块的瘢痕色差显著程度,以及第/>个超像素块中所有高像素点的参考亮度距离的分布情况,得到第/>个超像素块的瘢痕亮差显著因子,包括的具体方法为:
将1与第个超像素块的瘢痕色差显著程度的差值,记为第/>个超像素块的第二差值;将第/>个超像素块中所有像素点的L通道值的均值与第/>个超像素块的第二差值的乘积,记为第/>个超像素块的第一乘积;
将第个超像素块中所有高亮度像素点的参考亮度距离的方差的反比例值,记为第/>个超像素块的第二反比例值;将第/>个超像素块的瘢痕色差显著程度与第/>个超像素块的第二反比例值,记为第/>个超像素块的第二乘积;
将第个超像素块的第一乘积与第/>个超像素块的第二乘积的乘积,记为第/>个超像素块的瘢痕亮差显著因子。
优选的,所述根据超像素块的瘢痕亮差显著程度与瘢痕色差显著程度之间的关联影响情况,以及每个像素点的b通道值,得到每个超像素块的轮廓相似程度,包括的具体方法为:
根据第个超像素块与第/>个超像素块之间瘢痕亮差显著程度与瘢痕色差显著程度之间差异情况,得到第/>个超像素块与第/>个超像素块的瘢痕色差显著权重以及瘢痕亮差显著权重;
根据第个超像素块与第/>个超像素块的瘢痕色差显著权重、瘢痕亮差显著权重以及每个像素点的b通道值,得到第/>个超像素块与第/>个超像素块的区域色度距离;
根据第个超像素块与第/>个超像素块的区域色度距离,得到第/>个超像素块与第/>个超像素块的轮廓相似因子;
获取所有任意两个相邻的超像素块的轮廓相似因子,将所有的轮廓相似因子进行线性归一化,将归一化后的每个轮廓相似因子记为轮廓相似程度。
优选的,所述根据第个超像素块与第/>个超像素块之间瘢痕亮差显著程度与瘢痕色差显著程度之间差异情况,得到第/>个超像素块与第/>个超像素块的瘢痕色差显著权重以及瘢痕亮差显著权重,包括的具体方法为:
将第个超像素块与第/>个超像素块之间瘢痕色差显著程度的差值的绝对值,记为第/>个超像素块与第/>个超像素块的色差显著差异值;将1与色差显著差异值的和记为第/>个超像素块与第/>个超像素块的瘢痕色差显著权重;
将第个超像素块与第/>个超像素块之间瘢痕亮差显著程度的差值的绝对值,记为第/>个超像素块与第/>个超像素块的亮差显著差异值;将1与亮差显著差异值的和记为第/>个超像素块与第/>个超像素块的瘢痕亮差显著权重。
优选的,所述根据第个超像素块与第/>个超像素块的瘢痕色差显著权重、瘢痕亮差显著权重以及每个像素点的b通道值,得到第/>个超像素块与第/>个超像素块的区域色度距离,包括的具体方法为:
将第个超像素块中所有像素点的L通道值的均值与第/>个超像素块中所有像素点的L通道值的均值的差值的平方,记为第/>个超像素块与第/>个超像素块的第三差值;将第三差值和第/>个超像素块与第/>个超像素块的瘢痕亮差显著权重的乘积,记为第/>个超像素块与第/>个超像素块的第三乘积;
将第个超像素块中所有像素点的a通道值的均值与第/>个超像素块中所有像素点的a通道值的均值的差值的平方,记为第/>个超像素块与第/>个超像素块的第四差值;将第四差值和第/>个超像素块与第/>个超像素块的瘢痕色差显著权重的乘积,记为第/>个超像素块与第/>个超像素块的第四乘积;
将第个超像素块中所有像素点的b通道值的均值与第/>个超像素块中所有像素点的b通道值的均值的差值的平方,记为第/>个超像素块与第/>个超像素块的第五差值;
将第三乘积、第四乘积与第五差值这三者的和,记为第个超像素块与第/>个超像素块的第一和值;将第一和值的算术平方根记为第/>个超像素块与第/>个超像素块的区域色度距离。
优选的,所述根据第个超像素块与第/>个超像素块的区域色度距离,得到第/>个超像素块与第/>个超像素块的轮廓相似因子,包括的具体方法为:
第个超像素块与第/>个超像素块之间瘢痕亮差显著权重与瘢痕色差显著权重的差值的绝对值,记为第/>个超像素块与第/>个超像素块的第一绝对值;将1与第一绝对值的和记为第/>个超像素块与第/>个超像素块的调节因子;将调节因子和第/>个超像素块与第个超像素块之间重心的欧式距离的乘积,记为第/>个超像素块与第/>个超像素块的第五乘积;将第五乘积和第/>个超像素块与第/>个超像素块的区域色度距离的比值,记为第/>个超像素块与第/>个超像素块的轮廓相似因子。
优选的,所述根据轮廓相似程度进行瘢痕轮廓检测,包括的具体方法为:
预设一个轮廓相似程度阈值,若第/>个超像素块与第/>个超像素块的轮廓相似程度小于/>,将第/>个超像素块与第/>个超像素块进行合并,直至所有任意两个相邻的超像素块的轮廓相似程度均大于或等于/>为止,获取待检测颈部图像中所有超像素块;将所有超像素块,输入CA显著性检测算法中获取显著图;
预设一个显著值阈值,将显著图中显著值大于/>的像素点记为瘢痕像素点,获取所有瘢痕像素点,将所有瘢痕像素点所占的图像区域记为瘢痕轮廓区域。
本发明的技术方案的有益效果是:通过分析不同超像素块之间L通道值以及a通道值分别在亮度和颜色方面的分布差异情况以及关联情况,得到每个超像素块的轮廓相似程度,从而根据轮廓相似程度进行瘢痕轮廓检测;其中首先根据不同超像素块之间L通道值以及a通道值的分布差异情况,得到超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度,用于反映超像素块中瘢痕亮度与其他超像素块中整体颜色以及亮度之间的差异,使存在瘢痕的超像素块更易识别;然后根据超像素块的瘢痕亮差显著程度与瘢痕色差显著程度之间的关联影响情况,以及每个像素点的b通道值,得到超像素块的轮廓相似程度,用于反映超像素块与周围超像素块属于同一片皮肤区域的概率;本发明通过结合不同超像素块之间颜色与亮度的相互关联影响情况以及分布差异情况,自适应合并超像素块,从而自适应调整超像素块的大小,使检测获取的瘢痕区域更加完整,提高了瘢痕检测结果的准确性,提高了瘢痕轮廓快速检测的效率。
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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于机器视觉的瘢痕轮廓快速检测方法的步骤流程图;
图2为本发明的待检测颈部图像的灰度图像的示意图;
图3为本发明的瘢痕轮廓区域的示意图;
图4为本发明的基于机器视觉的瘢痕轮廓快速检测方法的特征关系流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于机器视觉的瘢痕轮廓快速检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于机器视觉的瘢痕轮廓快速检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的瘢痕轮廓快速检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干人员的待检测颈部图像。
需要说明的是,传统的CA(Context-Aware)显著性检测算法通常会分割图像获取若干超像素块,从而检测不同超像素块的显著性;但由于瘢痕的表面结构呈不规律分布,使瘢痕可能存在与多个不同的超像素块中,从而使瘢痕的部分区域并不能被检测出来,降低了瘢痕检测结果的准确性。
具体的,首先需要采集待检测颈部图像,如图2所示,其示出了待检测颈部图像的灰度图像的示意图;具体过程为:使用Antera 3D相机垂直拍摄50名实验人员的颈部区域,获取若干颈部图像;对每张颈部图像进行Lab颜色空间转换处理,获取若干Lab空间下的颈部图像,并将每张Lab空间下的颈部图像记为待检测颈部图像。其中每张待检测颈部图像中的每个像素点对应一个L通道值、一个a通道值以及一个b通道值;L通道值表示像素点的亮度的数值范围,取值范围为[0,100];a通道值表示像素点从绿色到红色的数值范围,取值范围是[-128,127];b通道值表示像素点从黄色到蓝色的数值范围,取值范围是[-128,127]。其中Lab颜色空间转换处理是公知技术,本实施例不再赘述。另外需要说明的是,本实施例不对实验人员的数量以及拍摄位置进行限定,其中实验人员的数量以及拍摄位置可根据具体实施情况而定。
至此,通过上述方法得到所有待检测颈部图像。
步骤S002:根据不同超像素块之间L通道值以及a通道值的分布差异情况,得到每个超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度。
需要说明的是,瘢痕与正常皮肤相比,瘢痕包含有更多的血管以及血液流通量,所以瘢痕与正常皮肤相比更偏向红色,使瘢痕对应的像素点在Lab空间中的a通道值相对较高;同时由于瘢痕内部血管的分布情况比正常皮肤下血管的分布情况更复杂,致使瘢痕所呈现的红色分布并不规律;并且与正常皮肤表面不同,瘢痕表面并不存在较为明显的毛发等因素干扰颜色表达。为了提高瘢痕检测结果的准确性,本实施例通过超像素块中a通道值以及L通道值的分布情况,得到超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度,以便后续分析处理。
具体的,以任意一张待检测颈部图像为例,利用CA显著性检测算法获取待检测颈部图像中的若干超像素块;根据第个超像素块与其他超像素块之间a通道值的整体差异情况,以及第/>个超像素块中a通道值的分布规律情况,得到第/>个超像素块的瘢痕色差显著因子。其中获取图像中若干超像素块的过程是CA显著性检测算法的公知内容,本实施例不再赘述。
进一步的,作为一种示例,可通过如下公式计算第个超像素块的瘢痕色差显著因子:
,
式中,表示第/>个超像素块的瘢痕色差显著因子;/>表示除第/>个超像素块以外所有超像素块的数量;/>表示第/>个超像素块中所有像素点的a通道值的均值;/>表示除第个超像素块以外的第/>个超像素块中所有像素点的a通道值的均值;/>表示第/>个超像素块中所有像素点的a通道值的方差;/>表示以自然常数为底的指数函数,实施例采用模型来呈现反比例关系,/>为模型的输入,实施者可根据实际情况选择反比例函数;/>表示第/>个超像素块中的a通道值不受皮肤表面毛发的影响程度。其中若第/>个超像素块的瘢痕色差显著因子越大,说明第/>个超像素块所含颜色越接近红色,反映第/>个超像素块中越有可能存在瘢痕。获取所有超像素块的瘢痕色差显著因子,将所有超像素块的瘢痕色差显著因子进行线性归一化,将归一化后的每个瘢痕色差显著因子记为瘢痕色差显著程度。
进一步的,将第个超像素块中的所有像素点按照L通道值从大到小的顺序进行排序,将排序后的序列记为亮度像素序列;以亮度像素序列中任意两个相邻的像素点为例,在这两个像素点中,将第一个像素点记为第一参考像素点,将第二个像素点记为第二参考像素点,将第一参考像素点与第二参考像素点之间L通道值的差值的绝对值记为参考亮度差异值;获取亮度像素序列中所有参考亮度差异值,获取参考亮度差异值的最大值,将参考亮度差异值的最大值对应的第一参考像素点记为亮度分界像素点;将亮度像素序列中亮度分界像素点之前的每个像素点记为高亮度像素点。其中每个参考亮度差异值对应一个第一参考像素点以及一个第二参考像素点,每个超像素块包含多个高亮度像素点。
进一步的,将第个超像素块中每个高亮度像素点与第/>个超像素块的重心之间的欧式距离,记为每个高亮度像素点的参考亮度距离;根据第/>个超像素块的瘢痕色差显著程度,以及第/>个超像素块中所有高像素点的参考亮度距离的分布情况,得到第/>个超像素块的瘢痕亮差显著因子。作为一种示例,可通过如下公式计算第/>个超像素块的瘢痕亮差显著因子:
,
式中,表示第/>个超像素块的瘢痕亮差显著因子;/>表示第/>个超像素块的瘢痕色差显著程度;/>表示第/>个超像素块中所有像素点的L通道值的均值;/>表示第/>个超像素块中所有高亮度像素点的参考亮度距离的方差;/>表示以自然常数为底的指数函数,实施例采用/>模型来呈现反比例关系,/>为模型的输入,实施者可根据实际情况选择反比例函数。其中若第/>个超像素块的瘢痕亮差显著因子越大,说明第/>个超像素块中高亮反光区域越多,反映第/>个超像素块中存在瘢痕的可能性越大。获取所有超像素块的瘢痕亮差显著因子,将所有的瘢痕亮差显著因子进行线性归一化,将归一化后的每个瘢痕亮差显著因子记为瘢痕亮差显著程度。
至此,通过上述方法得到所有超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度。
步骤S003:根据超像素块的瘢痕亮差显著程度与瘢痕色差显著程度之间的关联影响情况,以及每个像素点的b通道值,得到每个超像素块的轮廓相似程度;根据轮廓相似程度进行瘢痕轮廓检测。
需要说明的是,获取所有超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度后,本实施例通过分析不同超像素块之间瘢痕色差显著程度以及瘢痕亮差显著程度各自的差异情况,确定对应的通道轮廓参考权重;然后根据通道轮廓参考权重自适应调整超像素块的大小,以便后续瘢痕轮廓检测。
具体的,将第个超像素块与第/>个超像素块之间瘢痕色差显著程度的差值的绝对值,记为第/>个超像素块与第/>个超像素块的色差显著差异值;将1与色差显著差异值的和记为第/>个超像素块与第/>个超像素块的瘢痕色差显著权重。
进一步的,将第个超像素块与第/>个超像素块之间瘢痕亮差显著程度的差值的绝对值,记为第/>个超像素块与第/>个超像素块的亮差显著差异值;将1与亮差显著差异值的和记为第/>个超像素块与第/>个超像素块的瘢痕亮差显著权重。
进一步的,根据第个超像素块与第/>个超像素块的瘢痕色差显著权重以及瘢痕亮差显著权重,得到第/>个超像素块与第/>个超像素块的区域色度距离。作为一种示例,可通过如下公式计算第/>个超像素块与第/>个超像素块的区域色度距离:
,
式中,表示第/>个超像素块与第/>个超像素块的区域色度距离;/>表示第个超像素块与第/>个超像素块的瘢痕亮差显著权重;/>表示第/>个超像素块中所有像素点的L通道值的均值;/>表示第/>个超像素块中所有像素点的L通道值的均值;/>表示第/>个超像素块与第/>个超像素块的瘢痕色差显著权重;/>表示第/>个超像素块中所有像素点的a通道值的均值;/>表示第/>个超像素块中所有像素点的a通道值的均值;/>表示第个超像素块中所有像素点的b通道值的均值;/>表示第/>个超像素块中所有像素点的b通道值的均值。其中若第/>个超像素块与第/>个超像素块的区域色度距离越小,说明第/>个超像素块与第/>个超像素块之间瘢痕分布情况越相似。
进一步的,根据第个超像素块与第/>个超像素块的区域色度距离,得到第/>个超像素块与第/>个超像素块的轮廓相似因子。作为一种示例,可通过如下公式计算第/>个超像素块与第/>个超像素块的轮廓相似因子:
,
式中,表示第/>个超像素块与第/>个超像素块的轮廓相似因子;/>表示第/>个超像素块与第/>个超像素块的区域色度距离;/>表示第/>个超像素块与第/>个超像素块的瘢痕亮差显著权重;/>表示第/>个超像素块与第/>个超像素块的瘢痕色差显著权重;/>表示第/>个超像素块与第/>个超像素块之间重心的欧式距离;/>表示预设的超参数,本实施例预设/>,用于防止分母为0;/>表示第/>个超像素块与第/>个超像素块的调节因子;/>表示取绝对值。其中若第/>个超像素块与第/>个超像素块的轮廓相似因子越大,说明第/>个超像素块与第/>个超像素块越属于同一片皮肤区域。获取所有任意两个相邻的超像素块的轮廓相似因子,将所有的轮廓相似因子进行线性归一化,将归一化后的每个轮廓相似因子记为轮廓相似程度。
进一步的,预设一个轮廓相似程度阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;若第/>个超像素块与第/>个超像素块的轮廓相似程度小于/>,将第/>个超像素块与第/>个超像素块进行合并,直至所有任意两个相邻的超像素块的轮廓相似程度均大于或等于/>为止,获取待检测颈部图像中所有超像素块。根据所有超像素块,利用CA显著性检测算法获取显著图。其中显著图包含多个像素点,每个像素点对应是一个显著值,另外根据超像素块获取显著图的过程是CA显著性检测算法的公知内容,本实施例不再赘述。
进一步的,预设一个显著值阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将显著图中显著值大于/>的像素点记为瘢痕像素点,获取所有瘢痕像素点,将所有瘢痕像素点所占的图像区域记为瘢痕轮廓区域。请参阅图3,其出了瘢痕轮廓区域的示意图。请参阅图4,其示出了基于机器视觉的瘢痕轮廓快速检测方法的特征关系流程图。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于机器视觉的瘢痕轮廓快速检测方法,其特征在于,该方法包括以下步骤:
采集若干人员的待检测颈部图像,所述待检测颈部图像包含多个超像素块,每个超像素块包含多个像素点,每个像素点对应Lab空间下的一个L通道值、一个a通道值以及一个b通道值;
根据不同超像素块之间L通道值以及a通道值的分布差异情况,得到每个超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度,所述瘢痕色差显著程度用于描述超像素块中瘢痕颜色与其他超像素块中整体颜色之间的差异,瘢痕亮差显著程度用于描述超像素块中瘢痕亮度与其他超像素块中整体亮度之间的差异;
根据超像素块的瘢痕亮差显著程度与瘢痕色差显著程度之间的关联影响情况,以及每个像素点的b通道值,得到每个超像素块的轮廓相似程度;根据轮廓相似程度进行瘢痕轮廓检测;
所述根据超像素块的瘢痕亮差显著程度与瘢痕色差显著程度之间的关联影响情况,以及每个像素点的b通道值,得到每个超像素块的轮廓相似程度,包括的具体方法为:
根据第个超像素块与第/>个超像素块之间瘢痕亮差显著程度与瘢痕色差显著程度之间差异情况,得到第/>个超像素块与第/>个超像素块的瘢痕色差显著权重以及瘢痕亮差显著权重;
根据第个超像素块与第/>个超像素块的瘢痕色差显著权重、瘢痕亮差显著权重以及每个像素点的b通道值,得到第/>个超像素块与第/>个超像素块的区域色度距离;
根据第个超像素块与第/>个超像素块的区域色度距离,得到第/>个超像素块与第/>个超像素块的轮廓相似因子;
获取所有任意两个相邻的超像素块的轮廓相似因子,将所有的轮廓相似因子进行线性归一化,将归一化后的每个轮廓相似因子记为轮廓相似程度;
所述根据第个超像素块与第/>个超像素块之间瘢痕亮差显著程度与瘢痕色差显著程度之间差异情况,得到第/>个超像素块与第/>个超像素块的瘢痕色差显著权重以及瘢痕亮差显著权重,包括的具体方法为:
将第个超像素块与第/>个超像素块之间瘢痕色差显著程度的差值的绝对值,记为第个超像素块与第/>个超像素块的色差显著差异值;将1与色差显著差异值的和记为第/>个超像素块与第/>个超像素块的瘢痕色差显著权重;
将第个超像素块与第/>个超像素块之间瘢痕亮差显著程度的差值的绝对值,记为第个超像素块与第/>个超像素块的亮差显著差异值;将1与亮差显著差异值的和记为第/>个超像素块与第/>个超像素块的瘢痕亮差显著权重;
所述根据第个超像素块与第/>个超像素块的瘢痕色差显著权重、瘢痕亮差显著权重以及每个像素点的b通道值,得到第/>个超像素块与第/>个超像素块的区域色度距离,包括的具体方法为:
将第个超像素块中所有像素点的L通道值的均值与第/>个超像素块中所有像素点的L通道值的均值的差值的平方,记为第/>个超像素块与第/>个超像素块的第三差值;将第三差值和第/>个超像素块与第/>个超像素块的瘢痕亮差显著权重的乘积,记为第/>个超像素块与第/>个超像素块的第三乘积;
将第个超像素块中所有像素点的a通道值的均值与第/>个超像素块中所有像素点的a通道值的均值的差值的平方,记为第/>个超像素块与第/>个超像素块的第四差值;将第四差值和第/>个超像素块与第/>个超像素块的瘢痕色差显著权重的乘积,记为第/>个超像素块与第/>个超像素块的第四乘积;
将第个超像素块中所有像素点的b通道值的均值与第/>个超像素块中所有像素点的b通道值的均值的差值的平方,记为第/>个超像素块与第/>个超像素块的第五差值;
将第三乘积、第四乘积与第五差值这三者的和,记为第个超像素块与第/>个超像素块的第一和值;将第一和值的算术平方根记为第/>个超像素块与第/>个超像素块的区域色度距离;
所述根据第个超像素块与第/>个超像素块的区域色度距离,得到第/>个超像素块与第/>个超像素块的轮廓相似因子,包括的具体方法为:
第个超像素块与第/>个超像素块之间瘢痕亮差显著权重与瘢痕色差显著权重的差值的绝对值,记为第/>个超像素块与第/>个超像素块的第一绝对值;将1与第一绝对值的和记为第/>个超像素块与第/>个超像素块的调节因子;将调节因子和第/>个超像素块与第/>个超像素块之间重心的欧式距离的乘积,记为第/>个超像素块与第/>个超像素块的第五乘积;将第五乘积和第/>个超像素块与第/>个超像素块的区域色度距离的比值,记为第/>个超像素块与第/>个超像素块的轮廓相似因子;
所述根据轮廓相似程度进行瘢痕轮廓检测,包括的具体方法为:
预设一个轮廓相似程度阈值,若第/>个超像素块与第/>个超像素块的轮廓相似程度小于/>,将第/>个超像素块与第/>个超像素块进行合并,直至所有任意两个相邻的超像素块的轮廓相似程度均大于或等于/>为止,获取待检测颈部图像中所有超像素块;将所有超像素块,输入CA显著性检测算法中获取显著图;
预设一个显著值阈值,将显著图中显著值大于/>的像素点记为瘢痕像素点,获取所有瘢痕像素点,将所有瘢痕像素点所占的图像区域记为瘢痕轮廓区域。
2.根据权利要求1所述基于机器视觉的瘢痕轮廓快速检测方法,其特征在于,所述根据不同超像素块之间L通道值以及a通道值的分布差异情况,得到每个超像素块的瘢痕色差显著程度以及瘢痕亮差显著程度,包括的具体方法为:
对于任意一张待检测颈部图像,根据第个超像素块与其他超像素块之间a通道值的整体差异情况,以及第/>个超像素块中a通道值的分布规律情况,得到第/>个超像素块的瘢痕色差显著因子;获取所有超像素块的瘢痕色差显著因子,将所有超像素块的瘢痕色差显著因子进行线性归一化,将归一化后的每个瘢痕色差显著因子记为瘢痕色差显著程度;
根据第个超像素块中所有像素点的L通道值,获取第/>个超像素块中的若干高亮度像素点;
将第个超像素块中每个高亮度像素点与第/>个超像素块的重心之间的欧式距离,记为每个高亮度像素点的参考亮度距离;根据第/>个超像素块的瘢痕色差显著程度,以及第个超像素块中所有高像素点的参考亮度距离的分布情况,得到第/>个超像素块的瘢痕亮差显著因子;
获取所有超像素块的瘢痕亮差显著因子,将所有的瘢痕亮差显著因子进行线性归一化,将归一化后的每个瘢痕亮差显著因子记为瘢痕亮差显著程度。
3.根据权利要求2所述基于机器视觉的瘢痕轮廓快速检测方法,其特征在于,所述根据第个超像素块与其他超像素块之间a通道值的整体差异情况,以及第/>个超像素块中a通道值的分布规律情况,得到第/>个超像素块的瘢痕色差显著因子,包括的具体方法为:
将第个超像素块中所有像素点的a通道值的均值,记为第/>个超像素块的第一均值;将除第/>个超像素块以外的第/>个超像素块中所有像素点的a通道值的均值,记为除第/>个超像素块以外第/>个超像素块的第二均值;将第/>个超像素块的第一均值与除第/>个超像素块以外第/>个超像素块的第二均值的差值,记为除第/>个超像素块以外第/>个超像素块的第一差值;将除第/>个超像素块以外所有超像素块的第一差值的均值,记为第/>个超像素块的第三均值;
将第个超像素块中所有像素点的a通道值的方差的反比例值,记为第/>个超像素块的第一反比例值;
将第个超像素块的第三均值与第/>个超像素块的第一反比例值的乘积,记为第/>个超像素块的瘢痕色差显著因子。
4.根据权利要求2所述基于机器视觉的瘢痕轮廓快速检测方法,其特征在于,所述根据第个超像素块中所有像素点的L通道值,获取第/>个超像素块中的若干高亮度像素点,包括的具体方法为:
将第个超像素块中的所有像素点按照L通道值从大到小的顺序进行排序,将排序后的序列记为亮度像素序列;
对于亮度像素序列中任意两个相邻的像素点,在这两个像素点中,将第一个像素点记为第一参考像素点,将第二个像素点记为第二参考像素点,将第一参考像素点与第二参考像素点之间L通道值的差值的绝对值记为参考亮度差异值;将参考亮度差异值的最大值对应的第一参考像素点记为亮度分界像素点;将亮度像素序列中亮度分界像素点之前的每个像素点记为高亮度像素点。
5.根据权利要求2所述基于机器视觉的瘢痕轮廓快速检测方法,其特征在于,所述根据第个超像素块的瘢痕色差显著程度,以及第/>个超像素块中所有高像素点的参考亮度距离的分布情况,得到第/>个超像素块的瘢痕亮差显著因子,包括的具体方法为:
将1与第个超像素块的瘢痕色差显著程度的差值,记为第/>个超像素块的第二差值;将第/>个超像素块中所有像素点的L通道值的均值与第/>个超像素块的第二差值的乘积,记为第/>个超像素块的第一乘积;
将第个超像素块中所有高亮度像素点的参考亮度距离的方差的反比例值,记为第/>个超像素块的第二反比例值;将第/>个超像素块的瘢痕色差显著程度与第/>个超像素块的第二反比例值,记为第/>个超像素块的第二乘积;
将第个超像素块的第一乘积与第/>个超像素块的第二乘积的乘积,记为第/>个超像素块的瘢痕亮差显著因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410410564.6A CN118014991B (zh) | 2024-04-08 | 2024-04-08 | 基于机器视觉的瘢痕轮廓快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410410564.6A CN118014991B (zh) | 2024-04-08 | 2024-04-08 | 基于机器视觉的瘢痕轮廓快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118014991A CN118014991A (zh) | 2024-05-10 |
CN118014991B true CN118014991B (zh) | 2024-06-14 |
Family
ID=90956741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410410564.6A Active CN118014991B (zh) | 2024-04-08 | 2024-04-08 | 基于机器视觉的瘢痕轮廓快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014991B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373126A (zh) * | 2016-09-04 | 2017-02-01 | 河北工业大学 | 基于融合类测地线和边界对比的图像显著性检测方法 |
CN107578035A (zh) * | 2017-09-30 | 2018-01-12 | 深圳市颐通科技有限公司 | 基于超像素‑多色彩空间的人体轮廓提取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056590B (zh) * | 2016-05-26 | 2019-02-22 | 重庆大学 | 基于Manifold Ranking和结合前景背景特征的显著性检测方法 |
CN109086777B (zh) * | 2018-07-09 | 2021-09-28 | 南京师范大学 | 一种基于全局像素特征的显著图精细化方法 |
CN110211078B (zh) * | 2019-05-14 | 2021-01-19 | 大连理工大学 | 基于各向异性扩散的显著度检测方法 |
US20210004962A1 (en) * | 2019-07-02 | 2021-01-07 | Qualcomm Incorporated | Generating effects on images using disparity guided salient object detection |
CN113781402B (zh) * | 2021-08-19 | 2024-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 |
US20230177801A1 (en) * | 2021-11-30 | 2023-06-08 | Viettel Group | Method of salient object detection in images |
CN114998320B (zh) * | 2022-07-18 | 2022-12-16 | 银江技术股份有限公司 | 视觉显著性检测的方法、系统、电子装置和存储介质 |
CN117173188B (zh) * | 2023-11-03 | 2024-01-26 | 泸州通鑫显示科技有限公司 | 一种玻璃瘢痕识别方法 |
-
2024
- 2024-04-08 CN CN202410410564.6A patent/CN118014991B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373126A (zh) * | 2016-09-04 | 2017-02-01 | 河北工业大学 | 基于融合类测地线和边界对比的图像显著性检测方法 |
CN107578035A (zh) * | 2017-09-30 | 2018-01-12 | 深圳市颐通科技有限公司 | 基于超像素‑多色彩空间的人体轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118014991A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aiping et al. | Face detection technology based on skin color segmentation and template matching | |
CN106295656A (zh) | 基于图像色块内容的图像轮廓特征提取方法和装置 | |
CN111476849B (zh) | 对象颜色识别方法、装置、电子设备以及存储介质 | |
WO2010078586A1 (en) | Detecting skin tone in images | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
EP1300804A2 (en) | Face detecting method by skin color recognition | |
CN116228772B (zh) | 一种生鲜食品变质区域快速检测方法及系统 | |
CN112232204B (zh) | 基于红外图像的活体检测方法 | |
CN116309607B (zh) | 基于机器视觉的船艇式智能水上救援平台 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
US7620246B2 (en) | Method and apparatus for image processing | |
CN110766636B (zh) | 一种用于ai芯片的智能图像处理方法 | |
CN107146258B (zh) | 一种图像显著区域检测方法 | |
CN109583330B (zh) | 一种用于人脸照片的毛孔检测方法 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN110647813A (zh) | 一种基于无人机航拍的人脸实时检测识别方法 | |
CN118014991B (zh) | 基于机器视觉的瘢痕轮廓快速检测方法 | |
CN111612797B (zh) | 一种水稻图像信息处理系统 | |
CN116109933B (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
Azad et al. | A robust and adaptable method for face detection based on color probabilistic estimation technique | |
CN112232205A (zh) | 移动端cpu实时多功能人脸检测方法 | |
CN112365517A (zh) | 一种基于图像颜色和密度特征的超像素分割方法 | |
CN102542304B (zh) | 识别wap手机色情图像的区域分割肤色算法 | |
CN115082804B (zh) | 利用多特征数据处理分析的水稻病害识别方法 | |
CN114511567B (zh) | 舌体与舌苔图像识别分离方法 |
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 |