TWI766492B - 光源確定方法、裝置、電腦裝置及儲存介質 - Google Patents
光源確定方法、裝置、電腦裝置及儲存介質 Download PDFInfo
- Publication number
- TWI766492B TWI766492B TW109145602A TW109145602A TWI766492B TW I766492 B TWI766492 B TW I766492B TW 109145602 A TW109145602 A TW 109145602A TW 109145602 A TW109145602 A TW 109145602A TW I766492 B TWI766492 B TW I766492B
- Authority
- TW
- Taiwan
- Prior art keywords
- light source
- grayscale
- algorithm
- image
- spectral
- Prior art date
Links
Images
Abstract
本申請涉及圖像處理技術,本申請提供一種光源確定方法、裝置、電腦裝置以及儲存介質。所述方法包括:獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同;根據所述多個灰度圖像,生成偽高光譜圖像立方體;從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長;根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線;根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。本申請能提高光源的選取效率。
Description
本申請涉及圖像處理技術領域,尤其涉及一種光源確定方法、裝置、電腦裝置及儲存介質。
目前,可以透過自動光學檢測技術來檢測物體是否存在缺陷,但在實踐中發現,在對物體進行某種缺陷檢測前,需要單獨分析收集到的不同光源的圖像資料,經過大量的實驗,來確定要突出缺陷的光源,需要很長時間。
因此,如何對光源進行選取是一個亟需解決的技術問題。
鑒於以上內容,有必要提供一種光源確定方法、裝置、電腦裝置及儲存介質,能夠提高光源的選取效率。
本申請的第一方面提供一種光源確定方法,所述光源確定方法包括:獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同;根據所述多個灰度圖像,生成偽高光譜圖像立方體;從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長;根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線;
根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。
本申請的第二方面提供一種光源確定裝置,所述光源確定裝置包括:獲取模組,用於獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同;生成模組,用於根據所述多個灰度圖像,生成偽高光譜圖像立方體;確定模組,用於從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長;所述生成模組,還用於根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線;所述確定模組,還用於根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。
本申請的第三方面提供一種電腦裝置,所述電腦裝置包括:儲存器,儲存至少一個指令;及處理器,獲取所述儲存器中儲存的指令以實現所述光源確定方法。
本申請的第四方面提供一種電腦可讀儲存介質,所述電腦可讀儲存介質中儲存有至少一個指令,所述至少一個指令被電腦裝置中的處理器獲取以實現所述光源確定方法。
根據以上技術方案,本申請可以將攜帶有目標缺陷的物體的多個灰度圖像組成偽高光譜圖像立方體,從而能夠使用與高光譜圖像相關的分析演算法對這些不同光源的灰度圖像進行分析,並進一步確定目標光源,不僅能夠快速從多個光源中確定目標光源,還提高了光源的選取效率。
2:光源確定裝置
201:獲取模組
202:生成模組
203:確定模組
3:電腦裝置
31:儲存器
32:處理器
33:電腦程式
34:通訊匯流排
圖1是本申請公開的一種光源確定方法的較佳實施例的流程圖。
圖2是本申請公開的一種光源確定裝置的較佳實施例的功能模組圖。
圖3是本申請實現光源確定方法的較佳實施例的電腦裝置的結構示意圖。
下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基於本申請中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬於本申請保護的範圍。
除非另有定義,本文所使用的所有的技術和科學術語與屬於本申請的技術領域的技術人員通常理解的含義相同。本文中在本申請的說明書中所使用的術語只是為了描述具體的實施例的目的,不是旨在於限制本申請。
本申請實施例的光源確定方法應用在電腦裝置中,也可以應用在電腦裝置和透過網路與所述電腦裝置進行連接的伺服器所構成的硬體環境中,由伺服器和電腦裝置共同執行。網路包括但不限於:廣域網路、都會區網路或局域網。
其中,伺服器可以是指能對網路中其它設備(如電腦裝置)提供服務的電腦系統。如果一個個人電腦能夠對外提供檔案傳輸通訊協定(File Transfer Protocol,簡稱FTP)服務,也可以叫伺服器。從狹義範圍上講,伺服器專指某些高性能電腦,能透過網路,對外提供服務,其相對於普通的個人電腦來說,穩定性、安全性、性能等方面都要求更高,因此在CPU、晶片組、儲存器、磁片系統、網路等硬體和普通的個人電腦有所不同。
所述電腦裝置是一種能夠按照事先設定或儲存的指令,自動進行數值計算和/或資訊處理的設備,其硬體包括但不限於微處理器、專用積體電路(ASIC)、現場可程式設計閘陣列(FPGA)、數位訊號處理器(DSP)、嵌入式設備等。所述電腦裝置還可包括網路設備和/或使用者設備。其中,所述網路設備包括但
不限於單個網路設備、多個網路設備組成的伺服器組或基於雲計算(Cloud Computing)的由大量主機或網路設備構成的雲,其中,雲計算是分散式運算的一種,由一群鬆散耦合的電腦集組成的一個超級虛擬電腦。所述使用者設備包括但不限於任何一種可與使用者透過鍵盤、滑鼠、遙控器、觸控板或聲控設備等方式進行人機交互的電子產品,例如,個人電腦、平板電腦、智慧手機、個人數位助理PDA等。
請參見圖1,圖1是本申請公開的一種光源確定方法的較佳實施例的流程圖。其中,根據不同的需求,該流程圖中步驟的順序可以改變,某些步驟可以省略。其中,所述光源確定方法的執行主體可以為電腦裝置。
步驟S11、獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同。
具體的,所述獲取攜帶有目標缺陷的物體的多個灰度圖像包括:獲取所述攜帶有目標缺陷的物體在不同光源下的多個圖像;根據灰度轉化演算法,將所述多個圖像進行灰度轉化,獲得多個灰度圖像。
其中,所述灰度轉化演算法包括浮點演算法、整數演算法、移位元演算法、平均值演算法以及僅取綠色演算法中的任一個。
其中,所述目標缺陷可以包括但不限於物體上的劃痕、凹陷以及污漬等。
其中,所述灰度圖像可以是指用灰度表示的圖像,灰度也可以認為是亮度,灰度可以指黑白圖像中的色彩深度,範圍一般0-255,白色為255,黑色為0。
其中,所述光源可以包括但不限於不同光照強度的光源、不同顏色的光源以及其它特殊光源。
在該可選的實施方式中,灰度圖(Gray Scale Image,又稱灰階圖)。把白色與黑色之間按對數關係分為若干等級,稱為灰度。灰度分為256階。用
灰度表示的圖像稱作灰度圖。任何顏色都有紅、綠、藍三原色組成,假如原來某點的顏色為RGB(R,G,B),那麼,可以透過浮點演算法、整數演算法、移位元演算法、平均值演算法以及僅取綠色演算法等方法,將原來的顏色轉換為灰度Gray;其中,浮點演算法可以為:Gray=R*0.3+G*0.59+B*0.11;整數演算法可以為:Gray=(R*30+G*59+B*11)/100;移位元演算法可以為:Gray=(R*28+G*151+B*77)>>8;平均值演算法可以為:Gray=(R+G+B)/3;僅取綠色演算法的公式可以為:Gray=G。透過以上任何一種方法求得Gray後,將原來的RGB(R,G,B)中的R,G,B統一用Gray替換,形成新的顏色RGB(Gray,Gray,Gray),從而得到灰度圖。
步驟S12、根據所述多個灰度圖像,生成偽高光譜圖像立方體。
其中,所述光譜圖像立方體的寬為所述灰度圖像的寬,所述光譜圖像立方體的長為所述灰度圖像的長,所述光譜圖像立方體的高為所述多個灰度圖像對應的光源的光譜波長的範圍。
本申請實施例中,所述多個灰度圖像屬於二維維度(包括圖像的長和寬),不同的光源對應不同的光譜波長。將光譜波長作為第三維度的數值,將所述多個灰度影像對應指三維維度中,獲得所述偽高光譜圖像立方體。
作為一種可選的實施方式,所述根據所述多個灰度圖像,生成偽高光譜圖像立方體之後,所述光源確定方法還包括:根據預設分析演算法,對所述偽高光譜圖像立方體進行高光譜圖像分析,獲得分析資料;將所述分析資料保存至資料庫中。
其中,所述預設分析演算法包括波段選擇演算法以及正交子空間投影演算法中的任一個。所述波段選擇演算法是從高光譜圖像所有波段中選擇起主要作用的波段子集,不僅能大大降低高光譜圖像的資料維度,而且能比較完整的保留有用的資訊。所述正交子空間投影演算法是投影是從向量空間映射到自身的一種線性變換。
在該可選的實施方式中,可以根據預設分析演算法,對所述偽高光譜圖像立方體進行高光譜圖像分析,獲得分析資料,即可以從高光譜圖像的角度獲得更多的圖像資訊,可以用於後續的各種分析。
步驟S13、從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長。
其中,所述缺陷資訊可以為所述目標缺陷所在區域的圖元資料。
本申請實施例中,將所述目標缺陷在每個灰度圖像的區域的圖元確定為所述缺陷資訊,由於所述物體的所述目標缺陷在每個灰度圖像的區域是已知的且固定的,可以查找所述目標缺陷在每個灰度圖像的區域在所述偽高光譜圖像立方體中對應的光譜波長。
步驟S14、根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線。
本申請實施例中,可以將多個光源對應的光譜波長以及所述缺陷資訊,擬合生成一條光譜特徵曲線,在二維維度中,所述光譜特徵曲線的橫軸為光譜波長,縱軸為所述缺陷資訊。
步驟S15、根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。
本申請實施例中,可以根據缺陷資訊的圖元資料的光譜特徵,應用高光譜圖像分析方法,如:波段選擇法,正交子空間投影(OSP)等演算法確定能突出缺陷的光譜波長,比如,選擇目標波段,目標缺陷在目標波段的光譜波長資料與背景(物體除了目標缺陷之外的部分)在目標波段的光譜波長資料相差最大,與目標波段的光譜波長對應的光源即為所述目標光源。
作為一種可選的實施方式,所述根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源之後,所述光源確定方法還包括:獲取預設物體在所述目標光源下的檢測圖像;
對所述檢測圖像進行自動光學檢測,獲得檢測結果,所述檢測結果用於確定所述預設物體存在所述目標缺陷或不存在所述目標缺陷。
其中,所述自動光學檢測(Automated Optical Inspection,AOI)是一種用於檢測物體是否存在缺陷的技術,多用於監視生產過程。典型地包括詳細的缺陷分類和元件貼放偏移資訊。
在圖1所描述的方法流程中,本申請可以將攜帶有目標缺陷的物體的多個灰度圖像組成偽高光譜圖像立方體,從而能夠使用與高光譜圖像相關的分析演算法對這些不同光源的灰度圖像進行分析,並進一步確定目標光源,不僅能夠快速從多個光源中確定目標光源,還提高了光源的選取效率。
請參見圖2,圖2是本申請公開的一種光源確定裝置的較佳實施例的功能模組圖。
在一些實施例中,所述光源確定裝置運行於電腦裝置中。所述光源確定裝置可以包括多個由程式碼段所組成的功能模組。所述光源確定裝置中的各個程式段的程式碼可以儲存於儲存器中,並由至少一個處理器所執行,以執行圖1所描述的光源確定方法中的部分或全部步驟。
本實施例中,所述光源確定裝置根據其所執行的功能,可以被劃分為多個功能模組。所述功能模組可以包括:獲取模組201、生成模組202及確定模組203。本申請所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段,其儲存在儲存器中。
獲取模組201,用於獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同。
生成模組202,用於根據所述多個灰度圖像,生成偽高光譜圖像立方體。
其中,所述光譜圖像立方體的寬為所述灰度圖像的寬,所述光譜圖像立方體的長為所述灰度圖像的長,所述光譜圖像立方體的高為所述多個灰度圖像對應的光源的光譜波長的範圍。
本申請實施例中,所述多個灰度圖像屬於二維維度(包括圖像的長和寬),不同的光源對應不同的光譜波長。將光譜波長作為第三維度的數值,將所述多個灰度影像對應指三維維度中,獲得所述偽高光譜圖像立方體。
確定模組203,用於從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長。
其中,所述缺陷資訊可以為所述目標缺陷所在區域的圖元資料。
本申請實施例中,將所述目標缺陷在每個灰度圖像的區域的圖元確定為所述缺陷資訊,由於所述物體的所述目標缺陷在每個灰度圖像的區域是已知的且固定的,可以查找所述目標缺陷在每個灰度圖像的區域在所述偽高光譜圖像立方體中對應的光譜波長。
所述生成模組202,還用於根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線。
本申請實施例中,可以將多個光源對應的光譜波長以及所述缺陷資訊,擬合生成一條光譜特徵曲線,在二維維度中,所述光譜特徵曲線的橫軸為光譜波長,縱軸為所述缺陷資訊。
所述確定模組203,還用於根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。
本申請實施例中,可以根據缺陷資訊的圖元資料的光譜特徵,應用高光譜圖像分析方法,如:波段選擇法,正交子空間投影(OSP)等演算法確定能突出缺陷的光譜波長,與該光譜波長對應的光源即為所述目標光源。
作為一種可選的實施方式,所述獲取模組201獲取攜帶有目標缺陷的物體的多個灰度圖像的方式具體為:獲取所述攜帶有目標缺陷的物體在不同光源下的多個圖像;根據灰度轉化演算法,將所述多個圖像進行灰度轉化,獲得多個灰度圖像。
其中,所述灰度轉化演算法包括浮點演算法、整數演算法、移位元演算法、平均值演算法以及僅取綠色演算法中的任一個。
其中,所述目標缺陷可以包括但不限於物體上的劃痕、凹陷以及污漬等。
其中,所述灰度圖像可以是指用灰度表示的圖像,灰度也可以認為是亮度,灰度可以指黑白圖像中的色彩深度,範圍一般0-255,白色為255,黑色為0。
其中,所述光源可以包括但不限於不同光照強度的光源、不同顏色的光源以及其它特殊光源。
在該可選的實施方式中,灰度圖(Gray Scale Image,又稱灰階圖)。把白色與黑色之間按對數關係分為若干等級,稱為灰度。灰度分為256階。用灰度表示的圖像稱作灰度圖。任何顏色都有紅、綠、藍三原色組成,假如原來某點的顏色為RGB(R,G,B),那麼,可以透過浮點演算法、整數演算法、移位元演算法、平均值演算法以及僅取綠色演算法等方法,將原來的顏色轉換為灰度Gray;其中,浮點演算法可以為:Gray=R*0.3+G*0.59+B*0.11;整數演算法可以為:Gray=(R*30+G*59+B*11)/100;移位元演算法可以為:Gray=(R*28+G*151+B*77)>>8;平均值演算法可以為:Gray=(R+G+B)/3;僅取綠色演算法的公式可以為:Gray=G。透過以上任何一種方法求得Gray後,將原來的RGB(R,G,B)中的R,G,B統一用Gray替換,形成新的顏色RGB(Gray,Gray,Gray),從而得到灰度圖。
作為一種可選的實施方式,所述光源確定裝置還可以包括:分析模組,用於所述生成模組202根據所述多個灰度圖像,生成偽高光譜圖像立方體之後,根據預設分析演算法,對所述偽高光譜圖像立方體進行高光譜圖像分析,獲得分析資料;保存模組,用於將所述分析資料保存至資料庫中。
其中,所述預設分析演算法包括波段選擇演算法以及正交子空間投影演算法中的任一個。所述波段選擇演算法是從高光譜圖像所有波段中選擇起主要作用的波段子集,不僅能大大降低高光譜圖像的資料維度,而且能比較完整的保留有用的資訊。所述正交子空間投影演算法是投影是從向量空間映射到自身的一種線性變換。
在該可選的實施方式中,可以根據預設分析演算法,對所述偽高光譜圖像立方體進行高光譜圖像分析,獲得分析資料,即可以從高光譜圖像的角度獲得更多的圖像資訊,可以用於後續的各種分析。
作為一種可選的實施方式,所述獲取模組201,還用於所述確定模組203根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源之後,獲取預設物體在所述目標光源下的檢測圖像;所述光源確定裝置還可以包括:檢測模組,用於對所述檢測圖像進行自動光學檢測,獲得檢測結果,所述檢測結果用於確定所述預設物體存在所述目標缺陷或不存在所述目標缺陷。
其中,所述自動光學檢測(Automated Optical Inspection,AOI)是一種用於檢測物體是否存在缺陷的技術,多用於監視生產過程。典型地包括詳細的缺陷分類和元件貼放偏移資訊。
在圖2所描述的光源確定裝置中,本申請可以將攜帶有目標缺陷的物體的多個灰度圖像組成偽高光譜圖像立方體,從而能夠使用與高光譜圖像相關的分析演算法對這些不同光源的灰度圖像進行分析,並進一步確定目標光源,不僅能夠快速從多個光源中確定目標光源,還提高了光源的選取效率。
如圖3所示,圖3是本申請實現光源確定方法的較佳實施例的電腦裝置的結構示意圖。所述電腦裝置3包括儲存器31、至少一個處理器32、儲存在所述儲存器31中並可在所述至少一個處理器32上運行的電腦程式33及至少一條通訊匯流排34。
本領域技術人員可以理解,圖3所示的示意圖僅僅是所述電腦裝置3的示例,並不構成對所述電腦裝置3的限定,可以包括比圖示更多或更少的部件,或者組合某些部件,或者不同的部件,例如所述電腦裝置3還可以包括輸入輸出設備、網路接入設備等。
所述電腦裝置3還包括但不限於任何一種可與使用者透過鍵盤、滑鼠、遙控器、觸控板或聲控設備等方式進行人機交互的電子產品,例如,個人電腦、平板電腦、智慧手機、個人數位助理(Personal Digital Assistant,PDA)、遊戲機、互動式網路電視(Internet Protocol Television,IPTV)、智慧式穿戴式設備等。所述電腦裝置3所處的網路包括但不限於網際網路、廣域網路、都會區網路、局域網、虛擬私人網路(Virtual Private Network,VPN)等。
所述至少一個處理器32可以是中央處理單元(Central Processing Unit,CPU),還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor,DSP)、專用積體電路(Application Specific Integrated Circuit,ASIC)、現場可程式設計閘陣列(Field-Programmable Gate Array,FPGA)或者其他可程式設計邏輯器件、電晶體邏輯器件、分立硬體元件等。該處理器32可以是微處理器或者該處理器32也可以是任何常規的處理器等,所述處理器32是所述電腦裝置3的控制中心,利用各種介面和線路連接整個電腦裝置3的各個部分。
所述儲存器31可用於儲存所述電腦程式33和/或模組/單元,所述處理器32透過運行或執行儲存在所述儲存器31內的電腦程式和/或模組/單元,以及調用儲存在儲存器31內的資料,實現所述電腦裝置3的各種功能。所述儲存器31可主要包括儲存程式區和儲存資料區,其中,儲存程式區可儲存作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等;儲存資料區可儲存根據電腦裝置3的使用所創建的資料等。此外,儲存器31可以包括非易失性儲存器,例如硬碟、儲存器、插接式硬碟,智慧儲存卡(Smart Media Card,SMC),安全數位(Secure Digital,SD)卡,快閃儲存器卡(Flash Card)、至少一個磁碟儲存器件、快閃儲存器器件等。
結合圖1,所述電腦裝置3中的所述儲存器31儲存多個指令以實現一種光源確定方法,所述處理器32可執行所述多個指令從而實現:獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同;根據所述多個灰度圖像,生成偽高光譜圖像立方體;從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長;根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線;根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。
作為一種可選的實施方式,所述光譜圖像立方體的寬為所述灰度圖像的寬,所述光譜圖像立方體的長為所述灰度圖像的長,所述光譜圖像立方體的高為所述多個灰度圖像對應的光源的光譜波長的範圍。
作為一種可選的實施方式,所述獲取攜帶有目標缺陷的物體的多個灰度圖像包括:獲取所述攜帶有目標缺陷的物體在不同光源下的多個圖像;根據灰度轉化演算法,將所述多個圖像進行灰度轉化,獲得多個灰度圖像。
作為一種可選的實施方式,所述灰度轉化演算法包括浮點演算法、整數演算法、移位元演算法、平均值演算法以及僅取綠色演算法中的任一個。
作為一種可選的實施方式,所述根據所述多個灰度圖像,生成偽高光譜圖像立方體之後,所述處理器32可執行所述多個指令從而實現:根據預設分析演算法,對所述偽高光譜圖像立方體進行高光譜圖像分析,獲得分析資料;將所述分析資料保存至資料庫中。
作為一種可選的實施方式,所述預設分析演算法包括波段選擇演算法以及正交子空間投影演算法中的任一個。
作為一種可選的實施方式,所述根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源之後,所述處理器32可執行所述多個指令從而實現:獲取預設物體在所述目標光源下的檢測圖像;對所述檢測圖像進行自動光學檢測,獲得檢測結果,所述檢測結果用於確定所述預設物體存在所述目標缺陷或不存在所述目標缺陷。
具體地,所述處理器32對上述指令的具體實現方法可參考圖1對應實施例中相關步驟的描述,在此不贅述。
在圖3所描述的電腦裝置3中,本申請可以將攜帶有目標缺陷的物體的多個灰度圖像組成偽高光譜圖像立方體,從而能夠使用與高光譜圖像相關的分析演算法對這些不同光源的灰度圖像進行分析,並進一步確定目標光源,不僅能夠快速從多個光源中確定目標光源,還提高了光源的選取效率。
所述電腦裝置3集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時,可以儲存在一個電腦可讀取儲存介質中。基於這樣的理解,本申請實現上述實施例方法中的全部或部分流程,也可以透過電腦程式來指令相關的硬體來完成,所述的電腦程式可儲存於一電腦可讀儲存介質中,該電腦程式在被處理器執行時,可實現上述各個方法實施例的步驟。其中,所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括:能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、隨身碟、移動硬碟、磁碟、光碟、電腦儲存器、唯讀儲存器(ROM,Read-Only Memory)。
在本申請所提供的幾個實施例中,應該理解到,所揭露的系統,裝置和方法,可以透過其它的方式實現。例如,以上所描述的裝置實施例僅僅
是示意性的,例如,所述模組的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式。
所述作為分離部件說明的模組可以是或者也可以不是物理上分開的,作為模組顯示的部件可以是或者也可以不是物理單元,即可以位於一個地方,或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模組來實現本實施例方案的目的。
另外,在本申請各個實施例中的各功能模組可以集成在一個處理單元中,也可以是各個單元單獨物理存在,也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現,也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言,顯然本申請不限於上述示範性實施例的細節,而且在不背離本申請的精神或基本特徵的情況下,能夠以其他的具體形式實現本申請。因此,無論從哪一點來看,均應將實施例看作是示範性的,而且是非限制性的,本申請的範圍由所附請求項而不是上述說明限定,因此旨在將落在請求項的等同要件的含義和範圍內的所有變化涵括在本申請內。不應將請求項中的任何附關聯圖標記視為限制所涉及的請求項。此外,顯然“包括”一詞不排除其他單元或步驟,單數不排除複數。本申請中陳述的多個單元或裝置也可以由一個單元或裝置透過軟體或者硬體來實現。第一、第二等詞語用來表示名稱,而並不表示任何特定的順序。
最後應說明的是,以上實施例僅用以說明本申請的技術方案而非限制,儘管參照較佳實施例對本申請進行了詳細說明,本領域的普通技術人員應當理解,可以對本申請的技術方案進行修改或等同替換,而不脫離本申請技術方案的精神和範圍。
Claims (9)
- 一種光源確定方法,其中,所述光源確定方法包括:獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同;根據所述多個灰度圖像,生成偽高光譜圖像立方體,其中,所述光譜圖像立方體的寬為所述灰度圖像的寬,所述光譜圖像立方體的長為所述灰度圖像的長,所述光譜圖像立方體的高為所述多個灰度圖像對應的光源的光譜波長的範圍;從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長;根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線;根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。
- 如請求項1所述的光源確定方法,其中,所述獲取攜帶有目標缺陷的物體的多個灰度圖像包括:獲取所述攜帶有目標缺陷的物體在不同光源下的多個圖像;根據灰度轉化演算法,將所述多個圖像進行灰度轉化,獲得多個灰度圖像。
- 如請求項2所述的光源確定方法,其中,所述灰度轉化演算法包括浮點演算法、整數演算法、移位元演算法、平均值演算法以及僅取綠色演算法中的任一個。
- 如請求項1所述的光源確定方法,其中,所述根據所述多個灰度圖像,生成偽高光譜圖像立方體之後,所述光源確定方法還包括:根據預設分析演算法,對所述偽高光譜圖像立方體進行高光譜圖像分析,獲得分析資料;將所述分析資料保存至資料庫中。
- 如請求項4所述的光源確定方法,其中,所述預設分析演算法包括波段選擇演算法以及正交子空間投影演算法中的任一個。
- 如請求項1至5中任一項所述的光源確定方法,其中,所述根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源之後,所述光源確定方法還包括:獲取預設物體在所述目標光源下的檢測圖像;對所述檢測圖像進行自動光學檢測,獲得檢測結果,所述檢測結果用於確定所述預設物體存在所述目標缺陷或不存在所述目標缺陷。
- 一種光源確定裝置,其中,所述光源確定裝置包括:獲取模組,用於獲取攜帶有目標缺陷的物體的多個灰度圖像,其中,不同的所述灰度圖像對應的光源不同;生成模組,用於根據所述多個灰度圖像,生成偽高光譜圖像立方體,其中,所述光譜圖像立方體的寬為所述灰度圖像的寬,所述光譜圖像立方體的長為所述灰度圖像的長,所述光譜圖像立方體的高為所述多個灰度圖像對應的光源的光譜波長的範圍;確定模組,用於從所述偽高光譜圖像立方體,確定所述目標缺陷對應的缺陷資訊以及光譜波長;所述生成模組,還用於根據所述缺陷資訊以及所述光譜波長,生成光譜特徵曲線;所述確定模組,還用於根據高光譜圖像分析演算法,從所述光譜特徵曲線中確定目標光源。
- 一種電腦裝置,其中,所述電腦裝置包括:儲存器,儲存至少一個指令;及處理器,獲取所述儲存器中儲存的指令以實現如請求項1至6中任意一項所述的光源確定方法。
- 一種電腦可讀儲存介質,其中:所述電腦可讀儲存介質中儲存有至少一個指令,所述至少一個指令被電腦裝置中的處理器獲取以實現如請求項1至6中任意一項所述的光源確定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109145602A TWI766492B (zh) | 2020-12-22 | 2020-12-22 | 光源確定方法、裝置、電腦裝置及儲存介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109145602A TWI766492B (zh) | 2020-12-22 | 2020-12-22 | 光源確定方法、裝置、電腦裝置及儲存介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI766492B true TWI766492B (zh) | 2022-06-01 |
TW202226053A TW202226053A (zh) | 2022-07-01 |
Family
ID=83103565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109145602A TWI766492B (zh) | 2020-12-22 | 2020-12-22 | 光源確定方法、裝置、電腦裝置及儲存介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI766492B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9204805B2 (en) * | 2004-11-29 | 2015-12-08 | Hypermed Imaging, Inc. | Medical hyperspectral imaging for evaluation of tissue and tumor |
CN108375839A (zh) * | 2018-01-15 | 2018-08-07 | 上海机电工程研究所 | 基于光调制器件区域分割的三维图像模拟装置和方法 |
TW201830337A (zh) * | 2017-02-06 | 2018-08-16 | 聯發科技股份有限公司 | 對圖像執行自動白平衡的方法和設備 |
TWI649724B (zh) * | 2017-02-06 | 2019-02-01 | 聯發科技股份有限公司 | 確定圖像的光源和對圖像進行色覺適配的方法及設備 |
-
2020
- 2020-12-22 TW TW109145602A patent/TWI766492B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9204805B2 (en) * | 2004-11-29 | 2015-12-08 | Hypermed Imaging, Inc. | Medical hyperspectral imaging for evaluation of tissue and tumor |
TW201830337A (zh) * | 2017-02-06 | 2018-08-16 | 聯發科技股份有限公司 | 對圖像執行自動白平衡的方法和設備 |
TWI649724B (zh) * | 2017-02-06 | 2019-02-01 | 聯發科技股份有限公司 | 確定圖像的光源和對圖像進行色覺適配的方法及設備 |
CN108375839A (zh) * | 2018-01-15 | 2018-08-07 | 上海机电工程研究所 | 基于光调制器件区域分割的三维图像模拟装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202226053A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9697416B2 (en) | Object detection using cascaded convolutional neural networks | |
WO2019242416A1 (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
Ren et al. | gSLICr: SLIC superpixels at over 250Hz | |
US20220198634A1 (en) | Method for selecting a light source for illuminating defects, electronic device, and non-transitory storage medium | |
US9020243B2 (en) | Image adjustment | |
US8787659B2 (en) | Automatic adaptation to image processing pipeline | |
US20130315476A1 (en) | Automatic Image Adjustment Parameter Correction | |
US9064178B2 (en) | Edge detection apparatus, program and method for edge detection | |
US20180253852A1 (en) | Method and device for locating image edge in natural background | |
US11915058B2 (en) | Video processing method and device, electronic equipment and storage medium | |
US11429872B2 (en) | Accelerated decision tree execution | |
WO2022142219A1 (zh) | 图像背景处理方法、装置、电子设备及存储介质 | |
US8824778B2 (en) | Systems and methods for depth map generation | |
KR20120015980A (ko) | 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품 | |
US11216961B2 (en) | Aligning digital images by selectively applying pixel-adjusted-gyroscope alignment and feature-based alignment models | |
TWI766492B (zh) | 光源確定方法、裝置、電腦裝置及儲存介質 | |
CN111126187A (zh) | 火情检测方法、系统、电子设备及存储介质 | |
Zhang et al. | Single image dehazing using deep convolution neural networks | |
US20220207724A1 (en) | Method of determining a distribution of stem cells in a cell image, electronic device, and storage medium | |
US11575589B2 (en) | Network traffic rule identification | |
US10839519B2 (en) | Techniques to improve edge detection for images | |
TWI748823B (zh) | 細胞數量檢測方法、裝置、電子設備及存儲媒體 | |
CN111784607A (zh) | 图像色调映射方法、装置、终端设备及存储介质 | |
Gong et al. | Attention-guided network with hierarchical global priors for low-light image enhancement | |
CN112291548B (zh) | 白平衡统计方法、装置、移动终端及存储介质 |